-
公开(公告)号：CN117909888B
公开(公告)日：2024-05-28
申请号：CN202410321400.6
申请日：2024-03-20
Applicant: 南京大学
IPC: G06F18/2431 , G06F18/2411 , G06F18/27 , G06N3/0442 , G01W1/10 , G06F123/02
Abstract: 本发明公开了一种智慧人工智能气候预测方法，利用时空耦合模态分解方法，提取决定预测目标气候要素异常相对倾向的前期或同期最优气候模态及其对应的时间序列；利用人工智能模型训练和构建最优气候模态时间序列与预测目标气候要素异常相对倾向之间非线性关系的预测模型；将观测的前期或动力模式预测的同期最优气候模态时间序列带入非线性预测模型，实现对预测目标气候要素异常相对倾向预测；结合观测的近期背景异常，最终实现对预测目标气候要素距平值的非线性预测。
-
公开(公告)号：CN114330850B
公开(公告)日：2023-11-17
申请号：CN202111570454.9
申请日：2021-12-21
Applicant: 南京大学
Abstract: 本发明公开了一种用于气候预测的异常相对倾向生成方法与系统。对气候变量原始数据进行时间平滑，去除高频变率；减去平滑数据的气候态，得到距平；在此基础上，根据目标频段，选择各时刻前期平均时段的长度，定义相应的近期异常背景；减去近期异常背景，去除低频变率，得到异常相对倾向；对异常相对倾向建模并进行预测，将低频变率作为已知近期异常背景代入相加，实现对距平和原始场的预测。本发明解决了气候预测的时间边界和多尺度问题，在时间序列末端只需利用历史和当前数据提取目标频段信息，可突出已知近期异常背景上的较高频异常相对倾向，只需对异常相对倾向进行预测，避免引入预测低频变率产生的误差，有效提升气候预测的准确率和稳定性。
-
公开(公告)号：CN107103396A
公开(公告)日：2017-08-29
申请号：CN201710441739.X
申请日：2017-06-13
Applicant: 南京大学
Abstract: 本发明公开了一种基于主要SVD模态建模的中国季节气候预测方法，选择低纬向外放出长波辐射(OLR)和中高纬500hPa高度场作为预报因子变量，对中国降水和气温等进行季节气候预测。包括：计算它们的年际增量，通过奇异值分解(SVD)提取预报因子变量的主要SVD模态时间系数作为实际预报因子；利用多元线性回归构建气候统计预测模型，预测指定年份预报对象的年际增量，将其与前一年的观测距平相加，可得气候预测变量的季节异常。本发明采用的预报因子变量综合考虑了热带与热带外大气异常信号的影响，同时提取它们与预报对象关系最紧密的耦合模态作为预报因子，针对年际增量进行预测，避免了年代际变率的干扰，保证了季节气候预测效果更好、更稳定。
-
公开(公告)号：CN117950087A
公开(公告)日：2024-04-30
申请号：CN202410327331.X
申请日：2024-03-21
Applicant: 南京大学
IPC: G01W1/10 , G06F18/27 , G06N5/01 , G06F18/243 , G06F18/2411 , G06N3/044 , G06F123/02
Abstract: 本申请提供一种基于大尺度最优气候模态的人工智能降尺度气候预测方法，利用时空耦合模态分解方法，以降尺度气候预测目标要素对应的大尺度气候要素为基础，提取决定大尺度气候要素异常相对倾向的同期大尺度最优气候模态及时间序列；利用人工智能模型训练和构建大尺度最优气候模态与区域精细化预测目标气候要素异常相对倾向之间非线性关系的降尺度预测模型；将全球气候动力模式预测的同期大尺度最优气候模态时间系数带入该预测模型，预测区域精细化气候要素异常相对倾向；结合近期背景异常，实现对区域精细化预测目标气候要素距平的人工智能降尺度气候预测。该方法通过建立高效、准确的降尺度气候预测模型，能够提升区域精细化气候预测能力。
-
公开(公告)号：CN117932360A
公开(公告)日：2024-04-26
申请号：CN202410321404.4
申请日：2024-03-20
Applicant: 南京大学
IPC: G06F18/22 , G06N3/0442 , G01W1/10 , G06F123/02
Abstract: 本申请提供了一种基于最优气候模态的人工智能次季节预测方法，该方法包括：通过对观测中逐日热带地区OLR场、中高纬地区500hPa位势高度场及各气象要素场数据进行处理，分别得到对应的候倾向距平场；从中选取与气象要素场最紧密联系的气候模态，通过人工智能方法建立气候模态与气象要素候倾向距平场之间的非线性预测模型；从中选取最优气候模态以及对应的预测模型，以实现对未来气象要素的预测。本申请利用人工智能方法可以有效识别次季节尺度上气候模态和气象要素之间复杂的非线性关系，从而可以在气候模态和气象要素间建立非线性预测模型。这些保证了通过最优气候模态利用人工智能方法对气象要素进行预测的准确度。
