基于图神经网络多模态气象数据融合的气象要素预报方法技术

本发明专利技术公开了一种基于图神经网络多模态气象数据融合的气象要素预报方法，属于数值天气预报技术领域。本发明专利技术利用多模态气象数据(静止气象卫星数据和地面气象站观测数据)的互补优势(自上而下的遥感观测+自下而上的地面观测)完成气象预报任务，弥补单一来源数据的不足；通过构建卫星

【技术实现步骤摘要】
基于图神经网络多模态气象数据融合的气象要素预报方法


[0001]本专利技术涉及数值天气预报
，尤其涉及一种基于图神经网络多模态气象数据融合的地面观测站气象要素预报方法。

技术介绍

[0002]气象预报是指对指定空间范围内未来时间的气象特征变化趋势做出的估计和预测，包括对多种气象要素的预报，可视为复杂的多变量时空序列预测问题。在过去的几十年里，数值天气预报(Numerical Weather Prediction,NWP)是一种国际气象预报领域广泛使用的方法。NWP根据大气实际情况，在一定初值和边值条件下，通过将大气状态量化进行数值计算，求解天气演变过程的流体力学和热力学方程组，对未来一段时间内的大气运动状态和天气现象进行预测，通常使用超级计算机或分布式计算集群来完成计算。
[0003]NWP是一种定量的客观的预报，但仍存在许多未解决的问题，例如网格化过程参数化问题，初始场的不确定性，数值模式描述大气运动物理过程的有限性，非线性方程的数值解的不准确性，对计算机资源和能力要求高等等。
[0004]近年来，气象研究人员将数据驱动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络多模态气象数据融合的气象要素预报方法，其特征在于，包括静止气象卫星数据的预处理、地面气象站观测数据的预处理、卫星图像特征提取、卫星
‑
观测站多模态数据融合、图结构构建、多图融合的图卷积神经网络构建的步骤；其中：卫星
‑
观测站多模态数据融合的步骤包括：S11、将地面观测数据和卫星图像特征的序列分别输入一维时间卷积层，并加入位置编码，分别得到地面观测数据和卫星图像数据的低级别位置感知特征；S12、针对两种模态的数据，使用跨模态Transformer多头注意力机制进行模态交互，使一种模态能够从另一种模态接收信息；S13、每个模态通过各自跨模态Transformer多头注意机制的外部信息不断更新自己的序列，再通过Transformer自注意力层，将两个模态支路的自注意力层输出进行通道维度的拼接，得到卫星
‑
观测站多模态融合特征；多图融合的图卷积神经网络构建的步骤包括：S21、使用可学习权重来描述图结构对每个地面观测站的重要性，得到的融合后的图结构；S22、将卫星
‑
观测站多模态融合特征时空序列和融合后的图结构分别作为多图卷积神经网络的输入，来预测指定气象要素未来时间的时空序列；所述的多图卷积神经网络采用堆叠空间卷积
‑
时间卷积块所述，空间卷积
‑
时间卷积块使用残差连接方式，在空间维度使用图卷积，在时间维度使用多分支卷积层，多分支卷积层中不同分支的卷积层具有不同的感受野，用于提取不同尺度的信息，然后通过合并操作以及卷积层融合不同尺度的信息。2.根据权利要求1所述的基于图神经网络多模态气象数据融合的气象要素预报方法，其特征在于，步骤S11中，地面观测数据的低级别位置感知特征表示为：卫星图像数据的低级别位置感知特征表示为：其中，X为输入序列，Conv1D代表一维时间卷积层，PE代表位置编码。3.根据权利要求1所述的基于图神经网络多模态气象数据融合的气象要素预报方法，其特征在于，步骤S12使用跨模态Transformer多头注意力机制进行模态交互时，一种模态β向另一种模态α的单头跨模态注意力机制的过程为：将模态α与其权重矩阵通过矩阵乘法得到Q
α
，将模态β分别与其权重矩阵和通过矩阵相乘得到K
β
和V
β
，跨模态注意力机制的输出为：其中，d
k
为特征通道数，为K
β
的转置。4.根据权利要求1所述的基于图神经网络多模态气象数据融合的气象要素预报方法，
其特征在于，步骤S13中，每个跨模态Transformer多头注意机制都包含D层跨模态多头注意力模块，每一层跨模态多头注意力模块的前馈计算如下：力模块，每一层跨模态多头注意力模块的前馈计算如下：力模块，每一层跨模态多头注意力模块的前馈计算如下：其中，分别表示模态α、β低级别位置感知特征，代表在第i层的跨模态多头注意力模块，LN代表层归一化，f
θ
是由θ参数化的前馈层，表示第i层模块跨模态多头注意力的计算结果，表示第i层模块的最终输出。5.根据权利要求1所述的基于图神经网络多模态气象数据融合的气象要素预报方法，其特征在于，图结构构建的步骤包括：图结构G表示为G＝(V,E,A)，其中V、E、A分别代表地面观测站的位置集合、站点之间相连接的边的集合和邻接矩阵；构建的图结构包括距离图G
D
、模式相似性图G
P
和动态图G
K
；基于距离构建的图结构G
D
＝(V,E,A
D
)使用高斯核计算的基于地面观测站位置间的球面距离，并通过设置阈值进行过滤后构建，A
D
的元素定义如下：其中，d
ij
表示地面观测站v
i
和v
j
之间的球面距离，ε和用于控制A
D
的稀疏性和分布；基于皮尔逊相关系数构建模式相似性图G
P
＝(V,E,A
P
)，A
P
的元素定义如下：其中，f是地面观测站数据中特定的气象要素或提取的卫星图像特征，是地面观测站v
i
的长度为P的时间序列的长度为P的时间序列是v
i
...

【专利技术属性】
技术研发人员：吴铭，张闯，朱洵，熊宇同，张彬，李蔚青，姚博，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：