基于编码器-解码器和图神经网络的气象要素同化方法及系统技术方案

本发明专利技术涉及一种基于编码器

【技术实现步骤摘要】
基于编码器
‑
解码器和图神经网络的气象要素同化方法及系统


[0001]本专利技术涉及一种气象要素同化方法及系统，尤其是一种基于编码器
‑
解码器和图神经网络的气象要素同化方法及系统
。

技术介绍

[0002]同化是一种将气象观测数据和二
/
三维网格化气象数据有机融合的一种方法，它可被应用于数值天气预报初始场生成
、
实况观测数据应用等领域，广义上属于最优插值法的一种
。
[0003]一般而言，想融合气象观测数据和数值模式的网格化气象数据，目前多通过最优插值方法或变分同化方法，具体地，最优插值的方法可为
cressman
插值法，变分同化方法可三
/
四维变分同化
、
集合卡尔曼滤波法等，其中，最优插值法具有运算速度快的特点，但插值效果不佳，不能用做初始场，驱动数值天气预报；变分同化法可获得较好的同化结构，但运算结果极慢，且需要巨大的超算资源
。
[0004]综上，将气象观察数据以及网格化气象数据同化时，目前所采用的方法均无法满足实际应用需求
。

技术实现思路

[0005]本专利技术的目的是克服现有技术中存在的不足，提供一种基于编码器
‑
解码器和图神经网络的气象要素同化方法及系统，其能大大提高气象要素的同化速度，减少计算资源，降低同化成本
。
[0006]按照本专利技术提供的技术方案，一种基于编码器
‑
解码器和图神经网络的气象要素同化方法，所述气象要素同化方法包括：
[0007]对一目标区域以及一目标气象要素，构建与所述目标区域以及目标气象要素适配的气象要素同化模型，其中，
[0008]所述气象要素同化模型包括编码器以及与所述编码器适配连接的解码器；
[0009]同化时，提供在目标区域内目标气象要素的网格化气象预报信息以及基于目标区域内目标观测站点构建的图结构观测数据信息，其中，
[0010]对构建的图结构观测数据信息，以目标区域内的每个目标观测站点作为图结构数据的节点
node
，以目标观测站点对目标气象要素观测获取的观测值作为节点特征，以目标观测站点的经纬度作为节点的坐标，所有目标观测站点之间两两链接，以两个目标观测站点之间的空间距离作为边特征；
[0011]利用编码器对网格化气象预报信息编码，以在编码后生成预报信息特征编码向量；
[0012]将图结构观测数据信息以及编码器生成的预报信息特征编码向量加载到解码器，利用解码器将特征编码向量与图结构观测数据信息合并，并在合并后利用图神经网络进行
卷积计算，以在卷积计算后生成网格化的气象场
。
[0013]构建气象要素同化模型时，所述构建方法包括：
[0014]构建与气象要素同化模型对应的气象要素同化基础模型以及用于对所述气象要素同化基础模型训练的模型训练数据集，其中，
[0015]所述模型训练数据集包括若干训练样本，对任一训练样本，包括目标气象要素的网格化气象训练信息以及基于所述网格化气象训练信息构建的图结构训练数据信息，其中，
[0016]对构建的图结构训练数据信息，以目标区域内的目标观测站点作为图结构数据的节点
node
，以基于网格化气象训练信息生成的气象要素值作为节点特征，以目标观测站点的经纬度作为节点的坐标，所有目标观测站点之间两两链接，以两个目标观测站点之间的空间距离作为边特征；
[0017]训练时，对任一训练样本，利用气象要素同化基础模型内的编码器对网格化气象训练信息编码，以在编码后生成训练信息特征编码向量；
[0018]将图结构训练数据信息以及训练信息特征编码向量加载到气象要素同化基础模型内的解码器，以生成网格化的训练气象场；
[0019]基于网格化训练气象场以及网格化气象训练信息，计算训练损失；
[0020]当计算得到的训练损失与训练损失阈值匹配时，将当前训练后的气象要素同化基础模型配置为气象要素同化模型，否则，更新气象要素同化基础模型的参数，直至计算得到的训练损失与训练损失阈值匹配
。
[0021]制作训练样本时，对训练样本内的网格化气象训练信息，生成方法包括：
[0022]获取再分析数值模式数据集，并从所述再分析数值模式数据集内下载与目标区域以及目标气象要素对应的再分析气象数据；
[0023]对下载的再分析气象数据进行空间降尺度处理，以在空间降尺度处理后生成网格化气象训练信息
。
[0024]构建的图结构训练数据信息时，包括：
[0025]获取目标区域内目标观测站点的位置信息，其中，所述目标观测站点的位置信息包括目标观测站点的经纬度；
[0026]基于目标观测站点的位置信息，将网格化气象训练信息插值到对应的目标观测站点，以在插值后生成网格化插值气象数据，基于网格化插值气象数据生成作为节点特征的气象要素值
。
