[发明专利]基于自适应时空尺度选择的降水数值预报后处理订正方法

权利要求书

1.一种基于自适应时空尺度选择的降水数值预报后处理订正方法，针对降水数值预报订正任务设计自适应策略；其特征在于，具体步骤为：

(1)构建基于可形变卷积神经网络的空间尺度自适应选择模块S3M；该模块由三层的卷积块、两层的可形变卷积块和5个以温度T、压强P、湿度DT、风W和降水R命名的预测分支组成，每个分支由2层的浅层CNN模块和若干线性层组成，用来预测不同尺度下的5个历史变量结果；空间编码S-Encoder由三层的可形变卷积块和统一尺度的池化卷积块组成，用来捕获S3M得到的多尺度特征的空间特性并将多个尺度进行统一以便于在通道上进行拼接；

(2)构建基于三维卷积神经网络的时间尺度自适应选择模块TS2M；该模块由2层的三维CNN模块和5个以温度T、压强P、湿度DT、风W和降水R命名的预测分支组成；每个分支由2层的浅层CNN模块和若干线性层组成用来预测不同尺度下的5个历史变量结果；时间编码T-Encoder由三层的三维CNN模块组成，用来提取特征的时空特性用于降水订正预测；

(3)设计一个有雨/无雨二分类器和一个序回归模型，前者用于分类降水，后者用于回归降水；两者的向量乘积结果，即为订正后的降水值；

步骤(1)的具体流程为：

(a)根据切分步长κ，把每个站点对应的空间特征切分为给定的多个尺度，逐个输入到空间尺度自适应选择模块中，并经过5个以温度T、压强P、湿度DT、风W和降水R命名的预测分支，输出每个尺度的特征对应的5个历史气象量的预测值；

(b)计算每个气象量的损失函数，然后加权求和得到5个历史气象量在当前尺度下的损失函数，如此类推，计算得到每个给定尺度特征对应的损失；选取所有损失中的最小损失对应的空间尺度作为当前站点的最优空间尺度，并以此截取该站点的特征空间尺度，具体公式如下所示：

其中，S3M_(.)为某个气象量进入S3M的给定分支，这里D＝{T，P，DT，R}，为给定尺度所对应的特征元素，p_D和o_D为标签；KL(.)和CE(.)分别为Kullback-Leibler散度损失和交叉熵损失；为加权求和后得到的的S3M损失；然后对E在所有尺度集都计算选择所有中最小损失值所对应的尺度作为当前E的最优尺度

(c)对所有站点特征都执行流程步骤(1)-(a)～步骤(1)-(b)操作，然后把所有截取好的站点特征依次输入空间编码器，提取站点级的降水的最优空间特征；

步骤(2)的具体流程为：

(a)把步骤(1)-(c)中得到的空间特征通过时间滑窗方法截取，划分为多个子集，每个特征子集具有不同的时间序列长度，同步骤(1)-(a)做法类似，输出每个尺度的特征对应的5个历史气象量的预测值；

(b)计算每个气象量的损失函数，然后加权求和，得到5个历史气象量在当前序列下的损失，如此类推，得到每个给定特征子集对应的损失；所有损失中的最小损失对应的特征子集则拥有最优的时间尺度，依据最优时间尺度来选取站点级空间特征的时序长度，具体公式如下所示:

其中，T2SM_(.)为某个气象量进入T2SM的给定分支，这里D＝{T，P，DT，R},fa为某一特征子集，p_D、o_w、y_D和y_w为标签；除了KL(.)和CE(.)两个损失，这里还引入了平均绝对值误差MAE(.)；为加权求和后得到的fa对应的TS2M损失；依次对其他特征子集fa∈Ψ计算选择所有中最小损失值对应的特征子集则拥有最优的时间尺度，因此依据最优时间尺度来选取站点级空间特征的时序长度；

(c)对所有站点对应的空间特征都进行流程步骤(2)-(a)～步骤(2)-(b)操作，然后把选取好的站点级空间特征扔进时间编码器，提取站点级的降水的最优时空特征；

步骤(3)的具体流程为：

(a)首先利用浅层的CNN网络和FC层构造一个简单的有雨/无雨二分类器，用于分类当前站点是否下雨，得到每个站点有雨/无雨的二分类结果；

(b)将步骤(2)-(c)获得的站点级的最优时空特征输入到序回归模型去回归降水；

(c)把步骤(3)-(a)中站点的分类结果和步骤(3)-(b)中回归结果进行向量乘积：

其中，i是站点编号，t是站点的时间戳，是回归结果，是二分类结果，则是订正后的降水向量结果。