[发明专利]一种基于深度学习的数值模式产品降尺度精细化方法

说明书

本发明公开了一种基于深度学习的数值模式产品降尺度精细化方法，包括：收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品，构建训练数据集；构建深度学习模式产品降尺度精细化模型；根据训练数据集，对深度学习模式产品降尺度精细化模型进行训练，得到推理模型；根据以实时低分辨率数值模式产品作为推理模型的输入进行解算，得到对应时次的高分辨率的产品并输出。本发明旨在实现对数值模式产品的降尺度精细化。

技术领域

本发明属于气象技术领域，尤其涉及一种基于深度学习的数值模式产品降尺度精细化方法。

背景技术

开展精细化预报是天气预报发展的一个重要目标，目前气象业务中使用的气象资料具有不同的时间和空间分辨率。在实际航空气象保障过程中，较低分辨率的气象资料数据量较小，易于存储和传输，在远程远海保障、偏远地区保障以及机动保障中具有重要作用，但会损失一定的细节信息，不利于开展精细化的气象保障。而高分辨率的气象资料往往细节丰富，对航空气象精细化保障有很大的帮助，但数据量大，对存储和传输有较高的要求，一般用于信道和硬件设施条件较好的气象业务部门。在较低分辨率气象产品的基础上通过特定的方法获得较高分辨率的气象产品，可提高对远程远海区域、偏远地区以及机动化气象保障的精细化程度，具有重要的实际使用价值。

数值模式虽然能够较好的模拟高层大气场、边界层等大尺度大气环流特征，但产品的空间分辨率有限，难以对小区域或指定地点进行精确预测。为了提升数值预报产品的分辨率，一般而言采取了以下两种方法，一是提高全球模式本身的分辨率或采用动力降尺度方法提高区域模式的分辨率，这种方法计算资源消耗量大，且产生的产品数据量也较大，对计算能力、传输信道和存储条件有较高的要求；二是采用统计降尺度方法，通过建立不同分辨率产品间的关系来实现分辨率的提升，常用的方法是先将低分辨率数值预报产品插值到高分辨率网格点上，再结合历史高分辨率格点信息逐点订正插值结果，常用的订正方法包括线性函数法、人工神经网络、支持向量机、主成分分析法、递减平均法等。传统的统计降尺度方法主要运用于气候预测方面，一般较少考虑要素的空间相关性，而且一般统计学习模型的参数空间极为有限，无法很好的融合具有空间关联关系的历史要素信息。对于短期天气预报的统计降尺度，目前常用的方法还是基于线性插值、Kriging插值、反距离权重等空间内插方法，这些单纯基于插值的方法容易遗漏中小尺度天气信息、忽略局地地形特征，针对降水量等气象要素使用时会产生较大误差。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于深度学习的数值模式产品降尺度精细化方法，旨在实现对数值模式产品的降尺度精细化。

为了解决上述技术问题，本发明公开了一种基于深度学习的数值模式产品降尺度精细化方法，包括：

收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品，构建训练数据集；

构建深度学习模式产品降尺度精细化模型；

根据训练数据集，对深度学习模式产品降尺度精细化模型进行训练，得到推理模型；

根据以实时低分辨率数值模式产品作为推理模型的输入进行解算，得到对应时次的高分辨率的产品并输出。

本发明具有以下优点：

(1)本发明公开了一种基于深度学习的数值模式产品降尺度精细化方法，利用深度学习网络的空间相关性信息提取能力和时间相关性信息提取能力，建立深度学习模式产品降尺度精细化模型提取不同分辨率数值模式产品中相对应的有效信息，从而实现将低分辨率数值天气预报产品重构为具有较高分辨率的对应产品。直接采用端到端的方法提升数值模式产品的分辨率，与传统降尺度方法的逐格点计算相比，执行重构的运行效率更高。

(2)由于提取了历史高低分辨率产品间空间相关性和时间相关性的先验信息，本发明可达到比传统方法更好的降尺度精细化效果。