【技术实现步骤摘要】
本专利技术属于气象信息，尤其涉及基于深度学习的气象多源融合格点数据地形订正方法及系统。
技术介绍
1、在气象领域，高质量的多源融合格点要素产品是利用多源数据融合技术将观测场与背景场数据融合得到的，解决了站点观测分布不均匀，站点数量少的问题，使气象数据在空间上分布连续，在气象预报和服务等方面起了重要作用。2020年左右由国家气象信息中心研发的hrcldas-v1.0进入业务化试运行，该系统采用多种来源资料，包括地面站点观测数据、ecmwf数值分析和预报产品以及dem数字高程模型数据，采用多重网格变分同化(stmas)技术研制了包括2m气温在内的多个融合格点要素产品，空间分辨率达到了1km×1km。
2、而由于融合格点产品本身的算法具有局限性，相比站点观测真值不可避免地产生各种误差，所以国内也有不少研究针对这些误差进行订正，使其尽可能靠近真值。
3、使用较多的订正技术路线包括多元回归、滑动偏差订正等方法，订正后的数据对比订正前的误差均有一系列提升。但是这些方法对融合后数据的准确提升较为有限，且适用范围较窄，仅能针对短期时效内的要素极端变化，可能不能满足业务使用的需求。而bp神经网络以机器学习的方式，无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果，对过往的大量数据集进行训练后，可以得出一个较为稳定且准确的模型。
4、对于广东省本地多源融合实况产品，由于省内地形较为复杂，主要的地形是北部多为丘陵，南部多为平原和谷地。广东省山脉大多与
技术实现思路
1、本专利技术的目的在于提出基于深度学习的气象多源融合格点数据地形订正方法及系统，致力于改善广东省多源融合格点产品的精度，尤其是在不同地形和中小尺度天气中的融合效果，提升融合产品的服务能力。
2、为实现上述目的，本专利技术提供了基于深度学习的气象多源融合格点数据地形订正方法，包括：
3、构建时空数据集；其中，所述时空数据集包括：站点数据集、地形数据集和实况格点数据集；
4、将所述时空数据集，输入深度神经网络中进行训练，通过神经网络训练得到一个能够使实况格点数据尽可能接近站点真值的关系，也即获取订正模型。其中，所述深度神经网络模型采用多层全连接神经网络模型；
5、基于所述订正模型，对实况格点数据进行订正，获取降水订正值。
6、可选地，构建所述时空数据集包括：
7、获取自动站质控后的站点数据，构建站点数据集，将每个小时的站点观测值写入站点经纬度对应的经纬度的行和列；其中，所述站点数据包括：雨量数据和温度数据；
8、获取预设分辨率的地形数据，构建地形数据集；其中，所述地形数据包括：坡度信息、坡向信息、地表覆盖物信息；所述地形数据中的网格位置及数量与实况融合产品一致；
9、获取实况融合产品的实况格点数据，构建实况格点数据集；
10、基于所述站点数据集、地形数据集和实况格点数据集，构建所述时空数据集。
11、可选地，将所述时空数据集，输入深度神经网络中进行训练前还包括：对所述时空数据集进行预处理；
12、对所述时空数据集进行预处理包括：
13、将所述时空数据集，转化单格点数据集，将每个格点对应的坡度、坡向、地表覆盖物和所述实况格点数据集格点值放在一起形成一个4维向量，作为数据集的一个样本，用单格点的信息去订正格点值；
14、将每个格点和它8邻域内的格点放在一起，形成一个36维向量，作为数据集的每个样本，获得9格点数据集；
15、将每个格点和它24邻域内的格点放在一起，形成一个100维向量，获得25格点数据集。
16、可选地，将所述时空数据集，输入深度神经网络中进行训练包括：
17、将所述站点数据集、地形数据集和实况格点数据集分别输入对应的多层全连接神经网络中进行训练；其中，每个数据集使用的神经网络结构相同，但输入层的维度、隐藏层的层数以及中间神经元的个数不同；其中，输入层分别设置为4维、36维以及100维；4维数据集的隐藏层为5层，中间神经元数量分别为8、16、32、16、8个；36维数据集的隐藏层为4层，中间神经元数量分别为32、16、8、4个；100维数据集的隐藏层为3层，中间神经元数量分别为500、500、2000个。
18、可选地，对所述深度神经网络进行训练后还包括：利用平均绝对误差和均方误差，检验训练后的模型的有效性；
