一种基于深度学习的气温预报偏差订正方法及装置制造方法及图纸

本申请公开了一种基于深度学习的气温预报偏差订正方法及装置。该方法在获取针对预报区域的格点预报数据后；基于格点预报数据，获取各时刻的气温格点预报矩阵；训练气温预报订正模型，并利用训练的气温预报订正模型对各时刻的气温格点预报矩阵进行处理，得到一种气温预报的订正相应时刻的气温格点预报的订正矩阵，从而获取各时刻的气温格点预报订正数据。该方法提高了订正预报的准确性。

【技术实现步骤摘要】
一种基于深度学习的气温预报偏差订正方法及装置
本申请涉及天气预报
，尤其涉及一种基于深度学习的气温预报偏差订正方法及装置。
技术介绍
目前，气象及环保的预报业务针对数值模式的预报产品大部分使用统计订正方法，即通过中短期内的历史数据进行简单地线性回归处理后，找到某一项气象要素近期内的变化趋势作为订正基础，再结合人工经验对预报结果进行经验修正的常规订正手段。这种常规的修订手段过多依赖人工经验，订正的准确度不高。
技术实现思路
本申请实施例提供一种基于深度学习的气温预报偏差订正方法及装置，解决了现有技术存在的上述问题，以提高订正预报的准确性。第一方面，提供了一种基于深度学习的气温预报偏差订正方法，该方法可以包括：获取针对预报区域的格点预报数据；所述格点预报数据包括所述预报区域内各格点在各时刻的气象要素预报数据；基于所述格点预报数据，获取所述各时刻的气温格点预报矩阵；所述气温格点预报矩阵中的各元素为所述预报区域内各格点在相应时刻的气温预报数据；利用所述已训练的气温预报订正模型，对所述各时刻的气温格点预报矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵；其中，所述气温预报订正模型包括编码器和解码器；所述编码器用于基于预设层数的编码层对当前输入矩阵进行逐层编码处理，并将处理后的编码矩阵输入所述解码器；所述解码器用于基于预设层数的解码层对所述编码器处理后的编码矩阵进行逐层解码，得到与所述当前输入矩阵对应的订正矩阵；所述气温预报订正模型是根据历史时刻的历史格点预报矩阵和相应的历史格点实况分析数据进行训练得到的；针对每个时刻，基于所述时刻的气温格点预报的订正矩阵，获取所述时刻的气温格点预报订正数据。在一个可能的实施例中，所述格点预报数据还包括除所述气温气象要素外的至少一种其他气象要素的预报数据；所述其他气象要素为与所述气温气象要素相关的气象要素；获取所述各时刻的气温格点预报矩阵之后，所述方法还包括：基于所述格点预报数据中所述至少一种其他气象要素的预报数据，获取所述各时刻的所述至少一种其他气象要素的格点预报矩阵；针对每个时刻，对所述时刻的气温格点预报矩阵和所述至少一种其他气象要素的格点预报矩阵进行矩阵的层级叠加，生成所述时刻的气象要素的格点层级矩阵；利用所述已训练的气温预报订正模型，对所述时刻的气温格点预报矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵，包括：利用所述已训练的气温预报订正模型，对所述时刻的气象要素的格点层级矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵。在一个可能的实施例中，基于所述格点预报数据，获取所述各时刻的气温格点预报矩阵之前，所述方法还包括：针对每个时刻，获取所述时刻的气温格点预报数据，以及获取以所述时刻起，以预设时间段为步长的至少一个历史时刻的误差格点数据；其中，所述历史时刻的误差格点数据为所述历史时刻的气温格点预报数据与相应历史时刻的气温格点实况分析数据的差值；获取所述各时刻的气温格点矩阵之后，所述方法还包括：对所述各时刻的气温格点矩阵和所述至少一个历史时刻的误差格点数据对应的误差格点矩阵进行矩阵的层级叠加，生成所述各时刻的气温格点层级矩阵；利用所述已训练的气温预报订正模型，对所述时刻的气温格点矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵，包括：利用所述已训练的气温预报订正模型，对所述时刻的气温格点层级矩阵进行处理，得到相应时刻的气温格点订正矩阵。