基于循环卷积神经网络的短时强降水概率预报融合方法技术

本发明专利技术公开了一种基于循环卷积神经网络的短时强降水概率预报融合方法，涉及大气科学研究领域，包括如下步骤：步骤一

【技术实现步骤摘要】
基于循环卷积神经网络的短时强降水概率预报融合方法


[0001]本专利技术涉及大气科学研究领域，具体是一种基于循环卷积神经网络的短时强降水概率预报融合方法
。

技术介绍

[0002]短时强降水是指在短时间内出现的很强的降水事件，通常定义为1小时雨量在
20 mm
以上的降水事件
。
短时强降水通常由对流降水形成，具有生消迅速
、
局地性强
、
致灾程度高的特点，极容易造成山体滑坡
、
城市内涝
、
暴洪等重大次生灾害
。
其中短时强降水造成的城市暴洪是造成大城市气象灾害的重要因素之一，因此十分有必要加强短时强降水的短时预报能力，提供时间
、
空间一致精准的短时强降水预报预警结果，有利于增强城市气象灾害预警决策能力，从而健全极端天气和重大风险研判机制
。
[0003]传统的短时预报主要有两种方法，一是依靠数值天气预报模型，二是基于海量数据驱动的外推方法
。
[0004]数值天气预报模型利用相关大气过程的物理特性来模拟广泛的大气物理量，其中最关键的一个变量就是降水
。
尽管数值天气预报模式的发展日新月异，但是在短时预报方面仍然存在许多不足
。
例如数值天气预报模式多基于对大气状态的多种假设条件，模式本身的不确定问题一直是制约数值天气预报发展的根本问题
。
尤其当前观测能力仍然难以准确表达大气的各项状态，数值模式的对流积云参数化
、
云微物理参数化
、
边界层参数化等方案往往会带来巨大的强降水预测误差
。
由此，为了改善模式启动阶段的不确定性，高时空分辨率的数值预报模式需要更加复杂的同化方法和充足的观测数据，但这通常需要消耗海量的计算资源和计算时间，大大增加了高分辨率数值天气预报业务化的难度
。
[0005]和数值天气预报模型不同，外推法完全由表征大气状态的海量数据驱动
。
许多研究表明，在较短的预报时效内（0‑2小时），基于外推法的降水预报能够以少量的计算资源获得明显优于传统的数值天气预报模型的预报结果
。
但是在超过2小时后，降水外推预报准确率迅速下降，数值天气预报模型的降水预报准确率更高
。
[0006]因此，在降水短时预报方面，仅仅依靠数值天气预报或者数据驱动方法，很难获得非常准确的
、
高时空分辨率的强降水预报结果
。
[0007]深度学习模型能够从海量的气象数据中有效地提取多种显著特征，具有很强的非线性拟合能力和泛化能力
。
最近已有不少研究提出了基于深度学习模型的大气状态预测方法
。
例如，基于卷积长短时记忆网络的6小时闪电预报模型
LightNet、
基于
LightNet
改进的
12
小时闪电预报模型
。
但是单纯基于观测资料的深度学习模型的预报能力仍然难以满足业务需求
。
近期，周康辉等人基于
SegNet
建立了一套逐小时的闪电预测模型，该模型融合了多源观测数据和数值预报结果，显著提高了6小时闪电预报准确度
。
但是由于基于卷积神经网络的深度学习模型是通过堆叠卷积层来学习复杂的大气状态变化，很难捕捉到距离较远的时间帧之间的长期依赖关系
。
因此，即使是结合了模式预测资料和观测资料，也很难提升未来6‑
12
小时的大气预测能力
。
[0008]降水的时序预测是一项比闪电预测更加复杂的预测任务，需要同时给出不同降水强度的时空分布，涉及到更多的大气物理状态和更为复杂的预测机理
。
此外，短时强降水事件是一种小概率事件，具有严重的样本不均衡问题，单纯依靠以往的时序预测模型也难以解决短时强降水的短时预测问题
。
而现有针对短时强降水的预报多是简单地选取
20 mm/h
的降水阈值，将降水预测直接转为短时强降水的确定性预报
。
但是这种方法极其依赖强降水的预测结果，但是往往数值模式对强降水的预测能力很差
。
和确定性预报不同，概率预报能够给出罕见事件空间分布的同时，还能预测罕见事件发生的概率，尤其是概率预报能够用来估测与最大可接受损失有关的事件发生概率，因此在天气风险管理中比确定性预报更有价值，但是，目前没有专门针对短时强降水的短时概率预测模型
。

