一种季节气候统计预测方法、系统、装置以及存储介质与流程

1.本技术涉及气象预报预测领域，尤其涉及一种季节气候统计预测方法、系 统、装置以及存储介质。


背景技术：

2.目前，我们赖以进行短期气候预测工作的根据有两个方面：一是基于各种 观测数据和气候系统方程组，建立计算机化的气候模式及数据同化系统并用于 预测；二是基于历史的台站观测数据和大气海洋环流数据，基于经验方法建立 预报因子和统计模型并对未来进行预测。
3.但是，当前的统计方法和气候模式预测，对气候异常的空间分布预测技巧 通常很差。现有的统计方法在预报因子制作和模型训练方面通常针对历史时期 进行优化，而非对要预测的年份进行针对性的处理，这在年代际变化特征总是 很显著的情况下预测能力受限。另外，相比较机器学习，现有的经验统计方法 在预测信息来源处理和回归方法也过于简单。
4.由此可见，如何对传统的经验统计进行改进，提供一种可行的气候统计预 测方案，以提高气候预测能力，尤其对气候异常的空间分布的预测能力，成为 本领域技术人员亟待解决的问题。


技术实现要素：

[0005][0006]
本技术实施例提供一种季节气候统计预测方法，用以解决现有气候统计预 测方法，存在特征因子和模型优化针对性不强，特征信息和回归算法简单、气 候异常的空间分布预测技巧较差等问题。
[0007]
本技术实施例还提供一种季节气候统计预测系统，用以解决现有气候统计 预测方法，存在特征因子和模型优化针对性不强、特征信息和回归算法简单、、 气候异常的空间分布预测技巧较差等问题。
[0008]
本技术实施例还提供一种季节气候统计预测装置，用以解决现有气候统计 预测方法，存在特征因子和模型优化针对性不强，特征信息和回归算法简单、 气候异常的空间分布预测技巧较差等问题。
[0009]
本技术实施例还提供一种计算机可读存储介质，用以解决现有气候统计预 测方法，存在特征因子和模型优化针对性不强，特征信息和回归算法简单、气 候异常的空间分布预测技巧较差等问题。
[0010]
本技术实施例采用下述技术方案：
[0011]
一种季节气候统计预测方法，包括：
[0012]
根据确定的待预测年份，获取指定时长内的气象数据，其中所述气象数据 包括所述指定时长内每月的月平均降水数据或月平均气温数据；对所述气象数 据进行预处理，得
到预报对象数据，并对所述预报对象数据进行主分量分解， 得到至少一个预报量；获取所述指定时长内、全球格点每月的指定变量数据， 对所述指定变量数据进行时间维的平均和差分预处理，得到至少一个全球范围 特征信息场；采用留一法分别计算所述各预报量与所述各全球范围特征信息场 之间相关系数，根据所述相关系数最大值位置，建立预报因子；利用分布式梯 度增强算法，对所述预报因子进行统计建模，得到气候预测模型，并基于所述 气候预测模型，对所述待预测年份的气候进行预测。
[0013]
一种季节气候统计预测系统，包括：气象数据获取单元，用于根据确定的 待预测年份，获取指定时长内的气象数据，其中所述气象数据包括所述指定时 长内每月的月平均降水数据或月平均气温数据；预处理单元，用于对所述气象 数据进行预处理，得到预报对象数据，并对所述预报对象数据进行主分量分解， 得到至少一个预报量；特征信息场确定单元，用于获取所述指定时长内、全球 格点每月的指定变量数据，对所述指定变量数据进行时间维的平均和差分预处 理，得到至少一个全球范围特征信息场；预报因子确定单元，用于采用留一法 分别计算所述各预报量与所述各全球范围特征信息场之间相关系数，根据所述 相关系数最大值位置，建立预报因子；预测单元，用于利用分布式梯度增强算 法，对所述预报因子进行统计建模，得到气候预测模型，并基于所述气候预测 模型，对所述待预测年份的气候进行预测。
[0014]
一种季节气候统计预测装置，包括：
[0015]
处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令 在被执行时使所述处理器执行以下操作：根据确定的待预测年份，获取指定时 长内的气象数据，其中所述气象数据包括所述指定时长内每月的月平均降水数 据或月平均气温数据；对所述气象数据进行预处理，得到预报对象数据，并对 所述预报对象数据进行主分量分解，得到至少一个预报量；获取所述指定时长 内、全球格点每月的指定变量数据，对所述指定变量数据进行时间维的平均和 差分预处理，得到至少一个全球范围特征信息场；采用留一法分别计算所述各 预报量与所述各全球范围特征信息场之间相关系数，根据所述相关系数最大值 位置，建立预报因子；利用分布式梯度增强算法，对所述预报因子进行统计建 模，得到气候预测模型，并基于所述气候预测模型，对所述待预测年份的气候 进行预测。
[0016]
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程 序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述 电子设备执行以下操作：根据确定的待预测年份，获取指定时长内的气象数据， 其中所述气象数据包括所述指定时长内每月的月平均降水数据或月平均气温 数据；对所述气象数据进行预处理，得到预报对象数据，并对所述预报对象数 据进行主分量分解，得到至少一个预报量；获取所述指定时长内、全球格点每 月的指定变量数据，对所述指定变量数据进行时间维的平均和差分预处理，得 到至少一个全球范围特征信息场；采用留一法分别计算所述各预报量与所述各 全球范围特征信息场之间相关系数，根据所述相关系数最大值位置，建立预报 因子；利用分布式梯度增强算法，对所述预报因子进行统计建模，得到气候预 测模型，并基于所述气候预测模型，对所述待预测年份的气候进行预测。
