本技术涉及气候诊断与气候预测领域，并且更具体地，涉及一种用于气候预测的最优气候模态人工智能识别方法与系统。
背景技术：
1、在气候预测领域，有效识别出影响预测对象的最优气候模态是做出准确可靠气候预测的关键。现有的识别技术主要包括以经验正交函数分解（empirical orthogonalfunction, eof）为代表的统计降维方法和以卷积神经网络（convolutional neuralnetwork, cnn）为代表的机器学习方法。
2、目前，eof等传统的统计降维方法只能处理变量内部与变量之间的线性关系，不能提取和利用历史数据中的非线性信息，从而制约了识别出的气候模态用于气候预测的效果；同时，eof方法对于气候模态施加了正交性约束，可能使有实际物理意义的气候现象被分解至多个正交模态，而单独的模态在气候系统中实际并不存在。cnn方法将高维气象大数据输入复杂的模型后直接输出气候预测结果，不仅需要消耗大量计算资源，而且中间环节高度数学抽象，缺乏物理可解释性，不能说明影响预测对象的关键气候模态，从而使得这类模型在物理机制上的可靠性存疑。有鉴于此，如何提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗，成为亟待解决的问题。
技术实现思路
1、本技术提供了一种用于气候预测的最优气候模态人工智能识别方法与系统，本技术能够通过人工智能方法提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗。
2、第一方面，提供了一种用于气候预测的最优气候模态人工智能识别方法，所述方法包括：计算预测因子与预测对象的异常相对倾向场；对所述预测因子与预测对象的异常相对倾向场进行奇异值分解；截取使累积协方差贡献达到95%的主要奇异值分解模态对所述预测因子的异常相对倾向场进行重构；将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。
3、上述技术方案，与现有技术相比，具有如下优点：
4、（1）本技术能够提取历史数据中的非线性关系。相比普遍受到线性约束与正交性约束的现有技术，本技术通过人工智能方法提取历史数据中的非线性关系，对气象大数据中蕴含的变量特征与相互关系做出更加接近客观实在的描述。
5、（2）本技术具有更加明确可靠的物理可解释性。相比高度数学抽象、缺乏物理可解释性的现有技术，本技术通过人工智能方法识别出用于气候预测的最优气候模态，物理意义明确。
6、（3）本技术能够降低气象大数据复杂度，降低计算资源消耗。相比直接将气象大数据投入大型复杂模型进行计算，高耗能、高耗时的现有技术，本技术能够仅利用轻量级计算资源快速完成计算，针对气象大数据中对于气候预测对象有关键指示意义的最优气候模态进行人工智能识别，降低数据复杂度，为高效率、高精度和低能耗的气候预测提供支撑。
7、结合第一方面，在某些可能的实现方式中，用于获取所述预测因子与所述预测对象的时间尺度为逐年、逐月、逐旬和逐候中的任意一个。
8、结合第一方面和上述实现方式，在某些可能的实现方式中，所述预测因子的获取时间超前于所述预测对象的获取时间，或者，所述预测因子与所述预测对象是同时期获取的。
9、结合第一方面和上述实现方式，在某些可能的实现方式中，若所述时间尺度为逐年或逐月，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期1个时次数据得到。
10、结合第一方面和上述实现方式，在某些可能的实现方式中，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期2至3个时次数据的平均值得到；
11、若所述时间尺度为逐旬，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期2个时次数据的平均值得到；
12、若所述时间尺度为逐候，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期3个时次数据的平均值得到。
13、结合第一方面和上述实现方式，在某些可能的实现方式中，该方法还包括：将所述重构的预测因子的异常相对倾向场进行空间维度压缩，得到n×m的二维矩阵；其中，n表示时间维度的长度，m表示空间维度的长度；对所述二维矩阵沿所述时间维度进行均值为0、方差为1的标准化；将标准化的所述重构的预测因子的异常相对倾向场输入所述自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；根据样本数据与所述优势神经元的映射关系，对所述重构的预测因子的异常相对倾向场进行聚类与合成，得到所述用于气候预测的最优气候模态。