在一个可能的实施例中，所述编码器中所述预设层数的编码层包括所述编码器的输入编码层、输出编码层和中间编码层，且每两个相邻的中间编码层间设置池化层；所述解码器中所述预设层数的解码层包括所述解码器的输入解码层、输出解码层和中间解码层；所述输入编码层的输出端与所述输出解码层的输入端采用残差方式连接，且与所述输入编码层相隔不同层数的中间编码层的输出端，依次与所述输出解码层相隔相应层数的中间解码层的输入端采用残差方式连接；所述输出编码层的输出端与所述输入解码层的输入端直接连接。在一个可能的实施例中，所述编码器中的每个编码层包括一个编码模块；其中，所述编码模块包括第一卷积层、第二卷积层、2个归一化层和2个激励函数层，且按照第一卷积层、第一归一化层、第一激励函数层、第二卷积层、第二归一化层和第二激励函数层的层级顺序排列；所述第一卷积层的输入端为所述编码模块的输入端；所述第二激励函数层的输出端为所述编码模块的输出端；所述第一卷积层的输入端与所述第二归一化层的输出端采用残差方式连接；其中，所述第一卷积层的卷积核大于所述第二卷积层的卷积核；所述第二卷积层的卷积核用于将经所述第一卷积层的卷积核编码的数据维数转换为所述编码模块接收的输入数据的维数。在一个可能的实施例中，所述解码器中的每个解码层包括一个解码模块；所述解码模块包括第一卷积层、第二卷积层、第三卷积层、3个归一化层和3个激励函数层，且按照第一卷积层、第一归一化层、第一激励函数层、第二卷积层、第二归一化层和第二激励函数层、第三卷积层、第三归一化层、第三激励函数层的层级顺序排列；所述第一卷积层的输入端为所述解码模块的输入端；所述第三激励函数层的输出端为所述解码模块的输出端；其中，所述第二卷积层用于采用预设步长的转置卷积运算；所述第一卷积层的卷积核和所述第三卷积层的卷积核相同，且小于所述第二卷积层的卷积核。在一个可能的实施例中，所述气温预报订正模型根据如下方式训练：获取针对所述预报区域在历史时刻的历史格点预报数据和相应历史时刻的历史格点实况分析数据；将所述历史格点预报数据对应的历史格点预报矩阵确定为训练数据，将所述历史格点实况分析数据对应的历史格点分析矩阵确定为标注数据；基于所述训练数据，对待训练的神经网络进行训练，得到所述历史时刻的历史气温格点预报的订正矩阵；采用预设格点损失算法，计算所述历史气温格点预报的订正矩阵与所述标注数据的损失值；基于所述损失值，对所述待训练的神经网络进行迭代训练，在满足预设训练终止条件时，确定训练出气温预报订正模型。在一个可能的实施例中，采用预设格点损失算法，计算所述历史气温格点预报的订正矩阵与所述标注数据的损失值，包括：计算所述历史气温格点预报的订正矩阵与所述标注数据中每个格点的气温误差；将不小于预设气温误差阈值的第一类格点的气温误差相加，得到第一中间损失值；将小于预设气温误差阈值的第二类格点的气温误差相加，得到第二中间损失值；将所述第一中间损失值与预设权重的乘积与所述第二中间损失值的和，确定为所述历史气温格点预报的订正矩阵与所述标注数据的损失值。在一个可能的实施例中，所述其他气象元素包括多个气压层的V风分量、U风分量、比湿、位势涡度、位势高度。第二方面，提供了一种基于深度学习的气温预报偏差订正装置，该装置可以包括：获取单元订正单元；所述获取单元，用于获本文档来自技高网...

