【技术实现步骤摘要】
本专利技术涉及防洪减灾及水文气象分析，具体而言，涉及一种多模式融合的降水干湿时序变化重构方法及系统。
技术介绍
1、气候模式是预估未来降水等水循环要素变化及其对水文过程影响的基本工具。目前最新发布的第6次耦合模式比较计划(cmip6)，虽提供有数十种模式在不同影响强迫路径下的降水预测信息，但其计算网格粗糙，导致其对极端降水预测信息的空间分辨率严重偏低，存在定量误差突出和预报不确定较大等问题。为有效改善气候模式降水数据性能，多年来学界不少学者从统计及动力角度，持续开展了气候模式的时空降尺度方法研究，以期获取高分辨率、高精度且可靠的气候模式降水信息。但从现有研究成果来看，无论统计还是动力降尺度，降尺度后的气候模式降水输出数据均普遍存在较严重的定量估计不确定性问题，特别是对降水干湿时序变化的估计，即对有雨或无雨时序变化的判定，普遍精度较低，存在“小雨空报”、“大雨误报或漏报”现象，无法满足当前水旱灾害防御、水文气象预报的基本需求。
技术实现思路
1、为了解决上述问题，本专利技术的目的是提供一种多模式融合的降水干湿时序变化重构技术，以解决现有技术在降水干湿时序判定及降水定量估计上存在的误差过大问题，进一步提升全球气候模式降水输出的预估预测能力。
2、为了实现上述技术目的，本申请提供了基于cmip6模式库，根据目标地区的地理位置信息，提取模式降水数据与地面降水数据进行匹配，构建基础降水估计信息库；
3、基于基础降水估计信息库，采用降水精度评价指标对cmip6模式库进行
4、基于定量降水融合序列，通过确定各优选模式下的降水事件发生阈值，集成构建由多源模式融合得到的降水优选信息库；
5、基于降水优选信息库的时序长度划分训练期和验证期，根据训练期降水信息，通过由卷积神经网络cnn和长短时记忆网络lstm组成的双层深度学习融合模型进行训练后，由验证期降水信息对于训练后的模型进行验证，生成融合模型；
6、基于融合模型，通过模式降水数据对降水干湿时序变化进行模拟，对定量降水融合序列进行重构，生成多模式融合的降水估计值。
7、优选地，在构建基础降水估计信息库的过程中，根据提取的模式降水数据的降水观测序列，通过匹配模式降水与地面降水数据的时空尺度，以地面降水数据为目标值，以各模式降水数据为解释变量，构建基础降水估计信息库。
8、优选地，在对cmip6模式库进行优选的过程中，将k-l散度、巴氏距离、相关系数、克林-古普塔效率系数、相对偏差、平均绝对误差、均方根误差、准确率、错报率和临界成功系数作为降水精度评价指标，对cmip6模式库进行优选。
9、优选地，在生成定量降水融合序列的过程中，采用等权重法对各评价指标进行综合评级赋分，根据各模式的评级得分mri的排名，生成优选的模式集，采用等权值法计算多模式下的降水集合信息，生成定量降水融合序列。
10、优选地，在确定降水事件发生阈值的过程中，根据各模式的空间分辨率，获取日降水事件发生的阈值。
11、优选地，在构建降水优选信息库的过程中，基于各优选模式的降水事件发生阈值，根据优选的模式库计算多模式融合的降水发生概率，生成降水干湿时序概率序列，构建多源模式融合的降水优选信息库。
12、优选地，在构建双层深度学习融合模型的过程中，基于cnn模型和lstm模型，将cnn模型输出的特征矩阵与lstm模型输出的特征矩阵，使用融合层merge进行分类运算后，再传递至cnn模型中的全连接层中进行重新拟合，由cnn模型的输出层模拟输出目标降水的时序变化，进而构建双层深度学习融合模型。
13、本专利技术公开了一种多模式融合的降水干湿时序变化重构系统，包括：
14、信息库构建模块，用于基于cmip6模式库，根据目标地区的地理位置信息，提取模式降水数据与地面降水数据进行匹配，构建基础降水估计信息库；
15、定量融合模块，用于基于基础降水估计信息库，采用降水精度评价指标对cmip6模式库进行优选，并根据优选的模式库计算多模式下的降水集合信息，生成定量降水融合序列；
16、优选库构建模块，用于基于定量降水融合序列，通过确定各优选模式下的降水事件发生阈值，构建由多源模式融合得到的降水优选信息库；
17、融合模块，用于基于降水优选信息库的时序长度划分训练期和验证期，根据训练期降水信息，通过由卷积神经网络cnn和长短时记忆网络lstm组成的双层深度学习融合模型进行训练后，由验证期降水信息对于训练后的模型进行验证，生成融合模型；
18、重构模块，用于基于融合模型，通过模式降水数据对降水干湿时序变化进行模拟，对定量降水融合序列进行重构，生成多模式融合的降水估计值。
19、优选地，信息库构建模块，还用于根据提取的模式降水数据的降水观测序列，通过匹配模式降水与地面降水数据的时空尺度，以地面降水数据为目标值，以各模式降水数据为解释变量，构建基础降水估计信息库。
20、优选地，定量融合模块，还用于将k-l散度、巴氏距离、相关系数、克林-古普塔效率系数、相对偏差、平均绝对误差、均方根误差、准确率、错报率和临界成功系数作为降水精度评价指标，对cmip6模式库进行优选。
21、本专利技术公开了以下技术效果：
22、本专利技术通过融合全球气候模式库降水信息，引入降水事件发生概率，构建基于长短时记忆网络(lstm)与卷积神经网络(cnn)双层架构的深度学习融合模型，对气候模式降水的干湿时序变化及量级进行重构，不仅实现了从大尺度网格降水到点尺度地面降水的时空降尺度，还有效提升了模式降水对地面降水事件的捕获能力，弥补了现有数值模式输出不足，更好的为流域水文气象预报及防洪减灾提供基础支撑，具有较高的实际应用价值。
本文档来自技高网...【技术保护点】
1.一种多模式融合的降水干湿时序变化重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
3.根据权利要求2所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
4.根据权利要求3所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
5.根据权利要求4所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
6.根据权利要求5所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
7.根据权利要求6所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
8.一种多模式融合的降水干湿时序变化重构系统，其特征在于，包括：
9.根据权利要求8所述一种多模式融合的降水干湿时序变化重构系统，其特征在于：
10.根据权利要求9所述一种多模式融合的降水干湿时序变化重构系统，其特征在于：
【技术特征摘要】
1.一种多模式融合的降水干湿时序变化重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
3.根据权利要求2所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
4.根据权利要求3所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
5.根据权利要求4所述一种多模式融合的降水干湿时序变化重构方法，其特征在于：
【专利技术属性】
技术研发人员：邓鹏鑫，邴建平，贾建伟，王栋，刘昕，李威，何康洁，相昀含，滕童格，孙志倩，
申请(专利权)人：长江水利委员会水文局，
类型：发明
国别省市：
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。