CN119397190A 基于集合卡尔曼滤波和深度学习的气候模式偏差校正方法 （水利部交通运输部国家能源局南京水利科学研究院）

基于集合卡尔曼滤波和深度学习的气候模本发明公开了基于集合卡尔曼滤波和深度区域内的第一气候历史模拟数据和未来气候预估数据，以及获取对应气候变量的历史观测数各时段的卡尔曼增益序列和历史序列的平均偏合了集合卡尔曼滤波的动态校正能力与深度学2步骤1，利用全球气候模型获得研究区域内的第一气候历史模拟数据和未来气候预估益序列；2.根据权利要求1所述的基于集合卡尔曼滤波和深度学习的气候模式偏差校正方法，集合卡尔曼滤波算法基于气候模式的物理方程对模拟状态进行3持续计算并更新集合卡尔曼滤波的每一个时间步t的误差协方差矩阵，存储每一个时3.根据权利要求2所述的基于集合卡尔曼滤波和深度学习的气候模式偏差校正方法，其中，X是将所有空间格点的历史模拟数据序列进行一维化后4.根据权利要求3所述的基于集合卡尔曼滤波和深度学习的气候模式偏差校正方法，将第一特征工程X和目标卡尔曼增益序列特征工程Y输入至ResLSTM网络对其进行训是最小化预测卡尔曼增益R,j(t)和真实卡尔曼增益序列Ki,j(t)之间的均方根误差，使5.根据权利要求4所述的基于集合卡尔曼滤波和深度学习的气候模式偏差校正方法，将未来气候预估数据Pi,j(t)分别滞后一个时间段和两个时间段后，与原数据序列Pi,j4将每个空间格点的特征矩阵进行一维拼接，得到第二特征工程XP＝[xp1,1,xp1,2,…,6.根据权利要求5所述的基于集合卡尔曼滤波和深度学习的气候模式偏差校正方法，式中，pf"(t)表示空间格点(i,j)处经过偏差校正的未来预估气候数据。5进行偏差校正成为改善区域气候预估精度的[0003]现有的偏差校正方法包括基于统计学的偏差校正方法和基于物理的偏差校正方[0006]步骤1，利用全球气候模型获得研究区域内的第一气候历史模拟数据和未来气候曼增益序列；6[0033]持续计算并更新集合卡尔曼滤波的每一个时间步t的误差协方差矩阵，存储每一7[0044]将第一特征工程X和目标卡尔曼增益序列特征工程Y输入至ResLSTM网络对其进行标是最小化预测卡尔曼增益R,j(t)和真实卡尔曼增益序列Ki,j(t)之间的均方根误差，使[0051]将每个空间格点的特征矩阵进行一维拼接，得到第二特征工程XP＝[xp1,1,8[0059]1、本发明结合了集合卡尔曼滤波偏差校正方法的稳健性和物理机制以及深度学[0070]步骤1，利用全球气候模型获得研究区域内的第一气候历史模拟数据和未来气候[0071]全球气候模型(GlobalClimateModel,GCM)是一种用于模拟地球的气候系统的曼增益序列。9[0094]持续计算并更新集合卡尔曼滤波的每一个时间步t的误差协方差矩阵，存储每一并利用每一个时间步的分析场构建每个空间格点校正后的气候数据序[0107]将第一特征工程X和目标卡尔曼增益序列特征工程Y输入至ResLSTM网络对其进行标是最小化预测卡尔曼增益R,j(t)和真实卡尔曼增益序列Ki,j(t)之间的均方根误差，使[0110]本示例中使用的ResLSTM网络结构如图3所示，是由一系列门控单元(gating]+bf)]+bi)[0121]输出门决定当前时间步的输出状态ht，首先通过sigmoid层决定哪些部分的记忆]+bo)[0130]假设未来预估数据的偏差统计特征与历史模拟序列一致，将未来气候预估数据[0133]将每个空间格点的特征矩阵进行一维拼接，得到第二特征工程XP＝[xp1,1,[0135]由于未来预估数据与历史模拟数据由同一个GCM输出，因此假设其与实际观测的e"(e)表示空间格点(i,j)处经过偏差校正的未来预估气候数据。[0142]为进一步验证本实施例所述的基于集合卡尔曼滤波和深度学习的气候模式偏差1901_2015年逐月降水观测数据，空间分辨率为0.5°。GCM模拟的历史降水数据选择由ACCESS_CM2模式在r1i1p1f1边界条件下输出的历史模拟降水数据，使用ClimaticData[0143]本示例中使用的ResLSTM采用了6个带有残差连接块的隐藏层网络，结构如图3所[0145]图5展示了在训练集和测试集数据对降水的观测值、模拟值和校正模拟值，如图[0146]图6展示了在训练集和测试集中数据在不同阶段的空间分布