买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于南北半球年代际模态的人工智能年代际气候预测方法，包括：基于去除长期趋势并进行低频滤波后的全球海表面温度和降水、气温等气候要素的季节平均历史观测数据；分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态；通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型；通过将所述主要年代际模态的近期观测状态或未来预测状态导入预测模型，得到气候要素在未来几年到数十年内的实时预测结果。

主权项：1.一种基于南北半球年代际模态的人工智能年代际气候预测方法，其特征在于，包括以下步骤：获取预设历史时间段内气候要素的逐月历史观测数据；根据所述逐月历史观测数据，获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据；根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据，分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态，得到各所述主要年代际模态的时间序列和空间型；根据各所述主要年代际模态的时间序列，通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型；通过将所述主要年代际模态的近期观测状态或未来预测状态导入所述年代际气候预测模型，得到针对所述气候要素在未来预设时间段内的预测结果；其中，根据各所述主要年代际模态的时间序列，通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型，包括：根据各所述主要年代际模态的时间序列，通过人工智能方法针对预测区域的每个空间格点，建立在不同时滞步长下所述主要年代际模态与所述气候要素之间的映射关系；对于每个所述主要年代际模态，根据在不同时滞步长下所述主要年代际模态与所述气候要素之间的映射关系，在所述不同时滞步长中选取目标时滞步长；根据所述目标时滞步长对所述主要年代际模态的时间序列进行平移，并将平移后的时间序列作为最佳预测因子；根据所述最佳预测因子，通过人工智能方法建立所述最佳预测因子与所述气候要素的映射关系，以构建所述气候要素的年代际气候预测模型；其中，所述年代际气候预测模型如下： P i:{TNH,py-lbest,p,…,TSH,qy-lbest,q,…}M*i,SEASONy；TNH,py-lbest,p为北半球的最佳预测因子，TSH,qy-lbest,q为南半球的最佳预测因子，SEASON为季节，i为空间格点，M*i,SEASONy为第y年的季节SEASON，空间格点i的预测要素数据；所述根据所述逐月历史观测数据，获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据，包括：根据所述逐月历史观测数据，通过计算季节平均和距平化，得到季节平均的逐年历史观测数据；采用集合经验模态分解方法，去除所述季节平均的逐年历史观测数据中的长期趋势，得到去除长期趋势的第一目标历史观测数据；对所述第一目标历史观测数据进行低频滤波，得到滤波后的第二目标历史观测数据，并将所述第二目标历史观测数据作为所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据；所述根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据，分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态，得到各所述主要年代际模态的时间序列和空间型，包括：根据北半球的第二目标历史观测数据，按照预设的季节演变顺序构建包含季节演变信息的第一扩展矩阵，获取所述第一扩展矩阵的自相关矩阵，并对所述第一扩展矩阵的自相关矩阵进行分解，得到所述北半球的主要年代际模态的时间序列和空间型；其中，所述北半球的第二目标历史观测数据为所述北半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据；从南半球的第二目标历史观测数据中，去除所述北半球的主要年代际模态的时间序列在所述南半球的第二目标历史观测数据上的投影，得到所述南半球的第三目标历史观测数据；其中，所述南半球的第二目标历史观测数据为所述南半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据；根据所述南半球的第三目标历史观测数据，按照预设的季节演变顺序构建包含季节演变信息的第二扩展矩阵，获取所述第二扩展矩阵的自相关矩阵，并对所述第二扩展矩阵的自相关矩阵进行分解，得到所述南半球的主要年代际模态的时间序列和空间型。

全文数据：

权利要求：

百度查询： 南京大学 基于南北半球年代际模态的人工智能年代际气候预测方法