【技术实现步骤摘要】
本专利技术涉及天气预报资料同化，尤其是涉及一种基于四维变分约束的资料同化方法、系统、设备及介质。
技术介绍
1、预测和了解地球系统是人类历史上的一个长期目标，具有巨大的社会价值。近几十年来，人们开发了多种数值天气预报模型来预报大气状况。然而，通过训练有素的专家进行人工创新来不断改进nwp模型的过程既费力又费钱。人们已多次尝试将基于深度学习的数据驱动天气预报模型用于天气预报。最近，数据驱动天气预报模型取得了重大进展，其运行时间比数值天气预报模型更快，预报性能可与欧洲中期天气预报中心的综合预报系统模型相媲美。尽管取得了这些进展，但由于数据驱动天气预报模型方法依赖再分析作为初始场，因此在操作上面临挑战。这个问题源于初步再分析产品的五天滞后，使其不适合实时预报。
2、上述挑战可以利用业务数据同化方法来解决。四维变分利用前向模式和辅助模式在扩展的同化窗口中传播多时间观测资料，从而改善初始场和预测精度。然而，要达到四维变分的最高精度，需要大量的计算工作，估计相当于约30到100次模型预测。此外，它还需要利用高性能计算集群来迭代求解前向模型、切线和邻接问题。这种高成本限制了可吸收的数据量，因此通常只有一小部分可用观测数据被用于业务预报。虽然这些方法成功地减轻了计算负担，但四维变分框架的高斯假设和数据驱动天气预报模型的模糊现象限制了对初始场非高斯特征的估计。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于四维变分约束的资料同化方法、系
2、第一方面，本专利技术的实施例提供了一种基于四维变分约束的资料同化方法，包括：
3、获取天气预测模型生成的背景场和观测值；
4、根据所述背景场和所述观测值构建四维变分生成对抗性神经网络；
5、通过成本函数监督所述四维变分生成对抗性神经网络的训练，直到所述成本函数的数值低于阈值，得到最终四维变分生成对抗性神经网络；所述成本函数包括对抗损失、周期正则化损失、身份正则化损失和四维变分形式损失；
6、将所述背景场和所述观测值输入至所述最终四维变分生成对抗性神经网络，得到初始场；
7、将所述初始场输入至所述天气预测模型，得到天气预报结果。
8、根据本专利技术实施例的方法，至少具有如下有益效果：
9、本方法首先根据背景场和观测值四维变分生成对抗性神经网络，融合了系数观测数据和有偏差的背景场，使得能够估计初始场的非高斯特性；然后通过成本函数监督四维变分生成对抗性神经网络的训练，通过成本函数中的对抗损失利用对抗学习思想，将一个分布中的样本与目标分布中的相应样本进行匹配，使得能够区分复杂的未解决非高斯特征与模糊的数据驱动天气预报模型预测和稀疏的观测数据，通过成本函数中的循环正则化损失解决原始对抗网络中模式崩溃问题所导致的不稳定性，在同化过程中尽可能保留先验信息，通过成本函数中的身份正则化损失实现动态一致性，再通过四维变分形式损失保证根据生成的初始场进行准确的天气预报，提高模型的预测精度；最后将背景场和观测值输入最终四维变分生成对抗性神经网络，得到初始场，通过训练完成的模型能够快速得到初始场，并且能够根据不同任务场景要求的精度进行不同阈值的模型训练，提高泛化能力。
10、根据本专利技术的一些实施例，所述四维变分生成对抗性神经网络的模型结构包括第一生成器、第二生成器、第一判别器和第二判别器。
11、根据本专利技术的一些实施例，所述通过成本函数监督所述四维变分生成对抗性神经网络的训练，包括：
12、计算所述成本函数，并将所述四维变分生成对抗性神经网络训练过程中的梯度与所述背景场和所述观测值叠加，得到堆叠特征；
13、将所述堆叠特征传递至所述四维变分生成对抗性神经网络中的所述第一生成器或者所述第二生成器，得到初步分析增量；
14、对所述初步分析增量进行物理自适应调整，得到自适应分析增量；
15、将所述自适应分析增量加入所述背景场，得到分析场。
16、根据本专利技术的一些实施例，所述成本函数的计算方法，包括：
17、将所述第一生成器或所述第二生成器作为确定性同化函数，并通过所述第一判别器或所述第二判别器计算所述对抗损失来最小化判别误差；
18、将所述第一生成器的第一输出输入至所述第二判别器进行第一数据增强正则化，并将所述第二生成器的第二输出输入至所述第一判别器进行第二数据增强正则化，通过所述第一数据增强正则化和所述第二数据增强正则化计算所述周期正则化损失；
19、通过所述第一生成器的无偏背景场同化和所述第二生成器的建模背景场误差分布计算得到所述身份正则化损失；
20、在所述第一生成器的学习中加入四维变分形式约束，并计算所述四维变分形式约束的四维变分形式损失；
21、通过超参数将所述对抗损失、所述周期正则化损失、所述身份正则化损失和所述四维变分形式损失合并，得到所述成本函数。
