System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于遥感气象格点要素预测,具体地,涉及一种区域气溶胶光学厚度的时空预测模型及方法。
技术介绍
1、气象格点要素数据是现代天气预报的基础数据,其一般通过不同的观测源,如卫星、探空、海面浮标、地面站等,收集后经过数据同化技术得到的包含经度、维度、海拔及时间的四维地球格点数据。气象格点数据包含丰富的气象基本要素,这些要素也是现代数值天气预报输入的必要初始场,因此,气象格点数据的合理利用对未来天气、气象、气候或极端气象现象的预测具有重要作用。而气溶胶光学厚度是气象格点要素的一种重要要素,与人类生产生活息息相关,精确地预测气溶胶含量可以帮助市民和政府等相关机构做出相应的决策,从而减少带来的损害。精准地预测气溶胶光学厚度是一项巨大的挑战。大气气溶胶复杂多变,影响因素多,影响关系复杂,数据变化剧烈。为此,本专利技术将聚焦于气溶胶光学厚度的未来格点数据预测。
2、现有的气溶胶光学厚度预测大部分基于单个气象格点的预测,且使用的方法大部分是基于多元线性回归的方法且需要人为定义一些专家特征输入到回归方程;这样的作法既没有考虑到时空维度不同格点的气溶胶光学厚度彼此的关联关系,也没有很好地利用数据驱动的方式来进行特征的自动学习,因此会导致气溶胶光学厚度预测出现失准、偏差等情况。此外,气溶胶数据作为气象要素的一种,本身具有明显的周期性特征,并且具有周期偏移的现象,并非简单以固定时段如一天作为周期,因此如何有效地捕捉到气溶胶光学厚度数据的周期性同时是待解决的难题。
3、为此,迫切需要一种可以考虑时空维度格点关联性且能有效捕捉
技术实现思路
1、本专利技术针对指定区域未来时刻的气溶胶光学厚度进行回归预测,基于自相关机制和卷积结构;提出了一种区域气溶胶光学厚度的时空预测模型及方法;本专利技术通过深度学习方法建立区域气溶胶光学厚度的时空预测模型,能够快速估算指定区域未来的气溶胶光学厚度。
2、本专利技术通过以下技术方案实现:
3、一种区域气溶胶光学厚度的时空预测模型:
4、所述时空预测模型包括输入层1、预处理层2、预测层3以及输出层4;
5、所述输入层1用于接收带时序特征的气溶胶光学厚度要素并导入到预处理层2;
6、所述的预处理层2包括特征变换模块21和时间编码模块22,用于对输入层1输入数据进行预处理;
7、所述的预测层3包括基于自相关机制的周期预测模块31和基于卷积结构的基础预测模块32,对预处理后的数据进行特征提取及预测;
8、所述输出层4,用于对预测层3中不同预测模块的输出结果进行融合,并输出最终的预测结果。
9、进一步的,所述的气溶胶光学厚度要素包括原始气溶胶光学厚度张量和多个时序的气溶胶光学厚度张量;
10、所述原始气溶胶光学厚度张量用于标识气溶胶光学厚度;
11、所述多个时序的气溶胶光学厚度张量为原始气溶胶光学厚度张量之前时刻的气溶胶光学厚度张量;
12、所述原始气溶胶光学厚度张量和所述多个时序气溶胶光学厚度张量为相同地点不同时刻的张量;
13、所述气溶胶光学厚度要素还包含气溶胶的经度和纬度。
14、进一步的,对于所述输入层1,用于接收输入模型的多个时序特征的气溶胶光学厚度张量,n为输入张量的时间长度,即一共n个连续时刻的张量作为模型输入;
15、其中,表示时刻对应的气溶胶光学厚度张量,其大小为,n表示所跨越的经度格点,m表示所跨越的纬度格点;表示为与是相同地区,时刻的气溶胶光学厚度张量。
16、进一步的,在所述预处理层2中,所述特征变换模块21首先会去除掉样本数据中的异常数据,对于极少部分的极大数值、极小数值进行一定的限缩;
17、具体公式为,,
18、其中,分别代表样本数据的下限和上限,代表样本数据中的异常数据,实现对样本数据的数据清洗;
19、其次,特征变换模块21再将样本数据进行log变换以及归一化处理,使得数值分布介于0~1之间,并且数值方差尽可能小。
20、
21、为样本数据,为经过特征变换后的数据;
