基于特征交叉融合的短时强降水分型方法技术

本发明专利技术涉及一种基于特征交叉融合网络的短时降水分型方法，在降水分型任务中，设计了一个特征交叉融合ConvNeXT网络，用欧洲中期天气预报中心再分析数据ERA5的500百帕位势高度的气象数据作为训练集进行学习，学习不同天气类型的环流特征，通过交叉融合学习不同天气类型的环流特征，保存更多的细节特征，将不同类型的天气系统的差异尽可能的区分，最后根据分类结果绘制降水平面图，该方法解决了以往的方法不适用小尺度天气系统的缺点。本发明专利技术解决了主观分型带来的耗时耗力和标准不统一的问题以及以往客观分型的低准确率问题。以及以往客观分型的低准确率问题。以及以往客观分型的低准确率问题。

【技术实现步骤摘要】
基于特征交叉融合的短时强降水分型方法


[0001]本专利技术涉及地球科学大气环流模式计算与计算机科学交叉领域，尤其涉及一种基于特征交叉融合的短时强降水分型方法。

技术介绍

[0002]在降水订正的过程中，每次都需要对降水进行分型，这样太费时费力，人工主观分类，由于每次的标准不同也会带来诸多误差，导致结果不够客观性。在现有的降水分型的方法中，大多以传统的人工主观分类为主，主观分型带来的缺点是不具有客观性，与以往的主观人工分类不同的是，采用的深度学习方法是一种客观性分类，有统一的分类标准，使得分类具有更加客观性。一方面降低人工分类的工作量，另一方面解决分类过程中存在的人工主观因素影响问题。
[0003]现在的方法是在孙继松等人的研究中，有一类聚类研究是分级聚类，该方法不指定最终的类数，结论将在聚类过程中寻求。使用的诊断量是500 hPa位势高度场和850 hPa温度场，目的是将区域持续性极端暴雨过程按照基本环流特征和斜压性特征做归类分型。
[0004]近年来，在人工主观分类中，早年期间有学者做过环流场分型实验，其较早的将环流场和降水场联系起来。然而由于使用主观分类的方法，导致分类结果缺乏客观性，但是该实验为后面的降水分型研究提供了新思路。之后有学者利用环流场数据对四川盆地进行降水分型分析，通过人工的方式对环流场进行分型，与早年期间的成果相比，在研究范围上进一步缩小，从大尺度天气系统过度到了中尺度天气系统，由于依旧采用人工分类的方法，分类结果仍然缺乏客观性。在暴雨的环流背景下，通过多个降水例子分析出各种降水的环流特征。分析发现不同降水类型环流场特征往往都是互相夹杂，是导致主观分类会出现诸多误差主要原因，使得分类变得不仅复杂还耗时。
[0005]现有技术方案存在的不足：1、现有的聚类算法准确率低。
[0006]采用分级聚类的方法中，主要是在聚类的准确率上偏低，而且在于主观分型的对比中发现，难以将主观分型的结果与分级聚类的结果一一对应，能对应上的分型的结果中准确率也偏低，且该方法不适用与小尺度天气系统。需要设计模型提高类别的匹配以及准确率。
[0007]2、 现有的神经网络方法不适用小区域系统的分型研究。
[0008]基于CNN的降水分型，其缺点在于对小区域上的分类效果差，在低涡型降水中的准确率低，且该方法不适用与小尺度天气系统。需要设计提取特征的模型，并且提高低涡降水的准确率。
[0009]3、现有的客观分型方法未能与人工分型的结果对应起来。
[0010]以往的研究成果分析发现，大多数研究中的结果被分为Ⅰ型，Ⅱ型，Ⅲ型等，其分类结果与人工分类结果差距较大，难以将客观分型结果与人工分型结果一一对应。

