CN109447260A - 一种基于深度学习的局地数值天气预报产品订正方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的局地数值天气预报产品订正方法，包括：根据历史数值天气预报产品和对应的历史站点观测数据，构建训练数据集；根据所述训练数据集对深度学习网络模型进行训练，得到订正模型；提取实时数值天气预报产品预报场数据片段作为输入数据输入所述订正模型，并通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果。本发明利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力，基于多个站点实际观探测数据订正数值天气预报产品要素值，克服了现有技术存在的问题。

Description

一种基于深度学习的局地数值天气预报产品订正方法

技术领域

本发明属于气象技术领域，尤其涉及一种基于深度学习的局地数值天气预报产品订正方法。

背景技术

在现代天气预报业务中，数值天气预报具有越来越重要的地位，数值天气预报是根据大气实际情况，在一定初值和边值条件下，通过数值计算，求解描写天气演变过程的流体力学和热力学方程组，并对未来做出定量和客观的预报。通过数值预报方法获得的各种分析和预报产品称为数值天气预报产品。

随着数值天气预报的发展，包括温、压、湿、风等气象要素均可通过数值天气预报产品获取未来数小时至数十小时的预报结论。全世界已有30多个国家和地区具备数值天气预报制作能力。随着预报模式和同化技术的发展、高性能计算能力的提升，数值预报的时效和精度不断提高。

目前具有代表性、应用广泛的数值预报产品包括欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、日本气象厅、德国气象局、以及中国国家气象中心在内的多个气象机构均发布自己制作的数值天气预报产品，并通过多种方式压缩后向用户进行广播。解码后的数值天气预报数据部分的一般形式为按要素类别、层次、经度、纬度、要素值顺序叠加的二进制数据。

由于数值天气预报产品是理论计算的产物，因此在实际使用过程中由于系统偏差、局地影响等因素会造成数值天气预报结果与实际观测值形成一定的偏离，可以依靠人工手段进行订正站点预报结果，但修正过程需要积累大量的历史站点观测数据，这项工作会消耗大量人力且无法实现较大区域的修正。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于深度学习的局地数值天气预报产品订正方法，利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力，基于多个站点实际观探测数据订正数值天气预报产品要素值，以克服现有技术存在的问题。

为了解决上述技术问题，本发明公开了一种基于深度学习的局地数值天气预报产品订正方法，包括：

根据历史数值天气预报产品和对应的历史站点观测数据，构建训练数据集；

根据所述训练数据集对深度学习网络模型进行训练，得到订正模型；

提取实时数值天气预报产品预报场数据片段作为输入数据输入所述订正模型，并通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果。

在上述基于深度学习的局地数值天气预报产品订正方法中，所述根据历史数值天气预报产品和对应的历史站点观测数据，构建训练数据集，包括：

选取特定数值天气预报产品中包含的待订正的特定气象要素E、层次l，以及待订正区域a；

从位于待订正区域a中的实际观测站点中选取n个代表性站点，得到站点集合S＝{S₁,S₂,…,S_n}；

从历史数值天气预报产品中提取时间点为t，区域为a，层次为l，要素为E的数据片段E_{la_t}，以及站点集合S＝{S₁,S₂,…,S_n}在t时刻的观测值集合O＝{O₁,O₂,…,O_n}，并置入训练文件目录中；

重复执行从历史数值天气预报产品中提取数据片段和观测值集合的步骤，直至将所有需要纳入训练过程的历史数值天气预报产品和对应的历史站点观测数据置入训练文件目录中，以得到训练数据集。

在上述基于深度学习的局地数值天气预报产品订正方法中，还包括：构建所述深度学习网络模型；其中，所述深度学习网络模型的架构，包括：卷积层、激活层和批正则化层。

在上述基于深度学习的局地数值天气预报产品订正方法中，所述根据所述训练数据集对深度学习网络模型进行训练，得到订正模型，包括：

根据站点集合S＝{S₁,S₂,…,S_n}和观测值集合O＝{O₁,O₂,…,O_n}，确定损失函数；

将所述训练数据集中的数据作为深度学习网络模型的输入，采用Adam梯度下降法作为模型优化器、损失函数作为代价函数，采用变长学习率方法逐步对所述深度学习网络模型中的参数进行训练，并通过多轮迭代循环后得到较优模型参数；

根据所述较优模型参数，确定所述订正模型。

在上述基于深度学习的局地数值天气预报产品订正方法中，所述根据站点集合S＝{S₁,S₂,…,S_n}和观测值集合O＝{O₁,O₂,…,O_n}，确定损失函数，包括：

确定深度学习网络模型的输出E_out；

获取E_out在S＝{S₁,S₂,…,S_n}根据地理位置的插值数据集合I＝{I₁,I₂,…,I_n}；

将集合I＝{I₁,I₂,…,I_n}与集合O＝{O₁,O₂,…,O_n}中的数据的差异值作为所述损失函数。

在上述基于深度学习的局地数值天气预报产品订正方法中，所述提取实时数值天气预报产品预报场数据片段作为输入数据输入所述订正模型，并通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果，包括：

从实时数值天气预报产品预报场中提取得到与所述训练数据集中相同要素、相同层次以及相同区域的数据片段E_la；

将所述数据片段E_la作为订正模型的输入数据输入所述订正模型；

通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果。

本发明具有以下优点：

本发明所述的基于深度学习的局地数值天气预报产品订正方法，利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力，基于多个站点实际观探测数据订正数值天气预报产品要素值，使之更为贴近实际情况，降低了人力消耗，且可实现较大区域的订正。

