[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

说明书

本发明属于气象降水数值预报技术领域，具体为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。本发明方法针对降水数值预报订正任务设计自适应策略；具体步骤包括：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，以及与其对应的空间编码器，用于提取每个站点降水的最优空间特征；构建基于三维卷积神经网络的时间尺度自适应选择模块，以及与其对应的时间编码器，用于提取每个站点降水的最优时空特征；同时引入一个有雨/无雨二分类器和一个序回归模型，用于分类降水和回归降水；两者的向量乘积结果，即为订正后的降水值。定性定量实验证明，本发明可大大提升降水订正模型的订正准确率。

技术领域

本发明属于气象降水数值预报技术领域，具体涉及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。

背景技术

基于机器学习的气象降水数值预报订正是订正后处理领域的难点和热点之一。鉴于降水形成机理的复杂性和不确定性，气象数值预报模型如欧洲中心中尺度天气预报(ECMWF)的降水预报结果和实况降水有相当大的偏差。因此，我们可以引入一些统计学的模型，把这些降水结果作为统计模型的输入，同时借助给定降水输入相关的气象变量如温度、压强、湿度和风以及历史的降水观测来估计统计模型的参数，得到的后处理统计模型对新的降水预报结果进行订正，从而让这些结果更加接近于降水实况。目前该领域有不少前人工作，其主要的背景研究可以分为两大类：降水频数分布匹配方法(FMM)和多元线性回归方法(MLR)。以下是这两类研究的一些相关参考文献见〔1〕-〔14〕。

基于深度学习的气象降水数值预报订正领域近几年受到了广泛的关注。根据动力学和热力学理论分析可知：降水和与其主要相关的气象变量都具有时间和空间依赖性。因此基于卷积神经网络(CNN)和基于长短时记忆单元(LSTM)的降水订正方法可以分别提取气象变量的空间和时间相关性特征[8,9]，实验证明利用时空特征可以有效的提升降水订正模型的准确性。

但是单纯利用时空特征而不考虑每个订正时刻的站点级降水形成相关气象变量的空间尺度(如某站点降水相关云层的覆盖范围根据不同降水而不同)和时间尺度(如某时刻降水受到与其相关的历史气象变量和观测的时间范围根据降水时刻不同而不同)的变化，可能无法更准确且细粒度的学习每个站点级降水对应的时空特征，目前的深度方法几乎都没有去考虑这个问题，而是人为的固定某一个空间或时间尺度针对于所有站点降水相关的气象变量[11]。

为此，本发明目标是针对每个降水订正站点，提出一种自适应选择策略用来选择最适合这个站点降水订正的时空尺度，然后应用该尺度下气象变量来提升模型订正性能；并且在选择时空尺度的模块中引入可形变卷积(D-CNN)和三维卷积(3D-CNN)来分别提升站点级降水的空间和时间表征能力，相关消融、定性定量实验证明：本发明构造的SSAS模型可以通过自适应策略学习高层且有辨识度的时空特征用于降水订正，并提升降水订正模型的订正准确率。

1.G.Lenderink,A.Buishand,and W.Van Deursen,“Estimates of futuredischarges of the river rhine using two scenario methodologies:direct versusDelta approach,”Hydrology and Earth System Sciences Discussions,EuropeanGeosciences Union,vol.11, no.3,pp.1145–1159,2007.

2.R.Leander and T.A.Buishand,“Resampling of regional climate modeloutput for the simulation of extreme river flows,”Journal of Hydrology,vol.332,no.3-4, pp.487–496,2007.