一种基于深度学习的气温预报数据订正方法技术

本发明专利技术属于气象预报技术领域，具体涉及一种基于深度学习的气温预报数据订正方法。本发明专利技术在数据预处理阶段，在使用最近邻插值法将气温预报数据转化为格点数据的同时提高了空间分辨率，并且采用高斯滤波对气温数据进行平滑处理，去除高斯噪声；在构建深度学习网络结构阶段，利用上采样处理提高了时间分辨率，同时采用LSTM提取时间特征，与UNet网络提取的数值预报特征进行加权融合，利用深度学习网络的非线性映射能力和对格点数据的信息提取能力，提高了气温预报精度。综上，本发明专利技术的气温预报数据订正模型能计算出更准确的订正值，并且能够提高气温预报的时空分辨率，降低人力消耗，为未来精细化格点预报提供了高分辨率、精准分析的订正服务。的订正服务。的订正服务。

【技术实现步骤摘要】
一种基于深度学习的气温预报数据订正方法


[0001]本专利技术属于气象预报
，具体涉及一种基于深度学习的气温预报数据订正方法。

技术介绍

[0002]近几年气象部门大力开展智能网格预报业务，高分辨率预报模式的主导地位更加突出。然而目前高分辨率预报存在诸多局限，主要原因是初始条件、边界条件、物理过程等造成的初值误差和模式误差无法被消除，因此订正技术的发展亦不可忽视。合理、客观、定量的订正方法是连接数值模式预报与精细化气象预报的桥梁，也是未来一段时间高分辨率预报的关键。
[0003]气温作为对民生、经济有重要影响的气象要素之一，受模式分辨率及计算能力的限制，可能存在较大的预报误差。目前，气温预报业务针对数值模式的预报产品大部分采用的是统计订正方法，即通过对中短期内的温度历史数据进行线性回归、滑动平均处理后，找到气温近期内的变化趋势作为订正基础，再结合人工经验对预报结果进行经验修正。也有部分采用的是支持向量机、随机森林等机器学习算法进行预报订正。但现有的气温预报技术研究中，很少有将时空分辨率提升与准确率提升问题进行综合解决的技术，通常采用的是降尺度、预报订正等独立的技术方案进行解决，这也是导致精细化气象预报的发展缓步不前很重要的因素之一。
[0004]现有的气象预报订正技术中，统计订正方法过多依赖人工的主观经验，其判断失误会导致误报率大幅提高，并且无法适应未来高分辨率预报模式的发展；机器学习订正方法对于数据量巨大的样本训练困难，对于气象的混沌效应容易产生噪声误差。