14、结合第一方面和上述实现方式，在某些可能的实现方式中，所述自组织映射人工智能神经网络由一个输入层和一个输出层组成，所述输入层的神经元数目为m，所述输出层的神经元排列为s×s的二维方阵；
15、其中，s表示所述二维方阵的边长，所述二维方阵的边长根据n的取值确定；当n大于或者等于100时，若的小数值大于或者等于0.5时，s的取值为对向上取整数值，若的小数值小于0.5时，s的取值为对向下取整数值；当n大于或者等于50且小于100时，s的取值为5；当n小于50时，s的取值为3。
16、第二方面，提供了一种用于气候预测的最优气候模态人工智能识别系统，所述识别系统包括：
17、输入模块，用于将预测因子与预测对象的历史数据输入所述识别系统；
18、异常相对倾向计算模块，用于计算所述预测因子与预测对象的异常相对倾向场；
19、奇异值分解模块，用于对所述预测因子与预测对象的异常相对倾向场进行奇异值分解；
20、预测因子的异常相对倾向场重构模块，用于截取使累积协方差贡献达到95%的主要奇异值分解模态对所述预测因子的异常相对倾向场进行重构；
21、人工智能识别模块，用于将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，识别用于气候预测的最优气候模态；
22、输出模块，将所述用于气候预测的最优气候模态输出所述识别系统。
23、结合第二方面，在某些可能的实现方式中，所述人工智能识别模块由空间维度压缩子模块、时间维度标准化子模块、自组织映射子模块和聚类合成子模块组成；
24、所述空间维度压缩子模块用于，将所述重构的预测因子的异常相对倾向场进行空间维度压缩，得到n×m的二维矩阵；其中，n表示时间维度的长度，m表示空间维度的长度；
25、所述时间维度标准化子模块用于，对所述二维矩阵沿时间维度进行均值为0、方差为1的标准化；
26、所述自组织映射子模块用于，将标准化的所述重构的预测因子的异常相对倾向场输入所述自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；
27、所述聚类合成子模块用于，根据样本数据与所述优势神经元的映射关系，对所述重构的预测因子的异常相对倾向场进行聚类与合成，得到所述用于气候预测的最优气候模态。
28、第三方面，提供一种计算机系统，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，所述计算机程序被加载至所述处理器时，实现上述第一方面或第一方面任意一种可能的实现方式中的用于气候预测的最优气候模态人工智能识别方法。
1.一种用于气候预测的最优气候模态人工智能识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预测因子的获取时间超前于所述预测对象的获取时间，或者，所述预测因子与所述预测对象是同时期获取的。
3.根据权利要求1所述的方法，其特征在于，用于获取所述预测因子与所述预测对象的时间尺度为逐年、逐月、逐旬和逐候中的任意一个。
4.根据权利要求3所述的方法，其特征在于，若所述时间尺度为逐年或逐月，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期1个时次数据得到。
5.根据权利要求3所述的方法，其特征在于，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期2至3个时次数据的平均值得到；
6.根据权利要求1所述的方法，其特征在于，所述将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态，包括：
7.根据权利要求6所述的方法，其特征在于，所述自组织映射人工智能神经网络由一个输入层和一个输出层组成，所述输入层的神经元数目为m，所述输出层的神经元排列为s×s的二维方阵；
8.一种用于气候预测的最优气候模态人工智能识别系统，其特征在于，所述识别系统包括：
9.根据权利要求8所述的识别系统，其特征在于，所述人工智能识别模块由空间维度压缩子模块、时间维度标准化子模块、自组织映射子模块和聚类合成子模块组成；
10.一种计算机系统，其特征在于，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，所述计算机程序被加载至所述处理器时，实现根据权利要求1-7任一项所述的用于气候预测的最优气候模态人工智能识别方法。
