CN112215393B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112215393B CN112215393B CN202010890673.4A CN202010890673A CN112215393B CN 112215393 B CN112215393 B CN 112215393B CN 202010890673 A CN202010890673 A CN 202010890673A CN 112215393 B CN112215393 B CN 112215393B
- Authority
- CN
- China
- Prior art keywords
- precipitation
- space
- scale
- time
- loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 12
- 238000012937 correction Methods 0.000 title abstract description 42
- 238000012805 post-processing Methods 0.000 title abstract description 8
- 238000001556 precipitation Methods 0.000 claims abstract description 85
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims 1
- 238000011176 pooling Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000874 microwave-assisted extraction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
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。
Description
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.
3.J.-P.Vidal and S.Wade,“A framework for developing high-resolutionmulti-model climate projections:21st century scenarios for the UK,”International Journal of Climatology:A Journal of the Royal MeteorologicalSociety,vol.28,no. 7,pp.843–858,2008.
4.L.J.Wilson and M.Valle′e,“The Canadian updateable model outputstatistics (UMOS)system:design and development tests,”Weather andForecasting,vol.17,no. 2,pp.206–222,2002.
5.Q.Mao,R.T.McNider,S.F.Mueller,and H.-M.H.Juang,“An optimal modeloutput calibration algorithm suitable for objective temperature forecasting,”Weather and Forecasting,vol.14,no.2,pp.190–202,1999.
6.S.Moghim and R.L.Bras,“Regression-based regionalization for biascorrection of temperature and precipitation,”International Journal ofClimatology,vol.39, no.7,pp.3298–3312,2019.
7.S.Hochreiter and J.Schmidhuber,“Long short-term memory,”NeuralComputation,vol.9,no.8,pp.1735–1780,1997.
8.C.-J.Zhang,J.Zeng,H.-Y.Wang,L.-M.Ma,and H.Chu,“Correction model forrainfall forecasts using the LSTM with multiple meteorological factors,”Meteorological Applications,vol.27,no.1,p.e1852,2020.
9.Q.Miao,B.Pan,H.Wang,K.Hsu,and S.Sorooshian,“Improving monsoonprecipitation prediction using combined convolutional and long short termmemory neural network,”Water,vol.11,no.5,p.977,2019.
10.H.-U.Kim and T.-S.Bae,“Preliminary study of deep learning-basedprecipitation,”Journal of the Korean Society of Surveying,Geodesy,Photogrammetry and Cartography,vol.35,no.5,pp.423–430,2017.
