一种基于多气象要素的短临降水集合预报及降尺度方法技术

本发明专利技术公开了一种基于多气象要素的短临降水集合预报及降尺度方法，包括以下步骤：（1）收集自动气象站逐

【技术实现步骤摘要】
一种基于多气象要素的短临降水集合预报及降尺度方法


[0001]本专利技术涉及短临降水预报
，具体涉及一种基于多气象要素的短临降水集合预报及降尺度方法
。

技术介绍

[0002]短时强降水具有突发性强
、
局地性突出
、
演变速度快等特点，不仅会影响民众的日常出行，更能够在短时间内造成局地的严重气象灾害，如城市内涝
、
山体泥石流等，威胁人民生命财产安全
。
因此，提高短临降水预报技巧，尤其是0‑2小时内的强降水预报，对于进一步增强天气预报服务能力具有重要意义
。
当前，基于物理控制方程组的数值天气预报仍是最为可靠的天气预报手段
。
但由于数值模式积分过程中需要一定的时长使整个大气背景达到稳定，如对于天气尺度大气模式一般为0‑6小时，在系统达到稳定之前，数值预报技巧普遍偏低
。
尤其是针对降水这一受多尺度热动力因子影响的诊断变量，前0‑2小时内的数值预报偏差很大
。
基于统计的外推算法，如传统的光流法，通过计算前一时刻与当前时刻降水系统的移动矢量，并利用轨迹算法对当前系统位置进行外推，得到下一时刻的降水位置，在一定程度上优于数值预报模式
。
但由于传统外推方法多基于线性算子，对于多时次之后的预报能力快速下降，且对强降水的模拟能力不足，辄需寻求时空模拟能力更强且能够反映降水强度的短临降水预报算法
。
[0003]基于深度学习的视频预测技术被认为是代替传统外推算法解决短临降水预报问题的重要技术之一
。
通过学习前一时刻降水系统与当前系统的位置
、
强度
、
形状等特征，视频预测模型有能力迭代生成较长预报步数的降水预报
。
但传统的视频预测方法大多仅基于卷积神经网络与循环神经网络，且通常利用均方根误差作为损失函数，容易生成模糊化的降水预报，出现预测失真
、
降水细节不足
、
强降水表征能力不足等问题
。
此外，研究表明单一的确定性预报难以反映天气预报的不确定性，对于强降水的极端事件刻画能力不足
。
通过生成多组集合成员，实现由确定性预报向集合预报的转变，是提高极端事件预报能力的关键技术
。
同时，当前自动气象站点分布尚不够密集，即使在我国东部地区站点间隔也在
20km
左右
。
如何利用降尺度算法获得更高分辨率的降水预报，对于提高县市
、
甚至街道的天气预报能力十分关键
。
传统的降尺度算法，如线性插值
、
多元线性回归等，难以处理降尺度比例大的任务，尤其在地势地形复杂地区效果很差
。
基于深度学习模型的超分辨率算法能够有效弥补这一难题
。
通过学习低分辨率与高分辨率观测之间的统计统计关系，超分辨率模型能够从低分辨率的输入中生成高分辨率的观测，且能够一定程度补充低分辨率中缺失的细节
。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种基于多气象要素的短临降水集合预报及降尺度方法以解决短临降水预报缺少概率预报信息
、
空间分辨率不足的问题
。
[0005]技术方案：本专利技术所述的一种基于多气象要素的短临降水集合预报及降尺度方
法，包括以下步骤：（1）收集自动气象站逐
10
分钟站点观测数据；生成格点场数据；（2）基于格点场数据，建立用于深度学习模型训练的标准气象序列数据集，并进行归一化处理；（3）构建耦合卷积神经网络
‑
循环神经网络
‑
对抗生成神经网络的深度学习模型，利用标准气象序列数据集针对降水进行训练，并通过在网络中增加噪声，生成集合预报；（4）利用超分辨率对生成的降水预报进行降尺度，获得高时空分辨率的短临降水集合预报
。
[0006]进一步的，所述步骤（1）具体如下：对站点观测数据进行数据质控，剔除无效数据，填补缺测数据，并利用反距离加权插值方法生成格点场数据；其中，站点观测数据包括：
10
分钟累计降水
、2m
气温
、10m
风场和相对湿度
。
[0007]进一步的，剔除无效数据，填补缺测数据，并利用反距离加权插值方法生成格点场数据，包括以下步骤：（
11
）对收集的自动气象站站点数据进行质控，监测气象要素异常值与无效值；若出现异常值，则用前一时刻有效值替代
。
[0008]（
12
）利用反距离加权插值方法将站点数据插值为格点数据，公式如下：；其中，；
[0009]其中，为待插值站点的气象要素观测值，为所取待插值点周边最近点的个数，为周边第个站点，为站点的气象要素观测值，为对应的反距离权重，为站点到待插值站点的欧式距离
