【技术实现步骤摘要】
一种基于深度学习的强降水空间整体相似度的降水预报订正方法
[0001]本专利技术涉及气象预报
,具体涉及一种基于深度学习的强降水空间整体相似度的降水预报订正方法
。
技术介绍
[0002]受限于大气的混沌特性
、
初始场资料同化存在误差
、
物理过程参数化不完善等因素,各个气象中心数值模式输出的原始预报一般存在不同程度的系统性偏差
。
尤其是针对强降水之类的非线性强
、
微物理过程不明确且受复杂多尺度影响的预报变量,模式预报能力明显不足
。
由于强
、
弱降水样本之间的极度不均衡性,给基于数据驱动的深度学习算法造成了一定的订正难度,往往出现对强降水事件预报偏弱的问题
。
此外,由于气象预报场具有复杂的多尺度时空变化特征,尤其降水具有偏态分布且非负的数据分布
、
稀疏局地的空间分布
、
时间上不连续性等特殊性,构建深度学习模型应该考虑和解决预报变量空间偏差的问题
。
[0003]传统深度学习模式降水预报后处理算法结构中常采用“点对点”预报的距离误差作为目标损失函数,直接将传统目标损失函数套用至降水预报订正时,通常会受限于“双重惩罚”的问题,使整体的预测值向预报对象的平均值靠拢,导致预测的失真以及模糊化
。
因此,探究降水空间结构属性与深度学习技术相融合的新方法,优化深度学习强降水预报模型,对提高强降水预报水平具有重要应用价值和指导意 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的强降水空间整体相似度的降水预报订正方法,其特征在于,包括以下步骤:(1)利用
YOLOv5
对降水属性进行识别;(2)建立基于
GAN
的降水预报订正模型;(3)建立基于
GAN 且融合降水空间特征的强降水订正模型
O
‑
GAN
;(4)将测试期的数值模式预报数据代入模型
O
‑
GAN
,生成后处理之后的降水预报
。2.
根据权利要求1所述的一种基于深度学习的强降水空间整体相似度的降水预报订正方法,其特征在于,所步骤(1)包括以下步骤:(
11
)对实测降水图像预处理包括:截取降水雨团
、
滤波次要降水雨团;(
12
)利用
MODE
方法对观测降水场进行降水空间属性的客观识别,将提取到的降水属性作为深度学习识别模型的真值标签;其中,降水空间属性包括:降水雨团
、
雨团面积
、
雨团位置
、
雨团面平均强度
、
雨团长短比
、
雨团斜率;(
13
)利用
YOLOv5
建立降水场与对应降水对象空间属性的映射模型
。3.
根据权利要求1所述的一种基于深度学习的强降水空间整体相似度的降水预报订正方法,其特征在于,所步骤(
12
)包括以下步骤:(
121
)通过空间平滑和降水阈值控制识别出感兴趣的研究对象;对原始降水场在空间上用卷积半径进行平滑即卷积处理,公式如下:;其中,其中,为原始数据场,为卷积场,为滤波函数;和为格点坐标;(
122
)对卷积场进行阈值控制得到掩膜场即卷积场中降水强度大于等于阈值的降水区域,公式如下:;将所有
M(x,y)=1
的连续区域内的格点赋值为原始降水场中相应格点的值即可得到重构场,公式如下:;(
123
)对识别出来的降水对象进行空间属性的计算,即质心位置
、
面积大小
、
长宽比;轴角,并将所识别的空间属性作为原始降水观测对应的真值标签;其中,长宽比包括:短轴与长轴的比
、
圆形对象的长宽比为
1.0
,否则
<1
;轴角为主轴从
x
轴以逆时针旋转的度数
。4.
根据权利要求1所述的一种基于深度学习的强降水空间整体相似度的降水预报订正方法,其特征在于,所步骤(
13
)具体如下:利用
MODE
计算得到的降水对象属性真值与由
YOLO
‑
V5
识别得到的预测值之间的误差;利用欧氏距离作为基于
YOLO
‑
V5
降水属性识别模型
的损失函数;通过基于深度学习模型的优化方法对模型进行训练,得到高准确率的从降水场识别降水对象及其属性的深度学习模型
。5.
根据权利要求1所述的一种基于深度学习的强降水空间整体相似度的降水预报订正方法,其特征在于,所述...
【专利技术属性】
技术研发人员:季焱,智协飞,张永宏,卢楚翰,祁海霞,陈超辉,吕阳,朱寿鹏,吉璐莹,张玲,王靖宇,
申请(专利权)人:无锡学院南京气象科技创新研究院中国人民解放军国防科技大学,
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。