一种基于深度学习的热带气旋小时降水参数模型构建方法技术

本发明专利技术涉及一种基于深度学习的热带气旋小时降水参数模型构建方法，包括S1、基于深度学习处理历史数据集；S2、对历史数据集进行对称和非对称台风小时降水分解；S3、选取研究区各网格内的建模样本；解决现有台风降水参数化模型对下垫面差异、局地环境、季节差异、台风尺度等要素考虑不足，导致即使在大范围极值概型分布与实际较为吻合的情景下，局地降水仍存在强度严重低估、空间分布与实际严重不符的问题。

【技术实现步骤摘要】

本专利技术属于大气科学，涉及一种基于深度学习的热带气旋小时降水参数模型构建方法。

技术介绍

1、我国是世界上受热带气旋(以下简称：台风)灾害影响最严重的国家之一，登陆台风带来的暴雨，特别是短历时强降水，可能导致突发性洪涝、滑坡泥石流等灾害。因此，急需开展登陆台风降水极端风险评估，特别是短历时强降水，如台风极端小时降水。

2、目前，针对台风降水，国内外开展了大量“风险评估”工作。因现有的历史记录样本不足、高分辨率模式计算资源有限等问题，国内外多采用台风随机路径、强度模拟，结合确定性台风大风、降水参数化模型，开展相关研究；并在此基础上开展重现期研究、巨灾保险厘定、城市暴雨洪涝风险管理等工作。其中，热带气旋路径、强度多采用单站概率模型或全路径模型。主流的台风降水参数化模型包括：气候持续性降水模型(r-cliper)、基于物理的降水参数化模型(tcr)等。但是，值得注意的是，现有的台风降水参数化模型多为“巨灾风险评估”提供大范围、大样本的台风过程降水或小时降水事件集。现有模型对下垫面差异、局地环境、季节差异、台风尺度等要素考虑不足，导致即使在大范围极值本文档来自技高网...

【技术保护点】

1.一种基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤S11中研究区网格选取纬度0°-60°，经度100°-160°范围。

3.如权利要求2所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤S122使用高时空分辨率卫星资料，采用1小时降水估计产品。

4.如权利要求3所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤S131插值方法为克里金插值或者反距离插值。

5.如权利要求4所述的基于深...

【技术特征摘要】

1.一种基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤s11中研究区网格选取纬度0°-60°，经度100°-160°范围。

3.如权利要求2所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤s122使用高时空分辨率卫星资料，采用1小时降水估计产品。

4.如权利要求3所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤s131插值方法为克里金插值或者反距离插值。

5.如权利要求4所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤s1341中深度学习方法包括bp神经网络(back propagation feed-forwardneural network)、随机森林(random forest)、梯度提升树(gradient boosting decisiontree)、xgboost(extreme gradient boosting)中的一种。

6.如权利要求5所述的基于深度学习的热带气旋小时降水参数模型构建方法，其特征在于，步骤s1341中深度学习方法为bp神经网络方法，步骤s1342中数据集分割划分为60％训练集、20％验证集、20％测试集；其中，训练集数据用于训练bp网络，验证集用于确定网络结构以及调整超参数，测试集用于评估最终网络模型的模拟效果；对数据集分割产生的训练集、验证集和测试集数据进行归一化、特征化处理，确定深度学习的输入输出数据；以bp神经网络方法为例，将处理后训练集里的ohpre_sat、台风活动时间(年月日时)、台风中心经度、台风中心纬度、台风近中心最低气压、台风近中心最大风速、逐小时降水场、海温、地形dem，依次作为input神经元x1，x2，x3，x4，x5，x6，x7，x8，x9，x10备用；将处理后训练集里的hp...

【专利技术属性】
技术研发人员：陆逸，陈佩燕，余晖，
申请(专利权)人：中国气象局上海台风研究所上海市气象科学研究所，
类型：发明
国别省市：