一种基于深度双模态的气象参数精细尺度转化方法技术

本发明专利技术公开了一种基于深度双模态的气象参数精细尺度转化方法，S1、确定研究的目标变量；S2、按照空间变异、驱动力、影响要素三方面选择相关的协变量；S3、采集粗分辨率同化数据、精细尺度下的栅格与/或调查或测量数据以及协变量数据；S4、根据粗分辨率及细分辨率大小，建立深度网络结构；S5、确定损失函数及限制性条件，并对数据进行整理配对；S6、尺度转换模型训练；S7、对粗尺度背景与/或域知识进行限制性优化；S8、将训练完成的模型及其参数、测试精度保存；S9、模型的尺度化转换应用。本发明专利技术提出将粗分辨率的背景同精细尺度的栅格或测量数据结合的方法，通过双模态深度学习建模，提高了气象栅格同化数据尺度细化效果。象栅格同化数据尺度细化效果。象栅格同化数据尺度细化效果。

【技术实现步骤摘要】
一种基于深度双模态的气象参数精细尺度转化方法


[0001]本专利技术涉及一种精细化方法，尤其涉及一种基于深度双模态的气象参数精细尺度转化方法。

技术介绍

[0002]现有的气象参数主要来源于地面观测资料数据或气象同化数据。前者来自地面的实测资料，但是站点数据极为有限，如对中国大陆的气象风速的观测站点目前也只有大约693个监测站点；而后者虽然融合了气象观测站点、模型预测及多源遥感数据等进行资料汇总，可信度较高，但分辨率较粗，难以直接应用到精细尺度的估算、监测及预报方面。
[0003]当不同栅格数据具有不同空间分辨率数据时，需要对不同分辨率的数据进行尺度统一的转换处理，对精细尺度转化成粗尺度，采用平均化的简单方法即可进行处理；而对粗尺度转变成精细尺度的栅格，则需要尺度转换。简单的精细尺度转化方法即双线性抽样方法(bilinear sampling)，但是简单的双线性插值法只是对原有图像作了空间上光滑处理，并不能提供更多的信息，对于一些关键变量而言，直接采用双线性插值可能不能提供足够的信息，也不能反应真实的精细尺度下的情况。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度双模态的气象参数精细尺度转化方法，其特征在于：包括以下步骤：S1、确定研究的目标变量，根据目标变量确定需要的相关数据；S2、按照空间变异、驱动力、影响要素三方面选择相关的协变量；S3、根据前述步骤的研究结果，采集粗分辨率同化数据、精细尺度下的栅格与/或调查或测量数据以及协变量数据；S4、根据粗分辨率及细分辨率的大小，建立相应的深度网络结构；S5、确定损失函数及限制性条件，并相应地对数据进行整理配对；S6、尺度转换模型训练；S7、对粗尺度背景与/或域知识进行限制性优化；S8、将训练完成的模型及其参数、测试精度保存，以便于以后进行调用；S9、模型的尺度化转换应用。2.根据权利要求1所述的基于深度双模态的气象参数精细尺度转化方法，其特征在于：所述步骤S1中，相关数据包括：粗细分辨率数据、精细尺度下相应的协变量数据及域知识；所述精细尺度数据分以下四种情况考虑：a)仅有精细尺度的数据；b)仅有调查测量数据；c)既有调查数据又有精细尺度数据；d)既没有精细尺度数据，也没有调查数据；根据上述四种情况，改变损失函数以适应不同的数据可靠性情景。3.根据权利要求2所述的基于深度双模态的气象参数精细尺度转化方法，其特征在于：所述步骤S2中，空间变异包括采用反映空间位置变化的坐标变量及其派生变量，既采用x、y、x2、y2及xy，也采用高程作为空间变异的变量之一；驱动力，选择从机理方面存在因果关系或直接关系的变量；影响因子则是指会对变量产生较大影响的其他要素。4.根据权利要求3所述的基于深度双模态的气象参数精细尺度转化方法，其特征在于：所述步骤S3中，需要对采集的数据进行预处理，移除数据之中的异常值；对协变量因子，需要转换为统一坐标体系下的精细尺度数据。5.根据权利要求4所述的基于深度双模态的气象参数精细尺度转化方法，其特征在于：所述步骤S4中，深度网络结构为基于编码
‑
解码的U
‑
Net结构的全残差连接的卷积神经网络结构，其在每层之后加入激活函数及批正则化提高学习效率，建立深度网络结构还包括以下步骤：a)在输入及输出处分别增加尺度调整层，以便于将输入维度转化为标准的卷积神经网络处理的输入单元，或者将卷积神经网络的输出转换为精细尺度的输出大小，保证输入到输出的准确映射，由此确定一个粗分辨率对应的精细分辨率的像素个数；b)采用长短残差连接提高网络信息的连接以提高训练效率，在CNN的每个层级单元，都派生出三个同样的层便于加深网络层数，便于在层级单元内部实现残差短连接，而从编码层到解码层，采用残差长连接，便于误差信息反向传播，使误差信息从深层直接跳转到浅层，可实现训练效率的提高；c)采用灵活的输出结构，其中精细尺度的输出针对精细尺度的栅格样本或调
查或测量数据的样本，对应栅格输出的具体象元；一个粗尺度单元包括的所有精细尺度象元的均值输出针对原粗尺度对应的精细尺度下的所有栅格的均值，要求与背景粗尺度数据相符，这样双模态的输出确保训练的过程同时使得输出尽量兼顾粗细尺度的数据分布，得到更为合理的结果。6.根据权利要求5所述的基于深度双模态的气象参数精细尺度转化方法，其特征在于：所述步骤S5中，根据步骤S4的双模态输出，建立损失函数：其中，N为训练样本数，为精细尺度下的预测值，y为相应的观测值或精细尺度下像素值，θ
w,b
代表了权重W及偏差b的参数集合，f代表精细尺度，代表与一个粗尺度单元对应的精细尺度下所有栅格单元的均值，c代表粗尺度，μ
c
代表了针对一个粗尺度单元取精细尺度数据的均值，l
f
为精细尺度下的均方误差MSE损失函数，而l
c
为粗尺度下均方误差MSE损失函数，α与β为精细尺度及粗尺度下的权重系数，缺省可分别取0.5及0.5，取Ω(θ
W,b
)为参数集θ
w,b
的正则化项目，可采用弹性网的正则化；根据损失函数的定义，在具备调查或测量数据情况下，α＝β＝0.5，需要将数据整理成配对的输入输出，输入即每个粗栅格单元对应...

【专利技术属性】
技术研发人员：李连发，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：