[0017]
本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0018]
采用本技术实施例提供的季节气候统计预测方法，可以根据确定的待预测 年份，获取待预测年份之前指定时长(比如待预测年份之前30年)内的气象 数据，其中所述气象
数据包括所述指定时长内每月的月平均降水数据以及月平 均气温数据，在对获取到的气象数据进行预处理，将气象数据转化为异常数据， 并将该异常数据作为预报对象数据，并对该预报对象数据进行主分量分解，以 得到较为关注的预报量；接下来，获取待预测年份之前指定时长内全球范围内 格点每个月的变量数据，并通过对该些变量数据的处理，将该些变量数据转化 为变量场数据；通过分别计算所述各预报量与所述各全球范围特征信息场之间 相关系数，根据所述相关系数，确定预报因子；最后，利用分布式梯度增强算 法，对所述预报因子进行统计建模，得到气候预测模型，基于所述气候预测模 型，对所述待预测年份的气候进行预测。采用本技术实施例提供的季节气候统 计预测方法，通过对气象数据的预处理，可以将气象数据转化为异常气象数据， 根据该异常气象数据进行后续动态建模，可以使得该预测模型在对气候异常的 空间分布预测技巧有明显提升；且通过全球范围内格点每个月的变量数据进行 处理，可以将该些变量数据转化为特征信息场数据，实现对建模特征的特征增 强，从而进一步提高了使用该气象模型进行气象预测的准确性。
附图说明
[0019]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部 分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不 当限定。在附图中：
[0020]
图1为本技术实施例提供的一种季节气候统计预测方法的具体流程示意 图；
[0021]
图2为本技术实施例提供的一种季节气候统计预测系统的具体结构示意 图；
[0022]
图3为本技术实施例提供的一种季节气候统计预测装置的具体结构示意 图。
具体实施方式
[0023]
为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实 施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的 实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施 例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例，都属于本技术保护的范围。
[0024]
以下结合附图，详细说明本技术各实施例提供的技术方案。
[0025]
本技术实施例提供的一种季节气候统计预测方法，用以解决现有气候统计 预测方法，存在特征因子和模型优化针对性不强，特征信息和回归算法简单、 气候异常的空间分布预测技巧较差等问题。
[0026]
为便于描述，下文以该方法的执行主体为季节气候统计预测系统为例，对 该方法的实施方式进行介绍。可以理解，该方法的执行主体为季节气候统计预 测服务器只是一种示例性的说明，并不应理解为对该方法的限定。
[0027]
本技术所提供的季节气候统计预测方法的具体实现流程示意图如图1所 示，主要包括下述步骤：
[0028]
步骤11，根据确定的待预测年份，获取指定时长内的气象数据；
[0029]
其中，该气象数据包括所述指定时长内每月的月平均降水数据或月平均气 温数据。需要说明的是，由于一般是需要对国内未来某个季节的气候进行预测， 因而此处获取的气象数据为国内的气象数据，该气象数据可以从国内各气象观 测台站处获取。
[0030]
另外还需要说明的是，该指定时长一般是指待预测年份之前若干年，长度 以基本
覆盖邻近的气候年代际变化周期为准。在一种实施方式中，该指定时长 一般可以为待预测年份之前的30年。
[0031]
步骤12，对通过执行步骤11获取到的气象数据进行预处理，得到预报对 象数据，并对所述预报对象数据进行主分量分解，得到至少一个预报量；
[0032]
一般地，在对未来某年进行气候预测时，往往是针对该年的某个季节的异 常情况进行预测，比如预测2022年夏季的降水量是否会出现异常，或者2022 年秋季的降水量是否会出现异常，因而在本技术实施例中，需要首先将通过执 行步骤11获取到的指定时长内每月的月平均气象数据转换为季节平均数据， 并根据季节平均数据进一步确定出历史数据中的异常数据。
[0033]
则在本技术实施例中，对气象数据进行预处理的方法具体可以包括：根据 所述指定时长内的、连续三个月的气象数据，计算所述指定时长内每个季节的 季节气象数据；根据所述季节气象数据，计算所述指定时长内每个季节的季节 平均数据；根据所述季节气象数据以及所述季节平均数据，确定异常数据，将 所述异常数据作为预报对象数据。
[0034]