11.X.Xu,Y.Liu,H.Chao,Y.Luo,H.Chu,L.Chen,J.Zhang,and L.Ma,“Towards aprecipitation bias corrector against noise and maldistribution,”ArXivPreprint ArXiv:1910.07633,2019.
12.T.Bergeron,“ECMWF forecast user guide.”https://www.ecmwf.int/en/about/media-centre/focus/user-guide-ecmwf-forecast-products,2019.
13.S.Moghim and R.L.Bras,“Regression-based regionalization for biascorrection of temperature and precipitation,”International Journal ofClimatology, vol.39,no.7,pp.3298–3312,2019.。
发明内容
本发明的目的在于提出一种订正准确率高的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。
本发明首先设计基于自适应时空尺度选择的降水数值预报后处理订正模型，记为网络 SSAS；该模型包括：
基于可形变卷积神经网络的空间尺度自适应选择模块(S3M)，结构如图2所示，模块由三层的卷积块(CNN Block)、两层的可形变卷积块(Deformable Block)和5个以温度(T)、压强(P)、湿度(DT)、风(W)和降水(R)命名的预测分支组成，每个分支由2层的浅层CNN模块和若干线性层组成，用来预测不同尺度下的5个变量结果。空间编码(图1S-Encoder部分)由三层的可形变卷积块(Deformable Block)和统一尺度的池化卷积块(Uni-scaleCNN) 组成，用来捕获S3M得到的多尺度特征的空间特性并将多个尺度进行统一以便于在通道上进行拼接。
基于三维卷积神经网络的时间尺度自适应选择模块(TS2M)，结构如图3所示，模块由2层的三维CNN(3D-CNN)模块和(1)中提到的T/P/DT/W/R五个分支组成，每个分支由2层的浅层CNN模块和若干线性层组成用来预测不同尺度下的5个历史变量结果。时间编码(图1T-Encoder部分)由三层的三维CNN(3D-CNN)模块组成用来提取特征的时空特性用于降水订正预测。
此外，还引入一个有雨/无雨二分类器(RRC)[11]，一个序回归(OR)模型[11]，前者用于分类降水，后者用于回归降水；两者的向量乘积结果，即为订正后的降水值。
本发明根据站点级任务指定的自适应策略，构造时间和空间的模块来辅助其自适应的选择特征的时空尺度，从而有效地学习高层且有辨识度的时空特征用于降水订正，本发明在两个自适应选择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；并利用序回归(OR)模型回归降水，作用为缓解降水本身的大跨度取值和长尾分布带来的误差；同时设计一个有雨/无雨二分类器(RRC)用于分类降水，回归和分类的乘积结果即为订正后的降水值。
本发明提供的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，针对降水数值预报订正任务设计自适应策略；具体步骤为：
(1)构建基于可形变卷积神经网络(D-CNN)的空间尺度自适应选择模块(S3M)，以及与其对应的空间编码器(S-Encoder)，用于提取每个站点降水的最优空间特征；
(2)构建基于三维卷积神经网络(3D-CNN)的时间尺度自适应选择模块(TS2M)，以及与其对应的时间编码器(T-Encoder)，用于提取每个站点降水的最优时空特征；
(3)引入一个有雨/无雨二分类器(RRC)和一个序回归(OR)模型，前者用于分类降水，后者用于回归降水；两者的向量乘积结果，即为订正后的降水值。
本发明中，步骤(1)的具体流程参见如图2所示，具体流程为：
(a)根据切分步长κ，把每个站点对应的空间特征切分为给定的多个尺度，逐个输入到空间尺度自适应选择模块(S3M)中，并经过以温度(T)、压强(P)、湿度(DT)、风(W)和降水(R)命名的五个S3M分支，输出每个尺度的特征对应的5个基本气象量的预测值；
(b)计算每个基本气象量的损失函数，然后加权求和得到5个气象量在当前尺度下的损失函数，如此类推，可计算得到每个给定尺度特征对应的损失；选取所有损失中的最小损失对应的空间尺度作为当前站点的最优空间尺度，并以此截取该站点的特征空间尺度，具体公式如下所示:
其中，S3M(.)为某个气象量进入S3M的给定分支，这里，D＝{T，P，DT，R}，
为给定尺度
所对应的特征元素，pD和oD为标签；KL(.)和CE(.)分别为Kullback-Leibler散度损失和交叉熵损失；
为加权求和后得到的
的S3M损失；然后对E在所有尺度集
都计算
选择所有
中最小损失值所对应的尺度作为当前E的最优尺度
(c)对所有站点特征都执行(a)-(b)操作，然后把所有截取好的站点特征依次输入空间编码器(S-Encoder)，提取站点级的降水的最优空间特征。参见图1所示。
本发明中，步骤(2)的具体流程参见如图3所示，具体流程为：
(a)把步骤(1)-(c)中得到的空间特征通过时间滑窗方法截取，划分为多个子集，每个特征子集具有不同的时间序列长度，输出每个尺度的特征对应的5个基本气象量的预测值；
(b)计算每个基本气象量的损失函数，然后加权求和得到5个气象量在当前序列下的损失，如此类推，可得每个给定特征子集对应的损失；所有损失中的最小损失对应的特征子集则拥有最优的时间尺度，因此依据最优时间尺度来选取站点级空间特征的时序长度，具体公式如下所示：
其中，T2SM(.)为某个气象量进入T2SM的给定分支，这里D＝{T，P，DT，R},fa为某一特征子集，pD、ow、yD和yw为标签；除了KL(.)和CE(.)两个损失，这里还引入了平均绝对值误差 MAE(.)；
