【技术实现步骤摘要】
一种多源同型气象要素融合检验方法
[0001]本专利技术涉及气象数据分析
，具体为一种多源同型气象要素融合检验方法。
技术介绍
[0002]多源数据融合，又称为多传感器信息融合，是一门涉及计算机科学、网络通讯技术、微电子技术和控制技术等多学科的综合科学，旨在将来自不同数据源的多种数据类型进行融合和整合，从而生成更加全面、准确、可靠的信息。在大数据时代，海量数据中存在多个数据来源，多源异构是大数据的特点之一。多源异构数据的分散将数据割裂开来，形成了数据孤岛，从而导致数据的研究与分析变得异常困难，改善这个问题的关键就是多源数据融合。
[0003]根据传感器处理数据层次中抽象程度的不同，将多源数据融合分为三个层次：信号级融合、特征级融合以及决策级融合。在气象数据领域，由于数据受多种因素影响且数据量大、格式各异，因此特征级别和决策级别的融合是较为适合的方法。
[0004]就气象数据真实性检验而言，气象要素相关数据的来源相对广泛，包括气温、降雨、辐射、湿度、风速、地形地貌特征、水文地质条件等。虽然这些因素表面上独...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种多源同型气象要素融合检验方法，其特征在于，包括以下步骤：步骤1：利用空间相关性分析找到气象观测站点的同型站，引入同型站的目标要素特征；利用要素相关性分析，对影响目标要素的气象因子进行筛选，得到强相关气象要素特征；将强相关气象要素特征与目标观测站的历史风目标要素数据融合，得到多特征融合数据集，作为模型的输入；步骤2：引入LSTNet网络提取数据时序特征和要素关联性，并针对应用场景，并对LSTNet网络进行改进得到ILSTNet网络，使其进行正反向气象数据特征的提取的同时，也关注重要特征和重要时间步的信息，将ILSTNet网络作为第一预测网络；以编码解码框架为主体构建第二预测网络，第二预测网络的编码器选用ConvLSTM网络，解码器部分选用时间卷积网络；步骤3：将第一预测网络和第二预测网络进行动态加权融合，得到基于多特征融合的改进LSTNet网络和编解码器混合的双阶段融合预测模型MFC
‑
IL
‑
EDCT。2.根据权利要求1所述的多源同型气象要素融合检验方法，其特征在于，所述步骤1具体包括：步骤1.1：选取日最低气温进行分析，再结合站点间经纬度、海拔信息，及历史数据相关系数，从而建立下垫面相似度和可比性满足要求的同型站点；步骤1.2：引入常规气象要素作为输入特征，并引入灰色关联分析对输入特征要素进行筛选，选出关联度高于设定阈值的气象因子作为最终的输入特征；步骤1.3：从要素相关性和空间相关性角度，引入强相关气象要素特征和同型站目标要素特征，并结合目标观测站目标要素历史数据特征，得到多特征融合后的新数据集。3.根据权利要求2所述的多源同型气象要素融合检验方法，其特征在于，所述步骤1.1具体包括：步骤1.1.1：利用各站点的经纬度信息计算其空间距离：S＝R*arcos(cos(Y1)*cos(Y2)*cos(X1‑
X2)+sin(Y1)*sin(Y2))其中，(X1,Y1)和(X2,Y2)分别为两气象观测站的经纬度，R为地球半径；步骤1.1.2：取各站点特定时间段的历史目标要素数据进行灰色关联分析；步骤1.1.3：选取规则为大监站与大监站的距离S小于80km，大监站与区域自动站的S小于50km，区域自动站之间的距离小于30km；海拔高度差低于20m，日最低温差距小于2℃，历史目标要素数据相关系数大于0.8的站点作为同型站点。4.根据权利要求1所述的多源同型气象要素融合检验方法，其特征在于，所述步骤2中LSTNet网络包括线性和非线性两部分，线性部分则由自回归模块组成，非线性部分包括卷积模块、循环模块和循环跳跃模块；对LSTNet网络进行改进具体包括：1)在循环模块和循环跳接模块中，用双向循环神经网络BiLSTM代替原始LSTNet中的GRU，以便同时提取双向的数据信息；循环模块和循环跳接模块在t时刻单元状态的更新统一用数学表达如下：f
t
＝σ(W
fx
X
t
+W
fh
h
t
‑
q
+b
f
)
i
t
＝σ(W
ix
X
t
+W
ih
h
t
‑
q
+b
i
)s
t
＝f
t
·
s
t
‑
q
+i
t
·
g
t
g
t
＝tanh(W
gx
X
t
+W
gh
h
技术研发人员：文斌，陈岚，王冬萌，付世军，李亚军，刘书慧，李梦，徐越，卢德全，
申请(专利权)人：南充市气象局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。