基于ECMWF的格点预报偏差修正方法技术

本发明专利技术涉及基于ECMWF的格点预报偏差修正方法，首先获取卫星数据、雷达数据、ECMWF格点预报数据、以及ECMWF再分析数据，以切片方式获得不同高度不同时刻一定范围内数据；在数据预处理阶段，使卫星数据、雷达数据插值到和ECMWF的格点预报数据相同的分辨率上；随后针对ECMWF再分析数据的各数据类型进行特征选择，综合得到各目标气象因子，并归一化处理；在构建深度学习网络结构阶段，利用深度学习的非线性映射能力和信息提取能力，构建Encoder

A grid forecast deviation correction method based on ECMWF

【技术实现步骤摘要】
基于ECMWF的格点预报偏差修正方法


[0001]本专利技术涉及基于ECMWF的格点预报偏差修正方法，属于气象预报


技术介绍

[0002]近年来，深度学习算法在各行各业效果显著，突破了传统算法的壁垒，其非线性拟合能力已成为事实。而气象数据的多维度、以及强时空耦合性，正是这些算法擅长之处。再者，随着我国自动观测系统的广泛应用，气象数据以日剧增。地面观测由最初涨浮几百兆每月到现在的2TB每月，气象卫星、数值预报产品等日增量皆在TB级别。如此量级的数据，为气象与人工智能结合研究提供了坚实的基础。
[0003]因此，将深度学习模型应用到预测订正中来，将对预测的模型结构产生非常重大的影响，不仅可以为模型增加更多维度的信息，也可以用更长时间的数据来训练包含更多模型参数的深层模型，模型的学习能力将会大幅提升，所以现有关于气象预测方面，还可以进一步改进设计，提升预测进度。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供基于ECMWF的格点预报偏差修正方法，充分考虑与相关的其他不同高度的气象因素、卫星数据，能够根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ECMWF的格点预报偏差修正方法，其特征在于：通过步骤A至步骤G，获得目标区域所对应的预报数据修正模型，用于针对目标区域的预报数据进行修正；步骤A. 获得目标区域对应预设历史范围内各历史时间点的雷达数据、ECMWF格点预报数据、以及包含预设各数据类型的卫星数据、包含预设各高度下预设各数据类型的ECMWF再分析数据，然后进入步骤B；步骤B. 针对各历史时间点的卫星数据与雷达数据进行预处理，使得卫星数据的分辨率、雷达数据的分辨率与ECMWF格点预报数据的分辨率相一致，然后进入步骤C；步骤C. 按预设比例，针对目标区域进行格点划分，即获得各历史时间点下目标区域中各格点对应的雷达数据、卫星数据、ECMWF格点预报数据、ECMWF再分析数据，然后进入步骤D；步骤D. 基于各历史时间点下各格点所对应ECMWF再分析数据中的各高度下各数据类型的数据，应用特征选择模块，获得ECMWF再分析数据中各高度下各数据类型中的各个目标气象因子，并针对各历史时间点下各格点对应ECMWF再分析数据中各个目标气象因子的数据、与各历史时间点下目标区域中各格点对应的雷达数据、卫星数据进行通道融合，获得各历史时间点下各格点对应的融合通道数据，然后进入步骤E；步骤E. 分别针对各历史时间点中的预设各个待分析历史时间点，针对历史时间点至历史时间点下各格点对应的融合通道数据，执行时间点维度下的数据融合，构成各格点对应第k个待分析历史时间点的(T,C,W,H)的4维历史气象要素数据向量，进而组合构成历史气象数据集，其中，T表示预设融合历史时间点的长度，C表示融合通道数据中数据类型的数量，W*H表示目标区域的网格点比例，表示待分析历史时间点的数量，然后进入步骤F；步骤F. 基于各待分析历史时间点下各格点对应的ECMWF格点预报数据构成数据集，以及基于各待分析历史时间点下各格点对应ECMWF再分析数据中对应ECMWF格点预报数据类型的数据，构成标签集，然后进入步骤G；步骤G. 以历史气象数据集、数据集为输入，以数据集的修订数据为输出，结合数据集的修订数据与标签集之间的损失，针对目标深度学习网络模型进行训练，获得目标区域所对应的预报数据修正模型。2.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤B中，针对各历史时间点的卫星数据与雷达数据进行克里金插值处理的预处理操作，使得卫星数据的分辨率、雷达数据的分辨率与ECMWF格点预报数据的分辨率相一致。3.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤C中还包括：分别针对各历史时间点下的雷达数据、卫星数据、ECMWF格点预报数据、ECMWF再分析数据，针对各格点分别对应的数据进行数据归一化，更新各历史时间点下各格点的雷达数据、卫星数据、ECMWF格点预报数据、ECMWF再分析数据，然后进入步骤D。4.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤D中，基于各历史时间点下各格点所对应ECMWF再分析数据中的各高度下各数据类型的数据，
应用特征选择模块，获得各高度下各数据类型分别对应权重，并按权重由大至小顺序，针对各高度下各数据类型进行排序，顺序选择前个对象，构成各个目标气象因子，其中，表示ECMWF再分析数据中各高度下各数据类型的总数，表示预设百分比，表示向上取整。5.根据权利要求1或4所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述步骤D中的特征选择模块为LASSO回归算法模块，LASSO回归算法模块的损失函数公式为：式中，、为样本个数，为常数系数，为权重，需要进行调优，为L1范数，代表输入的特征单元值，代表观测值。6.根据权利要求1所述基于ECMWF的格点预报偏差修正方法，其特征在于：所述目标深度学习网络模型包括Encoder模块和Decoder模块，其中，Encoder模块包括E3D
‑
Lstm模型、CNN网络、融合模块；其中，E3D
‑
Lstm模型的输入端与融合模块的其中一输入端构成Encoder模块的各输入端，由E3D
‑
Lstm模型的输入端用于接收历史气象数据集，融合模块...

【专利技术属性】
技术研发人员：夏景明，刘巧，谈玲，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：