为加权求和后得到的fa对应的TS2M损失；依次对其他特征子集fa∈Ψ计算
选择所有
中最小损失值对应的特征子集则拥有最优的时间尺度，因此依据最优时间尺度来选取站点级空间特征的时序长度；
(c)对所有站点对应的空间特征都进行(a)-(b)操作，然后把选取好的站点级空间特征扔进时间编码器(T-Encoder)提取站点级的降水的最优时空特征；如图1所示。
本发明中，步骤(3)的具体流程为：
(a)首先利用浅层的CNN网络和FC层构造一个简单的有雨/无雨二分类器(RRC)，用于分类当前站点是否下雨，从而得到每个站点有雨/无雨的二分类结果；如图1所示；
(b)将步骤(2)-(c)获得的站点级的最优时空特征输入到序回归(OR)模型，来回归降水，OR是一种分级学习模型，可以把降水回归任务根据取值区间划分成多个二分类任务，从而简化任务难度且一定程度上缓解了降水本身的大跨度取值和长尾分布的问题；如图4所示；
(c)把(a)中站点的分类结果和(b)中回归结果进行向量乘积：
其中，i是站点编号，t是站点的时间戳，
是回归结果，
是二分类结果，
则是订正后的降水向量结果。
相关消融、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。
附图说明
图1为本发明模型(SSAS)结构示意图。
图2为空间尺度自适应选择模块(S3M)结构示意图。
图3为时间尺度自适应选择模块(TS2M)结构示意图。
图4为序回归(OR)模型结构示意图。
图5为本发明方法与其他4种已有方法在公共数据集HR-ECb的降水订正对比实验的可视化展示。本图按行共呈现了2个实例(2个选定时间戳订正结果集)的订正对比结果；按列从左到右的订正结果对应的订正方法依次为：订正前的降水预报结果(IFS-LP)、多元线性回归 (MLR)、卷积长短记忆单元(ConvLSTM)、序提升自编码器(OBA)、本发明SSAS以及实况降水结果(GT)。最右边的色标条根据不同的降水强度范围对订正结果图进行填色。
具体实施方式
1、本发明实验例使用的两个公共数据集及其两个数据子集：(1)HR-ECb数据集的采集来自于欧洲中心中尺度天气预报(ECMWF)，其包含613个气象预报变量(经过皮尔森选取与降水相关的主要气象变量)，数据集由空间分辨率为0.125°×0.125°，时间分辨率为3小时的细网格组成。(2)ERA5b数据集通过利用历史观测和降水对应的历史雷达卫星数据重分析得到，其时空分辨率为0.25°×0.25°&1小时。为了尽可能得到降水分布稠密的数据样本，对于 HR-ECb和ERA5b，我们均选取其2016-2018年的7-9月(雨季频繁月份)共9个月用于训练和测试。其中训练集和测试集的样本分布比率均为70％:20％。为了测试本发明对于中/大降水(中降水取值区间：[1,10]mm；大降水取值区间为10mm以上)的订正性能，从HR-ECb中筛选了 (3)仅包含中降水的子集HR-ECbM和(4)仅包含大降水的子集HR-ECbH。对于HR-ECb，单个站点级样本的大小为57(通道数据)×6(时间序列长度)×29×29(网格大小)，ERA5b则为 27×6×16×16。
2、在本发明实验例中，空间尺度自适应选择模块(S3M)和空间编码器(S-Encoder)所用均为4层的可形变卷积(D-CNN)，卷积核尺寸为3或1，通道数分别为256、128、64、64；时间尺度自适应选择模块(TS2M)和时间编码器(T-Encoder)所用均为2层的三维卷积 (3D-CNN)，卷积核尺寸均为3，深度为2，通道数均为64，SSAS所有实验的网络学习率0.001，信号丢失(dropout)率和权重惩罚(weightdecay)分别为0.3和0.0001，训练60次后停止训练，训练和测试的批大小(BatchSize)分别为256和64。
3、在本发明的实验中，采用平均绝对误差(MAE)和降水平均误差(RMAE)、以及气象订正精度衡量标准TS(Threat Score)作为评估标准，前两种评估公式可定义为：
其中，N为当前批样本中的站点个数，yi为i站点的真实降水值，y′i为站点的订正降水值， yri和yr′i为不包含0降水(无雨样本)的MAE中的真实降水和订正降水。对于TS标准公式可定义为：
其中，Hρ表示批样本中订正降水>＝ρ且实际降水＞＝ρ的样本个数，Mρ表示批样本中订正降水<ρ且实际降水＞＝ρ的样本个数，FAρ表示批样本中订正降水＞＝ρ且实际降水＜ρ的样本个数，这里ρ取值为0.1、1和10。
对比实验例1：SSAS方法与其他6种方法在两个公共数据集上的降水订正性能对比，见表 1。表中订正方法从上到下依次为：订正前的降水预报结果(IFS-LP)、多元线性回归(MLR)、 3层朴素人工神经网络(ANN)、卷积神经网络(CNN)、卷积长短时记忆单元(ConvLSTM)、序提升自编码器(OBA)和本发明方法SSAS。
表1
对比实验例2：SSAS方法与其他3种方法在两个纯降水数据集下的降水订正性能对比，见表2。表中订正方法从上到下依次为：长短时记忆单元(LSTM)、卷积神经网络(CNN)、序提升自编码器(OBA)和本发明方法SSAS。
表2
从上面的两张表实验结果以及图5的可视化结果可以看出，本发明提出的降水数值预报订正模型SSAS在所有的实验公共数据集上取得了最好的性能。
Claims (1)
1.一种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，针对降水数值预报订正任务设计自适应策略；其特征在于，具体步骤为：
(1)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S3M；该模块由三层的卷积块、两层的可形变卷积块和5个以温度T、压强P、湿度DT、风W和降水R命名的预测分支组成，每个分支由2层的浅层CNN模块和若干线性层组成，用来预测不同尺度下的5个历史变量结果；空间编码S-Encoder由三层的可形变卷积块和统一尺度的池化卷积块组成，用来捕获S3M得到的多尺度特征的空间特性并将多个尺度进行统一以便于在通道上进行拼接；
