【技术实现步骤摘要】
本专利技术涉及气象，尤其涉及一种基于改进unet神经网络的天气现象预报订正方法。
技术介绍
1、随着新能源产业的快速发展，光伏发电在整个电力系统中的比例及总量逐渐提高。在一些光伏产业的密集区域，受沙尘影响较严重，沙尘通过影响大气辐射传输过程进而影响光伏组件发电情况，不利于电网调度安全稳定的运行。沙尘天气过后，累积在光伏板表面的沙尘会降低光伏组件表面的透射率，使得光伏组件的发电效率下降。因此需要使用数值天气预报等手段对沙尘影响范围及过境时间进行准确预报。
2、现有的沙尘预报技术主要包括：数值天气预报模式、统计学方法和基于天气过程的天气学分析。
3、数值天气预报模式是利用流体力学、热力学等物理学方程组来描述大气运动，对沙尘起沙机制及扩散传输过程进行数值模拟和预测；但是，数值天气预报模式受限于沙尘动力模型和传输模型的不完备，难以准确描述沙尘起沙机制及其传输和扩散过程，尤其是沙尘的影响范围及到达时间，且沙尘浓度预报在时间和空间分布上存在较大误差，而改进数值天气预报模式需在建立更优的大气成分和气象观测同步同化的基础上创造更好的表述沙尘起沙和传输机制的模型及算法。
4、统计学方法主要利用历史数据来建立沙尘天气预测模型，通过温度、湿度、风速和气压等常规气象参数建立起与沙尘浓度的回归关系，常用的方法包括logistic回归、决策树、随机森林等。统计学方法需借助历史实测数据建立沙尘预测模型，实测数据收集的难度较大，且存在可训练样本数量(高浓度沙尘天气)较少的问题。依据空间离散的气象站点观测数据建立沙尘预测模型，
5、由于沙尘的产生发展与大尺度天气系统的变化紧密相关，因此天气学分析主要通过对寒潮、大风等天气系统的演变规律进行分析，基于实测气象数据预测沙尘的产生、发展范围和持续时间。依据天气学分析实现沙尘预测需具有完备的专业知识与经验，门槛较高，且较难实现沙尘浓度时空分布特征的定量预测。
6、可见，现有技术中存在如下问题：数值天气预报模式对沙尘传输过程的描述存在不完备性，统计学方法训练的模型无法保持沙尘输运的时空连续性且空间泛化能力较差。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种基于改进unet神经网络的天气现象预报订正方法。
2、本专利技术提供一种基于改进unet神经网络的天气现象预报订正方法，所述方法包括：
3、获取基于数值天气预报模式确定的目标天气现象预报数据；
4、将所述目标天气现象预报数据输入至改进unet神经网络，得到所述改进unet神经网络输出的订正后的目标天气现象预报数据；
5、其中，所述改进unet神经网络是在初始unet神经网络的基础上进行如下改进后得到：在初始unet神经网络中的初始编码器的每层网络卷积层后增加cbam注意力机制，及将所述初始unet神经网络中的全卷积运算替换为深度可分卷积运算，将所述初始编码器的同一层网络中添加注意力机制的输出与所述初始unet神经网络中的初始解码器的上一层网络上采样后的结果拼接，得到改进解码器。
6、根据本专利技术提供的一种基于改进unet神经网络的天气现象预报订正方法，所述改进unet神经网络基于以下步骤获得：
7、获取数据集一，所述数据集一包括模型输入的目标天气现象预报样本数据及模型输出的目标天气现象再分析样本数据或卫星观测/地面观测样本数据；
8、对所述目标天气现象预报样本数据与所述目标天气现象再分析样本数据或卫星观测/地面观测样本数据进行时空维度的匹配，得到数据集二；
9、对所述数据集二进行空间数据随机分割，得到训练集三；
10、根据所述数据集三中样本网格点的目标天气现象浓度，对所述数据集三进行重要性采样，构成采样后的训练集；
11、使用所述采样后的训练集进行改进unet神经网络的训练。
12、根据本专利技术提供的一种基于改进unet神经网络的天气现象预报订正方法，根据所述数据集三中样本网格点的目标天气现象浓度，对所述数据集三中的样本进行重要性采样，得到采样后的训练集，包括：
13、根据所述数据集三中样本网格点的目标天气现象浓度，采用公式(1)计算所述数据集三中样本的采样概率；
14、
15、其中，pi为所述数据集三中样本i的采样概率，pmin为所述样本i被采样到的最小概率，m为数据采样率的调控因子，t为时间范围，h是所述样本i在垂直方向的格点数，w是所述样本i在水平方向的格点数，为饱和值，yi,c为所述样本i中第c个网格点的目标天气现象浓度，s为饱和常数；
16、基于所述数据集三中样本的采样概率，对采样概率高的样本在水平方向和垂直方向分别进行均匀的随机偏移，得到采样后的训练集。
