一种资料同化方法及装置制造方法及图纸

本发明专利技术提供一种资料同化方法及装置，该方法包括：获取待预测地点对应的背景场、观测资料、图片资料及二值化资料；根据背景场，分别将观测资料、图片资料、二值化资料转化为观测转化数据、图片转化数据及二值化转化数据；根据背景场、观测资料、图片资料、二值化资料、观测转化数据、图片转化数据及二值化转化数据，通过预先建立的优化模型生成初始场。本发明专利技术引入图片资料和二值化资料，将观测资料、图片资料和二值化资料等转换为AI最优化模型能够识别的二值序列，通过AI最优化算法充分调整模型参数以生成初始场，能支持图片资料和二值化资料的同化，增加同化的资料类型，提高了初始场的精度，最终估计的大气状态无限制趋近真实的大气状态。

A method and device for data assimilation

The invention provides a data assimilation method and device. The method includes: obtaining the background field, observation data, picture data and two valued data corresponding to the place to be predicted. According to the background field, the observation data, the picture data and the two value data are converted into the observation transformation data, the picture conversion data and the two value transformation. Data, according to the background field, observation data, picture data, two valued data, observation transformation data, image transformation data and two value converted data, the initial field is generated by the pre established optimization model. The invention introduces the image data and the two value data, transforms the observation data, the picture data and the two value data into the two value sequence which can be identified by the AI optimization model. The AI optimization algorithm is used to fully adjust the model parameters to generate the initial field, which can support the assimilation of the picture data and the two valued data, and increase the assimilated data class. It improves the accuracy of the initial field, and ultimately estimates the atmospheric state to approach the real atmospheric condition.

