[发明专利]基于深度学习的降水预报订正方法及系统

权利要求书

1.一种基于深度学习的降水预报订正方法，其特征在于，包括：

对观测降水及模式输出降水预报数据利用时空插值方法进行前处理，以使所述预报数据具有相同的时空分辨率；

将分别可表征水汽特征和垂直运动特征的卫星数据输入循环神经网络中提取其时序特征；

将具有相同的时空分辨率的所述预报数据、所述时序特征和DEM数据输入卷积神经网络中，并定义卷积神经网络中损失函数的权重因子，经模型训练后订正所述预报数据得到订正降水结果；

对订正降水结果进行数据检验评估。

2.根据权利要求1所述的基于深度学习的降水预报订正方法，其特征在于，所述预报数据包括降水误差分布特征和对径流模拟的影响特征。

3.根据权利要求2所述的基于深度学习的降水预报订正方法，其特征在于，所述定义卷积神经网络中损失函数的权重因子中，所述损失函数L_estimation＝面雨量相对误差L_RE+空间相关系统L_CC，其中，

其中，n为事件的总数，O_i和S_i分别为第i对被检验的观测降水和降水预报量，和分别是观测降水和降水预报量的平均值。

4.根据权利要求3所述的基于深度学习的降水预报订正方法，其特征在于，所述卷积神经网络订正所述预报数据时，还获取降水空间分布信息。

5.根据权利要求4所述的基于深度学习的降水预报订正方法，其特征在于，所述卷积神经网络中设置有涡旋池化模块，所述卷积神经网络获取所述降水空间分布信息时，通过所述涡旋池化模块获取上下文信息。

6.根据权利要求5所述的基于深度学习的降水预报订正方法，其特征在于，所述卷积神经网络订正所述预报数据前，将观测降水作为标签进行模型训练并保留模型训练参数。

7.根据权利要求1所述的基于深度学习的降水预报订正方法，其特征在于，所述对订正降水结果进行数据检验评估具体包括：

通过预定评分策略对订正降水结果的预报能力进行确定性检验评估；

通过概率运算对订正降水结果的预报能力进行概率性检验评估。

8.根据权利要求7所述的基于深度学习的降水预报订正方法，其特征在于，所述预定评分策略包括分别对公正预报率ETS、频率偏差Frequency Bias、命中率POD和假警率FAR进行计算评估，计算公式具体如下：

其中，H表示正确预报的格点数，M表示漏报格点数，F表示空报格点数，C表示正确预报出未存在降水事件格点数。

9.根据权利要求8所述的基于深度学习的降水预报订正方法，其特征在于，所述通过概率运算对订正降水结果的预报能力进行概率性检验评估具体包括：

比较订正降水结果中的集合成员的集合离散度与集合平均的均方根误差后，分析集合离散度误差关系以检验集合成员的离散状态，其中，

将f_i(n)记为第i个样本的第n个集合成员的预报值，其中i＝1,2,3,…,M；n＝1,2,3,…,N；M为总的样本数，N为集合成员数，将_i记为第i个样本的观测，计算公式具体如下：

采用的集合平均为，

均方根误差为，

集合离散度为，

根据命中率和假警率的计算结果绘制受试者工作特征曲线以判断预报技巧；

基于BS评分结果进行BSS评分计算以对预报概率和实际发生概率进行比较，其中，

将P_i记为样本i的预报概率，将O_i记为样本i实际发生概率，计算公式具体如下：

BS评分为，

BSS评分为，

10.一种基于深度学习的降水预报订正系统，其特征在于，包括：

预处理单元，用于对观测降水及模式输出降水预报数据进行前处理，以使所述预报数据具有相同的时空分辨率；

循环神经网络，用于接收分别可表征水汽特征和垂直运动特征的卫星数据以提取其时序特征；

卷积神经网络，用于接收具有相同的时空分辨率的所述预报数据、所述时序特征和DEM数据，并对损失函数的权重因子进行定义，以在经模型训练后订正所述预报数据得到订正降水结果；以及，

检验评估单元，用于对订正降水结果进行数据检验评估。