技术实现思路

[0009]专利技术目的：本专利技术针对短时强降水的短时概率预报方法在的不足，提出一种基于循环卷积神经网络的短时强降水概率预报融合方法
。
以第6小时为预报起点，利用0‑
18
小时的区域天气模式预报数据，融合过去0‑5小时的地面站点小时降水观测数据，采用循环卷积神经网络和
LightGBM
相融合的方法，预报未来
12
小时（即6‑
18
小时）的短时强降水的概率分布
。
融合主要体现在两个方面，一个是将0‑5小时的地面降水观测融合到区域数值天气预报的0‑
18
小时大气物理要素中去，第二个是融合了基于循环卷积神经网络降水时空预测任务和短时强降水分类任务，最终形成了短时强降水的概率预报融合方法
。
其首要目的是改变目前短时强降水预测方法应用在降水业务预报系统中时的预报准确率低
、
预报效果差的问题
。
[0010]技术方案：一种基于循环卷积神经网络的短时强降水概率预报融合方法，包括如下步骤：步骤一
、
建立降水短时预测的融合数据集，并将融合数据集划分为降水短时预测训练集
、
验证集和测试集；步骤二
、
使用步骤一中的降水短时预测训练集和验证集，训练出基于循环卷积神经网络的降水时序预测模型；采用训练出的基于循环卷积神经网络的降水时序预测模型，获取未来6‑
18
小时的小时降水量预报结果；步骤三
、
采用步骤二中得到的降水时空预测结果，对
LightGBM
分类模型进行训练，得到短时强降水分类模型，获取未来6‑
18
小时的逐小时的短时强降水事件的概率预测结果
。
[0011]进一步的，所述步骤一具体包括如下步骤：步骤
1.1、
收集逐小时的地面站点小时降水观测数据和区域天气数值模式预报的0‑
18
小时的多变量数据；步骤
1.2、
对步骤
1.1
中收集的逐小时的地面站点小时降水观测数据和区域天气模式预报数据进行时间匹配，形成数据序列；步骤
1.3、
针对步骤
1.2
形成的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于循环卷积神经网络的短时强降水概率预报融合方法，其特征在于，包括如下步骤：步骤一
、
建立降水短时预测的融合数据集，并将融合数据集划分为降水短时预测训练集
、
验证集和测试集；步骤二
、
使用步骤一中的降水短时预测训练集和验证集，训练出基于循环卷积神经网络的降水时序预测模型；采用训练出的基于循环卷积神经网络的降水时序预测模型，获取未来6‑
18
小时的小时降水量预报结果；步骤三
、
采用步骤二中得到的降水时空预测结果，对
LightGBM
分类模型进行训练，得到短时强降水分类模型，获取未来6‑
18
小时的逐小时的短时强降水事件的概率预测结果
。2.
根据权利要求1所述的一种基于循环卷积神经网络的短时强降水概率预报融合方法，其特征在于，所述步骤一具体包括如下步骤：步骤
1.1、
收集逐小时的地面站点小时降水观测数据和区域天气数值模式预报的0‑
18
小时的多变量数据；步骤
1.2、
对步骤
1.1
中收集的逐小时的地面站点小时降水观测数据和区域天气模式预报数据进行时间匹配，形成数据序列；步骤
1.3、
针对步骤
1.2
形成的数据序列，剔除其中所有的无降水样本；步骤
1.4、
对步骤
1.3
中形成的数据序列开展质量控制
、
对比评估和归一化处理；步骤
1.5、
对步骤
1.4
中形成的质控后的数据序列进行空间融合；步骤
1.6、
经过步骤
1.1
‑
步骤
1.5 获得融合了地面小时降水观测数据和区域天气数值预报数据的降水短时预测的融合数据集，将融合数据集划分为降水短时预测训练集
、
验证集和测试集
。3.
根据权利要求2所述的一种基于循环卷积神经网络的短时强降水概率预报融合方法，其特征在于，所述步骤
1.1
中，收集的区域天气数值模式的预报变量为
24
个，包括
925、850、700、500
和
200 hPa
上的温度
、
湿度
、
经向风
、
纬向风，以及地面层的气压
、
对流不稳定能量
、2
米温度和小时降水量
。4.
根据权利要求3所述的一种基于循环卷积神经网络的短时强降水概率预报融合方法，其特征在于，所述步骤
1.2
具体操作为：区域天气数值模式从每日0时开始，每隔3小时输出一次未来0‑
18
小时的逐小时大气要素预报；将地面站点小时降水观测数据匹配至区域天气模式预报数据中，即每隔3小时形成一个包含有
24
个模式预报变量和地面站点小时降水观测的数据序列，该序列的时间间隔为1小时，序列长度为0‑
18
小时；其中，0‑5小时作为预测因子输入序列，6‑
18
小时作为预测检验序列
。5.
根据权利要求4所述的一种基于循环卷积神经网络的短时强降水概率预报融合方法，其特征在于，步骤
1.4
的具体操作方法为：首先，进行质量控制，剔除观测有误或观测有疑的数据序列
、
剔除地面小时降水观测有缺的数据序列；随后，进行对比评估，将小时降水观测数据进行累加，与日小时降水观测对比，若二者出现不一致，则剔除当天所有的数据序列；最后，分别对数据序列中的每个要素进行归一化处理
。6.
根据权利要求4所述的一种基于循环卷积神经网络的短时强降水概率预报融合方
法，其特征在于，步骤
1.5
中空间融合方法具体为：采用反距离加权插值方法，将0‑
18
小时的地面站点小时降水观测数据和0‑
18
小时区域天气模式的多变量预报数据插值为统一网格坐标，水平分辨率为
0.05
°
，网格点为
120
×
120。7.
根据权利要求1所述的一种基于循环卷积神经网络的短时强降水概率预报融合方法，其特征在于，所述步骤二的具体步骤如下：步骤
2.1、
采用的降水时序预测模型为具有四层时空长短期记忆模块的
PredRNNv2
模型；使用步骤一中获得的降水短时预测训练集和验证集对降水时序预测模型进行训练；其中，0‑5小时的输入因子为
25
个，包含地面小时降水观测和区域天气数值模式预报的
24
个变量；6‑
18
小时的输入因子不包含地面小时降水观测，仅有区域天气数值模式预报的
24
个变量；真实值为小时降水观测数据；训练过程中使用自适应矩估计优化器，每次训练的批量大小为8，学习率
0.001
，最大训练迭代次数为
300
次；采用带权重的平均绝对误差作为降水预测的损失函数，公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：郑玉，刘希，庄潇然，李昕，王亚强，张备，朱毓颖，曾明剑，徐芬，孙康远，张文华，
申请(专利权)人：南京气象科技创新研究院，
类型：发明
国别省市：