[发明专利]一种基于并行梯度定义方法的ENSO最优前期征兆识别方法

说明书

本发明涉及一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，属于计算机和大气海洋学科交叉领域，可用于大气海洋领域的ENSO事件最优前期征兆的识别，本发明的基于并行梯度定义方法的ENSO事件最优前期征兆识别，首先使用梯度定义方法求解得到某一ENSO事件的CNOP，然后通过CNOP的空间模态及其演变模态确定ENSO事件的最优前期征兆，并可进一步分析ENSO事件发生演变可能的物理机制。与现有技术相比，本发明具有准确度高，求解速度快等优点。

技术领域

本发明涉及计算机和大气海洋学科交叉技术领域，尤其是涉及一种基于并行梯度定义方法的ENSO最优前期征兆识别方法。

背景技术

厄尔尼诺-南方涛动(ENSO)事件是热带太平洋地区最强的年际信号，它的发生对全球的气候产生影响，并引发全球性的自然灾害，因此，对提前预报ENSO事件是非常重要的。如果能知道ENSO事件的最优前期征兆，那么就可以在ENSO事件发生之前进行预报，这对于ENSO事件的实时预报是非常有意义的。

条件非线性最优扰动(CNOP)方法已经被广泛应用于探讨天气和气候相关非线性物理现象的可预报性问题。当初始扰动代表某一事件的前期征兆时，CNOP方法捕捉到的初始扰动即为最容易引发这一事件的最优前期征兆。传统求解CNOP的方法是伴随方法，但是该方法非常依赖于伴随模式，而且伴随模式的开发不仅需要消耗巨大的工作量，而且对于较大的业务模式来说伴随模式的计算量过大，这大大限制了CNOP在较大的业务模式中的使用。为了避免使用传统的伴随方法，本发明基于并行梯度定义方法的ENSO最优前期征兆识别。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于并行梯度定义方法的ENSO最优前期征兆识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于并行梯度定义方法的ENSO最优前期征兆识别方法，包括以下步骤：

步骤1：设定多个非厄尔尼诺事件作为识别基本态；

步骤2：确定识别基本态对应的不同初始月份的最优前期征兆并建立对应CNOP；

步骤3：使用并行梯度定义方法求解CNOP，利用CNOP的求解结果确定最优前期征兆；

步骤4：验证CNOP的求解结果对应的最优前期征兆与基本态对应的不同初始月份的最优前期征兆是否一致以得出是否会发生非厄尔尼诺事件的识别结果。

进一步地，所述步骤3中的并行梯度定义方法包括以下步骤：

步骤S1：初始化相关优化变量；

步骤S2：采用梯度定义方法求解得出条件非线性最优扰动最优值结果；

步骤S3：循环迭代步骤S2并判断是否满足停止迭代条件；

步骤S4：当满足停止迭代条件时输出原始求解空间的条件非线性最优扰动最优值结果。

进一步地，所述的步骤S2具体包括以下分步骤：

步骤S21：求解条件非线性最优扰动的目标函数关于优化变量的梯度；

步骤S22：使用SPG2梯度投影算法沿梯度下降的方向搜索可转化为最优值结果的目标函数最小值。

进一步地，所述步骤S21中的目标函数关于优化变量的梯度，其计算公式为：

式中，f′(X)表示目标函数关于优化变量的梯度，表示优化变量每个变量关于目标函数的一阶偏导数。

进一步地，所述的优化变量每个变量关于目标函数的一阶偏导数的计算公式为：