17、根据本专利技术提供的一种基于改进unet神经网络的天气现象预报订正方法，所述方法还包括：
18、采用公式(2)计算损失函数；
19、loss(xi,yi)＝(ssim(xi,yi)+mse(xi,yi))/2 公式(2)；
20、其中，loss(xi,yi)为损失函数，ssim(xi,yi)为所述采样后的训练集中样本i的输入数据xi和输出数据yi的结构相似度指数；mse(xi,yi)为xi和yi的均方误差。
21、根据本专利技术提供的一种基于改进unet神经网络的天气现象预报订正方法，所述结构相似度指数基于公式(3)计算得到：
22、
23、所述xi和yi的均方误差基于公式(4)计算得到：
24、
25、其中，为t时刻训练集样本i的输入数据xi在w*h个格点的目标天气现象浓度的平均强度，为t时刻训练集样本i的输出数据yi在w*h个格点的目标天气现象浓度的平均强度，t为时间范围，h是训练集样本i在垂直方向的格点数，w是训练集样本i在水平方向的格点数，为t时刻训练集样本i的输入数据xi的第j个格点的目标天气现象浓度，为t时刻训练集样本i的输出数据yi的第j个格点的目标天气现象浓度，c1、c2为常数，为t时刻训练集样本i的输入数据xi在w*h个格点的无偏估计的标准差，为t时刻训练集样本i的输出数据yi在w*h个格点的无偏估计的标准差，为t时刻训练集样本i的输入数据xi和yi在w*h个格点无偏估计的协方差，
26、
27、
28、根据本专利技术提供的一种基于改进unet神经网络的天气现象预报订正方法，所述对所述目标天气现象预报样本数据与所述目标天气现象再分析样本数据或卫星观测/地面观测样本数据进行时空维度的匹配，得到数据集二，包括：
29、对所述目标天气现象预报样本数据与所述目标天气现象再分析样本数据或卫星观测/地面观测样本数据，进行空间上采样及时间插值，得到时空分辨率一本文档来自技高网...
【技术保护点】
1.一种基于改进UNet神经网络的天气现象预报订正方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于改进UNet神经网络的天气现象预报订正方法，其特征在于，所述改进UNet神经网络基于以下步骤获得：
3.根据权利要求2所述的基于改进UNet神经网络的天气现象预报订正方法，其特征在于，根据所述数据集三中的样本网格点的目标天气现象浓度，对所述数据集三中样本进行重要性采样，得到采样后的训练集，包括：
4.根据权利要求2所述的基于改进UNet神经网络的天气现象预报订正方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的基于改进UNet神经网络的天气现象预报订正方法，其特征在于，所述结构相似度指数基于公式(3)计算得到：
6.根据权利要求2所述的基于改进UNet神经网络的天气现象预报订正方法，其特征在于，所述对所述目标天气现象预报样本数据与所述目标天气现象再分析样本数据或卫星观测/地面观测样本数据进行时空维度的匹配，得到数据集二，包括：
7.一种基于改进UNet神经网络的天气现象预报订正装置，其特征
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于改进UNet神经网络的天气现象预报订正方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于改进UNet神经网络的天气现象预报订正方法。
...【技术特征摘要】
1.一种基于改进unet神经网络的天气现象预报订正方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于改进unet神经网络的天气现象预报订正方法，其特征在于，所述改进unet神经网络基于以下步骤获得：
3.根据权利要求2所述的基于改进unet神经网络的天气现象预报订正方法，其特征在于，根据所述数据集三中的样本网格点的目标天气现象浓度，对所述数据集三中样本进行重要性采样，得到采样后的训练集，包括：
4.根据权利要求2所述的基于改进unet神经网络的天气现象预报订正方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的基于改进unet神经网络的天气现象预报订正方法，其特征在于，所述结构相似度指数基于公式(3)计算得到：
6.根据...
【专利技术属性】
技术研发人员：向婕，闫涵，刘佳鑫，
申请(专利权)人：国能日新科技股份有限公司，
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。