具体地，可以通过将连续3个月的月平均数据相加的方式，将月平均数据 处理为季节数据，一般地，将3、4、5月作为春季，将6、7、8月作为夏季， 将9、10、11月作为秋季，而将12、次年1月以及2月作为冬季，则可以将通 过执行步骤11获取到的历史上各年的月平均数据按月份相加，以得到各年对 应的季节数据。而后，分别计算过去30年四个季节的平均数据，得到季节平 均数据，通过将过去30年各年的季节数据与季节平均数据进行比较的方式， 确定过去30年的异常数据，并将该异常数据作为预报对象数据。
[0035]
这里还需要说明的是，针对气温数据，一般直接处理为气温异常，该气温 异常可以通过季节气温数据减去季节气温平均数据的方式计算得到。而针对降 水量数据，则需要处理为降水量异常百分比，该降水量异常百分比可以通过季 节降水量数据与季节平均降水量数据的差值，除以季节平均降水量数据的方式 计算得到。
[0036]
在通过上述方法确定了过去30年的预报对象数据，需要对该些预报对象 数据进行主分量分解，进而筛选得到至少一个用户比较关注预报量，以便在后 续统计建模中使用。
[0037]
在本技术实施例中，可以利用经验正交函数分析来对预报对象数据进行主 分量分解，在一种实施方式中，对预报对象数据进行主分量分解，以得到预报 量的方法具体可以包括：利用经验正交函数分析算法，对所述预报对象数据进 行主分量分解，得到主分量以及所述主分量对应的解释方差；选取解释方差大 于预设阈值的主分量，作为预报量。
[0038]
经验正交函数分析方法(empirical orthogonal function，eof)，也称特征向 量分析，或者主成分分析方法(principal component analysis，pca)，是一种分 析矩阵数据中的结构特征，提取主要数据特征量的一种方法。
[0039]
具体地，可以按照如下子步骤进行主分量分解：
[0040]
子步骤1201：将预报对象数据处理成距平的形式，得到一个数据矩阵ym×n；
[0041]
其中，m代表单个数据有m个维度，n代表时间上采样n次。
[0042]
子步骤1202：计算y与其转置矩阵的交叉积，得到方阵；
[0043]
具体地，可以通过如下公式[1]来计算y与其转职矩阵的交叉积：
[0044][0045]
其中，如果y是已经处理成距平的话，则c称为协方差矩阵；如果y已 经标准化(即c中每行数据的平均值维0，标准差为1)，则c称为相关系数 阵。
[0046]
子步骤1203：计算方阵c的特征值(λ1,....,m)和特征向量vm×m，二者满足如 下公式[2]：
[0047]cm
×m×vm
×m＝vm×m×
∧m×mꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[2]
[0048]
其中，∧是m
×
m维对角阵，即
[0049][0050]
一般将特征值从大到小排列，反映各个主成分重要性。由于数据y是真实 的观测值，所以应该大于或者等于0。每个非零特征值对应的一列特征向量就 是eof。如λ1对应的特征向量值称为第一个eof模态，也就是v的第一列即 eof1＝v(:,1)；第k个特征值对应的特征向量为v的第k列，也叫做第k个模态。
[0051]
子步骤1204：计算主成分。
[0052]
将eof投影到原始数据矩阵y上，就得到所有空间特征向量对应的时间 系数(即主成分)，如下公式[3]:
[0053][0054]
其中pc中每行数据就是对应每个特征向量的时间系数，第一行就是第一 个eof的时间系数，其他类推。
[0055]
上面是对数据矩阵y进行计算得到的eof的主成分(pc)，因此利用eof 和pc也可以完全恢复原来的数据矩阵y，如下公式[4]:
[0056]
y＝eof
×
pc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[4]
[0057]
在本技术实施例中，可以选取解释方差大于2％的主分量作为预报量。
[0058]
步骤13，获取所述指定时长内、全球格点每月的指定变量数据，对所述指 定变量数据进行时间维的平均和差分预处理，得到至少一个全球范围特征信息 场；
[0059]
其中，该指定变量数据可以包括如下数据：
[0060]
海表温度数据、海冰数据、海平面气压数据、850hpa经向风数据、850hpa 纬向风数据、850hpa气温数据、500hpa位势高度数据、200hpa纬向风数据、 200hpa经向风数据以及200hpa位势高度数据。
[0061]
上述数据可以从美国国家环境预报中心(ncep)，或者美国国家大气研究 中心(ncar)，以及中国气象局(cra)的数据库中上获取到，该些数据库 中保存有从1948年至今的全球范围格点气象数据。
[0062]
对获取到的上述变量数据进行预处理，以将该些变量数据转换为特征信息 特征信息场，以实现特征增强，具体地，在本技术实施例中，可以按照如下方 法对指定变量数据进行预处理：针对各类指定变量数据，分别根据所述指定时 长内的、临近连续三个月的指
定变量数据，计算各类所述指定变量数据的季度 平均值；根据连续三个月的指定变量数据中最后一个月的数据减去前两个月数 据的平均值，计算各类所述指定变量数据的季度转折数据信号；将所述季度平 均值以及所述季度转折数据信号作为所述指定变量数据对应的全球范围特征 信息场。
