公开(公告)号：CN119442923B

公开(公告)日：2025-04-01

申请号：CN202510034611.6

申请日：2025-01-09

Applicant: 成都信息工程大学

Inventor： 葛非 ,  谭淇昌 ,  张宇 ,  蒋毅飞 ,  冯俊杰

IPC: G06F30/27 ,  G01W1/10 ,  G06N3/0499 ,  G06N3/084

Abstract: 本发明涉及气候事件模拟技术领域，尤其涉及基于深度学习的气候模式模拟复合极端风雨事件频率的优化方法，包括以下步骤：获取目标区域的降水和风速的观测数据及多个气候模式的模拟数据；采用百分位阈值法计算降水和风速阈值，确定复合极端风雨事件的发生频率；利用观测数据评估气候模式模拟结果，选取其频率作为深度学习模型的特征值，观测频率作为真实值；构建多层感知机神经网络，通过融合均方误差、标准差之比和最低值约束的加权损失函数优化模型训练；将气候模式的模拟结果输入训练好的模型，生成复合极端风雨事件频率的订正结果，提高了复合极端风雨事件频率的模拟精度，能够有效降低偏差，为气候变化背景下的灾害预估及决策提供支持。

公开(公告)号：CN119442923A

公开(公告)日：2025-02-14

申请号：CN202510034611.6

申请日：2025-01-09

Applicant: 成都信息工程大学

Inventor： 葛非 ,  谭淇昌 ,  张宇 ,  蒋毅飞 ,  冯俊杰

IPC: G06F30/27 ,  G01W1/10 ,  G06N3/0499 ,  G06N3/084

Abstract: 本发明涉及气候事件模拟技术领域，尤其涉及基于深度学习的气候模式模拟复合极端风雨事件频率的优化方法，包括以下步骤：获取目标区域的降水和风速的观测数据及多个气候模式的模拟数据；采用百分位阈值法计算降水和风速阈值，确定复合极端风雨事件的发生频率；利用观测数据评估气候模式模拟结果，选取其频率作为深度学习模型的特征值，观测频率作为真实值；构建多层感知机神经网络，通过融合均方误差、标准差之比和最低值约束的加权损失函数优化模型训练；将气候模式的模拟结果输入训练好的模型，生成复合极端风雨事件频率的订正结果，提高了复合极端风雨事件频率的模拟精度，能够有效降低偏差，为气候变化背景下的灾害预估及决策提供支持。