[发明专利]一种基于深度学习的气象数据空间插值精细化方法及系统

权利要求书

1.一种基于深度学习的气象数据空间插值精细化方法，其特征在于，所述方法包括：

确定待分析区域的边界数据；

获取所述待分析区域中对应于气象站点的空间数据与气象数据；

基于所述空间数据生成待插值网格点图；

基于所述气象数据，采用薄板样条函数法对所述待插值网格点图进行空间插值，得到对应于所述待分析区域的网面数据；

基于所述网面数据生成对应于所述待分析区域的降水量空间分布图及气温空间分布图。

2.根据权利要求1所述的基于深度学习的气象数据空间插值精细化方法，其特征在于，所述基于所述空间数据生成待插值网格点图，包括：

基于所述空间数据确定空间插值的精度指标，所述精度指标包括网格点的密度与分辨率；

基于所述精度指标生成初始待插值网格点图，所述初始待插值网格点图的网格点分布均匀，网格间距相等，且每一所述网格点的平面坐标为(x_i，y_i)，i＝1，2，3，……，n，其中，n为网格序号；

对所述初始待插值网格点图中存在于所述待分析区域之外的冗余网格点进行剔除，得到对应于所述待分析区域的所述待插值网格点图。

3.根据权利要求2所述的基于深度学习的气象数据空间插值精细化方法，其特征在于，所述基于所述气象数据，采用薄板样条函数法对所述待插值网格点图进行空间插值，得到对应于所述待分析区域的网面数据，包括：

基于每一所述气象站点对应的气象数据及平面坐标(x_j，y_j)，j＝1，2，3，……，m，其中，m为气象站点序号，由以下公式推出每一所述网格点的气象数据z(x，y)：

其中，‖*‖表示欧几里得范数，c_i为系数，为薄板样条函数法的核函数，其值为：

r_i＝(x-x_i)²+(y-y_i)²。

4.根据权利要求3所述的基于深度学习的气象数据空间插值精细化方法，其特征在于，采用薄板样条函数法构造一个平面对每一所述气象站点进行拟合，并基于若干所述气象站点组合而成的样条，优化得到逼近每一所述气象站点对应的控制点且曲率最小的光滑平面，作为所述网面数据，其中，所述光滑平面的光滑参数由广义交叉验证法的最小化或广义最大似然的最小化所确定；

假设在所述待分析区域内分布有t个对应于气象站点的控制点，构成已知点集p_i，i＝1，2，3，……，t，则每一所述控制点的坐标为(x_i，y_i，z(x_i，y_i))，且当z(x_i，y_i)具有二次连续导数时，其能量函数如下：

再采用薄板样条函数法确定所述能量函数的最小化：

Z_tps＝argminE。

5.根据权利要求1所述的基于深度学习的气象数据空间插值精细化方法，其特征在于，所述基于所述网面数据生成对应于所述待分析区域的降水量空间分布图及气温空间分布图，包括：

基于对地理信息系统及国家气象行业标准，采用深度学习算法构造图例生成模型；

预设色域范围与历史气象图像对所述图例生成模型进行训练；

采用所述图例生成模型处理所述网面数据，得到所述降水量空间分布图及所述气温空间分布图；

其中，所述降水量空间分布图采用所述色域范围内不同的色彩表征各区域的降水量数值；以及，所述气温空间分布图采用所述色域范围内不同的色彩表征各区域的气温数值。