[0063]
假设需要对2021年6、7、8月的海表温度数据进行处理，则首先计算这 三个月海表温度数据的平均值，作为该季度海表温度数据的持续性信息数据； 接着用8月份的海表温度数据减去6、7月海表温度的平均值，作为该季度的 转折数据信号，将该持续性信息数据以及转折信息数据作为2021年海表温度 数据在夏季的特征信息场，经过该处理，可以将单一变量转化为由持续性信息 数据以及转折信息数据两部分变量组成的特征信息场，以实现对了变量数据的 特征增强。
[0064]
步骤14，采用留一法分别计算通过执行步骤12确定的各预报量与通过执 行步骤13确定的各全球范围特征信息场之间相关系数，根据计算得到的相关 系数最大值位置，建立预报因子；
[0065]
在本技术实施例中，具体可以根据如下公式[5]计算各预报量与各个特征信 息场之间的相关系数：
[0066][0067]
其中，pc表示预报量，pci表示第i个预报量，pci为长度为n
year
的序列， n
year
等于所述指定时长的数量，表示pci去掉第j个值的序列，j＝(1,2,3
……ꢀnyear
)，v表示所述全球范围特征信息场，tempv表示v沿时间维度去掉第j个和 倒数第一个的值。
[0068]
基于计算得到的相关系数，根据以下公式[6]计算平均相关系数：
[0069][0070]
其中，i
var
表示第i个变量，i
lat
表示纬度维度上的第i
lat
个位置，i
lon
表示经度 维度上的第i
lon
个位置。
[0071]
确定各全球范围特征信息场对应的平均相关系数的绝对值，根据以下公式 [7]分别确定各全球范围特征信息场对应的平均相关系数绝对值最大的经纬度 位置：
[0072]
location
acc
＝max(acc)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[7]
[0073]
将所述经纬度位置确定为所述预报因子。
[0074]
步骤15，利用分布式梯度增强算法，对通过执行步骤14确定的预报因子 和所述预报量进行统计建模，得到气候预测模型，基于所述气候预测模型，对 所述待预测年份的气候进行预测。
[0075]
在本技术实施例中，可以利用xgboost算法进行统计建模。
[0076]
在一种实施方式中，可以按照如下公式[8]进行统计建模：
[0077]
pci＝xgboost(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[8]
[0078]
其中，x表示预报因子，这里需要说明的是，由于利用xgboost算法进行 统计建模的方案属于相关领域的常用技术手段，因而有关利用xgboost算法进 行统计建模的详细步骤，此处不再赘述。
[0079]
在通过上述步骤完成统计建模后，可以根据如下公式[9]对待预测年份的气 候进行预测：
[0080]
yi＝xgboost(x(t＝-1))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[9]
[0081]
其中，yi表示待预测年份第i个预报量的预报值。此时得到的是待预报年 份的其中一个预报主分量，该主分量是通过eof方法得到的，因而也可以通 过eof方法将主分量还原回原来的数据矩阵，具体地，在本技术实施例中可 以根据以下公式[10]对数据进行还原，以得到待预测年份的气候预测结果：
[0082][0083]
其中，i
pc
表示第i个预报量主分量，表示第i个预报量主分量的空间 模态。
[0084]
采用本技术实施例提供的气候预测方法，可以根据确定的待预测年份，获 取待预测年份之前指定时长(比如待预测年份之前30年)内的气象数据，其 中所述气象数据包括所述指定时长内每月的月平均降水数据以及月平均气温 数据，在对获取到的气象数据进行预处理，将气象数据转化为异常数据，并将 该异常数据作为预报对象数据，并对该预报对象数据进行主分量分解，以得到 较为关注的预报量；接下来，获取待预测年份之前指定时长内全球范围内起报 月前面3个月的变量格点数据，并通过对该些变量数据的处理，将该些变量数 据转化为特征信息场数据；通过分别计算所述各预报量与所述各全球范围特征 信息场之间相关系数，根据所述相关系数，确定预报因子；最后，利用分布式 梯度增强算法，对所述预报因子和所述预报量进行统计建模，得到气候预测模 型，基于所述气候预测模型，对所述待预测年份的气候进行预测。采用本技术 实施例提供的气候预测方法，通过对气象数据的预处理，可以将气象数据转化 为异常气象数据，根据该异常气象数据进行后续动态建模，可以使得该预测模 型在对气候异常的空间分布预测技巧有明显提升；且通过全球范围内格点每个 月的变量数据进行处理，可以将该些变量数据转化为特征信息场数据，实现对 建模特征的特征增强，从而进一步提高了使用该气象模型进行气象预测的准确 性。
[0085]
在一种实施方式中，本技术实施例还提供了一种季节气候统计预测系统， 用以解决现有气候统计预测方法，存在特征因子和模型优化针对性不强，特征 信息和回归算法简单、气候异常的空间分布预测技巧较差等问题。该季节气候 统计预测系统的具体结构示意图如图2所示，包括：气象数据获取单元21、预 处理单元22、特征信息场确定单元23、预报因子确定单元24以及预测单元25。
