一种基于深度学习和时空信息的降水数据订正方法技术

本申请公开了一种基于深度学习和时空信息的降水数据订正方法，属于数据处理技术领域，该方法包括:获取第一格点和第一地形，第一格点表示为一个区域内的气象数据，第一地形表示为第一格点的地形数据；获取某一时间段内所述区域的邻域的多个第二格点和第二地形；将第一格点，第一地形，第二格点，第二地形输入深度学习模型进行订正并输出第一格点气象数据订正值。本发明专利技术能够对产品模拟出的降水数据进行订正，使得预报的降水值更加准确。使得预报的降水值更加准确。使得预报的降水值更加准确。

【技术实现步骤摘要】
一种基于深度学习和时空信息的降水数据订正方法


[0001]本专利技术涉及数据处理
，特别涉及一种基于深度学习和时空信息的降水数据订正方法。

技术介绍

[0002]在我们的日常生活中，天气预报发挥着越来越重要的作用。天气影响着生活中的方方面面，例如人类的出游，预防因天气变化而引起的疾病，飞机等交通工具正常使用，农作物的种植以及减少农业灾害等，因此天气预报所预报出来的各项天气指标的及时性和准确性显得尤为重要。而地形因素对天气要素是具有一定影响的，主要分为以下几类：坡度对气流抬升和下沉的影响；坡向对不同走向的天气过程的影响；地表覆盖物对天气过程增强减弱的影响等。故本专利技术考虑到地形因素对于产品预报降水的影响，在建立降水订正方案时将地形因素考虑进去可以尽量减少因忽略地形信息而导致的预报能力的下降，目前虽然也存在很多基于地形因素进行降水订正的工作，但他们很多都是计算出一个误差值再直接减去这个误差，而不是将其作为特征去订正误差。
[0003]传统的降水数据预报订正方法是理论计算的产物，多基于数理统计的方法，包括逻辑回归法、贝叶斯模型平均法、非齐次回归和多模式动态权重集成等。由于在实际的使用过程中地形、系统偏差等影响因素会造成天气预报预测结果与实际观测值形成一定的误差，因此对于降水数据进行订正以获取更为准确的结果具有重大意义。但由于造成误差影响因素的复杂性，基于数理统计的方法难以分析数据之间的相关性，并且由于天气的不确定性，想要使用数学模型去拟合降水数据过于困难，因此传统方法不仅所能达到的订正效果受限，而且其中很多方法也仅仅能在特定时间和场景下进行应用，亦无法有效利用邻近区域和邻近时间的地形与降水数据来辅助订正。
[0004]目前，深度学习应用于气象领域主要分称卷积神经网络、对抗神经网络和循环神经网络。例如基于高分辨率天气预测的深度学习算法采用有监督学习方法的深度学习技术来预测天气，应用卷积神经网络到大气物理模式去实现天气预报的高分辨率模型构建，取得了更优的结果。近年来，随着深度学习的发展，越来越多的研究者使用深度神经网络来解决各个领域的问题，但是当前仍缺乏结合深度学习、可有效利用空间邻域与时间邻域信息的降水数据订正方法。对于简单的问题，往往使用浅层的网络就可以解决，但对于复杂的问题，则需要深度的神经网络学习更高抽象层次的深度表示。深度神经网络由于其高度非线性变换的固有属性具有强大的特征学习能力，通过将高维数据映射到低维的特征空间并不断地迭代优化，从而得到一个鲁棒的潜在表示，非常适合用来完成降水数据的订正。本专利技术将地形因素变成深度神经网络可处理的数据形式，结合空间邻域与时间邻域信息，能自动地学习数据之间的关系。
[0005]目前广东省多源融合产品正在开发中，将对各类观测资料(站点资料，雷达资料，卫星资料等)进行融合，形成一套具有本省特色的1km
×
1km格点的多源融合产品。由于广东本地地形复杂，且国家级多源融合产品未考虑本省地形对融合的影响，所以在做省级多源
融合产品时，考虑对融合后的数据进行地形订正，即用已有的地形因素数据对融合后的产品预报数据进行订正，使其更加接近于站点实际观测值。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度学习和时空信息的降水数据订正方法，该方法充分利用深度神经网络的自学习能力，格点特征信息与站点真值之间的映射关系，从而达到对产品模拟出的降水数据进行订正的目的，使得预报的降水值更加准确。
[0007]本专利技术公开了一种基于深度学习和时空信息的降水数据订正方法，包括：
[0008]获取第一格点和第一地形，第一格点表示为一个区域内的气象数据，第一地形表示为第一格点的地形数据；
[0009]获取某一时间段内所述区域的邻域的多个第二格点和第二地形；
[0010]将第一格点，第一地形，第二格点，第二地形输入深度学习模型进行订正并输出第一格点气象数据订正值。
[0011]第一格点具体包括：
[0012]第一格点是一块区域；
[0013]第一格点包括气象局预报的降水数据。
