一种基于CNN-BiLSTM-At和ST-CFormer的降水预报订正方法技术

本发明专利技术公开了一种基于CNN‑BiLSTM‑At和ST‑CFormer的降水预报订正方法，包括获取气象雷达回波序列图像和气象站点观测数据并进行预处理；构建CNN‑BiLSTM‑At降水预报模型结构，利用预处理后的气象雷达回波序列图像对其进行训练，利用自适应遗传算法优化超参数，获得训练后的降水预报目标模型；构建ST‑CFormer降水预报偏差订正模型结构，利用降水预报图像与气象站点的观测数据进行融合的数据对其进行训练，利用NSGA‑II算法优化超参数，获得训练后的降水预报偏差订正模型。本发明专利技术利用气象站点观测数据、Swin‑transformer的全局建模能力，对预报结果进行二次订正，有效提升了降水预报精度。

【技术实现步骤摘要】

本专利技术属于降水预报，尤其涉及一种基于cnn-bilstm-at和st-cformer的降水预报订正方法。

技术介绍

1、精确的降水预报变得愈加重要。降水预报不仅对农业生产、城市规划、洪水管理等领域至关重要，还直接影响到交通、环境保护等社会活动的正常运行。然而，由于降水的发生过程复杂且具有高度的空间和时间不确定性，传统的降水预报方法面临着较大的挑战。

2、传统的降水预报方法主要依赖于数值天气预报(nwp)模型，然而，nwp模型虽然在大范围天气预测中有显著优势，但由于其对初始条件的敏感性和模型本身的近似性，往往难以准确预报局部地区的降水强度和时效性。尤其在对复杂天气现象的模拟中，模型的偏差和不确定性较大。

3、近年来，随着深度学习和人工智能技术的发展，基于深度学习的降水预报方法逐渐受到关注。卷积神经网络(cnn)、循环神经网络(rnn)及其变种等已经广泛应用于降水预报领域。随着transformer模型在自然语言处理(nlp)领域的成功应用，其在图像和时间序列数据的处理上也表现出了卓越的能力。swin-transformer作为一种本文档来自技高网...

【技术保护点】

1.一种基于CNN-BiLSTM-At和ST-CFormer的降水预报订正方法，利用气象站点观测的气象要素数据对降水预报结果进行订正，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于CNN-BiLSTM-At和ST-CFormer的降水预报订正方法，其特征在于，将S1中获取的气象数据的每一帧气象雷达回波序列图像整理为二维数据，用集合A∈{x1y1,x1y2,…x1yj；…；xiy1,xiy2…xiyj}表示，其中j、i为每一帧气象雷达回波序列图像中像素的行、列索引，xi表示图像中第i列像素的横向坐标，yj表示图像中第j行像素的纵向坐标；气象站点的实测降水、气温及风...

【技术特征摘要】

1.一种基于cnn-bilstm-at和st-cformer的降水预报订正方法，利用气象站点观测的气象要素数据对降水预报结果进行订正，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于cnn-bilstm-at和st-cformer的降水预报订正方法，其特征在于，将s1中获取的气象数据的每一帧气象雷达回波序列图像整理为二维数据，用集合a∈{x1y1,x1y2,…x1yj；…；xiy1,xiy2…xiyj}表示，其中j、i为每一帧气象雷达回波序列图像中像素的行、列索引，xi表示图像中第i列像素的横向坐标，yj表示图像中第j行像素的纵向坐标；气象站点的实测降水、气温及风速的气象要素数据同样整理为二维数据，分别表示为集合b、c、d。

3.根据权利要求2所述的一种基于cnn-bilstm-at和st-cformer的降水预报订正方法，其特征在于，对整理后的气象数据进行预处理，包括将气象雷达回波序列图像数据与实测降水、气温及风速数据按经纬度对齐，并进行数据清洗；采用趋势面分析方法对缺失数据进行插值，具体为：

4.根据权利要求1所述的一种基于cnn-bilstm-at和st-cformer的降水预报订正方法，其特征在于，利用步骤s2中构建的cnn-bilstm-at降水预报模型结构具体为：包括多级串联的多分支卷积模块、跨层级时空特征融合模块，且各级多分支卷积模块和时空特征融合模块对称分布，每级多分支卷积模块后并行插入改进的csa注意力模块和bi-lstm模块；多分支卷积模块包括不同尺度的卷积层、归一化层，由多分支卷积模块提取多尺度特征并逐级下采样，每级多分支卷积模块提取的特征分别输入改进的csa注意力模块、bi-lstm模块，各级时空特征融合模块融合对应各级改进的csa注意力模块和bi-lstm模块输出的特征，...

【专利技术属性】
技术研发人员：秦华旺，郑祥明，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：