[0086]
其中，气象数据获取单元21，用于根据确定的待预测年份，获取指定时长 内的气象数据，其中所述气象数据包括所述指定时长内每月的月平均降水数据 以及月平均气温数据；
[0087]
预处理单元22，用于对所述气象数据进行预处理，得到预报对象数据，并 对所述预报对象数据进行主分量分解，得到至少一个预报量；
[0088]
特征信息场确定单元23，用于获取所述指定时长内、全球格点每月的指定 变量数据，对所述指定变量数据进行时间维的平均和差分预处理，得到至少一 个全球范围特征信息场；
[0089]
预报因子确定单元24，用于采用留一法分别计算所述各预报量与所述各全 球范
围特征信息场之间相关系数，根据所述相关系数最大值位置，建立预报因 子；
[0090]
预测单元25，用于利用分布式梯度增强算法，对所述预报因子进行统计建 模，得到气候预测模型，基于所述气候预测模型，对所述待预测年份的气候进 行预测。
[0091]
在一种实施方式中，预处理单元22，具体用于根据所述指定时长内的、连 续三个月的气象数据，计算所述指定时长内每个季节的季节气象数据；根据所 述季节气象数据，计算所述指定时长内每个季节的季节平均数据；根据所述季 节气象数据以及所述季节平均数据，确定异常数据，将所述异常数据作为预报 对象数据。
[0092]
在一种实施方式中，预处理单元22，具体用于：利用经验正交函数分析算 法，对所述预报对象数据进行主分量分解，得到主分量以及所述主分量对应的 解释方差；选取解释方差大于预设阈值的主分量，作为预报量。
[0093]
在一种实施方式中，指定变量数据，具体包括：海表温度数据、海冰数据、 海平面气压数据、850hpa经向风数据、850hpa纬向风数据、850hpa气温数据、 500hpa位势高度数据、200hpa纬向风数据、200hpa经向风数据以及200hpa 位势高度数据。
[0094]
在一种实施方式中，特征信息场确定单元23，具体用于：针对各类指定变 量数据，分别根据所述指定时长内的、连续三个月的指定变量数据，计算各类 所述指定变量数据的季度平均值；根据连续三个月的指定变量数据中最后一个 月的数据减去前两个月数据的平均值，计算各类所述指定变量数据的季度转折 数据信号；将所述季度平均值以及所述季度转折数据信号作为所述指定变量数 据对应的全球范围特征信息场。
[0095]
在一种实施方式中，预报因子确定单元24，具体用于：根据以下公式计算 所述各预报量与所述各全球范围特征信息场之间相关系数：
[0096][0097]
其中，pc表示预报量，pci表示第i个预报量，pci为长度为n
year
的序列， n
year
等于所述指定时长的数量，表示pci去掉第j个值的序列，j＝(1,2,3
……ꢀnyear
)，v表示所述全球范围特征信息场，tempv表示v沿时间维度去掉第j个和 倒数第一个的值；
[0098]
基于所述相关系数，根据以下公式计算平均相关系数：
[0099][0100]
其中，i
var
表示第i个变量，i
lat
表示纬度维度上的第i
lat
个位置，i
lon
表示经度 维度上的第i
lon
个位置；
[0101]
确定各所述全球范围特征信息场对应的平均相关系数的绝对值；
[0102]
根据以下公式分别确定各所述全球范围特征信息场对应的平均相关系数 绝对值最大的经纬度位置：
[0103]
location
acc
＝max(|acc|)
[0104]
将所述经纬度位置确定为所述预报因子。
[0105]
在一种实施方式中，预测单元25，具体用于：根据以下公式进行统计建模：
[0106]
pci＝xgboost(x)
[0107]
其中，x表示预报因子；
[0108]
根据以下公式对所述待预测年份的气候进行预测：
[0109]
yi＝xgboost(x(t＝-1))
[0110]
其中，yi表示待预测年份第i个预报量的预报值；
[0111]
根据以下公式对待预测年份的预报量进行计算，得到待预测年份的气候预 测结果：
[0112][0113]
其中，i
pc
表示第i个预报量主分量，表示第i个预报量主分量的空间 模态。
[0114]
采用本技术实施例提供的季节气候统计预测系统，可以根据确定的待预测 年份，获取待预测年份之前指定时长(比如待预测年份之前30年)内的气象 数据，其中所述气象数据包括所述指定时长内每月的月平均降水数据以及月平 均气温数据，在对获取到的气象数据进行预处理，将气象数据转化为异常数据， 并将该异常数据作为预报对象数据，并对该预报对象数据进行主分量分解，以 得到较为关注的预报量；接下来，获取待预测年份之前指定时长内全球范围内 格点每个月的变量数据，并通过对该些变量数据的处理，将该些变量数据转化 为特征信息场数据；通过分别计算所述各预报量与所述各全球范围特征信息场 之间相关系数，根据所述相关系数，确定预报因子；最后，利用分布式梯度增 强算法，对所述预报因子和所述预报量进行统计建模，得到气候预测模型，基 于所述气候预测模型，对所述待预测年份的气候进行预测。采用本技术实施例 提供的气候预测方法，通过对气象数据的预处理，可以将气象数据转化为异常 气象数据，根据该异常气象数据进行后续动态建模，可以使得该预测模型在对 气候异常的空间分布预测技巧有明显提升；且通过全球范围内格点每个月的变 量数据进行处理，可以将该些变量数据转化为特征信息场数据，实现对建模特 征的特征增强，从而进一步提高了使用该气象模型进行气象预测的准确性。