【技术保护点】
1.一种基于深度学习的气温预报偏差订正方法，其特征在于，所述方法包括：/n获取针对预报区域的格点预报数据；所述格点预报数据包括所述预报区域内各格点在各时刻的气象要素预报数据；/n基于所述格点预报数据，获取所述各时刻的气温格点预报矩阵；所述气温格点预报矩阵中的各元素为所述预报区域内各格点在相应时刻的气温预报数据；/n利用所述已训练的气温预报订正模型，对所述各时刻的气温格点预报矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵；其中，所述气温预报订正模型包括编码器和解码器；所述编码器用于基于预设层数的编码层对当前输入矩阵进行逐层编码处理，并将处理后的编码矩阵输入所述解码器；所述解码器用于基于预设层数的解码层对所述编码器处理后的编码矩阵进行逐层解码，得到与所述当前输入矩阵对应的订正矩阵；所述气温预报订正模型是根据历史时刻的历史格点预报矩阵和相应的历史格点实况分析数据进行训练得到的；/n针对每个时刻，基于所述时刻的气温格点预报的订正矩阵，获取所述时刻的气温格点预报订正数据。/n

【技术特征摘要】
1.一种基于深度学习的气温预报偏差订正方法，其特征在于，所述方法包括：
获取针对预报区域的格点预报数据；所述格点预报数据包括所述预报区域内各格点在各时刻的气象要素预报数据；
基于所述格点预报数据，获取所述各时刻的气温格点预报矩阵；所述气温格点预报矩阵中的各元素为所述预报区域内各格点在相应时刻的气温预报数据；
利用所述已训练的气温预报订正模型，对所述各时刻的气温格点预报矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵；其中，所述气温预报订正模型包括编码器和解码器；所述编码器用于基于预设层数的编码层对当前输入矩阵进行逐层编码处理，并将处理后的编码矩阵输入所述解码器；所述解码器用于基于预设层数的解码层对所述编码器处理后的编码矩阵进行逐层解码，得到与所述当前输入矩阵对应的订正矩阵；所述气温预报订正模型是根据历史时刻的历史格点预报矩阵和相应的历史格点实况分析数据进行训练得到的；
针对每个时刻，基于所述时刻的气温格点预报的订正矩阵，获取所述时刻的气温格点预报订正数据。


2.如权利要求1所述的方法，其特征在于，所述格点预报数据还包括除所述气温气象要素外的至少一种其他气象要素的预报数据；所述其他气象要素为与所述气温气象要素相关的气象要素；
获取所述各时刻的气温格点预报矩阵之后，所述方法还包括：
基于所述格点预报数据中所述至少一种其他气象要素的预报数据，获取所述各时刻的所述至少一种其他气象要素的格点预报矩阵；
针对每个时刻，对所述时刻的气温格点预报矩阵和所述至少一种其他气象要素的格点预报矩阵进行矩阵的层级叠加，生成所述时刻的气象要素的格点层级矩阵；
利用所述已训练的气温预报订正模型，对所述时刻的气温格点预报矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵，包括：
利用所述已训练的气温预报订正模型，对所述时刻的气象要素的格点层级矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵。


3.如权利要求1所述的方法，其特征在于，基于所述格点预报数据，获取所述各时刻的气温格点预报矩阵之前，所述方法还包括：
针对每个时刻，获取所述时刻的气温格点预报数据，以及获取以所述时刻起，以预设时间段为步长的至少一个历史时刻的误差格点数据；其中，所述历史时刻的误差格点数据为所述历史时刻的气温格点预报数据与相应历史时刻的气温格点实况分析数据的差值；
获取所述各时刻的气温格点矩阵之后，所述方法还包括：
对所述各时刻的气温格点矩阵和所述至少一个历史时刻的误差格点数据对应的误差格点矩阵进行矩阵的层级叠加，生成所述各时刻的气温格点层级矩阵；
利用所述已训练的气温预报订正模型，对所述时刻的气温格点矩阵进行处理，得到相应时刻的气温格点预报的订正矩阵，包括：
利用所述已训练的气温预报订正模型，对所述时刻的气温格点层级矩阵进行处理，得到相应时刻的气温格点订正矩阵。


4.如权利要求1-3任一项所述的方法，其特征在于，所述编码器中所述预设层数的编码层包括所述编码器的输入编码层、输出编码层和中间编码层，且每两个相邻的中间编码层间设置池化层；
所述解码器中所述预设层数的解码层包括所述解码器的输入解码层、输出解码层和中间解码层；
所述输入编码层的输出端与所述输出解码层的输入端采用残差方式连接，且与所述输入编码层相隔不同层数的中间编码层的输出端，依次与所述输出解码层相隔相应层数的中间解码层的输入端采用残差方式连接；
所述输出编码层的输出端与所述输入解码层的输入端直接连接。


5.如权利要求4所述的方法，其特征在于，所述编码器中的每个编码层包括一个编码模块；其中，
所述编码模块包括第一卷积层、第二卷积层、2个归一化层和2个激励函数层，且按照第一卷积层、第一归一化层、第一激励函数层、第二卷积层、第二归一化层和第二激励函数层的层级顺序排列；
所述第一卷积层的输入端为所述编码模块的输入端；所述第二激励函数层的输出端为所述编码模块的输出端；
所述第一卷积层的输入端与所述第二归一化层的输出端采用残差方式连接；
其...

【专利技术属性】
技术研发人员：谭肇，
申请(专利权)人：北京思湃德信息技术有限公司，
类型：发明
国别省市：北京;11