一种基于Bayes网络的气候演化模拟方法技术

本发明专利技术公开了一种基于Bayes网络的气候演化模拟方法，包括如下步骤：利用多粒度时空对象将GREB气候演化过程抽象为场景；引入Bayes网络的图模型，通过Bayes网络的图模型表达多粒度时空对象的关联关系，利用条件概率表描述多粒度时空对象的关系强度；利用更新算子更新和同步气候演化状态。本发明专利技术将GREB模型与Bayes网络二者通过动力耦合的视角有机整合和嵌套，构造气候演化模型，不仅能兼顾气候演化的物理规律，还能有效地提高模拟的效率和精度，同时对数据具有一定的稳定性，为多粒度时空对象气候对象复杂关系的表达、推理、分析、预测提供方法支撑，为今后气候演化变量的数值模拟提供了有力支撑。拟提供了有力支撑。拟提供了有力支撑。

【技术实现步骤摘要】
一种基于Bayes网络的气候演化模拟方法


[0001]本专利技术属于气候模式、全空间信息建模领域，涉及气候模式与全空间信息建模的交叉研究技术，具体涉及一种基于Bayes网络的气候演化模拟方法。

技术介绍

[0002]气候变化问题是当今人类社会面临的重大挑战之一，是科学界、社会公众以及决策者共同关心的问题，与社会经济的发展息息相关，在全球气候变暖的背景下，气候变化影响问题已不仅仅是一个科学问题，已经成为人类共同关心的热点问题，而且是关系到社会经济可持续发展、国家安全和环境外交的重大问题。然而气候变化的研究是一个复杂的科学问题，涉及到气候系统或地球系统的变化，不但需要考虑这些系统各部分本身的变化以及他们之间的相互作用，还需要考虑物理与地球生物化学等许多过程。
[0003]气候模式是定量描述气候系统变化规律的数值模型，能够反映气候系统中各圈层之间的复杂相互作用，是预测未来气候变化的重要工具。气候模式模型的研究通常分为自上而下的物理气候模型和自下而上的统计学习模型。通常，物理气候模型是通过对大气系统组件的数值模拟构建动力学模型，统计学习模型则利用机器学习等统计学方法直接或间接地应用于气候过程的模拟。对于物理气候模型，根据气候研究的实际需要，研究和发展了很多气候模式，主要分为三类：大气环流模式、地球系统模式、简单气候模式。统计学习模型也在气候系统的应用中展示出巨大的潜力，与基于自上而下理性原则的物理模型的机制不同，通过数据驱动的自下而上的经验方法正在走进学者们的视野，如随机森林、神经网络等。通过机器学习方法可以有效地改善物理模型的参数和提高模拟的效率和精度，这种“黑匣子”的数据驱动模式可适用于很多气候的应用，然而地球系统科学在大量的数据同化的过程中，也面临模型的不稳定性问题和模型的可解释问题，其建立的气候模拟模型是否遵从物理原则和气候自然规律也遭受着许多争议。
[0004]GREB模型是一种基于能量平衡的气候模式，该模型基于地球表面能量平衡，通过气候过程的动力学方程模拟全球的平均状态和地表温度响应对二氧化碳强迫的区域和季节差异的主要特征。GREB模型在保留气候演化机理内涵的同时，对气候系统进行高度整合，能够模拟全球气候平均状态，也可以较好地还原各个气候组件在气候系统中的作用和逻辑关系。由于GREB模型对气候演化的物理过程进行了高度地简化，这种简化使得气候模拟在精度和效率方面都有所不足。近年来，机器学习等经验方法正普及于气候研究的应用中，通过数据驱动的统计模式可以有效地提高气候模拟的效率和精度，但是依赖于输入的统计模型存在着稳定性的问题，缺乏模型参数在物理机制上的解释。因此，如何在GREB模型蕴含的气候演化机制上与统计模型进行有机地耦合，使其兼顾较高的模型稳定性和模拟精度，同时具有现实意义，是当前气候模式研究的重要问题。

