模式后处理中期降水概率预测方法技术

本发明专利技术提供的一种模式后处理中期降水概率预测方法，包括以下步骤：获取目标区域的历史

【技术实现步骤摘要】
模式后处理中期降水概率预测方法


[0001]本专利技术涉及一种气象预测方法，尤其涉及一种模式后处理中期降水概率预测方法
。

技术介绍

[0002]现有技术中，对于降水预报大多是基于雷达数据的短临预报，一般只预报未来数小时，而能够预报未来几天的中期预报则只能依赖于模式，但在降水这一要素上模式往往预报得并不准确
。
[0003]随着机器学习的诞生，大量的模型被提出使得预报更加准确，但是现有的机器学习和降水预报向结合仍旧是基于雷达数据的短临外推；而且由于某些地区的降水较少导致样本不均衡，从而导致现有的方法预报准确性下降，而基于动力学方法的数值模式在中期表现不佳，即在中期预测的精度低
。
[0004]因此，为了解决上述技术问题，亟需提出一种新的技术手段
。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提供一种模式后处理中期降水概率预测方法，能够获得较为充分且均衡的样本数据对构建的神经网络进行训练，并且基于
EC
模式数据和站点观测数据同时进行预测并将两者的预测结果进行融合得到最终的预测结果，能够有效提升中期降水预报的准确性
。
[0006]本专利技术提供的一种模式后处理中期降水概率预测方法，包括以下步骤：
[0007]获取目标区域的历史
EC
模式数据和历史站点观测数据，并对历史
EC
模式数据和历史站点观测数据进行预处理；
[0008]构建神经网络，所述神经网络包括网格数据处理模块
、
线性分类器
、
站点数据处理模块以及概率融合模块；所述网格数据处理模块的输出端连接于线性分类器的输入端以及站点数据处理模块的输入端，所述站点数据处理模块和线性分类器的输出端连接于概率融合模块，所述概率融合模块输出结果；
[0009]将预处理后的历史
EC
模式数据输入至网格数据处理模块中，且预处理后的历史站点观测数据与网格数据处理模块的输出结果叠加后输入至站点数据处理模块中，从而对神经网络进行训练；
[0010]获取目标区域中目标位置的实时
EC
模式数据和实时站点观测数据并输入至神经网络中进行处理，得到目标位置的降水预报结果
。
[0011]进一步，所述网格数据处理模块包括基于全连接的
CNN
网络
、
位置编码模块
、
多头注意力机制模块以及残差全连接模块；
[0012]基于全连接的
CNN
网络和位置编码模块的输出端均与多头注意力机制模块的输入端连接，多头注意力机制模块的输出端连接于残差全连接模块，基于全连接的
CNN
网络的输入端输入预处理后的历史
EC
模式数据或者神经网络训练完成后输入实时
EC
模式数据；所述
位置编码模块输入端输入目标位置的经纬度信息
。
[0013]进一步，所述站点数据处理模块包括多个顺次连接的残差模块组成的残差网络和线性分类器；残差网络的输出端连接于线性分类器的输入端，线性分类器输出处理结果
。
[0014]进一步，所述神经网络在训练时为两种训练模式，第一种训练模式为网格数据处理模块和线性分类器单独训练，另一种训练模式为整个神经网络训练；
[0015]且两种训练模式交替执行；
[0016]其中：两种训练模式的损失函数表达式相同且损失函数为：
[0017]FL
＝
‑
α
(1
‑
P)
γ
log(P)
；
[0018]其中：
α
和
γ
为超参数，当为第一种训练模式时
P
为线性分类器的输出结果，当为第二种训练模式时
P
为概率融合模块的输出结果
。
[0019]进一步，所述概率融合模块通过如下方式进行概率融合：
[0020]Prob
＝
gProb1+(1
‑
g)Prob2[0021]其中：
Prob
为概率融合模块输出结果，
Prob1为线性分类器输出结果，
Prob2为站点数据处理模块的输出结果，
g
为权重；
[0022]g
＝
σ
(X
cat
W
P
)
[0023]其中：
σ
(
·
)
表示
Sigmoid
函数，
X
cat
为网格数据处理模块的输出结果与站点观测数据叠加后的结果，