(2)构建基于三维卷积神经网络的时间尺度自适应选择模块TS2M；该模块由2层的三维CNN模块和5个以温度T、压强P、湿度DT、风W和降水R命名的预测分支组成；每个分支由2层的浅层CNN模块和若干线性层组成用来预测不同尺度下的5个历史变量结果；时间编码T-Encoder由三层的三维CNN模块组成，用来提取特征的时空特性用于降水订正预测；
(3)设计一个有雨/无雨二分类器和一个序回归模型，前者用于分类降水，后者用于回归降水；两者的向量乘积结果，即为订正后的降水值；
步骤(1)的具体流程为：
(a)根据切分步长κ，把每个站点对应的空间特征切分为给定的多个尺度，逐个输入到空间尺度自适应选择模块中，并经过5个以温度T、压强P、湿度DT、风W和降水R命名的预测分支，输出每个尺度的特征对应的5个历史气象量的预测值；
(b)计算每个气象量的损失函数，然后加权求和得到5个历史气象量在当前尺度下的损失函数，如此类推，计算得到每个给定尺度特征对应的损失；选取所有损失中的最小损失对应的空间尺度作为当前站点的最优空间尺度，并以此截取该站点的特征空间尺度，具体公式如下所示：
其中，S3M(.)为某个气象量进入S3M的给定分支，这里D＝{T，P，DT，R}，
为给定尺度
所对应的特征元素，pD和oD为标签；KL(.)和CE(.)分别为Kullback-Leibler散度损失和交叉熵损失；
为加权求和后得到的
的S3M损失；然后对E在所有尺度集
都计算
选择所有
中最小损失值所对应的尺度作为当前E的最优尺度
(c)对所有站点特征都执行流程步骤(1)-(a)～步骤(1)-(b)操作，然后把所有截取好的站点特征依次输入空间编码器，提取站点级的降水的最优空间特征；
步骤(2)的具体流程为：
(a)把步骤(1)-(c)中得到的空间特征通过时间滑窗方法截取，划分为多个子集，每个特征子集具有不同的时间序列长度，同步骤(1)-(a)做法类似，输出每个尺度的特征对应的5个历史气象量的预测值；
(b)计算每个气象量的损失函数，然后加权求和，得到5个历史气象量在当前序列下的损失，如此类推，得到每个给定特征子集对应的损失；所有损失中的最小损失对应的特征子集则拥有最优的时间尺度，依据最优时间尺度来选取站点级空间特征的时序长度，具体公式如下所示:
其中，T2SM(.)为某个气象量进入T2SM的给定分支，这里D＝{T，P，DT，R},fa为某一特征子集，pD、ow、yD和yw为标签；除了KL(.)和CE(.)两个损失，这里还引入了平均绝对值误差MAE(.)；
为加权求和后得到的fa对应的TS2M损失；依次对其他特征子集fa∈Ψ计算
选择所有
中最小损失值对应的特征子集则拥有最优的时间尺度，因此依据最优时间尺度来选取站点级空间特征的时序长度；
(c)对所有站点对应的空间特征都进行流程步骤(2)-(a)～步骤(2)-(b)操作，然后把选取好的站点级空间特征扔进时间编码器，提取站点级的降水的最优时空特征；
步骤(3)的具体流程为：
(a)首先利用浅层的CNN网络和FC层构造一个简单的有雨/无雨二分类器，用于分类当前站点是否下雨，得到每个站点有雨/无雨的二分类结果；
(b)将步骤(2)-(c)获得的站点级的最优时空特征输入到序回归模型去回归降水；
(c)把步骤(3)-(a)中站点的分类结果和步骤(3)-(b)中回归结果进行向量乘积：
其中，i是站点编号，t是站点的时间戳，
是回归结果，
是二分类结果，
则是订正后的降水向量结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010890673.4A CN112215393B (zh) | 2020-08-29 | 2020-08-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010890673.4A CN112215393B (zh) | 2020-08-29 | 2020-08-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112215393A CN112215393A (zh) | 2021-01-12 |
| CN112215393B true CN112215393B (zh) | 2022-06-21 |
Family
ID=74059529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010890673.4A Active CN112215393B (zh) | 2020-08-29 | 2020-08-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215393B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113341419B (zh) * | 2021-05-25 | 2022-11-01 | 成都信息工程大学 | 基于VAN-ConvLSTM的天气外推方法及*** |
| CN113496104B (zh) * | 2021-07-16 | 2024-03-22 | 中科技术物理苏州研究院 | 基于深度学习的降水预报订正方法及*** |
| CN114325879B (zh) * | 2021-12-20 | 2022-09-30 | 广东省气象台(南海海洋气象预报中心) | 一种基于分级概率的定量降水订正方法 |
| CN115436814A (zh) * | 2022-10-17 | 2022-12-06 | 吉林大学 | 一种锂离子电池剩余寿命的概率预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
| CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及*** |
