一种融合多源数据的ENSO事件时空预测方法、设备及介质

本技术涉及enso预测领域，尤其涉及一种融合多源数据的enso事件时空预测方法、设备及介质。

背景技术：

1、厄尔尼诺-南方涛动(el-southern oscillation，简称enso)是发生在赤道东太平洋地区的风场和海面温度震荡。这是一种低纬度的海-气相互作用现象，在海洋方面表现为厄尔尼诺-拉尼娜的转变，在大气方面表现为南方涛动。enso具有2-7年的准周期，存在中性、暖性(正)、冷性(负)3个相位。

2、enso事件会在世界很多区域引起极端的天气(比如洪水和干旱)。依靠农业和渔业的发展中国家，特别是太平洋沿岸的国家，所受影响最大。同时，enso带动的温暖海水，影响鱼类的成群移动，破坏珊瑚礁的生长。特别的是，在厄尔尼诺现象发生当年，容易在西北太平洋和东北太平洋形成威力强大的台风和飓风。因此对enso事件的预测在农业和渔业等方面有重大意义。

3、目前厄尔尼诺和南方涛动(enso)的预测方法主要分为包括结合大量的历史数据和统计理论，找出大气与海洋变量之间的函数关系的统计模型；基于大气-海洋相互作用的动力学理论的动力学模型。由于传统的动力学模型基于enso事件原理进行建模，而目前enso事件发生的具体原理尚不清楚。而常规的统计模型基于对数据分布的假设，处理非线性关系时表现弱。

4、通过神经网络可以从数据驱动角度分析enso事件可以绕开传统的基于物理原理的动力学模型，从大量的观测数据中学习模式和关系，而不依赖于对物理过程的详细了解。

5、而enso事件的发生类型、超级厄尔尼诺的可预报性、厄尔尼诺与拉尼娜的非对称性以及数据集的缺失等因素都增加了预测的复杂性，导致常规的神经网络的enso预测时效只有6～9个月，最长为1年左右，这样的预报时效无法满足现实需求。

技术实现思路

1、为了解决上述问题，本技术提供一种融合多源数据的enso事件时空预测方法、设备及介质。

2、本技术的上述目的是通过以下技术方案得以实现的：

3、s1：通过迁移学习技术对获取的历史模拟数据进行扩展；获取观测数据并进行扩展；所述观测数据包括：海表面温度、海洋热含量、径向风异常和纬向风异常；

4、s2：构建基于自注意力机制的卷积长短期记忆神经网络，通过扩展后的历史模拟数据，对所述卷积长短期记忆神经网络进行预训练；

5、s3：通过扩展后的所述观测数据，对预训练后的所述卷积长短期记忆神经网络进行训练，输出enso指数的预测结果，具体如下：

6、使用卷积长短期记忆神经网络的卷积层和注意力层，提取所述观测数据的空间特征；

7、将12个月的扩展后的所述观测数据，输入所述卷积层，生成12个一维数据；

8、将所述12个一维数据拼接得到特征图像，生成三个矩阵：矩阵q、矩阵k以及矩阵v；

9、spatial_feature＝attention(conv(x),conv(x),conv(x))

10、式中，spatial_feature为提取的空间特征，attention为自注意力机制方法，conv为卷积方法，x为输入的观测数据；

11、通过引入循环神经网络的变体长短期记忆神经网络，提取所述观测数据的时间特征；

12、it＝σ(wi*[ht-1,xt]+bi)

13、ft＝σ(wf*[ht-1,xt]+bf)

14、ot＝σ(wo*[ht-1,xt]+bo)

15、式中，it，ft和ot分别代表输入门、遗忘门和输出门；σ为激活函数；wi表示输入门的权重矩阵；wf表示遗忘门的权重矩阵；wo表示输出门的权重矩阵；ht-1为上一时刻隐藏单元；xt为输入数据；bi表示输入门的偏差项；bf表示遗忘门的偏差项；bo表示输出门的偏差项；

16、通过卷积长短期记忆神经网络中的全连接层将所述空间特征和所述时间特征进行映射，确定所述预测结果；

17、s4：通过损失函数计算所述预测结果与实际观测值之间的损失值；优化器根据损失值，调整所述卷积长短期记忆神经网络的参数，直至所述预测结果的评价指标满足预设精度；

18、s5：获取待预测的观测数据，通过训练后的所述卷积长短期记忆神经网络对待预测的观测数据进行预测，实现对未来时间的enso指数预测。

19、可选的，所述历史模拟数据的扩展，具体包括：通过迁移学习技术引入历史模拟数据，并对所述历史模拟数据中的缺失值做填充处理；

20、所述观测数据的扩展，具体包括：对所述观测数据进行旋转处理和翻折处理。

21、可选的，采用bcc气候系统模式开展的耦合模式比较计划cmip5试验和cmip6试验提供的所述历史模拟数据对卷积长短期记忆神经网络进行训练。

22、可选的，所述损失函数为均方损失函数，公式如下：

23、

24、其中，mse_loss代表均方损失函数，n为样本数据点的数量，yi代表第i个观测值的实际观测值，yi′代表第i个观测值的模型的预测结果。

25、可选的，所述优化器选择结合梯度下降和动量优化的adam优化器，在训练过程中对所述卷积长短期记忆神经网络的参数进行更新，更新过程满足如下数学公式：

26、

27、式中，θt是第t次迭代时的参数值，θt+1是第t+1次迭代时的参数值，α是学习率，mt是第t次迭代时的一阶矩估计，vt是第t次迭代时的二阶矩估计，ε表示一个小的常数；

28、调整过程为：使用损失函数计算预测结果与实际观测值之间的损失值，adam优化器再根据损失值的梯度，选择梯度下降最小的参数调整方案，对所述卷积长短期记忆神经网络的参数进行调整，从而调整所述卷积长短期记忆神经网络对enso指数的预测结果。

29、可选的，所述评价指标包括：时间异常相关系数cor、均方误差mse和平均绝对误差mae，三种评价指标的公式如下：

30、

31、

32、

33、其中，oi为enso指数的实际观测结果，表示enso指数的实际观测结果的平均值，pi为enso指数的预测结果，表示enso指数的预测结果的平均值。

34、一种电子设备，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行一种融合多源数据的enso事件时空预测方法。

35、一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行一种融合多源数据的enso事件时空预测方法。

36、本技术提供的技术方案带来的有益效果是：

37、通过迁移学习技术对历史模拟数据进行缺失值的填充，对构建的基于自注意力机制的卷积长短期记忆神经网络进行预训练。通过采用多源数据融合的方法，将海洋数据和大气数据集合成多维度的观测数据，扩展有限的观测数据，为卷积长短期记忆神经网络的训练提供了充分的数据基础，解决了数据样本不足导致模型训练的泛化力不足问题；模型引入了注意力机制，提高卷积长短期记忆神经网络对enso事件的预测时长和精度。