技术实现思路

[0005]本专利技术提供了一种基于深度学习的气温预报数据订正方法，利用深度学习网络的非线性映射能力和对格点数据的信息提取能力，解决了统计订正方法中依赖人工和无法胜任高分辨率预报的问题以及机器学习中对大量数据处理能力较差的问题；在数据预处理阶段采用高斯滤波平滑技术，去除高斯噪声；同时采用LSTM对时间属性进行特征提取，将其作为深度神经网络的权重，能够减小预报气温的RMSE(均方根误差)，有效提高气温预报准确率。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于深度学习的气温预报数据订正方法，如图1所示，包括以下步骤：
[0008]S1、获取原始气象预报数据和历史气象观测数据，所述原始气象预报数据和历史气象观测数据所包括的气象要素中需有气温要素以及至少一种与气温要素相关的其他气象要素特征；
[0009]S2、对步骤S1获取到的数据进行预处理，包括：
[0010]S21、对历史气象观测数据进行缺失值处理和异常值处理；
[0011]S22、将原始气象预报数据采用最近邻插值法转化成与历史气象观测数据相同空间分辨率的格点数据；
[0012]S23、提取小时标签，构建时间数据集T＝{h0,h1,h2,
…
,h
n
}，其中h
i
为第i个样本的小时数据，n为样本总量；
[0013]S24、将原始气象预报数据和历史气象观测数据中除气温要素以外的其余气象要素特征融合，构建成模型特征数据集X＝{x0,x1,x2,
…
,x
n
}，其中x
i
是一个向量，维数与除气温要素以外的其余气象要素特征的数量一致；
[0014]S25、将步骤S22得到的格点化后的原始气象预报数据中的气温要素和步骤S21得到的历史气象观测数据中的气温要素融合，构建模型标签数据集Y＝{y0,y1,y2,
…
,y
n
},其中y
i
为第i个气温要素数据；
[0015]S26、采用高斯滤波对模型标签数据集Y进行平滑处理，去除高斯噪声；
[0016]S3、构建深度学习网络模型，包括时间特征提取模块、数值预报特征提取模块和特征融合模块；
[0017]所述时间特征提取模块包括依次连接的1个嵌入层、3个LSTM层和1个重构层，用于对时间数据集T进行特征提取，输出为一组时间特征向量F
T
；同时在模型特征数据集X的时间维度上进行上采样；
[0018]所述数值预报特征提取模块为UNet网络，用于对模型特征数据集X和模型标签数据集Y进行数值预报特征提取；UNet网络的一侧为编码模块，另一侧为解码模块，其中编码模块用于深层次特征的提取，包括4个编码层，各个编码层网络结构完全相同，但彼此参数不同且不共享，每个编码层包含3个卷积层、1个归一化层、1个激活函数层和1个最大池化层；解码模块用于将编码模块获取到的高级特征恢复到初始分辨率，包含4个解码层，各个解码层的网络结构完全相同，但彼此参数不同且不共享，每个解码层包含1个上采样层、一个连接层、3个卷积层、2个归一化层、2个激活函数层和一个全连接层，每个解码层中的连接层都与对应编码层中的激活函数层连接，UNet网络输出为一组数值预报特征向量F
P
；
[0019]所述特征融合模块将时间特征作为权重，用于对数值预报特征进行加权处理，即F
T
×
F
P
，然后通过3个全连接层提取所有特征之间的关联，映射到输出空间；
[0020]S4、将时间数据集、模型特征数据集和模型标签数据集划分为训练集和测试集，对步骤S3构建的深度学习网络模型进行训练：预设模型训练损失函数为MSE，结果评价指标为RMSE，激活函数为relu函数，优化器为Adam梯度下降法，卷积核个数、卷积核大小、学习率以及嵌入维度通过Bayesian优化法进行参数寻优；通过训练后得到训练好的深度学习网络模型，即气温订正模型；
[0021]S5、将获取的实时气象预报数据作为输入数据输入到气温订正模型，模型的输出数据为订正后的数据。
[0022]本专利技术的有益效果为，与现有技术相比，本专利技术在数据预处理阶段，在使用最近邻插值法将气温预报数据转化为格点数据的同时提高了空间分辨率，并且采用高斯滤波对气温数据进行平滑处理，去除高斯噪声；在构建深度学习网络结构阶段，利用上采样处理提高了时间分辨率，同时采用LSTM提取时间特征，与UNet网络提取的数值预报特征进行加权融合，利用深度学习网络的非线性映射能力和对格点数据的信息提取能力，提高了气温预报精度。综上，所述气温预报数据订正模型能计算出更准确的订正值，并且能够提高气温预报
的时空分辨率，降低人力消耗，为未来精细化格点预报提供了高分辨率、精准分析的订正服务。
附图说明
[0023]图1为本专利技术的逻辑顺序示意图；
[0024]图2为本专利技术的UNet网络结构示意图。
具体实施方式
[0025]下面对本专利技术的方案进行进一步的描述：
[0026]本专利技术的详细步骤为：
[0027]S1、获取原始气象预报数据和历史气象观测数据，所述原始气象预报数据和历史气象观测数据所包括的气象要素中需有气温要素以及至少一种与气温要素相关的其他气象要素特征；
[0028]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的气温预报数据订正方法，其特征在于，包括以下步骤：S1、获取原始气象预报数据和历史气象观测数据，所述原始气象预报数据和历史气象观测数据所包括的气象要素中需有气温要素以及至少一种与气温要素相关的其他气象要素特征；S2、对步骤S1获取到的数据进行预处理，包括：S21、对历史气象观测数据进行缺失值处理和异常值处理；S22、将原始气象预报数据采用最近邻插值法转化成与历史气象观测数据相同空间分辨率的格点数据；S23、提取小时标签，构建时间数据集T＝{h0,h1,h2,
…
,h
n
}，其中h
i
为第i个样本的小时数据，n为样本总量；S24、将原始气象预报数据和历史气象观测数据中除气温要素以外的其余气象要素特征融合，构建成模型特征数据集X＝{x0,x1,x2,
…
,x
n
}，其中x
i
是一个向量，维数与除气温要素以外的其余气象要素特征的数量一致；S25、将步骤S22得到的格点化后的原始气象预报数据中的气温要素和步骤S21得到的历史气象观测数据中的气温要素融合，构建模型标签数据集Y＝{y0,y1,y2,
…
,y
n
},其中y
i
为第i个气温要素数据；S26、采用高斯滤波对模型标签数据集Y进行平滑处理，去除高斯噪声；S3、构建深度学习网络模型，包括时间特征提取模块、数值预报特征提取模块和特征融合模块；所述时间特征提取模块包括依次连接的1个嵌入层、3个LSTM层和1个重构层，用于对时间数据集T进行特征...

【专利技术属性】
技术研发人员：贾兴林，罗川，
申请(专利权)人：成都卡普数据服务有限责任公司，
类型：发明
国别省市：