[0027]生成作为节点特征的气象要素值时，还包括：
[0028]获取每个目标观测站点的站点观测历史数据，并基于所获取的站点观测历史数据生成一观测列表；
[0029]基于每个目标观测站点的网格化插值气象数据，生成目标观测站点的插值列表，其中，插值列表与观测列表相应的数据长度相同；
[0030]对同一目标观测站点的插值列表以及观测列表，将插值列表与观测列表内相对应的元素作差，以生成误差列表；
[0031]基于误差列表确定误差概率分布；
[0032]基于误差概率分布对网格化插值气象数据添加随机扰动，以在添加随机扰动后生
成作为节点特征的气象要素值
。
[0033]在计算损失时，所述损失函数包括均方误差损失函数
。
[0034]对再分析气象数据进行空间降尺度处理时，包括：
[0035]确定目标空间分辨率；
[0036]将再分析气象数据处理为被
WRF
识别的数据体，并基于所述数据体生成初始场和边界条件；
[0037]基于所生成的初始场和边界条件，利用
WRF
生成目标空间分辨率的网格化气象训练信息
。
[0038]确定误差概率分布时，包括：
[0039]基于误差列表，统计最大误差值以及最小误差值；
[0040]在最大误差值以及最小误差值之间，基于预设要素间隔阈值，计算误差频数；
[0041]将计算得到的误差频数除以误差列表的数据长度，以得到每个误差的频率；
[0042]基于每个误差的频率，确定误差在所有时间上的概率分布
。
[0043]所述目标气象要素包括温度
、
湿度
、
气压或风速
。。
[0044]一种基于编码器
‑
解码器和图神经网络的气象要素同化系统，包括气象要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于编码器
‑
解码器和图神经网络的气象要素同化方法，其特征是，所述气象要素同化方法包括：对一目标区域以及一目标气象要素，构建与所述目标区域以及目标气象要素适配的气象要素同化模型，其中，所述气象要素同化模型包括编码器以及与所述编码器适配连接的解码器；同化时，提供在目标区域内目标气象要素的网格化气象预报信息以及基于目标区域内目标观测站点构建的图结构观测数据信息，其中，对构建的图结构观测数据信息，以目标区域内的每个目标观测站点作为图结构数据的节点
node
，以目标观测站点对目标气象要素观测获取的观测值作为节点特征，以目标观测站点的经纬度作为节点的坐标，所有目标观测站点之间两两链接，以两个目标观测站点之间的空间距离作为边特征；利用编码器对网格化气象预报信息编码，以在编码后生成预报信息特征编码向量；将图结构观测数据信息以及编码器生成的预报信息特征编码向量加载到解码器，利用解码器将特征编码向量与图结构观测数据信息合并，并在合并后利用图神经网络进行卷积计算，以在卷积计算后生成网格化的气象场
。2.
根据权利要求1所述的基于编码器
‑
解码器和图神经网络的气象要素同化方法，其特征是，构建气象要素同化模型时，所述构建方法包括：构建与气象要素同化模型对应的气象要素同化基础模型以及用于对所述气象要素同化基础模型训练的模型训练数据集，其中，所述模型训练数据集包括若干训练样本，对任一训练样本，包括目标气象要素的网格化气象训练信息以及基于所述网格化气象训练信息构建的图结构训练数据信息，其中，对构建的图结构训练数据信息，以目标区域内的目标观测站点作为图结构数据的节点
node
，以基于网格化气象训练信息生成的气象要素值作为节点特征，以目标观测站点的经纬度作为节点的坐标，所有目标观测站点之间两两链接，以两个目标观测站点之间的空间距离作为边特征；训练时，对任一训练样本，利用气象要素同化基础模型内的编码器对网格化气象训练信息编码，以在编码后生成训练信息特征编码向量；将图结构训练数据信息以及训练信息特征编码向量加载到气象要素同化基础模型内的解码器，以生成网格化的训练气象场；基于网格化训练气象场以及网格化气象训练信息，计算训练损失；当计算得到的训练损失与训练损失阈值匹配时，将当前训练后的气象要素同化基础模型配置为气象要素同化模型，否则，更新气象要素同化基础模型的参数，直至计算得到的训练损失与训练损失阈值匹配
。3.
根据权利要求2所述的基于编码器
‑
解码器和图神经网络的气象要素同化方法，其特征是，制作训练样本时，对训练样本内的网格化气象训练信息，生成方法包括：获取再分析数值模式数据集，并从所述再分析数值模式数据集内下载与目标区域以及目标气象要素对应的再分析气象数据；对下载的再分析气象数据进行空间降尺度处理，以在空间降尺度处理后生成网格化气象训练信息
。
4.
根据权利要求3所述...

【专利技术属性】
技术研发人员：吕浩，王爽，陈鹏斐，涂长梅，许军，
申请(专利权)人：航天新气象科技有限公司，
类型：发明
国别省市：