CN116679355A - 一种基于级联Attention-U-Net的降水预报订正方法 - Google Patents
一种基于级联Attention-U-Net的降水预报订正方法 Download PDFInfo
- Publication number
- CN116679355A CN116679355A CN202310519333.4A CN202310519333A CN116679355A CN 116679355 A CN116679355 A CN 116679355A CN 202310519333 A CN202310519333 A CN 202310519333A CN 116679355 A CN116679355 A CN 116679355A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- correction
- network
- net
- data
- 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.)
- Pending
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 136
- 238000012937 correction Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000005381 potential energy Methods 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人工智能领域，涉及一种基于级联Attention‑U‑Net的降水预报订正方法，包括：将数值预报中的降水量、温度和时次作为预测因子，划分降水数据；建立降水预报订正模型，包括降水分类网络和订正网络；根据降水划分数据训练降水分类网络，通过训练后的降水分类网络实现对格点降水情况的分类；用区域内对应的实况降水量数据训练订正网络，通过训练后的订正网络实现降水量订正，并评估降水订正效果。本发明针对降水预报本身的特点，采用级联Attention‑U‑Net模型对它们的数值预报进行了格点订正，减小模式与观测之间的误差，提高降水预报的准确性和可信度，同时也有助于提高天气预报产品的可靠性和应用价值。
Description
技术领域
本发明属于人工智能领域，涉及一种基于级联Attention-U-Net的降水预报订正方法。
背景技术
天气预报一直受到科学家的密切关注，因为它在农业、交通、社会和经济决策以及灾难预防等各个方面促进了人类的生活水平的提高。其中降水预报是天气预报中的最重要的任务之一，因为降水是引发干旱和洪涝的最主要气象因素，也是灾害性天气预警的关键技术。然而，数值预报模式在降水预测时易受大气初始状态和边界条件等因素影响，往往会导致模式预测结果存在误差。因此，开展降水预报订正技术研究非常重要，这对推动社会经济可持续发展和防灾减灾具有重要意义。
目前针对降水预报的技术方法是采用时空邻域概率的思路，将定量降水预报转换为概率预报，以应对模式降水预报的时空不确定性。但采用该技术方案释用后提供的仅仅是分级降水的概率预报场，并不能得到确定性的降水订正场，同样也无法体现极端的降水值，无法满足精细的定量降水预报服务需求。此外，降水的格点订正模型也受初始场、物理过程参数化、计算方案等因素的影响，数值预报存在***误差和随机误差，这也是影响降水等气象要素数值预报准确性的重要因素之一。
发明内容
为解决上述技术问题，本发明提出一种基于级联Attention-U-Net的降水预报订正方法，包括以下步骤：
S1：将数值预报中的降水量、温度和时次作为预测因子，对观测到的真实降水情况以时间间隔为n为格点划分降水数据；
S2：建立级联Attention-U-Net降水预报订正模型；所述级联Attention-U-Net降水预报订正模型包括：降水分类网络和订正网络；
S3：根据降水划分数据训练降水分类网络，通过训练后的降水分类网络实现对格点降水情况的分类；
S4：对有降水的区域，用区域内对应的实况降水量数据训练订正网络，通过训练后的订正网络实现降水区域的降水量订正，并计算TS评分评估订正降水区域的降水订正效果。
本发明的有益效果：
本发明针对降水预报本身的特点，采用级联Attention-U-Net模型对它们的数值预报进行了格点订正，减小模式与观测之间的误差，提高降水预报的准确性和可信度，同时也有助于提高天气预报产品的可靠性和应用价值。
附图说明
图1为本发明的一种基于级联Attention-U-Net的降水预报订正方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于级联Attention-U-Net的降水预报订正方法，包括：
S1：将数值预报中的降水量、温度和时次作为预测因子，对观测到的真实降水情况以时间间隔为n为格点划分降水数据；
S2：建立级联Attention-U-Net降水预报订正模型；所述级联Attention-U-Net降水预报订正模型包括：降水分类网络和订正网络；
S3：根据降水划分数据训练降水分类网络，通过训练后的降水分类网络实现对格点降水情况的分类；
S4：对有降水的区域，用区域内对应的实况降水量数据训练订正网络，通过训练后的订正网络实现降水区域的降水量订正，并计算TS评分评估订正降水区域的降水订正效果。
降水作为一个非连续性变量，模拟误差受地形影响但是分布并不均匀，如果将格点分别建模，可能会出现个别地区降水样本太少的情况，难以实现模型训练。本发明先对网格进行划分，判别某个区域是否降水；然后对有降水区域进行降水量回归订正。
将两个Attention-U-Net基础模型级联得到级联Attention-U-Net降水预报订正模型，其中两个Attention-U-Net基础模型分别代表降水分类网络和订正网络；
