【技术实现步骤摘要】
本专利技术涉及电动数字数据，尤其是涉及一种基于深度学习的时空降尺度方法、装置、设备及介质。
技术介绍
1、随着科技的快速发展，人们对于天气预报的要求越来越高，亟需高精度高时间空间分辨率的预报以满足生产生活的需要。欧洲的ecmwf模式是全球领先的数值模式，各省市气象台大多参考其预报结果，为了提供更为精确更高时空分辨率的预报结果，减少主观预报比例，众多研究人员尝试各种方法提升预报时空分辨率。动力降尺度方法虽然在提高预报精度方面表现优异，但其高昂的计算成本和相对较慢的速度成为其应用的一大限制。相比之下，人工智能(ai)降尺度技术不仅能够以较低的资源消耗实现良好的效果，还因其灵活性而受到关注。不过，现有的大多数ai降尺度大多为整数倍率的降尺度模型，这与实际需求中常见的非整数倍降尺度要求存在差距，因此开发适用于任意比率降尺度的新方法成为了当前研究的重点之一。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于深度学习的时空降尺度方法、装置、设备及介质，可以较好地提升预报数据的时空分辨率，同时有效减少预报偏差，从而显著提升时空降尺度效果。
2、第一方面，本专利技术实施例提供了一种基于深度学习的时空降尺度方法，包括：
3、获取待处理预报数据、预报时效信息和地理信息；
4、对待处理预报数据进行预处理，并将预处理后的待处理预报数据、预报时效信息和地理信息输入至预先训练得到的时空降尺度模型；
5、通过时空降尺度模型，提取待处理预报数据的特征图，
6、在一种实施方式中，时空降尺度模型包括多尺度特征融合网络、预报时效适应网络、非整数倍率上采样层和地形融合网络；
7、通过时空降尺度模型，提取待处理预报数据的特征图，并利用预报时效信息提高特征图的时效适应性得到目标特征图，对目标特征图进行非整数倍率上采样处理后，结合地理信息生成时空降尺度后的目标预报数据，包括：
8、通过多尺度特征融合网络，对待处理预报数据进行多尺度时空特征提取和融合，以得到待处理预报数据的特征图；
9、通过预报时效适应网络内的多级预报时效适应子网络，对特征图进行处理，以提高特征图的时效适应性得到目标特征图；
10、通过非整数倍率上采样网络，基于待处理预报数据和预报时效信息调节非整数倍率上采样层的网络参数，利用调节后的网络参数对目标特征图进行非整数倍率上采样处理得到上采样后特征图；
11、通过地形融合网络，基于上采样后特征图与地理信息的融合结果，生成时空降尺度后的目标预报数据。
12、在一种实施方式中，预报时效适应网络包括多级预报时效适应子网络，每级预报时效适应子网络均包括空间注意力卷积单元和激活函数单元；
13、通过预报时效适应网络内的多级预报时效适应子网络，对特征图进行处理，以提高特征图的时效适应性得到目标特征图，包括：
14、在每级预报时效适应子网络中，通过空间注意力卷积单元，基于预报时效信息调节空间注意力卷积单元的网络参数，利用调节后的网络参数对特征图进行卷积操作，卷积操作后的特征图经激活函数单元处理后输出；
15、将末位的预报时效适应子网络输出的特征图作为目标特征图。
16、在一种实施方式中，通过空间注意力卷积单元，基于预报时效信息调节空间注意力卷积单元的网络参数，包括：
17、通过空间注意力卷积单元内的多级全连接层对预报时效信息进行处理生成张量；
18、将张量分别与空间注意力卷积单元内的卷积层的卷积核、偏置分别进行融合，以得到新的卷积核和新的偏置，实现对空间注意力卷积单元的网络参数的调节。
19、在一种实施方式中，通过非整数倍率上采样网络，基于待处理预报数据和预报时效信息调节非整数倍率上采样层的网络参数，包括：
20、对待处理预报数据进行空间投影，以将待处理预报数据中的像素从当前空间投影至时空降尺度空间，得到像素在时空降尺度空间中的坐标信息；
21、基于像素在当前空间中的坐标信息和像素在时空降尺度空间中的坐标信息，确定像素对应的相对距离；
22、经非整数倍率上采样网络内的多级全连接层对像素对应的相对距离和预报时效信息进行处理，分别得到非整数倍率上采样网络内的网格采样层的偏移量和卷积层的卷积核、偏置，实现对非整数倍率上采样层的网络参数的调节。
23、在一种实施方式中，利用调节后的网络参数对目标特征图进行非整数倍率上采样处理得到上采样后特征图，包括：
24、通过调节参数后的网格采样层，对目标特征图和像素在时空降尺度空间中的坐标信息进行上采样处理，得到网格采样层的输出结果；
