基于AI多模式集成的天气预测方法、系统、计算机及存储介质与流程

本发明涉及医疗健康数据处理，特别涉及基于ai多模式集成的天气预测方法、系统、计算机及存储介质。

背景技术：

1、目前，天气预报主要依赖于全球或区域数值天气预报模式（如ecmwf、gfs）生成的预报结果。然而，任何单一的数值模式都存在因初始场误差、物理参数化方案不完善等导致的固有系统偏差和不确定性，且不同模式在不同天气形势、地理区域和预报时效下的表现各异，没有一种模式在所有情况下都保持最优。为提升预报可靠性，现有技术中常采用多模式集成预报，例如对多个模式的输出结果进行简单的算术平均或赋予固定权重进行集成。但这种静态的集成方法难以适应复杂多变的实际天气过程，无法根据具体预报对象（如不同气象要素）和实时预报表现进行动态调整，导致集成结果时常无法显著超越甚至可能劣于最优的单一模式预报，限制了预报准确性的进一步提升。因此，亟需一种能够智能评估、动态择优并自适应融合多源预报信息的方法。

技术实现思路

1、针对上述现有技术的不足，本发明所要解决的技术问题为：提出基于ai多模式集成的天气预测方法、系统、计算机及存储介质，能够实现对多源数值天气预报结果的智能评估、动态择优与自适应融合，从而有效提升最终天气预测产品的准确性与稳定性。

2、本发明采用的一个技术方案是：一种基于ai多模式集成的天气预测方法，该方法包括以下步骤：

3、s1：获取来自至少两个独立数据源的异构气象预报数据，并对所述数据进行标准化预处理，形成时空统一、格式一致的标准化数据集；

4、s2：对标准化数据集中每一数据源的预报数据，提取其统计特征与深度学习特征，并初步生成一组反映各数据源当前预报质量差异的特征权重；

5、s3：针对目标气象要素，根据各数据源的历史预报性能，为每一数据源的预报结果分配一个动态的集成权重；

6、s4：利用所述集成权重，对所有数据源的预报结果进行加权融合，生成所述目标气象要素的最终预报场。

7、进一步的，该方法还包括以下步骤：

8、s5：将最终预报场与同期实况观测场进行对比，计算预报评估指标，根据所述评估指标优化s3步骤中的集成权重计算策略或s2步骤中的深度学习特征提取模型参数。

9、进一步的，所述s1步骤包括以下子步骤：

10、s11：从至少两个独立的全球或区域数值天气预报中心，获取目标区域在相同起报时间和预报时效下的格点化预报数据；

11、s12：对获取的格点化预报数据进行解析，将其重采样至统一的空间网格分辨率，并插值对齐到统一的时间序列上，同时进行格式转换，形成所述标准化数据集。

12、进一步的，所述s2步骤包括以下子步骤：

13、s21：对于每一数据源，计算其针对目标气象要素的预报数据在预设历史周期内的统计特征，所述统计特征包括气候平均值、预报误差的方差以及预报趋势的相关系数；

14、s22：将每一数据源在目标区域的空间时间预报场数据，输入预先训练的特征提取网络，提取能够表征天气系统多尺度结构及演变规律的深度学习特征；

15、s23：基于所述统计特征与深度学习特征，通过预设的权重初估函数，生成各数据源的特征权重：

16、；

17、其中，表示第i个数据源的特征权重，表示权重初估函数，表示气候平均值，表示预报误差的方差，表示预报趋势的相关系数，表示深度学习特征向量。

18、进一步的，所述s3步骤包括以下子步骤：

19、s31：针对目标气象要素，计算每个数据源在预设历史周期内，历史预报的平均绝对误差；

20、s32：根据特征权重和历史预报的平均绝对误差，计算各数据源的最终动态集成权重：

21、；

22、其中，表示第i个数据源的集成权重，表示第i个数据源历史预报的平均绝对误差，表示一个防止分母为零的正值，n表示参与集成的数据源总数。

23、进一步的，所述s4步骤包括以下子步骤：

24、s41：对于标准网格上的每一个格点，将各数据源在该格点对目标气象要素的预报值与其对应的最终动态集成权重相乘后求和，得到该格点的融合预报值，计算公式为：

25、；

26、其中，表示在空间位置处的最终融合预报值，表示第i个数据源在空间位置处对目标气象要素的预报值；

27、s42：遍历所有标准网格点，重复s41步骤的计算，生成覆盖整个目标区域的、所述目标气象要素的最终预报场。

28、进一步的，所述s5步骤包括以下子步骤：

29、s51：将最终预报场与实况观测场在相同的时空网格点上进行对比，计算至少一种预报评估指标，所述预报评估指标包括平均绝对误差、均方根误差、时间相关系数或空间相关系数；

30、s52：根据所述预报评估指标，通过优化算法调整权重初估函数的参数，和/或动态权重融合计算公式，和/或特征提取网络的模型参数，以最小化后续预报的评估指标。

31、本发明采用的第二个技术方案是，一种基于ai多模式集成的天气预测系统，该系统包括以下模块：

32、预处理模块，用于获取来自至少两个独立数据源的异构气象预报数据，并对所述数据进行标准化预处理，形成时空统一、格式一致的标准化数据集；

33、特征统计模块，用于对标准化数据集中每一数据源的预报数据，提取其统计特征与深度学习特征，并初步生成一组反映各数据源当前预报质量差异的特征权重；

34、权重计算模块，用于针对目标气象要素，根据各数据源的历史预报性能，为每一数据源的预报结果分配一个动态的集成权重；

35、预报集成模块，用于利用所述集成权重，对所有数据源的预报结果进行加权融合，生成所述目标气象要素的最终预报场。

36、本发明采用的第三个技术方案是，一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于ai多模式集成的天气预测方法的步骤。

37、本发明采用的第四个技术方案是，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述的基于ai多模式集成的天气预测方法的步骤。

38、本发明的基于ai多模式集成的天气预测方法、系统、计算机及存储介质，至少具有如下有益效果：

39、基于上述具体实施方式，本技术方案产生的有益效果主要体现在以下三个方面：本方案通过融合多源异构预报数据，并利用统计方法与深度学习技术协同提取多层次特征，有效克服了单一数值预报模式的固有偏差和不确定性。在此基础上，结合数据源的历史性能与当前预报特征动态分配集成权重，实现了对多源预报结果的智能择优与自适应加权融合，显著提升了最终天气预报产品的准确性与稳定性。同时，该方法建立了评估反馈优化机制，能够持续自我改进，增强了预报系统的鲁棒性和长期适用性。

1.一种基于ai多模式集成的天气预测方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于ai多模式集成的天气预测方法，其特征在于，该方法还包括以下步骤：

3.如权利要求1所述的基于ai多模式集成的天气预测方法，其特征在于，所述s1步骤包括以下子步骤：

4.如权利要求1所述的基于ai多模式集成的天气预测方法，其特征在于，所述s2步骤包括以下子步骤：

5.如权利要求1所述的一种基于ai多模式集成的天气预测方法，其特征在于，所述s3步骤包括以下子步骤：

6.如权利要求1所述的基于ai多模式集成的天气预测方法、系统、计算机及存储介质，其特征在于，所述s4步骤包括以下子步骤：

7.如权利要求2所述的基于ai多模式集成的天气预测方法，其特征在于，所述s5步骤包括以下子步骤：

8.一种基于ai多模式集成的天气预测系统，其特征在于，该系统包括以下模块：

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的基于ai多模式集成的天气预测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于ai多模式集成的天气预测方法的步骤。