一种基于深度学习的多尺度次季节降水量预测方法技术

本发明专利技术公开了一种基于深度学习的多尺度次季节降水量预测方法，包括：构建数据集，利用预报时间尺度对所述数据集进行划分；所述数据集包括：历史降水量观测数据和历史气候指数数据；利用划分后的所述数据集，对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型；利用所述多尺度次季节降水量预测模型，预测次季节降水量。本发明专利技术针对次季节降水量预测这一难点，使用深度学习方法建立预测模型，通过从数据中挖掘、构造更加有效的特征数据，构建SSCF模型，有效提升了次季节降水量预测的准确性和实效性。准确性和实效性。准确性和实效性。

【技术实现步骤摘要】
一种基于深度学习的多尺度次季节降水量预测方法


[0001]本专利技术属于次季节预测领域，尤其涉及一种基于深度学习的多尺度次季节降水量预测方法。

技术介绍

[0002]次季节尺度的预报是对某一地区未来15
‑
60天的天气状况进行预测，它衔接了天气预报(1
‑
10天)和气候预测(月尺度以上)的时间缝隙，在防灾减灾决策服务中起着重要的作用。目前的气象业务其天气预报的有效预报时长通常在10天左右，两周至一个月之间的次季节预测一直是天气预报业务的空白领域，受到科学研究和业务预报的关注。次季节预测过程十分复杂，由于同时受到大气外部强迫因子、初始条件的共同影响，预测结果具有很大的不确定性，被称为“可预报性的沙漠”。随着经济社会的发展，人们对气象预报的要求越来越高，迫切需要提高次季节预测准确率。中国气象局在“智能网格预报行动计划(2018
‑
2020年)”中，也明确提出将次季节预测列为未来气象预报研究的重点任务和攻关的关键核心技术。
[0003]21世纪以来，受益于信息技术的飞速发展，机器学习方法在诸多领域得到了越来越多的应用，其中，由多层感知机基础上发展而来的人工神经网络(Artificial Neural Network,ANN)成为机器学习领域发展最快的一个分支，在此基础上发展出了递归神经网络(Recurrent Neural Network,RNN)和卷积神经网络(Convolutional Neural Network,CNN)和深度神经网络(Deep Neural Network,DNN)等适应于不同应用场景的神经网络方法。与传统的统计方法相比，神经网络模型由于结构复杂，训练数据量大，往往能够通过机器学习获取更加复杂的时间、空间甚至是物理特征，因此被广泛应用于政府决策、工业生产、金融预测、科学研究等领域且取得了不错的效果。
[0004]大气作为一个复杂的非线性系统，其本身固有的混沌特征是数值天气预报模式进一步发展的主要制约因素，尤其对于时间尺度在两周以上的次季节预报，目前仍缺少可用于业务的预报技巧。随着气象观测手段及预报预测业务的发展，气象数据的覆盖范围广、时间频次高，为利用机器学习算法提升气象预报预测水平提供了有力的数据支撑和技术基础。因此，亟需发展针对江苏次季节降水量的客观化预测技术，提升次季节降水预测服务水平，从而满足防灾减灾服务的迫切需求。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于深度学习的多尺度次季节降水量预测方法，首先利用数据预处理模块，对数据进行处理和整合，再由包含CNN和RNN的特征提取模块提取数据特征，并与原数据进行融合，进而由DNN预测模块得到预测结果，由误差学习模块进行学习，以提高预测的准确性和时效性。
[0006]为实现上述目的，本专利技术提供了一种基于深度学习的多尺度次季节降水量预测方法，包括：
[0007]构建数据集，利用预报时间尺度对所述数据集进行划分；所述数据集包括：历史降水量观测数据和历史气候指数数据；
[0008]利用划分后的所述数据集，对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型；
[0009]利用所述多尺度次季节降水量预测模型，预测次季节降水量。
[0010]可选地，构建所述数据集包括：
[0011]获取所述历史降水量观测数据和所述历史气候指数数据；
[0012]对所述历史降水量观测数据和所述历史气候指数数据进行预处理，获得所述数据集；
[0013]进行所述预处理包括：
[0014]对所述历史降水量观测数据进行质控筛选；
[0015]将筛选后的所述历史降水量观测数据和所述历史气候指数数据进行数据融合；
[0016]对融合后的数据进行归一化处理。
[0017]可选地，预设的所述神经网络模型包括：CNN、RNN和DNN；
[0018]所述CNN，用于对所述历史气候指数数据的时间序列进行数值特征提取；
[0019]所述RNN，用于对所述CNN提取到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩；
[0020]所述DNN，用于对CNN和RNN输出的数据特征进行计算，输出降水量的预测结果。
[0021]可选地，所述CNN采用三层一维卷积神经网络结构，使用LeakyRelu作为激活函数；
[0022]所述RNN采用两层双向长短时记忆网终结构，使用tanh作为激活函数；