19、所述平均绝对误差为：
20、
21、其中，mae为平均绝对误差，n为样本数，yi为第i个样本的降水真实值，为第i个样本通过网络模型所输出的降水预测值；
22、所述均方误差为：
23、
24、其中，mse为均方误差。
25、本专利技术还提出了基于深度学习的气象多源融合格点数据地形订正系统，所述系统包括：构建模块、训练模块和输出模块；
26、所述构建模块，用于构建时空数据集；其中，所述时空数据集包括：站点数据集、地形数据集和实况格点数据集；
27、所述训练模块，用于将所述时空数据集，输入深度神经网络中进行训练，获取订正模型；其中，所述深度神经网络模型采用多层全连接神经网络模型；
28、所述输出模块，用于基于所述订正模型，获取降水订正值。
29、可选地，所述构建模块包括：站点数据采集单元、地形数据采集单元和实况格点数据采集单元；
30、所述站点数据采集单元，用于获取自动站质控后的所述站点数据；其中，所述站点数据包括：雨量数据和温度数据；
31、地形数据采集单元，用于获取预设分辨率的所述地形数据；其中，所述地形数据包括：坡度信息、坡向信息、地表覆盖物信息；所述地形数据中的网格位置及数量与实况融合产品一致；
32、实况格点数据采集单元，用于获取实况融合产品的实况格点数据。
33、可选地，所述系统还包括：预处理模块；
34、所述预处理模块，用于对所述时空数据集进行预处理；
35、对所述时空数据集进行预处理包括：
36、将所述时空数据集，转化单格点数据集，将每个格点对应的坡度、坡向、地表覆盖物和格点值放在一起形成一个4维向量，作为数据集的一个样本，用单格点的信息去订正格点值；
37、将每个格点和它8邻域内的格点放在一起，形成一个36维向量，作为数据集的每个样本，获得9格点数据集；
38、将每个格点和它24邻域内的格点放在一起，形成一个100维向量，获得25格点数据集。
39、本专利技术具有以下有益效果：
40、本专利技术通过致力于改善多源融合格点产品本文档来自技高网...
【技术保护点】
1.基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，构建所述时空数据集包括：
3.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，将所述时空数据集，输入深度神经网络中进行训练前还包括：对所述时空数据集进行预处理；
4.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，将所述时空数据集，输入深度神经网络中进行训练包括：
5.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，对所述深度神经网络进行训练后还包括：利用平均绝对误差和均方误差，检验训练后的模型的有效性；
6.基于深度学习的气象多源融合格点数据地形订正系统，其特征在于，用于实施如权利要求1-5任一所述的基于深度学习的气象多源融合格点数据地形订正方法，所述系统包括：构建模块、训练模块和输出模块；
7.根据权利要求6所述的基于深度学习的气象多源融合格点数据地形订正系
8.根据权利要求6所述的基于深度学习的气象多源融合格点数据地形订正系统，其特征在于，所述系统还包括：预处理模块；
...【技术特征摘要】
1.基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，构建所述时空数据集包括：
3.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，将所述时空数据集，输入深度神经网络中进行训练前还包括：对所述时空数据集进行预处理；
4.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，其特征在于，将所述时空数据集，输入深度神经网络中进行训练包括：
5.根据权利要求1所述的基于深度学习的气象多源融合格点数据地形订正方法，...
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。