基于深度学习的多气象因子模式预报温度订正方法及系统技术方案

本发明专利技术公开了一种基于深度学习的多气象因子模式预报温度订正方法及系统，该方法能够利用LSTM对一段时间数据的记忆和分析能力以及注意力机制的集中关键点的能力进行训练，得到一个基本通用的模型，避免了以往需要对数据进行大量统计分析和处理的过程，因此既能有较高的速度，也能有优异的订正效果。不仅如此，由于数据在低维度上的不可分，该方法对数据做一个高维度的映射，获得特征的更高维度和互相间关系的项。利用这些项的不同特点再经过聚类，能够更有针对性地分别进行建模，利用不同模型对不同特征的温度进行订正。最后使用所设计的综合指标进行订正效果的评价以及模型的选择，避免了指标的单一性和不可比较性，提高了模型的适用性。

Temperature correction method and system of multi meteorological factor model forecast based on deep learning

【技术实现步骤摘要】
基于深度学习的多气象因子模式预报温度订正方法及系统
本专利技术涉及气象领域和人工智能
，更具体的说是涉及一种基于深度学习的多气象因子模式预报温度订正方法及系统。
技术介绍
目前，气象与人类活动息息相关，气象预报的准确性极大的影响军事、民生、经济等领域，极端天气变化更将破坏人类生存环境。格点气象要素预报是一种将地区按既定范围划分成格点状，以格点为单位做气象要素预报，目前已有5km格点气象要素预报业务。精细化气象要素格点预报是格点预报中的一种高分辨率预报，预报方法通常是指以当前数值预报为基础，结合观测资料将格点数据，根据从业人员的经验订正得出预报值做精细化处理以及矫正误差。数值天气预报误差的来源可以分为两种：初值误差和模式误差。初值误差是由于观测的限制，我们无法得到真实的大气的初始状态；模式误差是由于模式的演变与大气演变不一致引起，数值预报是将大气基本方程组进行离散化并进行积分运算从而得到未来大气状态的一种预报方法，离散化不可避免会带来误差。因此提高数值天气预报准确度的方法一般包括两种：一种是改进模式初始场，其中最主要的手段就是资料同本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多气象因子模式预报温度订正方法，其特征在于，包括：/n步骤1：将模式预报数据与实况数据进行对应；/n步骤2：对模式预报数据进行特征扩充；/n步骤3：对特征扩充后的模式预报数据使用K-means进行聚类；/n步骤4：使用聚类后的模式预报数据，采用长短时记忆网络结合注意力机制分别进行建模，得到订正温度；/n步骤5：对建模后得到的订正温度进行整合，得到最终订正结果。/n

【技术特征摘要】
1.一种基于深度学习的多气象因子模式预报温度订正方法，其特征在于，包括：
步骤1：将模式预报数据与实况数据进行对应；
步骤2：对模式预报数据进行特征扩充；
步骤3：对特征扩充后的模式预报数据使用K-means进行聚类；
步骤4：使用聚类后的模式预报数据，采用长短时记忆网络结合注意力机制分别进行建模，得到订正温度；
步骤5：对建模后得到的订正温度进行整合，得到最终订正结果。


2.根据权利要求1所述的一种基于深度学习的多气象因子模式预报温度订正方法，其特征在于，所述步骤1具体包括：
下载ECWMF模式预报数据；
将国际时间命名的模式预报数据文件转换成北京时间命名的模式预报数据文件；
将北京时间命名的模式预报数据文件与相应的实况数据文件进行对应；
将相应的模式预报数据插值到站点上，得到每个站点对应的模式预报数据。


3.根据权利要求1所述的一种基于深度学习的多气象因子模式预报温度订正方法，其特征在于，所述步骤2具体包括：
将对应后的最低温模式预报气象因子数据进行二次多项式特征扩充；
将对应后的最高温模式预报气象因子数据进行三次多项式特征扩充。


4.根据权利要求1所述的一种基于深度学习的多气象因子模式预报温度订正方法，其特征在于，所述步骤3具体包括：
利用手肘法则分别确立最高温和最低温的聚类最优K值；
分别对最低温和最高温特征扩充后的项采用K-means聚类为K类。

【专利技术属性】
技术研发人员：张长江，曾静，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：浙江;33