基于新型损失函数的深度学习降水短临预报方法技术

本发明专利技术涉及一种基于新型损失函数的深度学习降水短临预报方法

【技术实现步骤摘要】
基于新型损失函数的深度学习降水短临预报方法


[0001]本专利技术属于降水预报领域，尤其涉及一种基于新型损失函数的深度学习降水短临预报方法
。

技术介绍

[0002]0‑2小时内的短期高分辨率降水预报通常被称为降水短临预报，在天气预报中发挥着关键作用
。
它对影响人类经济生活的洪水等极端水文事件提供有效的早期预警
。
有效的短临预报必须提供精准的预测，特别是极端降水事件，因为这些事件对人类经济生活影响更大
。
与中长期天气预报相比，短临预报对于掌握当前降水场和给出较短的预报具有指导意义并且它高度依赖于高质量的观测
。
在较短的预报时效中，数值天气预测模型
(NWP)
往往提供较差的预测，因为观测的非高斯数据同化和模型的
spin
‑
up
时间存在挑战
。
外推方法，如光流，通常优于
NWP
降水预报模型，因为它们使用具有高空间
(
～1公里
)
和时间
(
～5分钟
)
分辨率的天气雷达观测
。
然而，它们未能捕捉到降水形成的潜在非线性过程，如对流发生和对流聚集
。
深度学习
(DL)
已成为水文气象预报的一个有潜力的方向，并为优化利用雷达数据提供了一个有前景的方向
。
通过在雷达观测的大型数据集上训练
DL
模型，他们可以模拟传统方法难以模拟的非线性降水现象，如强降水和对流触发
。
由于直接优化的方式和较少的归纳偏差，深度学习模型对于点对点的指标，如
TS
评分，有显著改进
。
[0003]然而，最近的研究表明深度学习系统在预测降水场形状方面存在固有的不确定性
。
当前基于
DL
的模型倾向于产生过度预测的低强度降雨，从而限制了模型的实用性
。
因此，这些模型缺乏在各种降水类型中提供一致预测的能力
。
为了在经济和决策上有利，应该提出更实用的技术和空间更相关的短期降水预报
。
损失函数是
DL
模型的关键组成部分，必须在训练过程中选择最小化的损失函数，以获得较好的模型性能
。
在实践中，模型预测的质量通常通过几个指标和案例研究进行验证
。
因此，本申请希望用更有效的损失函数来训练模型，该损失函数反映用于验证的最重要的
、
特定于任务的属性
。
广泛使用的逐像素损失
(
例如，均方根误差
、
平均绝对误差等
)
存在一些缺陷
。
首先，如果模型预测在空间上略有偏移，这将产生很大的误差，并在预测位置和观测位置都会计算出误差
。
这是一个通常被称为“双重惩罚”效应的问题
。
因此，当精确的时空预测不可行时，
DL
系统往往会回归到均值
。
其次，在降水系统的运动不确定的情况中，精细尺度特征的预报非常困难，阻碍了深度学习泛化，并导致模型预测出不存在的模式
。
原则上，随着预报时效的增加，模型关注大尺度的降水而小尺度的精细特征将是最佳的
。
由于像素损失对非局部
、
大规模结构是不可知的，它们可能会鼓励模型尝试拟合无法解释的精细尺度降水，这种拟合的预报在现实中是不可信的
。