-
Patent Agency Ranking
公开(公告)号：CN119293464B
公开(公告)日：2025-04-08
申请号：CN202411828751.2
申请日：2024-12-12
Applicant: 南京大学
Abstract: 本申请公开了一种基于多种人工智能模型融合的气候集成预测方法和系统，属于气候预测领域。包括：选取与预测目标存在物理相关关系的要素作为预测因子；选取多种人工智能模型，并基于历史观测数据集对该多种人工智能模型进行预训练；对预训练得到的多种人工智能模型进行独立回报检验，并择优选取多个目标人工智能模型；对各个预测因子对于预测目标的相对贡献进行分析，并确定各个目标人工智能模型对应的实际预测因子。最后基于多个目标人工智能模型和各个目标人工智能模型对应的实际预测因子构建得到气候集成预测模型。如此，可以对线性与非线性特征进行融合预测，有效提升模型的泛化性和稳定性，且提升预测效率和准确性。
-
公开(公告)号：CN117933299B
公开(公告)日：2024-07-23
申请号：CN202410312661.1
申请日：2024-03-19
Applicant: 南京大学
Abstract: 本申请提供了一种用于气候预测的最优气候模态人工智能识别方法与系统，该方法包括：计算预测因子与预测对象的异常相对倾向场；对预测因子与预测对象的异常相对倾向场进行奇异值分解；截取使累积协方差贡献达到95%的主要奇异值分解模态对预测因子的异常相对倾向场进行重构；将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。本申请能够通过人工智能方法提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗。
-
公开(公告)号：CN114707687A
公开(公告)日：2022-07-05
申请号：CN202111570421.4
申请日：2021-12-21
Applicant: 南京大学
Abstract: 本发明针对我国现有夏季降水次季节异常预测能力的不足，公开了一种基于热带大气次季节振荡信号的旬降水预测方法和系统。利用异常相对倾向方法，将原始观测数据处理为旬异常相对倾向数据，从中提取影响降水异常的前期热带次季节振荡信号及主要模态，并将其作为预测因子与降水次季节异常相对倾向进行统计建模，构建针对降水旬异常相对倾向的统计预测模型，将该模型预测结果与前期降水异常背景相加，从而实现对降水次季节异常的定量化预测。相较于现有预测方法，本发明能够有效提取出影响降水次季节异常的热带次季节振荡信号，构建基于物理模态的夏季降水旬异常的定量化预测系统，可有效提升我国夏季降水次季节预测能力。
-
公开(公告)号：CN113592165A
公开(公告)日：2021-11-02
申请号：CN202110834465.7
申请日：2021-07-23
Applicant: 南京大学
Abstract: 本发明公开了一种基于旬倾向和物理模态建模的次季节气候预测方法与系统。利用历史资料计算大气要素场和预测变量的旬倾向距平；通过奇异值分解，提取决定预测变量旬倾向距平的前期热带大气向外长波辐射场和中高纬大气500hPa位势高度场旬倾向距平变异的主要物理模态，并作为预测因子；利用多元回归方法，构建预测变量旬倾向距平与前期主要物理模态关系的预测模型，并通过历史回报确定最优物理模态；将前期观测的最优物理模态代入预测模型，从而实现对预测变量的旬倾向距平预测；将预测的旬倾向距平叠加前一旬的观测或预测距平，从而得到本旬的距平预测。本发明建立的基于旬倾向距平和物理模态建模的方法与系统可有效提高次季节气候预测准确率。
-
公开(公告)号：CN107103396B
公开(公告)日：2019-02-19
申请号：CN201710441739.X
申请日：2017-06-13
Applicant: 南京大学
Abstract: 本发明公开了一种基于主要SVD模态建模的中国季节气候预测方法，选择低纬向外放出长波辐射(OLR)和中高纬500hPa高度场作为预报因子变量，对中国降水和气温等进行季节气候预测。包括：计算它们的年际增量，通过奇异值分解(SVD)提取预报因子变量的主要SVD模态时间系数作为实际预报因子；利用多元线性回归构建气候统计预测模型，预测指定年份预报对象的年际增量，将其与前一年的观测距平相加，可得气候预测变量的季节异常。本发明采用的预报因子变量综合考虑了热带与热带外大气异常信号的影响，同时提取它们与预报对象关系最紧密的耦合模态作为预报因子，针对年际增量进行预测，避免了年代际变率的干扰，保证了季节气候预测效果更好、更稳定。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.026 seconds)