22、根据本专利技术的一些实施例，在所述第一生成器添加一层物理自适应调整网络层；其中，所述物理自适应调整网络层用于通过所述第一生成器输出中的观测增量的l2正态对分析增量进行重新加权。
23、根据本专利技术的一些实施例，所述第一生成器或所述第二生成器的生成器架构包括：
24、
25、其中，xin表示所述第一生成器或所述第二生成器的输入；c7s1-k表示一个具有7元乘以7元卷积的层、实例归一化、具有k1元滤波器、步长1和反射填充的整流线性单元激活；dk2表示一个具有3元乘以3元卷积、实例归一化、relu激活、k2元滤波器和步长2的向下采样层；dk3表示一个具有3元乘以3元卷积、实例归一化、relu激活、k3元滤波器和步长2的向下采样层；rk4指的是具有3元乘3元卷积层和k4元滤波器的残差块；uk5表示具有3×3元转置卷积、实例归一化、relu激活、k5元滤波器和1/2元跨距的上采样层；xout表示所述第一生成器或所述第二生成器的输出。
26、根据本专利技术的一些实施例，所述第一判别器或所述第二判别器的判别器架构包括
27、x′in→ck1→ck2→ck3→ck4→x′out
28、其中，x′in表示所述第一判别器或所述第二判别器的输入；ck1、ck2、ck3和ck4均表示由一个区块由4×4卷积层、实例归一化和基于relu的泄漏函数组成，其中，泄漏函数的斜率为0.2，跨距值为2；x′out表示所述第一判别器或所述第二判别器的输出。
29、第二方面，本专利技术的实施例提供了一种基于四维变分约束的资料同化系统，包括：
30、数据获取模块，用于获取天气预测模型生成的背景场和观测值；
31本文档来自技高网...
【技术保护点】
1.一种基于四维变分约束的资料同化方法，其特征在于，所述基于四维变分约束的资料同化方法包括：
2.根据权利要求1所述的基于四维变分约束的资料同化方法，其特征在于，所述四维变分生成对抗性神经网络的模型结构包括第一生成器、第二生成器、第一判别器和第二判别器。
3.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，所述通过成本函数监督所述四维变分生成对抗性神经网络的训练，包括：
4.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，所述成本函数的计算方法，包括：
5.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，在所述第一生成器添加一层物理自适应调整网络层；其中，所述物理自适应调整网络层用于通过所述第一生成器输出中的观测增量的L2正态对分析增量进行重新加权。
6.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，所述第一生成器或所述第二生成器的生成器架构包括：
7.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，所述第一判别器或所述第二判别
8.一种基于四维变分约束的资料同化系统，其特征在于，所述基于四维变分约束的资料同化系统包括：
9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于四维变分约束的资料同化方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于四维变分约束的资料同化方法。
...【技术特征摘要】
1.一种基于四维变分约束的资料同化方法，其特征在于，所述基于四维变分约束的资料同化方法包括：
2.根据权利要求1所述的基于四维变分约束的资料同化方法，其特征在于，所述四维变分生成对抗性神经网络的模型结构包括第一生成器、第二生成器、第一判别器和第二判别器。
3.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，所述通过成本函数监督所述四维变分生成对抗性神经网络的训练，包括：
4.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，所述成本函数的计算方法，包括：
5.根据权利要求2所述的基于四维变分约束的资料同化方法，其特征在于，在所述第一生成器添加一层物理自适应调整网络层；其中，所述物理自适应调整网络层用于通过所述第一生成器输出中的观测增量的l2正态对分析增量进行重新加权。
6.根据权利要求2所述的基于四维变分约束...
【专利技术属性】
技术研发人员：任开军，王悟信，段博恒，倪维成，李小勇，邓科峰，卢竞择，李大伟，袁太康，
申请(专利权)人：中国人民解放军国防科技大学，
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。