【技术实现步骤摘要】
一种资料同化方法及装置
本专利技术涉及气象预报
，具体而言，涉及一种资料同化方法及装置。
技术介绍
随着数值气象预报技术的不断发展，能够用于气象分析的资料的类型及数量越来越多。在数值气象预报领域，需要将随空间和时间分布的不同类型的资料进行同化以为数值预报提供初始场。目前，传统预报系统是根据待预测地点对应的观测资料，基于变分方法或集合同化方法得到数值模式的初始场，然后对得到的始场进行数值积分计算出待预测地点未来一段时间内的大气状态。但变分方法是采用泛函最小化的方式求解初始场，集合同化方法是采用误差协方差更新的方式来获得初始场，两种方法的误差较大，导致同化系统估计的初始场精度有限。而且传统预报系统生成初始场所基于的观测资料仅包括气象站观测资料和卫星观测资料，资料类型单一，数据不够全面，进一步影响生成的初始场的精度。因此传统预报系统生成的初始场精度低，根据该初始场最终预测到的大气状态的准确性也不高。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种资料同化方法及装置，以解决现有技术中资料类型单一、初始场精度低的问题。第一方面，本专利技术实施例提供了一种资料同化方法，所述方法包括：获取待预测地点对应的背景场、观测资料、图片资料及二值化资料；根据所述背景场，分别将所述观测资料、所述图片资料、所述二值化资料转化为观测转化数据、图片转化数据及二值化转化数据；根据所述背景场、所述观测资料、所述图片资料、所述二值化资料、所述观测转化数据、所述图片转化数据及所述二值化转化数据，通过预先建立的优化模型生成初始场。结合第一方面，本专利技术实施例提供了上述第一方面的第一种可能的实现方式，其中，所述根据所述背景场，分别将所述观测资料、所述图片资料、所述二值化资料转化为观测转化数据、图片转化数据及二值化转化数据，包括：从所述背景场的大气状态中提取大气廓线；根据观测算子将所述大气廓线转化到所述观测资料对应的观测空间，得到所述观测资料对应的观测转化数据；根据图像观测算子将所述大气廓线转化到所述图片资料对应的观测空间，得到所述图片资料对应的图片转化数据；根据二值化观测算子将所述大气廓线转化到所述二值化资料对应的观测空间，得到所述二值化资料对应的二值化转化数据。结合第一方面，本专利技术实施例提供了上述第一方面的第二种可能的实现方式，其中，所述根据所述背景场、所述观测资料、所述图片资料、所述二值化资料、所述观测转化数据、所述图片转化数据及所述二值化转化数据，通过预先建立的优化模型生成初始场，包括：通过序列化处理获得所述观测资料对应的观测序列、所述图片资料对应的图片序列、所述二值化资料对应的二值化序列、所述观测转化数据对应的观测转化序列、所述图片转化数据对应的图片转化序列、所述二值化转化数据对应的二值化转化序列；根据所述背景场、所述观测序列、所述图片序列、所述二值化序列、所述观测转化序列、所述图片转化序列、所述二值化转化序列，通过预先建立的优化模型生成初始场。结合第一方面的第二种可能的实现方式，本专利技术实施例提供了上述第一方面的第三种可能的实现方式，其中，预先建立的所述优化模型包括深度神经网络模型、价值评价网络模型、强化学习网络模型、路径搜索模型；所述根据所述背景场、所述观测序列、所述图片序列、所述二值化序列、所述观测转化序列、所述图片转化序列、所述二值化转化序列，通过预先建立的优化模型生成初始场，包括：调用所述背景场，根据所述观测序列、所述图片序列、所述二值化序列、所述观测转化序列、所述图片转化序列、所述二值化转化序列，通过所述深度神经网络模型估计大气状态；通过所述价值评价网络模型对所述大气状态进行价值评价，得到价值评价信号；根据所述价值评价信号，通过所述强化学习网络模型触发奖惩信号；根据所述奖惩信号，通过所述路径搜索模型调整所述深度神经网络模型的参数；返回执行所述通过所述深度神经网络模型估计大气状态，直到调整的所述深度神经网络模型的参数满足预设稳定条件时，将所述深度神经网络模型最终估计的大气状态确定为初始场。结合第一方面，本专利技术实施例提供了上述第一方面的第四种可能的实现方式，其中，所述通过预先建立的优化模型生成初始场之后，还包括：对所述初始场中的大气状态进行时间积分，得到大气状态的预报资料，存储所述预报资料，并记录时间积分间隔的各个时刻的大气状态。结合第一方面，本专利技术实施例提供了上述第一方面的第五种可能的实现方式，其中，所述根据所述背景场，分别将所述观测资料、所述图片资料、所述二值化资料转化为观测转化数据、图片转化数据及二值化转化数据之前，还包括：剔除所述观测资料中不符合预设观测条件的数据，对剔除操作后的所述观测资料进行偏差订正；对所述图片资料及所述二值化资料进行资料筛选。结合第一方面的第五种可能的实现方式，本专利技术实施例提供了上述第一方面的第六种可能的实现方式，其中，所述对所述图片资料及所述二值化资料进行资料筛选，包括：对所述图片资料和所述二值化资料进行噪声过滤，剔除系统噪声信号；对噪声过滤后的所述图片资料和所述二值化资料进行格式检查，剔除不符合预设格式条件的数据；对格式检查后的所述图片资料和所述二值化资料进行异常值检查，剔除不符合气象观测规律的异常点；对异常检查后的所述图片资料和所述二值化资料进行连续性检查，剔除不符合预设连续性条件的数据。第二方面，本专利技术实施例提供了一种资料同化装置，所述装置包括：获取模块，用于获取待预测地点对应的背景场、观测资料、图片资料及二值化资料；转化模块，用于根据所述背景场，分别将所述观测资料、所述图片资料、所述二值化资料转化为观测转化数据、图片转化数据及二值化转化数据；生成模块，用于根据所述背景场、所述观测资料、所述图片资料、所述二值化资料、所述观测转化数据、所述图片转化数据及所述二值化转化数据，通过预先建立的优化模型生成初始场。结合第二方面，本专利技术实施例提供了上述第二方面的第一种可能的实现方式，其中，所述转化模块包括：提取单元，用于从所述背景场的大气状态中提取大气廓线；转化单元，用于根据观测算子将所述大气廓线转化到所述观测资料对应的观测空间，得到所述观测资料对应的观测转化数据；根据图像观测算子将所述大气廓线转化到所述图片资料对应的观测空间，得到所述图片资料对应的图片转化数据；根据二值化观测算子将所述大气廓线转化到所述二值化资料对应的观测空间，得到所述二值化资料对应的二值化转化数据。结合第二方面，本专利技术实施例提供了上述第二方面的第二种可能的实现方式，其中，所述生成模块包括：序列化单元，用于通过序列化处理获得所述观测资料对应的观测序列、所述图片资料对应的图片序列、所述二值化资料对应的二值化序列、所述观测转化数据对应的观测转化序列、所述图片转化数据对应的图片转化序列、所述二值化转化数据对应的二值化转化序列；生成单元，用于根据所述背景场、所述观测序列、所述图片序列、所述二值化序列、所述观测转化序列、所述图片转化序列、所述二值化转化序列，通过预先建立的优化模型生成初始场。在本专利技术实施例提供的方法及装置中，获取待预测地点对应的背景场、观测资料、图片资料及二值化资料；根据背景场，分别将观测资料、图片资料、二值化资料转化为观测转化数据、图片转化数据及二值化转化数据；根据背景场、观测资料、图片资料、二值化资料、观测转化数本文档来自技高网...

