[发明专利]一种基于多路混合神经网络大气水汽估算模型的大气水汽估算方法

说明书

本发明提供了一种基于多路混合神经网络大气水汽估算模型的大气水汽估算方法，包括：步骤1：获取GNSS大气水汽数据和获取地面气象数据；步骤2：对GNSS大气水汽数据和地面气象数据进行质量控制；步骤3：对质量控制后的大气水汽数据和地面气象数据进行数据预处理，得到预处理后的大气水汽数据和地面气象数据；步骤4：根据预处理后的大气水汽数据和地面气象数据，结合观测日期、时间和测站海拔高度，设计并训练多路混合神经网络大气水汽估算模型；步骤5：利用预处理后的地面气象数据，结合观测日期、时间和测站海拔高度，基于训练好的多路混合神经网络大气水汽估算模型，得到大气水汽的估算值，并对多路混合神经网络大气水汽估算精度进行评价。

技术领域

本发明涉及大气探测中大气水汽观测领域，尤其涉及一种基于多路混合神经网络大气水汽估算模型的大气水汽估算方法。

背景技术

水汽是大气的重要组成部分，含量虽少，却是天气变化和气候演变的主要驱动力，也是影响灾害性天气形成和发展的关键因子，但其变化迅速，时空分布差异复杂。作为直接观测手段的无线电探空受限于站网分布稀疏和观测时次较少等原因，资料的时空分辨率较低。GNSS/MET水汽观测技术的出现一定程度上提升了大气水汽观测时空分辨率，但大多数地区仍旧无法直接探测得到大气水汽数据，因此利用站网密度更大的地面气象数据估算大气水汽就成为一种可供选择的技术途径。

研究表明地面气象数据与大气水汽之间存在明显的相关性，可以利用地面气象数据估算大气水汽。但现有的大气水汽估算方法一般采用地面水汽压与大气水汽进行线性拟合或二次多项式等简单统计模型，仅体现了单一地面气象要素与大气水汽的关系，且未考虑地面气象要素与大气水汽在时序上的相关性，因此估算精度较低，均方根误差超过4mm。近年来，随着机器学习等现代信息技术的快速发展，部分研究人员引入神经网络等方法利用地面气象数据对大气水汽进行非线性建模估算，较明显提升了大气水汽的估算精度，但只考虑了地面气象要素与大气水汽之间的关系，未考虑观测日期、时间和测站海拔高度等非气象要素对大气水汽的影响。

发明内容

本发明的实施例提供了一种基于多路混合神经网络大气水汽估算模型的大气水汽估算方法，考虑到气象要素与大气水汽在时序上的关系，兼顾观测日期、时间和测站高度对大气水汽的影响，进一步提高了基于地面气象数据估算大气水汽的精度。

一种基于多路混合神经网络大气水汽估算模型的大气水汽估算方法，其特征在于，包括：

步骤1：获取GNSS大气水汽数据和获取地面气象数据；

步骤2：对所述GNSS大气水汽数据和所述地面气象数据进行质量控制，得到质量控制后的大气水汽数据和地面气象数据；

步骤3：对所述质量控制后的大气水汽数据和地面气象数据进行数据预处理，得到预处理后的大气水汽数据和地面气象数据；

步骤4：根据所述预处理后的大气水汽数据和地面气象数据，设计并训练多路混合神经网络大气水汽估算模型；

步骤5：利用所述预处理后的地面气象数据，结合观测日期、时间和测站海拔高度，基于训练好的多路混合神经网络大气水汽估算模型，得到大气水汽的估算值，并对多路混合神经网络模大气水汽估算精度进行评价。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例中，基于训练好的多路混合神经网络大气水汽估算模型，得到大气水汽的估算值，可以提高估计精度。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。