Attention U-Net网络结构能够很好地利用低层信息与高层的信息，AttentionU-Net借鉴了U-Net模型，其网络结构包括两个对称部分：前面一部分网络与普通卷积网络相同，使用了3x3的卷积和池化下采样，能够抓住图像中的上下文信息(也即像素间的关系)；后面部分网络则是与前面基本对称，使用的是3x3卷积和上采样，以达到图像分割的目的。与U-Net不同的是，在特征融合阶段，Attention U-Net在将下采样过程中产生的特征图并入上采样特征之前，添加了注意力门对其进行了加权处理，以提高任务相关区域的比重，从而达到更好的分割效果。
分类模型的损失函数采用Focal Loss，回归模型损失函数采用了Weighted Loss与Perceptual Loss。
Focal Loss：该损失函数可以自适应地降低“容易分辨”的样本权重，增加“难分辨”的样本权重，从而提高分类精度。
Weighted Loss：主要用于给不同降水情况赋予不同权重，使模型可以更加关注重点情况(降水)。
Perceptual Loss：该损失函数可以使回归模型输出的结果在肉眼上看起来更接近真实降水分布，避免模型机械式地降低loss而使结果看起来失真。
将气象要素输入第一个Attention U-Net，可以得到逐格点的有雨/无雨的概率，设置阈值大小为0.5，为概率大于0.5的为有雨，小于0.5的为无雨；然后，将分类特征与降水订正因子合并，输入第二个Attention U-Net结构进行降水量回归，输出层采用1x1卷积层，得到订正后的降水量。
解码实测站点的温度数据，插值至模式经纬度上，提取出其中各高度层温度相关变量，包括各高度层的温度、相对湿度、水汽密度、风速风向、空气阻力系数、摩擦速度、对流势能、对流抑制系数、水平水分散度、导出雷达反射率，将提取的数据作为降水订正因子，将订正因子和降水区域的预报数据输入订正网络进行降水量回归，输出订正后的降水量数据。
降水的TS评分可以反映预报模式对不同强度和范围的降水过程的捕捉能力，是一种综合性的评分指标。
计算TS评分，包括：
TS＝H/(H+M+F)
其中，TS表示订正效果TS评分，H表示观测和预报都有降水的网格数，M表示观测有降水而预报无降水的网格数，F表示观测无降水而预报有降水的网格数。
根据TS评分评估订正降水区域的降水订正效果，包括：
TS评分的值介于0和1之间，当预报的降水区域的降水量级与观测一致时，TS＝1，订正效果最好，当TS评分值越小，订正效果越差。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，包括：
S1：将数值预报中的降水量、温度和时次作为预测因子，对观测到的真实降水情况以时间间隔n为格点划分降水数据；
S2：建立级联Attention-U-Net降水预报订正模型；所述级联Attention-U-Net降水预报订正模型包括：降水分类网络和订正网络；
S3：根据降水划分数据训练降水分类网络，通过训练后的降水分类网络实现对格点降水情况的分类；
S4：对有降水的区域，用区域内对应的实况降水量数据训练订正网络，通过训练后的订正网络实现降水区域的降水量订正，并计算TS评分评估订正降水区域的降水订正效果。
2.根据权利要求1所述的一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，建立级联Attention-U-Net降水预报订正模型，包括：
将两个Attention-U-Net基础模型级联得到级联Attention-U-Net降水预报订正模型，其中两个Attention-U-Net基础模型分别代表降水分类网络和订正网络；
所述Attention-U-Net基础模型包括下采样部分、上采样部分和注意力门，所述下采样部分包括卷积层、批量归一化层、ReLU层和最大池化层，所述下采样部分与所述上采样部分结构对称；在将下采样过程中产生的特征图并入上采样特征之前，添加了注意力门对其进行了加权处理，用于提高任务相关区域的比重。
3.根据权利要求1所述的一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，根据预报数据和降水划分数据训练降水分类网络，包括：
将预报数据和降水划分数据作为训练标签输入降水分类网络，以FocalLoss作为降水分类网络的损失函数进行网络的训练，当降水分类网络的FocalLoss损失函数损失最小时，固定网络参数，完成降水分类网络训练。
4.根据权利要求1所述的一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，通过训练后的降水分类网络实现对格点降水情况的分类，包括：
将气象要素输入训练后的降水分类网络，得到网格区域内逐格点的有雨/无雨的概率，设置阈值大小为0.5，当概率大于0.5的格点标记有雨，小于0.5的格点标记无雨。
5.根据权利要求1所述的一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，用实况降水量数据训练订正网络，包括：
将实况降水量数据作为训练标签输入订正网络，以Weighted Loss与Perceptual Loss联合损失作为降水分类网络的损失函数进行网络的训练，当降水分类网络的联合损失函数损失最小时，固定网络参数，完成订正网络训练。
6.根据权利要求1所述的一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，通过训练后通过训练后的订正网络实现降水区域的降水量订正，包括：
解码实测站点的温度数据，插值至模式经纬度上，提取出其中各高度层温度相关变量，包括各高度层的温度、相对湿度、水汽密度、风速风向、空气阻力系数、摩擦速度、对流势能、对流抑制系数、水平水分散度、导出雷达反射率，将提取的数据作为降水订正因子，将订正因子和降水区域的预报数据输入订正网络进行降水量回归，输出订正后的降水量数据。
7.根据权利要求1所述的一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，计算TS评分，包括：