[0115]
图3是本技术的一个实施例电子设备的结构示意图。请参考图3，在硬件 层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。 其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如 至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
[0116]
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以 是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheralcomponent interconnect，外设部件互连标准)总线或eisa(extended industrystandard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总 线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但 并不表示仅有一根总线或一种类型的总线。
[0117]
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码 包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提 供指令和数据。
[0118]
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在 逻辑层面上形成数据同步装置。处理器，执行存储器所存放的程序，并具体用 于执行以下操作：根据确定的待预测年份，获取指定时长内的气象数据，其中 所述气象数据包括所述指定时
长内每月的月平均降水数据或月平均气温数据； 对所述气象数据进行预处理，得到预报对象数据，并对所述预报对象数据进行 主分量分解，得到至少一个预报量；获取所述指定时长内、全球格点每月的指 定变量数据，对所述指定变量数据进行时间维的平均和差分预处理，得到至少 一个全球范围特征信息场；采用留一法分别计算所述各预报量与所述各全球范 围特征信息场之间相关系数，根据所述相关系数最大值位置，建立预报因子； 利用分布式梯度增强算法，对所述预报因子进行统计建模，得到气候预测模型， 并基于所述气候预测模型，对所述待预测年份的气候进行预测。
[0119]
上述如本技术图3所示实施例揭示的季节气候统计预测电子设备执行的方 法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片， 具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的 硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理 器，包括中央处理器(central processing unit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、 专用集成电路(application specific integrated circuit，asic)、现场可编程门 阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分 立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中 的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器 也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直 接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组 合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读 存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存 储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的 步骤。
[0120]
当然，除了软件实现方式之外，本技术的电子设备并不排除其他实现方式， 比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体 并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0121]
本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质 存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用 程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例 的方法，并具体用于执行以下操作：
