【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
【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 ...
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。