| CN111105068A (zh) * | 2019-11-01 | 2020-05-05 | 复旦大学 | 基于序回归学习的数值模式订正的方法 |
-
2020
- 2020-08-29 CN CN202010890673.4A patent/CN112215393B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227041A (zh) * | 2017-12-27 | 2018-06-29 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
| CN110472762A (zh) * | 2018-05-11 | 2019-11-19 | 中国电力科学研究院有限公司 | 一种网格化降水的订正方法及*** |
| CN111105068A (zh) * | 2019-11-01 | 2020-05-05 | 复旦大学 | 基于序回归学习的数值模式订正的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器学习模型的青藏高原日降水数据的订正研究;陈浩等;《冰川冻土》;20170615(第03期);583-592 * |
| 基于雨量分级回归分析的站点日降水量预报订正;王姝苏等;《气象科技》;20200630;421-427 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112215393A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112215393B (zh) | 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 | |
| Yu et al. | Comparison of random forests and support vector machine for real-time radar-derived rainfall forecasting | |
| CN114254561B (zh) | 一种内涝预测方法、***及存储介质 | |
| Marofi et al. | Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| Alamgir et al. | Downscaling and projection of spatiotemporal changes in temperature of Bangladesh | |
| Tang et al. | SC-earth: a station-based serially complete earth dataset from 1950 to 2019 | |
| CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
| CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
| CN111882128B (zh) | 基于tcn的汛期气候趋势预测方法 | |
| CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
| Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
| CN114861840A (zh) | 一种多源降水数据融合方法 | |
| Duan et al. | Temperature forecasting for stored grain: A deep spatiotemporal attention approach | |
| CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
| CN115526413A (zh) | 一种基于全连接神经网络日最高气温的预报方法 | |
| CN114120137B (zh) | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 | |
| Sha et al. | Deep-learning-based precipitation observation quality control | |
| CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
| Zhan et al. | Daily rainfall data construction and application to weather prediction | |
| Pandey et al. | Weather Forecast through Data Mining | |
| Li et al. | Deepphysinet: Bridging deep learning and atmospheric physics for accurate and continuous weather modeling | |
| Jonnalagadda et al. | Spatial-Temporal Forecast of the probability distribution of Oceanic Nino Index for various lead times. | |
| Shi et al. | Multivariate multi-step agrometeorological forecast model for rapid spray |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |