一种使用时空降水订正模型的降水预报订正方法技术

本发明专利技术公开一种使用时空降水订正模型的降水预报订正方法，订正次季节降水预报结果，提升降水预报精度。首先将传统数值预报模式每日降水预报结果转化日降水分布，然后取前三十天降水分布逐天输入模型，每天的降水预报和前一天的状态信息通过多个卷积块转换为订正后的降水分布情况和当天状态信息，第一天的状态信息需要手动设置；循环执行前一步操作，依次得到三十天的订正后的降水分布情况。本发明专利技术通过深度学习的方式，相较于传统订正方法学习了数值预报结果的时间和空间特征，进一步提高了次季节尺度的降水预报的精度。次季节尺度的降水预报的精度。次季节尺度的降水预报的精度。

【技术实现步骤摘要】
一种使用时空降水订正模型的降水预报订正方法


[0001]本专利技术涉及降水预报偏差订正领域，尤其涉及一种使用时空降水订正模型的降水预报订正方法。

技术介绍

[0002]从日常出行到农业生产，降水预报都起着非常重要的作用。在现有数值预报模式降水预报产品基础上，结合深度学习技术，提供更加精准精细的降水预报结果非常重要。对于许多管理决策层来说，降水预测是主动减灾的一个关键，对于如农业、能源、粮食安全、卫生健康和应急管理等部门的决策具有重要意义和显著价值，提高降水预报精度将会有很高的社会和经济价值。次季节预报介于短期天气预报和季节气候预报之间的气象预报领域，是10天内短期预报的拓展，主要关注10
‑
30天的降水预报，因其可以提供较长的预报时效，给予人们足够的时间防范灾害，从而在无法改变极端天气的情况下尽量降低损失，是目前气象学科的研究热点之一。对于降水预报领域，业界大多数采用的是传统的大气动力学模型进行预测。随着深度学习的发展，深度学习模型所表现出强大的非线性特征抽象能力也越来越多的被应用与气象领域。

技术实现思路

[0003]本专利技术的目的在于提供一种使用时空降水订正模型的降水预报订正方法，消除数值预报模式降水预报产品中的系统误差，其可以订正数值预报模式降水预报中的偏差，提供更加准确的降水预报结果。
[0004]本专利技术采用的技术方案是：
[0005]一种使用时空降水订正模型的降水预报订正方法，包括如下步骤：
[0006]步骤1，建立训练数据集；收集数值预报模式的每日降水预报产品和对应时间的日真实降水分布；将收集到的降水预报产品转换为逐日的降水分布信息；计算降水预报产品所有成员的预报结果的均值作为训练数据；对训练数据和日真实降水分布做归一化处理；
[0007]步骤2，训练模型；将处理后的数据输入时空降水订正模型，得到模型输出；将模型输出与归一化后的日真实降水分布计算平均绝对误差MAE；将计算得到的平均绝对误差MAE反向传播回模型，更新模型参数；模型迭代训练达到预定轮次后，根据测试误差，选取效果最好的模型参数；
[0008]步骤3，降水分布订正；将待订正的降水预报产品按步骤1进行预处理；将处理后的数据输入具有最优参数的时空降水订正模型，得到模型输出；对模型输出做逆归一化处理，得到降水预报产品的订正结果。
[0009]进一步地，步骤1具体步骤为：
[0010]步骤1
‑
1，收集数值预报模式每日降水预报结果X，X∈R
day
×
member
×
lat
×
lon
,其中R表示实数集，day表示预报的天数，member表示数值预报模式的成员数量，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
[0011]步骤1
‑
2，对数值预报模式每日降水预报结果X，在member维度求均值得到D∈R
day
×1×
lat
×
lon
，数据集D作为训练数据；
[0012]步骤1
‑
3，选取训练数据集D中降水量最大的数据格点的降水量数据记为D
max
，降水量最小的数据格点的降水量数据记为D
min
，计算得到归一化后的数据D
std
；
[0013][0014]步骤1
‑
4，收集训练数据D对应时间的日真实降水分布构建数据集Y，Y∈R
day
×
lat
×
lon
，其中R表示实数集，day表示预报的天数，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
[0015]步骤1
‑
5，选取数据集Y中降水量最大的数据格点的降水量数据记为Y
max
，降水量最小的数据格点的降水量数据记为Y
min
，计算得到归一化后的数据Y
std
；
[0016][0017]进一步地，步骤2具体步骤为：
[0018]步骤2
‑
1，构建时空降水订正模型：
[0019]构建编码器：
[0020]构建第一空间特征提取模块；首先是3
×
3卷积层，padding设置为1，接受1通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；然后3
×
3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；
[0021]构建第一时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受第一空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为4通道；
[0022]构建解码器：
[0023]构建第二空间特征提取模块：首先是3
×
3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后接批量归一化层；然后3
×
3卷积层，padding设置为1，接受4通道数据，输出1通道数据；使用RELU激活函数；之后批量归一化层；
[0024]构建第二时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受第二空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为1通道；
[0025]步骤2
‑
2，将处理好的数据D
std
输入模型，经过时空降水订正模型后得到模型输出；
[0026]步骤2
‑
3，将得到的模型输出与对应时间的归一化后的日真实降水Y
std
求平均绝对误差MAE，获得训练损失；
[0027]步骤2
‑
4，将训练损失输入模型，反向传播迭代参数并保存模型参数；
[0028]步骤2
‑
5，判断是否达到预定的训练轮次；是则，达到预定轮次后，根据训练时的损失选择最优参数，获得收敛模型；否则，执行步骤2
‑
2继续训练。
[0029]进一步地，计算平均绝对误差MAE的具体方法如下。
[0030][0031]式中i为第i个纬度格点数据，j为第j个经度格点数据，lat为分布图纬度划分格点数，lon为分布图经度划分格点数，y
i,j
为归一化后的日真实降水分布的第i个纬度格点第j个经度格点值，为模型输出的第i个纬度格点第j个经度格点值。
[0032]进一步地，步骤2
‑
5中预定的训练轮次为120次。
[0033]进一步地，步骤3具体步骤为：
[0034]步骤3
‑
1，将处理好的数据D
std
输入模型，经过时空降水订正模型后得到模型输出output；
...

