一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法技术

本发明专利技术公开一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，包括以下步骤：步骤a)、数据准备与特征工程步骤；步骤b)、第一阶段语义级趋势辨识步骤；步骤c)、第二阶段语义趋势引导的优化定量降水预测步骤；步骤d)、降水值反演步骤：对步骤c)输出的所述预测分量应用预设非线性函数的反函数，将其转换为实际单位的降水量或降水距平值；本发明专利技术解决了现有动力气候模式在次季节到季节降水预报中存在的精度不足、系统性偏差突出，以及现有深度学习方法在处理降水宏观趋势辨识、定量降水预测与趋势协同性不足、以及直接预测降水量时面临训练不稳定性等问题，能够显著提升月尺度降水预测精度和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及气候预测和人工智能交叉，特别是一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法。

技术介绍

1、长江流域作为我国经济社会发展的核心区域与重要的生态屏障，其水资源丰沛，但同时也是我国洪涝与干旱灾害最为频发的地区之一。在全球气候变化背景下，长江流域极端降水事件的频率和强度均呈上升趋势，对区域防汛抗旱、水资源调度、农业生产及能源安全构成了严峻挑战。因此，提升月尺度降水预测的准确性，特别是对未来1-30天滚动降水趋势(偏多或偏少)及其具体量级和空间分布的精准把握，具有关键的战略意义和迫切的业务需求。

2、传统的动力气候模式，如ncep-cfsv2等，尽管在季节尺度预测上已取得进展，但在月尺度(次季节到季节，s2s)延伸期预报方面，其预报精度仍存在显著不足。这主要受限于对初始条件的敏感性、模式物理过程(如次网格尺度物理过程参数化)的完善程度等因素。特别是在地形复杂的长江流域，此类模式的系统性偏差问题更为突出，且直接输出的定量降水预报(qpf)往往精度有限，难以满足精细化应用需求。

3、近年来，以深度学习(deep le本文档来自技高网...

【技术保护点】

1.一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，所述步骤a)中所需的数值模式的预报产品为中国气象局CMA-CPSv3次季节预报模型和美国环境预报中心的NCEP-CFSv2的气候系统模型中的降水预报处理的逐日数据，所述历史气象观测资料包括中国气象局CRA-40再分析数据与站点观测数据的融合。

3.根据权利要求1所述的一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，所述步骤a)中未来1-30天逐日目标降水相...

【技术特征摘要】

1.一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，所述步骤a)中所需的数值模式的预报产品为中国气象局cma-cpsv3次季节预报模型和美国环境预报中心的ncep-cfsv2的气候系统模型中的降水预报处理的逐日数据，所述历史气象观测资料包括中国气象局cra-40再分析数据与站点观测数据的融合。

3.根据权利要求1所述的一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，所述步骤a)中未来1-30天逐日目标降水相关值为经过特定函数sigmoid归一化的降水量或降水距平。

4.根据权利要求1所述的一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，所述第一基于分层融合注意力机制的深度学习网络模型和所述第二基于分层融合注意力机制的深度学习网络模型均包括：一个编码器-解码器结构，其中编码器部分采用基于自注意力机制的模块，通过层级化结构捕捉多尺度时空特征。

5.根据权利要求4所述的一种滚动月尺度语义趋势引导的分层融合注意力优化降水预测方法，其特征在于，所述第一基于分层融合注意力机制的深度学习网络模型和所述第二基于分层融合注意力机制的深度学习网络模型的超参数设置均包括：输入图像尺寸为64×64，其核心注意力模块swintransformer模块在编码器不同层级的重复次数可为(2,2,x,2)，其中x为2至18之间的整数，多头注意力机制中的头数可随网络深度增加，特征图大小基数为48，dropout率为0.2。

6...

【专利技术属性】
技术研发人员：王小君，郭乐，张俊，杜良敏，肖莺，易香妤，王远恒，张灵，熊开国，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：