22、其中为根据原数据的分布情况而定的偏移量,时间编码模块22会根据输入样本数据所代表的时刻进行编码,分别将年、月、日映射至-0.5~0.5之间的数值中;时间编码将联同样本数据张量输入至基于自相关机制的周期预测模块31。`
23、进一步的,所述基于自相关机制的周期预测模块31包括自相关周期性编码模块311和自相关周期性解码模块312;
24、所述自相关周期性编码模块311通过自相关系数计算、序列分解、全连接层进行周期性建模;
25、所述自相关系数计算使用自相关函数来度量序列数据内在的周期性;所述序列分解将原始的周期性数据表示为一系列周期成分的叠加,并提取出周期性特征;所述全连接层用于学习不同周期成分之间的关系,并进行周期性建模;
26、所述的自相关周期性编码模块311能够重复多次再进行共同连接,更好地实现数据周期性特征提取;
27、所述自相关周期性解码模块312通过累积结构以及堆叠的自相关单元从隐藏变量中提取潜在的趋势信息;
28、所述累积结构通过迭代地累积自相关单元的输出,将来自隐藏变量的序列信息进行积累和整合,捕捉到时间序列中的潜在趋势;所述堆叠的自相关单元用于提取潜在的趋势信息;
29、所述自相关周期性解码模块312能够重复多次再进行共同连接,实现从隐藏变量中提取潜在的趋势信息;
30、所述的基于卷积结构的基础预测模块32包括多个基于卷积结构的卷积预测单元321用于基础时空序列预测。
31、进一步的,自相关周期性编码模块311计算方法如下,其中自相关系数表示序列与经过延迟后序列之间的相似性:
32、
33、表示原序列,表示将进行反转;
34、表示一维卷积操作后取第个;
35、为方便计算自相关系数可通过快速傅立叶变换及反变换计算:
36、
37、表示经过傅里叶变换后在频域上的序列;
38、表示经过傅里叶变换后在频域上的反转序列;
39、最终根据不同长度的自序列,选取自相关系数最k大的自相关序列的长度;对这些序列计算自相关系数得到,通过softmax激活:
40、
41、是经过函数之后所对应的变量,是经过归一化处理后的变量,作为公式(7)的输入,模型计算的中间变量;
42、最终得到自相关的输出
43、
44、其中,序列分解主要将序列的平滑周期项、突出趋势项分离,这两个部分反映了时间序列的长期发展趋势和周期性;
45、对于一个长度为l的序列,具体的步骤如下:其中代表了序列的周期项,代表了趋势项。
46、
47、使用了avgpool( )进本文档来自技高网...
【技术保护点】
1.一种区域气溶胶光学厚度的时空预测模型,其特征在于:
2.根据权利要求1所述时空预测模型,其特征在于:
3.根据权利要求2所述时空预测模型,其特征在于:
4.根据权利要求3所述时空预测模型,其特征在于:
5.根据权利要求4所述时空预测模型,其特征在于:
6.根据权利要求5所述时空预测模型,其特征在于:
7.根据权利要求6所述时空预测模型,其特征在于:
8.一种区域气溶胶光学厚度的时空预测模型的训练装置,其特征在于:
9.一种区域气溶胶光学厚度的时空预测方法,其特征在于:
10.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求9中所述方法的步骤。
【技术特征摘要】
1.一种区域气溶胶光学厚度的时空预测模型,其特征在于:
2.根据权利要求1所述时空预测模型,其特征在于:
3.根据权利要求2所述时空预测模型,其特征在于:
4.根据权利要求3所述时空预测模型,其特征在于:
5.根据权利要求4所述时空预测模型,其特征在于:
6.根据权利要求5所述时空预测模型,其特征在于:...
【专利技术属性】
技术研发人员:叶允明,张心宇,李旭涛,
申请(专利权)人:哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院,
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。