以12个月的气象图为输入,预测未来24个月的厄尔尼诺指标.
-
12个月的气象图
-
每月四个统计值(四张气象图):
- 海洋表面温度,
- 海洋热含量,
- 经向风力,
- 纬向风力
每个统计值覆盖24个维度,72个经度
####输入形式
[12,4,24,72]
未来24个月的的厄尔尼诺指标
[24]
要打包成docker提交??????????????????????????????/
-
SODA数据集:美国某部门在南太平洋某区域收集的100年的真实观测数据
SODA_label:美国某部门统计的该区域100年的厄尔尼诺指标
-
CMIP数据集:七种理论模型模拟的将近1000年的数据
[Batch,4,12,24,72]
↓
四个统计值分组做卷积,变换到24个通道的形式 [Batch,4,24,3,13]
↓
四个统计值特征融合,[Batch,24,252]
↓
以24个通道作为24个时间点,喂给LSTM
↓
得到LSTM的输出 output,(hidden,context)
↓
取output作为LSTM的输出 [Batch,24,hidden_size]
↓ 全连接输出层
输出 [Batch,24,1]
损失函数 : MSE
评价指标:RMSE+相关系数
过小,仅3M参数
过拟合,训练集上评价指标90+,验证集只有30~40
训练集
测试集
- 大赛名称：2021数知地球AI创新挑战赛--AI助力精准气象和海洋预测
- 赛季名称：晋级赛
- 数据说明：
- 数据介绍：
- CMIP_train.nc, CMIP模式数据，包含sst t300 ua va ,分别代表海温，热含量，表面风的东西分量（纬向风），表面风的南北分量（经向风）
- CMIP_label.nc，为对应逐月nino3.4指数标签数据
- SODA_train.nc，观测数据，包含sst t300 ua va ,分别代表海温，热含量，表面风的东西分量（纬向风），表面风的南北分量（经向风）
- SODA_label.nc，为对应逐月nino3.4指数标签数据
- 是否允许使用外部数据：否
- 是否允许使用预训练权重：否
- md5: CMIP_train.nc:804a96f1f83392972bf547b922b953ae
本次比赛使用的数据包括CMIP5/6模式的历史模拟数据和美国SODA模式重建的近100多年历史观测同化数据。每个样本包含以下气象及时空变量：海表温度异常(SST)，热含量异常(T300)，纬向风异常（Ua），经向风异常（Va），数据维度为（year,month,lat,lon）。对于训练数据提供对应月份的Nino3.4 index标签数据。
每个数据样本第一维度（year）表征数据所对应起始年份，对于CMIP数据共4645年，其中1-2265为CMIP6中15个模式提供的151年的历史模拟数据（总共：151年 *15 个模式=2265）；2266-4645为CMIP5中17个模式提供的140年的历史模拟数据（总共：140年 *17 个模式=2380）。对于历史观测同化数据为美国提供的SODA数据。
其中每个样本第二维度（mouth）表征数据对应的月份，对于训练数据均为36，对应的从当前年份开始连续三年数据（从1月开始，共36月），比如：
SODA_train.nc中[0,0:36,:,:]为第1-第3年逐月的历史观测数据；
SODA_train.nc中[1,0:36,:,:]为第2-第4年逐月的历史观测数据； …, SODA_train.nc中[99,0:36,:,:]为第100-102年逐月的历史观测数据。
和 CMIP_train.nc中[0,0:36,:,:]为CMIP6第一个模式提供的第1-第3年逐月的历史模拟数据； …, CMIP_train.nc中[150,0:36,:,:]为CMIP6第一个模式提供的第151-第153年逐月的历史模拟数据；
CMIP_train.nc中[151,0:36,:,:]为CMIP6第二个模式提供的第1-第3年逐月的历史模拟数据； …, CMIP_train.nc中[2265,0:36,:,:]为CMIP5第一个模式提供的第1-第3年逐月的历史模拟数据； …, CMIP_train.nc中[2405,0:36,:,:]为CMIP5第二个模式提供的第1-第3年逐月的历史模拟数据； …, CMIP_train.nc中[4644,0:36,:,:]为CMIP5第17个模式提供的第140-第142年逐月的历史模拟数据。
其中每个样本第三、第四维度分别代表经纬度（南纬55度北纬60度，东经0360度），所有数据的经纬度范围相同。
训练数据标签说明 标签数据为Nino3.4 SST异常指数，数据维度为（year,month）。
CMIP(SODA)_train.nc对应的标签数据当前时刻Nino3.4 SST异常指数的三个月滑动平均值，因此数据维度与维度介绍同训练数据一致
注：三个月滑动平均值为当前月与未来两个月的平均值。
测试用的初始场（输入）数据为国际多个海洋资料同化结果提供的随机抽取的n段12个时间序列，数据格式采用NPY格式保存，维度为（12，lat，lon, 4）,12为t时刻及过去11个时刻，4为预测因子，并按照SST,T300,Ua,Va的顺序存放。
测试集文件序列的命名规则：test_编号_起始月份_终止月份.npy，如test_00001_01_12_.npy。
##数据(Netcdf文件)读取方法
（1） https://www.giss.nasa.gov/tools/panoply/ panoply可视化文件
（2） Python中xarray/netCDF4 库