25、通过调节参数后的卷积层，对网格采样层的输出结果进行卷积操作，得到卷积层的输出结果；
26、对网格采样层的输出结果与卷积层的输出结果进行相加处理，得到上采样后特征图。
27、在一种实施方式中，方法还包括：
28、获取历史预报数据、历史预报时效信息、地理信息和历史高分辨率陆面数据；
29、分别对历史预报数据和历史高分辨率陆面数据进行预处理；
30、将预处理后的历史预报数据、历史预报时效信息、地理信息作为模型输入，将预处理后的历史高分辨率陆面数据作为训练标签，构造训练数据集；
31、利用训练数据集对时空降尺度模型进行训练。
32、第二方面，本专利技术实施例还提供一种基于深度学习的时空降尺度装置，包括：
33、数据获取模块，用于获取待处理预报数据、预报时效信息和地理信息；
34、数据预处理模块，用于对待处理预报数据进行预处理，并将预处理后的待处理预报数据、预报时效信息和地理信息输入至预先训练得到的时空降尺度模型；
35、时空降尺度模块，用于通过时空降尺度模型，提取待处理预报数据的特征图，并利用预报时效信息提高特征图的时效适应性得到目标特征图，对目标特征图进行非整数倍率上采样处理后，结合地理信息生成时空降尺度后的目标预报数据。
36、第三方面，本专利技术实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面提供的任一项的方法。
37、第四方面，本专利技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项的方法。
38、本专利技术实施例提供的一种基于深度学习的时空降尺度方法、装置、设备及介质，首先对待处理预报数据进行预处理，并将预处理后的待处理预报数据、预报时效信息和地理信息输入至预先训练得到的时空降尺度模型；然后通过时空降尺度模型，提取待处理预报数据本文档来自技高网...
【技术保护点】
1.一种基于深度学习的时空降尺度方法，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时空降尺度方法，其特征在于，所述时空降尺度模型包括多尺度特征融合网络、预报时效适应网络、非整数倍率上采样层和地形融合网络；
3.根据权利要求2所述的基于深度学习的时空降尺度方法，其特征在于，所述预报时效适应网络包括多级预报时效适应子网络，每级所述预报时效适应子网络均包括空间注意力卷积单元和激活函数单元；
4.根据权利要求3所述的基于深度学习的时空降尺度方法，其特征在于，通过所述空间注意力卷积单元，基于所述预报时效信息调节所述空间注意力卷积单元的网络参数，包括：
5.根据权利要求2所述的基于深度学习的时空降尺度方法，其特征在于，通过所述非整数倍率上采样网络，基于所述待处理预报数据和所述预报时效信息调节所述非整数倍率上采样层的网络参数，包括：
6.根据权利要求5所述的基于深度学习的时空降尺度方法，其特征在于，利用调节后的所述网络参数对所述目标特征图进行非整数倍率上采样处理得到上采样后特征图，包括：
7.根据权利要求1所
8.一种基于深度学习的时空降尺度装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的时空降尺度方法，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时空降尺度方法，其特征在于，所述时空降尺度模型包括多尺度特征融合网络、预报时效适应网络、非整数倍率上采样层和地形融合网络；
3.根据权利要求2所述的基于深度学习的时空降尺度方法，其特征在于，所述预报时效适应网络包括多级预报时效适应子网络，每级所述预报时效适应子网络均包括空间注意力卷积单元和激活函数单元；
4.根据权利要求3所述的基于深度学习的时空降尺度方法，其特征在于，通过所述空间注意力卷积单元，基于所述预报时效信息调节所述空间注意力卷积单元的网络参数，包括：
5.根据权利要求2所述的基于深度学习的时空降尺度方法，其特征在于，通过所述非整数倍率上采样网络，基于所述待处理预报数据和所述预报时效信息调节所述非整数倍率...
【专利技术属性】
技术研发人员：刘仕民，林超，陈云刚，金向泽，叶先才，姜钤川，钟雅丽，孙鹏超，秦昊宇，张青山，
申请(专利权)人：北京弘象科技有限公司，
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。