【技术实现步骤摘要】
本专利技术属于气象领域，尤其涉及一种获取数值模式降水预报残差的深度神经网络模型和数值模式降水预报订正方法。
技术介绍
1、数值天气预报模式是气象预报的核心技术，但其降水预报常因大气混沌特性、多尺度物理过程耦合及局地地形效应影响，存在空间偏移、强度低估与虚报频发等系统性偏差。传统统计订正方法(如模式输出统计法、卡尔曼滤波法)基于误差时空稳定性和线性关系的假设，难以有效处理跨尺度非线性误差耦合问题。例如，在天气尺度上，模式对低涡切变线移速的偏差会系统性影响降水落区；在中尺度层面，边界层过程的参数化误差导致对流触发时机失准；而在云微物理尺度，冰相过程的不当描述会造成降水效率误判。这种跨尺度误差的非线性叠加，使得简单端到端映射模型难以建立稳健的修正关系。
2、近年来，深度学习技术通过挖掘历史观测与模式预报的非线性映射关系，在降水预报订正领域展现出显著优势。卷积神经网络、生成对抗网络及u-net架构已被应用于降水强度与落区的修正，现有基于深度学习的订正方法仍存在以下关键缺陷：
3、第一、现有基于深度学习的订正方法普遍直接将...
【技术保护点】
1.一种获取数值模式降水预报残差的深度神经网络模型，其特征在于：包括偏差深度修正模块和后处理模块；
2.根据权利要求1所述的获取数值模式降水预报残差的深度神经网络模型，其特征在于，所述每条编码流通过双卷积残差结构处理对应的一个特征组并提取该特征组的多个层级对应维度的特征，具体表达式如下：
3.根据权利要求1所述的获取数值模式降水预报残差的深度神经网络模型，其特征在于，所述对各特征组的多层级特征进行加权聚合形成高维特征图，再对高维特征图中每一维度分配权重，形成具有权重的高维特征图的具体方法包括：
4.一种数值模式降水预报订正方法，其特
【技术特征摘要】
1.一种获取数值模式降水预报残差的深度神经网络模型，其特征在于：包括偏差深度修正模块和后处理模块；
2.根据权利要求1所述的获取数值模式降水预报残差的深度神经网络模型，其特征在于，所述每条编码流通过双卷积残差结构处理对应的一个特征组并提取该特征组的多个层级对应维度的特征，具体表达式如下：
3.根据权利要求1所述的获取数值模式降水预报残差的深度神经网络模型，其特征在于，所述对各特征组的多层级特征进行加权聚合形成高维特征图，再对高维特征图中每一维度分配权重，形成具有权重的高维特征图的具体方法包括：
4.一种数值模式降水预报订正方法，其特征在于，包括：
5.根据权利要求4所述的数值模式降水预报订正方法，其特征在于，所述深度神经网络模型的迭代训练采用渐进式课程学习策略，损失函数表达式为：
6.根据权利要求4所述的数值模式降水预报订正方法，其特征在于，所述数值模式降水预报订正方法还包括：
7.根据权利要求4所...
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。