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化；另一种是提高模式的性能，比如使用更高分辨率的模式，更准确的次网格物理过程等。但是无论如何，初始误差和模式误差都无法消除，预报系统总会或多或少的存在误差。随着精细化气象要素格点预报业务的部署使用，如何提升短临预报的准确性及精细化预报的精细化程度是一个具有重大意义的研究方向。地面气温是人们日常生活最关注的气象要素之一，华东地区以丘陵、盆地、平原为主，相比于平原地区，该地区的观测相对较少，同时受限模式分辨率以及计算能力，模式对地形、地表的描述能力不够，就造成了模式预报误差较大。因此一些研究人员提出了一些有效的温度订正方法，现有的温度预报订正方法主要包括滑动平均订正、多模式集成、线性回归等方法。这些方法多是建立在线性相关的基础上，但是大气环流变化中的复杂性和非线性性，往往决定预报因子与预报对象之间为非线性相关，因此用传统的预测方法处理本质上具有非线性关系的问题时具有一定的局限性。随着人工智能的发展，拥有了越来越丰富的应用场景，气象行业也不例外，在突破传统预报方法的情况下，机器学习与深度学习相关理论在许多应用领域上已经显示了其非凡的能力和巨大的潜力，是科学研究的新鲜血液，无论是科研领域还是工业领域，都有着极为广泛的应用场景，同时也给气象预测技术的发展带来了机遇，为原来难以解决的气象问题提供了一个新思路。目前基于人工智能的订正方法主要包括：(1)基于机器学习算法的模式预报订正模型，把像素点看成是孤立的点，不考虑周边的像素，使用SVM、随机森林等模型进行建模。但是机器学习对于数据量巨大的样本训练困难，且容易过拟合，并且容易产生噪声误差，特别对于气象的混沌效应。(2)基于深度学习算法的模式预报订正模型，目前已使用的方法包括ConvLSTM、U-Net和MeLC-GRU等方法，主要是将卷积神经网络和LSTM进行结合的方法。在这些模型中时间信息通过状态特征在时间维度上变换结合来传递，时间信息的传递可以一定程度上减少气象混沌效应(预报时长越长，准确率越低)的困扰，但是该方法对特征挖掘不够，且并未对不同特点数据分开建模。因此，如何提供一种温度预报准确率高、高效可靠的预报温度订正方法是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供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，该方法能够减小模式预报温度的均方根误差、绝对误差，有效提高温度预报准确率，辅助气象员更好地进行业务温度预测。解决了基于深度学习的方法对模式预报温度进行订正中，机器学习中对大量数据处理能力较差，噪声大和易过拟合的问题以及深度学习对特征挖掘不够，且并未对不同特点数据分开建模的问题。为了实现上述目的，本专利技术采用如下技术方案：一种基于深度学习的多气象因子模式预报温度订正方法，该方法包括：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(LSTM)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。进一步地，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。进一步地，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。进一步地，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采用K-means聚类为K类。进一步地，所述步骤4具体包括：采用长短时记忆网络作为基础模型，结合注意力机制构建模式预报温度订正模型；分别将最低温聚类后的n个类别数据输入模式预报温度订正模型；分别将最高温聚类后的m个类别数据输入模式预报温度订正模型；分别对最低温或最高温中每个类别的模式预报温度订正模型进行训练，确定LSTM层数、神经元个数以及各个模型的调试参数；将模式预报最低温或最高温数据输入训练好的模型中进行预测，得到订正温度。进一步地，所述步骤5具体包括：确立用于评价预测效果的综合指标，所述综合指标的计算公式为：综合指标＝ACC/(MSE×MAE)；式中，ACC为温度预测准确率，即绝对误差在2℃范围以内的站点占总站点的比率，MSE是均方根误差，MAE是绝对误差；利用综合指标分别对最低温或最高温的订正温度进行评价，选择综合指标值最大的数据作为评价结果；根据经纬度对应关系将最低温n个类别的评价结果进行整合，得到最低温的最终订正结果；根据经纬度对应关系将最高温m个类别的评价结果进行整合，得到最高温的最终订正结果。此外，本专利技术还提供了一种基于深度学习的多气象因子模式预报温度订正系统，该系统使用上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。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供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