【技术保护点】

【技术特征摘要】
1.一种使用时空降水订正模型的降水预报订正方法，其特征在于：其包括以下步骤：步骤1，建立训练数据集；获取数值预报模式每日降水预报结果和对应时间的日真实降水分布；将收集到的每日降水预报结果转换为逐日的降水分布信息；计算每日降水预报结果所有成员的预报结果的均值作为训练数据；对训练数据和日真实降水分布做归一化处理；步骤2，训练模型；将处理后的数据输入时空降水订正模型得到模型输出；将模型输出与归一化后的日真实降水分布计算平均绝对误差MAE；将计算得到的平均绝对误差MAE反向传播回模型更新模型参数；模型迭代训练达到预定轮次后，根据测试误差选取效果最好的模型参数；步骤3，降水分布订正；将待订正的每日降水预报结果按步骤1进行预处理；将处理后的数据输入具有最优参数的时空降水订正模型得到模型输出；对模型输出做逆归一化处理得到降水预报产品的订正结果。2.根据权利要求1所述的一种使用时空降水订正模型的降水预报订正方法，其特征在于：步骤1具体步骤为：步骤1
‑
1，收集数值预报模式每日降水预报结果X，X∈R
day
×
member
×
lat
×
lon
,其中R表示实数集，day表示预报的天数，member表示数值预报模式的成员数量，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；步骤1
‑
2，对数值预报模式每日降水预报结果X，在member维度求均值得到D∈R
day
×1×
lat
×
lon
，数据集D作为训练数据；步骤1
‑
3，选取训练数据集D中降水量最大的数据格点的降水量数据记为D
max
，降水量最小的数据格点的降水量数据记为D
min
，计算得到归一化后的数据D
std
；步骤1
‑
4，收集训练数据D对应时间的日真实降水分布构建数据集Y，Y∈R
day
×
lat
×
lin
，其中R表示实数集，day表示预报的天数，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；步骤1
‑
5，选取数据集Y中降水量最大的数据格点的降水量数据记为Y
max
，降水量最小的数据格点的降水量数据记为Y
min
，计算得到归一化后的数据Y
std
；3.根据权利要求2所述的一种使用时空降水订正模型的降水预报订正方法，其特征在于：步骤2具体步骤为：步骤2
‑
1，构建时空降水订正模型：构建编码器：构建第一空间特征提取模块；首先是3
×
3卷积层，padding设置为1，...

【专利技术属性】
技术研发人员：潘乐，翁彬，游立军，黄添强，叶锋，
申请(专利权)人：福建省气象科学研究所，
类型：发明
国别省市：