[0014]第一地形具体包括：
[0015]第一地形是一块区域；
[0016]第一地形的位置和第一格点的位置是相同的，表示了第一格点的地形数据。
[0017]第二格点具体包括：
[0018]第二格点是第一格点区域的邻域；
[0019]第二格点是大小与第一个格点相同的区域；
[0020]第二格点包括气象局预报的降水数据。
[0021]第二地形具体包括：
[0022]第二地形是一块区域；
[0023]第二地形的位置和第二格点的位置是相同的，表示了第二格点的地形数据。
[0024]获取第一格点和第一地形，第一格点表示为一个区域内的气象数据，第一地形表示为第一格点的地形数据之后，还可以包括建立掩膜，具体为：
[0025]建立掩膜时将正常值标记为1，缺测值则标记为0，还需要标记出每个格点内是否有站点覆盖，其中有站点覆盖标记为1，无站点覆盖标记为0。
[0026]获取第一格点和第一地形，第一格点表示为一个区域内的气象数据，第一地形、表示为第一格点的地形数据之后，还可以包括建立站点，具体为：
[0027]站点是一块区域，位置和第一格点相同；
[0028]站点包括气象局观测的实际降水数据；
[0029]站点起止时间与第一格点数据相同。
[0030]将第一格点，第一地形，第二格点，第二地形输入深度学习模型进行订正并输出第一格点气象数据订正值之前，还包括将上述各类区域和站点生成数据集，具体为：
[0031]生成数据集时要根据掩膜排除站点或格点值缺测的第一格点和第二格点，将第一格点和第一格点的8个邻域内的第二格点组合在一起，形成9格点数据集，作为数据集的每
个样本；
[0032]将第一格点和第一格点的24个邻域网格内的第二格点放在一起，形成25格点数据集，作为数据集的每个样本。
[0033]将上述各类区域和站点生成数据集之后，还可以包括使用深度学习神经网络来训练模型，具体为：
[0034]神经网络包括输入层，隐藏层和输出层；
[0035]数据集以4:1的比例划分为训练集和测试集；
[0036]使用平均绝对误差作为神经网络的损失函数对模型进行训练；
[0037]平均绝对误差，MAE计算公式为：
[0038][0039]深度学习神经网络输入层，隐藏层和输出层具体为：
[0040]输出层的维度都是相同的且为1；
[0041]线性层层数在5到7层。
[0042]本专利技术通过读取广东省气象中心的气象数据，因为坡度对气流抬升和下沉的影响；坡向对不同走向的天气过程的影响；地表覆盖物对天气过程增强减弱的影响，所以本专利技术选择了其中对降水误差影响较大的因素：坡度、坡向和地表覆盖物，并对其进行一系列预处理并将数据变成矩阵，矩阵中的每个元素对应了每个格点的属性或特征，为了提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和时空信息的降水数据订正方法，其特征在于，包括：获取第一格点和第一地形，第一格点表示为一个区域内的气象数据，第一地形表示为第一格点的地形数据；获取某一时间段内所述区域的邻域的多个第二格点和第二地形；将第一格点，第一地形，第二格点，第二地形输入深度学习模型进行订正并输出第一格点气象数据订正值。2.根据权利要求1所述的一种基于深度学习和时空信息的降水数据订正方法，其特征在于，所述第一格点具体包括：第一格点是一块区域；第一格点包括气象局预报的降水数据。3.根据权利要求1所述的一种基于深度学习和时空信息的降水数据订正方法，其特征在于，所述第一地形具体包括：第一地形是一块区域；第一地形的位置和第一格点的位置是相同的，表示了第一格点的地形数据。4.根据权利要求1所述的一种基于深度学习和时空信息的降水数据订正方法，其特征在于，所述第二格点具体包括：第二格点是第一格点区域的邻域；第二格点是大小与第一个格点相同的区域；第二格点包括气象局预报的降水数据。5.根据权利要求1所述的一种基于深度学习和时空信息的降水数据订正方法，其特征在于，所述第二地形具体包括：第二地形是一块区域；第二地形的位置和第二格点的位置是相同的，表示了第二格点的地形数据。6.根据权利要求1所述的一种基于深度学习和时空信息的降水数据订正方法，其特征在于，所述获取第一格点和第一地形，第一格点表示为一个区域内的气象数据，第一地形表示为第一格点、的地形数据之后，还包括建立掩膜，具体为：建立掩膜时将正常值标记为1，缺测值则标记为0，还需要标记出每个格点内是否有站点覆盖，其中有站点覆盖标记为1，...

【专利技术属性】
技术研发人员：黄栋，吴雪峰，钟颍，邓小智，刘津铭，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：