[0023]所述DNN采用四层全连接神经网络结构，第一层、第二层、第三层使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，第四层作为预报结果的输出层，使用linear作为激活函数。
[0024]可选地，对预设的神经网络模型进行训练前包括：
[0025]预设模型的训练循环次数和每次训练的批处理量。
[0026]可选地，对预设的神经网络模型进行训练时采用的损失函数为：
[0027][0028]其中，RMSE为均方根误差，i为数据样本序号，h(x
(i)
)为第i个站点降水观测值，y
(i)
为第i个站点的预报降水量，m为站点
×
数据时间长度。
[0029]可选地，获取多尺度次季节降水量预测模型包括：
[0030]利用预报时间尺度，将所述数据集划分为若干不同尺度的数据集；
[0031]利用若干不同尺度的数据集，对预设的所述神经网络模型进行训练，获取若干不同尺度的次季节降水量预测模型。
[0032]可选地，预测所述次季节降水量包括：
[0033]获取实时站点观测数据和实时气候指数数据；
[0034]对所述实时站点观测数据和实时气候指数数据进行所述预处理；
[0035]用所述预报时间尺度对所述预处理后的数据进行划分；
[0036]将划分后的数据输入对应的所述多尺度次季节降水量预测模型，对模型输出的结
model，以下简称SSCF)。首先利用数据预处理模块，对数据进行处理和整合，再由包含CNN和RNN的特征提取模块提取数据特征，并与原数据进行融合，进而由DNN预测模块得到预测结果，由误差学习模块进行学习，以提高预测的准确性和时效性。
[0054]如图1所示，本实施例提出了一种基于深度学习的多尺度次季节降水量预测方法，包含数据预处理、深度学习模块两个部分，技术方案如下：
[0055]1.数据预处理模块
[0056]数据预处理模块包括数据质量控制，数据融合、数据归一化三个步骤。首先通过数据质量控制算法对其气象站点观测数据进行质量控制，对于质控筛选出来的错误数据利用插值等算法进行替换，对于数据错误及缺测占比达到2％以上的站点，直接剔除整个站点。气候指数数据缺测超过2％的指数直接剔除。第二步利用数据融合算法，将气象站点观测数据和气候指数数据合并为一个数据集。第三步将对合并后的数据集进行归一化处里，消除不同变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多尺度次季节降水量预测方法，其特征在于，包括：构建数据集，利用预报时间尺度对所述数据集进行划分；所述数据集包括：历史降水量观测数据和历史气候指数数据；利用划分后的所述数据集，对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型；利用所述多尺度次季节降水量预测模型，预测次季节降水量。2.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，构建所述数据集包括：获取所述历史降水量观测数据和所述历史气候指数数据；对所述历史降水量观测数据和所述历史气候指数数据进行预处理，获得所述数据集；进行所述预处理包括：对所述历史降水量观测数据进行质控筛选；将筛选后的所述历史降水量观测数据和所述历史气候指数数据进行数据融合；对融合后的数据进行归一化处理。3.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，预设的所述神经网络模型包括：CNN、RNN和DNN；所述CNN，用于对所述历史气候指数数据的时间序列进行数值特征提取；所述RNN，用于对所述CNN提取到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩；所述DNN，用于对CNN和RNN输出的数据特征进行计算，输出降水量的预测结果。4.根据权利要求3所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，所述CNN采用三层一维卷积神经网络结构，使用LeakyRelu作为激活函数；所述RNN采用两层双向长短时记忆网终结构，使用tanh作为激活函数；所述DNN采用四层全连接神经网络结构，第一层、第二层、第三层使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，第四层作为预报结果的输出层，使用linear作为激活函数。5.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，对预设的神经网络模型进行训练前包括：预设模型的训练循环次数和每次训练的批处理量。6.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，对预设的神经网络模型进行训练时采用的损失函数为：其中，RMSE为均方根误差，i为数据样本序号，h(x
(i)
)为第i个站点降水观测值，y

【专利技术属性】
技术研发人员：蒋薇，刘芸芸，徐萌，项瑛，许琪，王子月，
申请(专利权)人：国家气候中心，
类型：发明
国别省市：