W
P
表示训练参数
。
[0024]进一步，获取目标区域的历史
EC
模式数据和历史站点观测数据，并对历史
EC
模式数据和历史站点观测数据进行预处理具体包括：
[0025]确定目标站点，将与目标站点距离最近的格点作为中心格点；
[0026]以中心格点为中心并以9×9的格点的范围作为目标区域，并获取目标区域的历史
EC
模式数据；
[0027]以中心格点为中心并以3×3的格点范围作为目标区域，并获取该目标区域的历史观测数据作为历史站点观测数据；
[0028]对历史
EC
模式数据进行标记处理：
[0029]将降水相态值大于0的历史
EC
模式数据标记为1，否则将历史
EC
模式数据标记为0；
[0030]对历史站点模式数据进行标记处理：
[0031]将设定时间段内的累积降雨量大于
Amm
的历史站点观测数据标记为1，否则标记为0，其中
A
为降雨量设定值
。
[0032]本专利技术的有益效果：通过本专利技术，能够获得较为充分且均衡的样本数据对构建的神经网络进行训练，并且基于
EC
模式数据和站点观测数据同时进行预测并将两者的预测结果进行融合得到最终的预测结果，能够有效提升中期降水预报的准确性
。
附图说明
[0033]下面结合附图和实施例对本专利技术作进一步描述：
[0034]图1为本专利技术的流程示意图
。
[0035]图2为本专利技术的网格数据处理模块示意图
。
[0036]图3为本专利技术的站点数据处理模块示意图
。
[0037]图4为本专利技术的站点以及格点示意图
。
[0038]图5为本专利技术的神经网络结构示意图
。
具体实施方式
[0039]以下进一步对本专利技术做出详细说明：
[0040]本专利技术提供的一种模式后处理中期降水概率预测方法，包括以下步骤：
[0041]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种模式后处理中期降水概率预测方法，其特征在于：包括以下步骤：获取目标区域的历史
EC
模式数据和历史站点观测数据，并对历史
EC
模式数据和历史站点观测数据进行预处理；构建神经网络，所述神经网络包括网格数据处理模块
、
线性分类器
、
站点数据处理模块以及概率融合模块；所述网格数据处理模块的输出端连接于线性分类器的输入端以及站点数据处理模块的输入端，所述站点数据处理模块和线性分类器的输出端连接于概率融合模块，所述概率融合模块输出结果；将预处理后的历史
EC
模式数据输入至网格数据处理模块中，且预处理后的历史站点观测数据与网格数据处理模块的输出结果叠加后输入至站点数据处理模块中，从而对神经网络进行训练；获取目标区域中目标位置的实时
EC
模式数据和实时站点观测数据并输入至神经网络中进行处理，得到目标位置的降水预报结果
。2.
根据权利要求1所述模式后处理中期降水概率预测方法，其特征在于：所述网格数据处理模块包括基于全连接的
CNN
网络
、
位置编码模块
、
多头注意力机制模块以及残差全连接模块；基于全连接的
CNN
网络和位置编码模块的输出端均与多头注意力机制模块的输入端连接，多头注意力机制模块的输出端连接于残差全连接模块，基于全连接的
CNN
网络的输入端输入预处理后的历史
EC
模式数据或者神经网络训练完成后输入实时
EC
模式数据；所述位置编码模块输入端输入目标位置的经纬度信息
。3.
根据权利要求1所述模式后处理中期降水概率预测方法，其特征在于：所述站点数据处理模块包括多个顺次连接的残差模块组成的残差网络和线性分类器；残差网络的输出端连接于线性分类器的输入端，线性分类器输出处理结果
。4.
根据权利要求1所述模式后处理中期降水概率预测方法，其特征在于：所述神经网络在训练时为两种训练模式，第一种训练模式为网格数据处理模块和线性分类器单独训练，另一种训练模式为整个神经网络训练；且两种训练模式交替执行；其中：两种训练模式的损失函数表达式相同且损失函数为：
FL
＝
‑
α
(1<...

【专利技术属性】
技术研发人员：张平文，周传赛，李昊辰，
申请(专利权)人：北京大学重庆大数据研究院，
类型：发明
国别省市：