【技术保护点】
1.一种资料同化方法，其特征在于，所述方法包括：获取待预测地点对应的背景场、观测资料、图片资料及二值化资料；根据所述背景场，分别将所述观测资料、所述图片资料、所述二值化资料转化为观测转化数据、图片转化数据及二值化转化数据；根据所述背景场、所述观测资料、所述图片资料、所述二值化资料、所述观测转化数据、所述图片转化数据及所述二值化转化数据，通过预先建立的优化模型生成初始场。

【技术特征摘要】
1.一种资料同化方法，其特征在于，所述方法包括：获取待预测地点对应的背景场、观测资料、图片资料及二值化资料；根据所述背景场，分别将所述观测资料、所述图片资料、所述二值化资料转化为观测转化数据、图片转化数据及二值化转化数据；根据所述背景场、所述观测资料、所述图片资料、所述二值化资料、所述观测转化数据、所述图片转化数据及所述二值化转化数据，通过预先建立的优化模型生成初始场。2.根据权利要求1所述的方法，其特征在于，所述根据所述背景场，分别将所述观测资料、所述图片资料、所述二值化资料转化为观测转化数据、图片转化数据及二值化转化数据，包括：从所述背景场的大气状态中提取大气廓线；根据观测算子将所述大气廓线转化到所述观测资料对应的观测空间，得到所述观测资料对应的观测转化数据；根据图像观测算子将所述大气廓线转化到所述图片资料对应的观测空间，得到所述图片资料对应的图片转化数据；根据二值化观测算子将所述大气廓线转化到所述二值化资料对应的观测空间，得到所述二值化资料对应的二值化转化数据。3.根据权利要求1所述的方法，其特征在于，所述根据所述背景场、所述观测资料、所述图片资料、所述二值化资料、所述观测转化数据、所述图片转化数据及所述二值化转化数据，通过预先建立的优化模型生成初始场，包括：通过序列化处理获得所述观测资料对应的观测序列、所述图片资料对应的图片序列、所述二值化资料对应的二值化序列、所述观测转化数据对应的观测转化序列、所述图片转化数据对应的图片转化序列、所述二值化转化数据对应的二值化转化序列；根据所述背景场、所述观测序列、所述图片序列、所述二值化序列、所述观测转化序列、所述图片转化序列、所述二值化转化序列，通过预先建立的优化模型生成初始场。4.根据权利要求3所述的方法，其特征在于，预先建立的所述优化模型包括深度神经网络模型、价值评价网络模型、强化学习网络模型、路径搜索模型；所述根据所述背景场、所述观测序列、所述图片序列、所述二值化序列、所述观测转化序列、所述图片转化序列、所述二值化转化序列，通过预先建立的优化模型生成初始场，包括：调用所述背景场，根据所述观测序列、所述图片序列、所述二值化序列、所述观测转化序列、所述图片转化序列、所述二值化转化序列，通过所述深度神经网络模型估计大气状态；通过所述价值评价网络模型对所述大气状态进行价值评价，得到价值评价信号；根据所述价值评价信号，通过所述强化学习网络模型触发奖惩信号；根据所述奖惩信号，通过所述路径搜索模型调整所述深度神经网络模型的参数；返回执行所述通过所述深度神经网络模型估计大气状态，直到调整的所述深度神经网络模型的参数满足预设稳定条件时，将所述深度神经网络模型最终估计的大气状态确...

【专利技术属性】
技术研发人员：吴忠元，
申请(专利权)人：中科赛诺北京科技有限公司，
类型：发明
国别省市：北京,11