[发明专利]基于深度学习的降水预报订正方法及系统

说明书

本发明涉及一种基于深度学习的降水预报订正方法及系统，其中，降水预报订正方法包括：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。本发明通过选取适当的深度学习模型，并通过增加上下文信息以及改进权重等着重改进降水空间分布，通过调整损失函数和权重因子，着重订正大量级降水，解决普遍低估大值降水问题。

技术领域

本发明实施例涉及数据加密领域，尤其是一种基于深度学习的降水预报订正方法及系统。

背景技术

降水是全球水文循环的主要驱动因素之一，是调节气候系统的关键组成部分。在众多的自然灾害中，极端降水所引起的洪涝灾害是最严重的自然灾害，目前已经成为制约社会经济可持续发展的主要因素之一。高时空分辨率的定量降水估计对于极端天气预警至关重要，评估和减小降水的不确定性，成为极端气象灾害和极端水文灾害预警的重要研究方向。

由于降水在空间和时间上的变化较大，定量降水估计仍然是一个具有挑战性的问题，其中预报降水的偏差是影响水文预报结果的重要原因。目前常见的降水集合预报订正方法多基于数理统计方法，包括频率匹配、最优百分位、概率匹配平均、多模式动态权重集成、Analog历史相似法、逻辑回归法、贝叶斯模型平均法和非齐次回归等。但目前现有的降水订正方法，由于极端降水因样本数量有限和降水订正统计模型结构问题，存在普遍低估大值降水现象，这极大影响了集合预报降水在水文模拟中的应用。

发明内容

本发明实施例提供一种基于深度学习的降水预报订正方法及系统，以解决上述技术问题。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种基于深度学习的降水预报订正方法，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。

作为本发明的一种优选方案，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。

作为本发明的一种优选方案，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。

作为本发明的一种优选方案，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。

作为本发明的一种优选方案，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。

作为本发明的一种优选方案，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。

作为本发明的一种优选方案，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；