【技术实现步骤摘要】
本专利技术涉及气象要素插值领域，具体涉及一种高分辨率的气象要素二维插值方法及系统。
技术介绍
1、常规气象资料观测主要基于离散且不规则的站点获取，而传统数值天气预报的结果往往输出为地理分布规则的格点资料，利用观测站点对数值预报格点产品的预报效果进行验证，往往存在空间的不一致性，因此需要进一步利用预报的格点产品进行二维空间插值至对应的观测站点，但插值算法的准确性长期以来都是气象界的研究热点。同时，对于数值天气预报输出产品预报性能的科学准确评估也极大推动气象预测事业的快速发展。
2、常用的气象插值方法包括双线性插值、克里金(kriging)插值等。这些方法多基于线性特征插值，但随着站点资料的时空分辨率提升，局部相邻站点容易受到下垫面变化以及地形梯度的影响，同时对于单时次的差值也无法有效提取相邻时间的连续变化信息，因此插值性能受到限制。
技术实现思路
1、为解决上述背景中的技术问题，本专利技术将深度学习中较为先进的图神经网络预测模型与克里金插值算法相结合，通过引入图神经网络，能够考虑时间上的动态变化，并将空间和时间信息结合在一起，进而提出了一种基于混合深度学习方法的高分辨率气象要素二维插值算法，促进对传统数值天气预报格点输出产品的有效验证和性能提升。
2、为实现上述目的，本专利技术提供了一种高分辨率的气象要素二维插值方法，步骤包括：
3、下载目标站点区域内的格点数据、观测数据和经纬度信息；
4、基于所述格点数据、所述观测数据和所述经纬度信息
5、基于所述数据集，构建插值模型；
6、利用所述插值模型，完成气象要素插值。
7、优选的，得到所述数据集的方法包括：将获取的所述格点数据、所述观测数据和所述经纬度信息进行整合处理，得到所述数据集。
8、优选的，构建所述插值模型的方法包括：
9、构建模型框架；
10、将所述数据集输入所述模型框架中，完成所述插值模型的构建。
11、优选的，构建所述模型框架的方法包括：在每次训练时使用随机采样程序来生成一组用于训练的子图；同时随机采样节点的子集并构建相应的邻接矩阵，通过创建掩码矩阵以保持格点数据，并将未被掩码矩阵覆盖的格点数据设置为“缺测”；同时，通过构建邻接矩阵来捕捉节点之间的空间关系并且计算节点在不同时间步之间的特征差异，完成所述模型框架的构建。
12、优选的，构建所述插值模型的方法包括：将所述数据集输入所述模型框架中进行训练；分别进行插值，将历史时间步的观测数据作为输入，预测将来时间步的数值；并利用图神经网络的机制，对未观测的动态数据集进行插值预测。
13、优选的，在所述插值模型构建完成之后，采用计算均方根误差rmse，对所述插值模型进行效果验证：
14、
15、其中，i为对应的时间；nlat为站点纬度；nlon为站点经度；nforecasts为插值站点的数量；fi，j，k为i日期的j纬度k经度的站点模型插值结果；ti，j，k为对应时间的站点实况数据。
16、本专利技术还提供了一种高分辨率的气象要素二维插值系统，所述系统用于实现上述方法，包括：采集模块、整合模块、构建模块和插值模块；
17、所述采集模块用于下载目标站点区域内的格点数据，并采集目标站点观测数据及其经纬度信息；
18、所述整合模块用于基于所述格点数据、观测数据和经纬度信息得到数据集；
19、所述构建模块用于基于所述数据集，构建插值模型；
20、所述插值模块用于利用所述插值模型，完成气象要素插值。
21、优选的，所述构建模块包括：框架构建单元和训练单元；
22、所述框架构建单元用于构建模型框架；
23、所述训练单元用于将所述数据集输入所述模型框架中，完成所述插值模型的构建。
24、与现有技术相比，本专利技术的有益效果如下：
25、本专利技术结合数据的时空特性，改良了从规则网格输出资料对常规不规则分布站点插值的效果，为改善数值天气预报输出产品性能提供可靠依据。同时，本专利技术可以进一步提升温度数据插值结果大小与分布的准确性；对于降水大值区的插值效果，本专利技术展现出更为明显的精细化与准确化，能够提供更为接近实况数据大小与落区的插值结果。
本文档来自技高网...【技术保护点】
1.一种高分辨率的气象要素二维插值方法，其特征在于，步骤包括：
2.根据权利要求1所述的高分辨率的气象要素二维插值方法，其特征在于，得到所述数据集的方法包括：将获取的所述格点数据、所述观测数据和所述经纬度信息进行整合处理，得到所述数据集。
3.根据权利要求1所述的高分辨率的气象要素二维插值方法，其特征在于，构建所述插值模型的方法包括：
4.根据权利要求3所述的高分辨率的气象要素二维插值方法，其特征在于，构建所述模型框架的方法包括：在每次训练时使用随机采样程序来生成一组用于训练的子图；同时随机采样节点的子集并构建相应的邻接矩阵，通过创建掩码矩阵以保持格点数据，并将未被掩码矩阵覆盖的格点数据设置为“缺测”；同时，通过构建邻接矩阵来捕捉节点之间的空间关系并且计算节点在不同时间步之间的特征差异，完成所述模型框架的构建。
5.根据权利要求3所述的高分辨率的气象要素二维插值方法，其特征在于，构建所述插值模型的方法包括：将所述数据集输入所述模型框架中进行训练；分别进行插值，将历史时间步的观测数据作为输入，预测将来时间步的数值；并利用图神经网络的机
6.根据权利要求1所述的高分辨率的气象要素二维插值方法，其特征在于，在所述插值模型构建完成之后，采用计算均方根误差RMSE，对所述插值模型进行效果验证：
7.一种高分辨率的气象要素二维插值系统，所述系统用于实现权利要求1-6任一项所述的方法，其特征在于，包括：采集模块、整合模块、构建模块和插值模块；
8.根据权利要求7所述的高分辨率的气象要素二维插值系统，其特征在于，所述构建模块包括：框架构建单元和训练单元；
...【技术特征摘要】
1.一种高分辨率的气象要素二维插值方法，其特征在于，步骤包括：
2.根据权利要求1所述的高分辨率的气象要素二维插值方法，其特征在于，得到所述数据集的方法包括：将获取的所述格点数据、所述观测数据和所述经纬度信息进行整合处理，得到所述数据集。
3.根据权利要求1所述的高分辨率的气象要素二维插值方法，其特征在于，构建所述插值模型的方法包括：
4.根据权利要求3所述的高分辨率的气象要素二维插值方法，其特征在于，构建所述模型框架的方法包括：在每次训练时使用随机采样程序来生成一组用于训练的子图；同时随机采样节点的子集并构建相应的邻接矩阵，通过创建掩码矩阵以保持格点数据，并将未被掩码矩阵覆盖的格点数据设置为“缺测”；同时，通过构建邻接矩阵来捕捉节点之间的空间关系并且计算节点在不同时间步之间的特征差异，完成所述模...
【专利技术属性】
技术研发人员：卢楚翰，黄巨龙，秦育婧，信飞，陈日恒，
申请(专利权)人：无锡天祺云辰科技有限责任公司，
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。