TS＝H/(H+M+F)
其中，TS表示订正效果TS评分，H表示观测和预报都有降水的网格数，M表示观测有降水而预报无降水的网格数，F表示观测无降水而预报有降水的网格数。
8.根据权利要求1所述的一种基于级联Attention-U-Net的降水预报订正方法，其特征在于，根据TS评分评估订正降水区域的降水订正效果，包括：
TS评分的值介于0和1之间，当预报的降水区域的降水量级与观测一致时，TS＝1，订正效果最好，当TS评分值越小，订正效果越差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519333.4A CN116679355A (zh) | 2023-05-09 | 2023-05-09 | 一种基于级联Attention-U-Net的降水预报订正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519333.4A CN116679355A (zh) | 2023-05-09 | 2023-05-09 | 一种基于级联Attention-U-Net的降水预报订正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679355A true CN116679355A (zh) | 2023-09-01 |
Family
ID=87779962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310519333.4A Pending CN116679355A (zh) | 2023-05-09 | 2023-05-09 | 一种基于级联Attention-U-Net的降水预报订正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679355A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117950088A (zh) * | 2024-03-26 | 2024-04-30 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
-
2023
- 2023-05-09 CN CN202310519333.4A patent/CN116679355A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117950088A (zh) * | 2024-03-26 | 2024-04-30 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
| CN117950088B (zh) * | 2024-03-26 | 2024-06-04 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| CN113496104A (zh) | 基于深度学习的降水预报订正方法及*** | |
| CN113592132B (zh) | 一种基于数值天气预报和人工智能的降水客观预报方法 | |
| CN108646319A (zh) | 一种短时强降雨预报方法及*** | |
| CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN116679355A (zh) | 一种基于级联Attention-U-Net的降水预报订正方法 | |
| CN113496310A (zh) | 基于深度学习模型的大气污染物预测方法和*** | |
| CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN117290810B (zh) | 基于循环卷积神经网络的短时强降水概率预报融合方法 | |
| CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
| CN110619433A (zh) | 电网暴雨数值模式参数化方案的快速选择方法及*** | |
| CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及*** | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和*** | |
| CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN115980885A (zh) | 基于集合预报的降水预报偏差校正方法 | |
| CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
| Haas et al. | Decadal predictability of regional-scale peak winds over Europe using the Earth System Model of the Max-Planck-Institute for Meteorology | |
| CN112348062A (zh) | 气象图像预测方法、装置、计算机设备和存储介质 | |
| JP2020111892A (ja) | 流量予測装置及び流量予測方法 | |
| CN114563834B (zh) | 一种数值预报产品解释应用方法及*** | |
| CN110866639B (zh) | 一种热带气旋降雨预报方法、***及电子设备 | |
| CN117434624B (zh) | 一种基于语义分割的强对流天气识别和发展预判方法 | |
| CN110727719A (zh) | 一种基于动力松弛逼近的闪电定位资料同化方法 |
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 |