。
[0010]进一步的，所述步骤（2）包括以下步骤：（
21
）在样本集中滑动截取连续
K
个时刻的多气象要素场序列，作为一次样本
x
滑动步长为逐
10
分钟，每个序列样本
X
中包含上述收集的所有气象要素变量包括：
10
分钟累计降水
、2m
气温
、10m
风场和相对湿度；（
22
）利用最大最小归一化，对序列样本进行归一化，公式如下：
[0011]其中，和分别为原始序列样本集中的最大值与最小值，为归一化之后的序列样本
。
[0012]进一步的，所述步骤（3）包括以下步骤：（
31
）耦合卷积神经网络
‑
循环神经网络
‑
对抗生成神经网络的深度学习模型包含生成器和判别器；其中，生成器由多组
U
‑
Net
拼接而成；输入不同预报步长的气象序列，并通过
U
‑
Net
的“编码
‑
反编码”过程，学习气象场不同尺度的空间信息，生成未来的降水预报；判别器由一组3‑
D
卷积网络模块组成，输入为生成器得到的网络预报或者真实的观测数据；判别器判断生成器的预报是否足够真实，即与实况是否足够相似；（
32
）在构建步骤（
31
）中的网络基础上，在对抗生成神经网络中生成器的
LSTM
模块
增加一组随机的高斯噪声，对原始网络模型训练进行初始场的扰动，利用相同的训练策略对网络进行学习，并通过更改输入噪声的随机种子，生成若干组集合成员预报
。
[0013]进一步的，所述步骤（4）包括以下步骤：（
41
）建立高分辨率
‑
低分辨率降水观测数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多气象要素的短临降水集合预报及降尺度方法，其特征在于，包括以下步骤：（1）收集自动气象站逐
10
分钟站点观测数据；生成格点场数据；（2）基于格点场数据，建立用于深度学习模型训练的标准气象序列数据集，并进行归一化处理；（3）构建耦合卷积神经网络
‑
循环神经网络
‑
对抗生成神经网络的深度学习模型，利用标准气象序列数据集针对降水进行训练，并通过在网络中增加噪声，生成集合预报；（4）利用超分辨率对生成的降水预报进行降尺度，获得高时空分辨率的短临降水集合预报
。2.
根据权利要求1所述的一种基于多气象要素的短临降水集合预报及降尺度方法，其特征在于，所述步骤（1）具体如下：对站点观测数据进行数据质控，剔除无效数据，填补缺测数据，并利用反距离加权插值方法生成格点场数据；其中，站点观测数据包括：
10
分钟累计降水
、2m
气温
、10m
风场和相对湿度
。3.
根据权利要求2所述的一种基于多气象要素的短临降水集合预报及降尺度方法，其特征在于，剔除无效数据，填补缺测数据，并利用反距离加权插值方法生成格点场数据，包括以下步骤：（
11
）对收集的自动气象站站点数据进行质控，监测气象要素异常值与无效值；若出现异常值，则用前一时刻有效值替代；（
12
）利用反距离加权插值方法将站点数据插值为格点数据，公式如下：；其中，；其中，为待插值站点的气象要素观测值，为所取待插值点周边最近点的个数，为周边第个站点，为站点的气象要素观测值，为对应的反距离权重，为站点到待插值站点的欧式距离
。4.
根据权利要求1所述的一种基于多气象要素的短临降水集合预报及降尺度方法，其特征在于，所述步骤（2）包括以下步骤：（
21
）在样本集中滑动截取连续
K
个时刻的多气象要素场序列，作为一次样本
x
滑动步长为逐
10
分钟，每个序列样本
X
中包含上述收集的所有气象要素变量包括：
10
分钟累计降水
、2m
气温
、10m
风场和相对湿度；（
22
）利用最大最小归一化，对序列样本进行归一化，公式如下：；其中，和分别为原始序列样本集中的最大值与最小值，为归一化之后的序列样本
。5.
根据权利要求1所述的一种基于多气象要素的短临降水集合预报及降尺度方法，其特征在于，所述步骤（3）包括以下步骤：（
31
）耦合卷积神经网络
‑
循环神经网络
‑
对抗生成神经网络的深度学习模型包含生成
器和判别器；其中，生成器由多组
U
‑
Net
拼接而成；输入不同预报步长的气象序列，并通过
U
‑
Net
的“编码
‑
反编码”过程，学习气象场不同尺度的空间信息，...

【专利技术属性】
技术研发人员：季焱，智协飞，张永宏，卢楚翰，孔德璇，陈超辉，吕阳，吉璐莹，朱寿鹏，张玲，王靖宇，
申请(专利权)人：无锡学院南京气象科技创新研究院中国人民解放军国防科技大学，
类型：发明
国别省市：