技术实现思路

[0004]为了解决现有技术存在的问题，本专利技术提供一种基于新型损失函数的深度学习降水短临预报方法，该方法提出了雨区匹配损失
。
通过使用光流匹配预报和观测的雨场，可以
将传统的损失分解为强度损失和位移损失
。
这种方法代表了多个空间尺度上的运动不确定性，同时也允许从降雨强度中学习，使其成为一种有前途的新的有效实时预报工具
。
应用雨区匹配损失的模型实现了与专门为此任务设计的其他系统类似的降水位置预测精度
。
此外，雨区匹配损失保留了对决策有用的时空信息
。
[0005]本专利技术提供的一种基于新型损失函数的深度学习降水短临预报方法，其中新型损失函数被称为雨区匹配损失函数
。
在计算损失函数时，首先利用光流法将观测场和预测场进行匹配，然后分别测量强度损失和位移损失
。
这种损失函数可以在不修改深度神经网络的情况下实现更清晰
、
更准确的预测
。
使用风暴事件图像数据集
(SEVIR)
评估雨区匹配损失，结果表明雨区匹配损失保持了风暴的形状，提供了详细的预测，并提高了1小时短临预报的技巧评分
。
还将条件生成对抗性网络与雨区匹配损失函数相结合，以产生更真实和更一致的预测
。
本专利技术的方法可以适用于任何基于深度学习的时空预测模型，改进空间存在不一致的预测情况，并提供更精细和空间相关的结果
。
[0006]本专利技术的方法，具体包括以下步骤：
[0007]步骤一，获取特定区域
、
时间的雷达数据，所述数据包括垂直积分液态水数据
、
其他水文输入数据，将这些数据整理成训练数据；
[0008]步骤二，使用深度学习模型进行训练；这里使用的是
U
‑
Net
神经网络
。
[0009]步骤三，在计算损失函数时，利用光流法将深度学习方法预报的降水场和真实的降水场进行位置上的匹配；
[0010]步骤四，分别计算匹配后的降水场误差
(
即强度误差
)
和匹配过程中的位移误差；
[0011]步骤五，利用多任务学习的方法对这两个误差分别进行优化；
[0012]步骤六，对深度学习模型的预报进行客观降水评分检验
。
[0013]本专利技术中，所述其他水文输入数据，包括雷达回波数据，卫星亮温数据或者其他表征降水率的数据
。
[0014]所述深度学习模型可以为任意时空预测神经网络
。
优选使用的是
U
‑
Net
神经网络，生成对抗网络的鉴别器使用
pix2pix
的鉴别器
。
[0015]进一步地，本专利技术所述检验为，选用短临预报的整体水平的度量标准，包括
systematic bias(Bias)
，
Pearson correlation coefficient(CC)
，它们的计算公式如下：
[0016][0017][0018]其中，
n
是事件的总数，
Oi
和
Si...

【技术保护点】

【技术特征摘要】
1.
一种基于新型损失函数的深度学习降水短临预报方法，其特征在于包括以下步骤：步骤一，获取特定区域
、
时间的雷达数据，所述数据包括垂直积分液态水数据
、
其他水文输入数据，将这些数据整理成训练数据；步骤二，使用深度学习模型进行训练；步骤三，在计算损失函数时，利用光流法将深度学习方法预报的降水场和真实的降水场进行位置上的匹配；步骤四，分别计算匹配后的降水场误差和匹配过程中的位移误差；步骤五，利用多任务学习的方法对这两个误差分别进行优化；步骤六，对深度学习模型的预报进行客观降水评分检验
。2.
根据权利要求1所述的基于新型损失函数的深度学习降水短临预报方法，其特征在于：所述其他水文输入数据，包括雷达回波数据，卫星亮温数据或者其他表征降水率的数据
。3.
根据权利要求1所述的基于新型损失函数的深度学习降水短临预报方法，其特征在于：所述深度学习模型可以为任意时空预测神经网络
。4.
根据权利要求1所述的基于新型损失函数的深度学习降水短临预报方法，其特征在于：所述时空预测神经网络是
U
‑
Net
神经网络，生成对抗网络的鉴别器使用
pix2pix
的鉴别器
。5.
根据权利要求1所述的基于新型损失函数的深度学习降水短临预报方法，其特征在于：步骤六所述检验为，选用短临预报的整体水平的度量标准，包括
systematic bias(Bias)
，
Pearson correlation coefficient(CC)
，它们的计算公式如下：，它们的计算公式如下：其中，
n
是事件的总数，
Oi
和
Si
是第
i
对被检验的观测降水分析和降水预报量；和分别是它们相对应的平均值；采用多种技巧评分标准对数据的预报能力进行评估，分别为
threat score(TS),equitable threat score(ETS)
，
Frequency Bias
，
probability of detection(POD),probability ...

【专利技术属性】
技术研发人员：杨尚上，袁慧玲，
申请(专利权)人：南京大学，
类型：发明
国别省市：