技术实现思路

[0011]针对现有技术的不足，本专利技术提出了一种基于特征交叉融合的短时强降水分型方法，所述方法构建了一个基于特征交叉融合的网络模型，采用欧洲中期天气预报中心再分析数据ERA5的500百帕位势高度的气象数据作为训练集进行学习，学习不同天气类型的环流特征，通过交叉融合学习到的特征来进行分类预测，根据分类结果绘制降水平面图，具体包括：步骤1：获取欧洲中期天气预报中心再分析数据ERA5的位势高度的数据集，将数据预处理成环流场图像，具体包括：步骤11：将获取到的ERA5的数据集按照6:4的比例分为训练集和测试集，同时，提取ERA5数据集中500百帕位势高度的数据，构成位势高度数据集；步骤12：对所述位势高度数据集中的数据进行处理，500百帕的位势高度数据集，是以每小时为单位的数据集，将其处理为以每天为单位的数据集，将24小时数据相加再除以24得到一天的平均值；步骤13：将步骤12得到的数据集按照区域范围取（112
°‑
122
°
E，35
°‑
45
°
N），分辨率为0.05
°
的要求进行截取，再将数据集转换成环流场图像；步骤2：构建特征交叉融合ConvNeXt网络，下载预训练模型，将所述环流场图像处理为RGB通道格式；步骤3：将步骤2的RGB通道格式的环流场图像送入所述特征交叉融合ConvNeXt网络进行训练，所述特征交叉融合ConvNeXt网络包括ConvNeXt网络和特征交叉融合网络，具体包括：步骤31：所述环流场图像输入所述ConvNeXt网络，在所述ConvNeXt网络中的操作主要包括五个阶段，第一阶段，环流场图像经过卷积神经网络和层归一化后得到第一向量v1，第二阶段和第五阶段为第一向量v1依次进入四个串联的ConvNeXt模块组，除第一个ConvNeXt模块组外，其余三个ConvNeXt模块组均会首先进行下采样处理，四个ConvNeXt模块组分别由3个、3个、9个、3个ConvNeXt模块构成，第一向量v1经过4个ConvNeXt模块组的处理后得到第五向量v5；步骤32：所述环流场图像输入特征交叉融合网络模块，所述特征交叉融合网络模块由特征交叉融合模块和卷积神经网络组成；步骤321：环流场图像输入第一卷积模块、第二卷积模块和第三卷积模块，分别提取出第一特征向量F1、第二特征向量F2和第三特征向量F3，并将这三个特征向量两两进行交叉特征融合得到三个融合特征；具体的，第一特征向量F1和第二特征向量F2融合得到第一融合特征F4，第一特征向量F1和第三特征向量F3融合得到第二融合特征F5，第二特征向量F2和第三特征向量F3融合得到第三融合特征F6，三个融合特征进行二次融合得到第四融合特征F7；步骤322：第四融合特征F7输入所述卷积神经网络，经过卷积核池化操作得到第五融合特征；步骤34：所述第五融合特征和所述第五向量v5进行特征融合，然后进行一个平均池化和归一化的操作，最后经过线性层进行分类，得到分类结果，根据分类结果绘制降水平面图；
步骤4：取出验证过程中表现最佳的模型，然后将测试集依次送入该网络进行测试，得到最终分类结果。
[0012]与现有技术相比，本专利技术的有益效果在于：1、本专利技术模型的优点在于通过特征交叉融合模块增加了对特征的细节保存，提高了准确性，能更加准确的提取各类环流模式图的特征，包括显著提高了低涡降水分类的准确率。
[0013]2、本专利技术发展了特征交叉融合模块与ConvNeXT网络结合，构建了FConvNeXT模型，在统计测试中较好地辨识出以下三种类型：（1）没有显著影响系统的弱强迫型降水WSf（如图5所示），（2）受区域限制没有完整显示出来的低涡型降水LVT（如图6所示），（3）副热带高压流型SPT（如图7所示），这是现有技术方法难以识别的。
[0014]3、本专利技术通过特征交叉融合模块保存更多的细节特征，将不同类型的天气系统的差异尽可能的区分，该方法解决了以往的方法不适用小尺度天气系统的缺点。
附图说明
[0015]图1是本专利技术分型方法的处理流程图；图2是本专利技术特征交叉融合ConvNeXt网络的结构示意图；图3是本专利技术ConvNeXt网络模型的结构示意图；图4是本专利技术特征交叉融合网络的结构示意图；图5是弱强迫降水类型的位势高度环流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于特征交叉融合的短时强降水分型方法，其特征在于，所述方法构建了一个基于特征交叉融合的网络模型，采用欧洲中期天气预报中心再分析数据ERA5的500百帕位势高度的气象数据作为训练集进行学习，学习不同天气类型的环流特征，通过交叉融合学习到的特征来进行分类预测，根据分类结果绘制降水平面图，具体包括：步骤1：获取欧洲中期天气预报中心再分析数据ERA5的位势高度的数据集，将数据预处理成环流场图像，具体包括：步骤11：将获取到的ERA5的数据集按照6:4的比例分为训练集和测试集，同时，提取ERA5数据集中500百帕位势高度的数据，构成位势高度数据集；步骤12：对所述位势高度数据集中的数据进行处理，500百帕的位势高度数据集，是以每小时为单位的数据集，将其处理为以每天为单位的数据集，将24小时数据相加再除以24得到一天的平均值；步骤13：将步骤12得到的数据集按照区域范围取（112
°‑
122
°
E，35
°‑
45
°
N），分辨率为0.05
°
的要求进行截取，再将数据集转换成环流场图像；步骤2：构建特征交叉融合ConvNeXt网络，下载预训练模型，将所述环流场图像处理为RGB通道格式；步骤3：将步骤2的RGB通道格式的环流场图像送入所述特征交叉融合ConvNeXt网络进行训练，所述特征交叉融合ConvNeXt网络包括ConvNeXt网络和特征交叉融合网络，具体包括：步骤31：所述环流场图像输入所述...

【专利技术属性】
技术研发人员：李孝杰，敬林果，钟琦，吴锡，周激流，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：