[0122]
根据确定的待预测年份，获取指定时长内的气象数据，其中所述气象数据 包括所述指定时长内每月的月平均降水数据或月平均气温数据；对所述气象数 据进行预处理，得到预报对象数据，并对所述预报对象数据进行主分量分解， 得到至少一个预报量；获取所述指定时长内、全球格点每月的指定变量数据， 对所述指定变量数据进行时间维的平均和差分预处理，得到至少一个全球范围 特征信息场；采用留一法分别计算所述各预报量与所述各全球范围特征信息场 之间相关系数，根据所述相关系数最大值位置，建立预报因子；利用分布式梯 度增强算法，对所述预报因子进行统计建模，得到气候预测模型，并基于所述 气候预测模型，对所述待预测年份的气候进行预测。
[0123]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计 算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包 含有计算机可用程序代码的计算
机可用存储介质(包括但不限于磁盘存储器、 cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0124]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产 品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入 式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算 机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一 个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0125]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中 的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能。
[0126]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0127]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输 出接口、网络接口和内存。
[0128]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。 内存是计算机可读介质的示例。
[0129]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任 何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序 的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其 他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读 存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁 磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算 设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒 体(transitory media)，如调制的数据信号和载波。
[0130]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非 排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包 括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、 方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括 一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设 备中还存在另外的相同要素。
[0131]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程 序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和 硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算 机可用程序代码的计算机可
用存储介质(包括但不限于磁盘存储器、cd-rom、 光学存储器等)上实施的计算机程序产品的形式。
[0132]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技 术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所 作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。