技术实现思路

[0005]专利技术目的：为了克服GREB(A Globally Resolved Energy Balance)模型在气候模
拟的精度和效率的不足，以及目前利用机器学习方法构建的统计模型效果依赖于模型的输入，且模型在气候过程的物理规律上可解释性较差等问题，提供一种基于Bayes网络的气候演化模拟方法，将GREB模型与Bayes网络二者通过动力耦合的视角有机整合和嵌套，构造气候演化模型，不仅能兼顾气候演化的物理规律，还能有效地提高模拟的效率和精度，同时对数据具有一定的稳定性。
[0006]技术方案：为实现上述目的，本专利技术提供一种基于Bayes网络的气候演化模拟方法，包括如下步骤：
[0007]S1：利用多粒度时空对象将GREB气候演化过程抽象为场景；
[0008]S2：引入Bayes网络的图模型，通过Bayes网络的图模型表达多粒度时空对象的关联关系，利用条件概率表描述多粒度时空对象的关系强度；
[0009]S3：基于多粒度时空对象的关联关系和关系强度，利用更新算子更新和同步气候演化状态。
[0010]进一步地，所述步骤S1具体为：
[0011]假设任意多粒度时空对象为M＝(E,O)，一个气候演化过程M可由它所包含的n个多粒度时空对象m1,m2,...,m
n
组成，可将其形式化表达为：M＝{m1,m2,...,m
n
}，在此基础上，嵌入各组分间的结构关系：M
t
＝{X(m1,m2,...,m
n
)|m
1t
,m
2t
,...,m
nt
}(t＝0,1,...,s)，通过演化操作γ实验自身演化，利用Evolution()实现。
[0012]进一步地，所述步骤S1的形式化表达为：
[0013][0014]其中，和分别表示t时刻和t+1时刻多粒度时空对象M
t
的表达集合；M
t
和M
t+1
分别表示t时刻和t+1时刻的多粒度时空对象M；s表示整个演化过程的时间长度；X(m1,m2,...,m
n
)表示气候过程M中各组成要素间的结构关系；f(X(m1,m2,...,m
n
)|m
1t
,m
2t
,...,m
nt
)表示气候过程各组成要素在关联关系下的协同演化。
[0015]进一步地，所述步骤S2中Bayes网络的图模型是以Bayes概率为基础，以图形的形式表现节点的图形模式。在处理不确定性问题时，贝叶斯学派以主观的视角来看待概率问题，认为概率是根据经验得出的，是事件未发生之前人们对其的主观置信度。Bayes概率：是利用先验知识和统计数据通过概率的形式计算对某一件事情发生的概率，其构建方式为：
[0016]记G＝{X1＝x1,X2＝x2,...,X
n
＝x
n
}为观测样本，其中X为事件变量，x为变量值或状态，若θ为事件X＝x发生的先验概率，ζ为先验知识，P(θ|ζ)为概率密度函数，则Bayes概率计算的就是已知先验概率密度P(θ|ζ)和样本G，求n+1次事件X
n+1
＝x
n+1
发生的概率：P(X
n+1
＝x
n+1
|θ,ζ)，由全概率公式得：
[0017]P(X
n+1
＝x
n+1
|θ,ζ)
[0018]＝∫P(X
n+1
＝x
n+1
|θ,G,ζ)P(θ|,G,ζ)dθ
[0019]＝∫θP(θ|,G,ζ)dθ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0020]根据Bayes公式
[81]，给定样本G和先验概率ζ，后验概率P(θ|,G,ζ)为：
[0021][0022]其中，P(θ|ζ)＝∫P(G|θ,ζ)P(θ|ζ)dθ。
[0023]进一步地，所述步骤S2具体为：
[0024]定义一个由i个多粒度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Bayes网络的气候演化模拟方法，其特征在于，包括如下步骤：S1：利用多粒度时空对象将GREB气候演化过程抽象为场景；S2：引入Bayes网络的图模型，通过Bayes网络的图模型表达多粒度时空对象的关联关系，利用条件概率表描述多粒度时空对象的关系强度；S3：基于多粒度时空对象的关联关系和关系强度，利用更新算子更新和同步气候演化状态。2.根据权利要求1所述的一种基于Bayes网络的气候演化模拟方法，其特征在于，所述步骤S1具体为：假设任意多粒度时空对象为M＝(E,O)，一个气候演化过程M可由它所包含的n个多粒度时空对象m1,m2,
…
,m
n
组成，可将其形式化表达为：M＝{m1,m2,...,m
n
}，在此基础上，嵌入各组分间的结构关系：M
t
＝{X(m1,m2,...,m
n
)|m
1t
,m
2t
,...,m
nt
}(t＝0,1,...,s)，通过演化操作γ实验自身演化，利用Evolution()实现。3.根据权利要求2所述的一种基于Bayes网络的气候演化模拟方法，其特征在于，所述步骤S1的形式化表达为：其中，和分别表示t时刻和t+1时刻多粒度时空对象M
t
的表达集合；M
t
和M
t+1
分别表示t时刻和t+1时刻的多粒度时空对象M；s表示整个演化过程的时间长度；X(m1,m2,...,m
n
)表示气候过程M中各组成要素间的结构关系；f(X(m1,m2,...,m
n
)|m
1t
,m
2t
,...,m
nt
)表示气候过程各组成要素在关联关系下的协同演化。4.根据权利要求1所述的一种基于Bayes网络的气候演化模拟方法，其特征在于，所述步骤S2具体为：定义一个由i个多粒度时空对象m1,m2,...,m
i
组成的气候过程：M
t
＝{X(m1,m2,
…
,m
i
)|m
1t
,m
2t
,
…
,m
it
}，它们在t时刻的表达集合分别为其中，其中，R为时空参照表达，S为时空位置表达，D为空间形态表达，A为属性特征表达，Σ为组成结构表达，G为关联关系表达，为行为能力表达，F为认知能力表达，O＝{α,β,γ,δ,ε}是操作集合，其中，α为构造与析构操作，β为分解与组合操作，γ为转化与演化操作，δ为关系动态操作，ε为学习与决策操作；关联关系的表达：每个表达集合都唯一对应的一个特征状态，假定多粒度时空对象m
i
有j个特征状态，那么定义m
i
的状态集合为每个时刻m
i
的表达集合都对应状态集合中的一个状态，对于气候过程各要素间的结构关系X(m1,m2,...,m
i
)，利用Bayes网络的图模型进行描述，定义Bayes网络B＝(S,X)，其中S表示节点组成的有向无环图，X代表图的节点集合，即多粒度时空对象m1,m2,...,m
i
，节点与节点间用有向边
→
连接，表示多粒度时空对象间的关联关系，其中，父节点为自变量，子节点为因变量；
关系强度的表达：每个节点都有独立的条件概率表，表示其父节点联合分布下的概率分布，定义状态概率集合为某时刻多粒度时空对象的表达集合对应...

【专利技术属性】
技术研发人员：罗文，尹伊蕾，张悦，张正方，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：