附图说明

图1是本发明实施例中一种基于深度学习的局地数值天气预报产品订正方法的步骤流程图；

图2是本发明实施例中一种ResNet单元结构示意图；

图3是本发明实施例中一种完整残差网络示意图；

图4是本发明实施例中一种代表性站点插值示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。

参照图1，示出了本发明实施例中一种基于深度学习的局地数值天气预报产品订正方法的步骤流程图。在本实施例中，所述基于深度学习的局地数值天气预报产品订正方法，包括：

步骤101，根据历史数值天气预报产品和对应的历史站点观测数据，构建训练数据集。

在本实施例中，具体可以通过如下步骤建立构建训练数据集：

子步骤1.1，选取特定数值天气预报产品中包含的待订正的特定气象要素E、层次l，以及待订正区域a。

优选的，a为数值天气预报产品覆盖范围的子区域，所选要素及层次为在实际观探测中能够获取的特定层次的气象要素，如地面观测中可获取的地表温度、气压、湿度、风等要素，或探空手段获取的高空温度、气压、风等要素。

子步骤1.2，从位于待订正区域a中的实际观测站点中选取n个代表性站点，得到站点集合S＝{S₁,S₂,…,S_n}。

在本实施例中，n的取值可以根据区域a的面积及计算能力确定，并考虑站点的分布情况，尽量使站点均匀分布在整个区域内。

优选的，首先，可以获取区域a覆盖范围内的所有m个站点的位置信息S_a。然后，根据站点位置分布、站点数量以及可能的计算负载从m个站点中根据特定策略选择n个站点作为代表性站点。当然，作为另一种可选策略，也可以从m个站点中以插值或平均化的方式产生n个虚拟站点作为代表性站点。

子步骤1.3，从历史数值天气预报产品中提取时间点为t，区域为a，层次为l，要素为E的数据片段E_{la_t}，以及站点集合S＝{S₁,S₂,…,S_n}在t时刻的观测值集合O＝{O₁,O₂,…,O_n}，并置入训练文件目录中。

子步骤1.4，重复执行子步骤1.3，直至将所有需要纳入训练过程的历史数值天气预报产品和对应的历史站点观测数据置入训练文件目录中，以得到训练数据集。

步骤102，根据所述训练数据集对深度学习网络模型进行训练，得到订正模型。

在本实施例中，所述基于深度学习的局地数值天气预报产品订正方法还可以包括：构建所述深度学习网络模型；其中，所述深度学习网络模型的架构包括但不限于：卷积层、激活层和批正则化层等用于处理栅格数据(如图像数据)的深度学习结构模块及其简单变种模块，且模型中采样操作(如pooling层)与上采样操作应对应出现或均不出现，以保证输入结果与输入值有相同的数据分辨率。

在本实施例中，可以通过如下步骤得到订正模型：

子步骤2.1，根据站点集合S＝{S₁,S₂,…,S_n}和观测值集合O＝{O₁,O₂,…,O_n}，确定损失函数。

优选的，可以先确定深度学习网络模型的输出E_out；然后，获取E_out在S＝{S₁,S₂,…,S_n}根据地理位置的插值数据集合I＝{I₁,I₂,…,I_n}；最后，将集合I＝{I₁,I₂,…,I_n}与集合O＝{O₁,O₂,…,O_n}中的数据的差异值作为所述损失函数。

其中，集合I＝{I₁,I₂,…,I_n}与集合O＝{O₁,O₂,…,O_n}中的数据的差异值可为I与O中对应元素的L1损失或L2损失等损失值。E_out插值为I的方法可为双线性插值、双三次插值等常用插值方法。

子步骤2.2，将所述训练数据集中的数据作为深度学习网络模型的输入，采用Adam梯度下降法作为模型优化器、损失函数作为代价函数，采用变长学习率方法逐步对所述深度学习网络模型中的参数进行训练，并通过多轮迭代循环后得到较优模型参数。

子步骤2.3，根据所述较优模型参数，确定所述订正模型。

步骤103，提取实时数值天气预报产品预报场数据片段作为输入数据输入所述订正模型，并通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果。

在本实施例中，可以从实时数值天气预报产品预报场中提取得到与所述训练数据集中相同要素、相同层次以及相同区域的数据片段E_la；然后，将所述数据片段E_la作为订正模型的输入数据输入所述订正模型；最后，通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果。

基于上述实施例，下面结合一个具体实例进行详细说明。

以下实施例用于说明本发明，但不用来限制本发明的保护范围。实例中数值天气预报选用欧洲气象中心发布的细网格数值天气预报产品中的2米温度场产品，格距为0.125°×0.125°，产品覆盖范围为南纬90°～北纬90°、东经0°～西经179.875°；待订正范围为北纬30°～北纬45°、东经110°～东经125°。站点观测数据选择中国国家气象局CMACAST信道广播的全国自动站逐小时观测数据中的2米温度观测值。

该基于深度学习的局地数值天气预报产品订正方法的具体步骤如下：

(1)构建训练数据集

(1.1)选取特定数值天气预报产品中包含的待订正的特定气象要素、层次，以及待订正区域。

在本实施例中，选取欧洲中心细网格数值天气预报产品中的2米温度场T，以及待订正的区域a：纬度范围为北纬30°～45°，经度范围为东经110°～125°，格距为0.125°×0.125°。

(1.2)从位于待订正区域a中的实际观测站点中选取n个代表性站点，得到站点集合S＝{S₁,S₂,…,S_n}。

在本实施例中，待订正区域a为纬度范围北纬30°～45°，经度范围东经110°～125°的矩形区域，落在该区域中的CMACast信道自动气象观测站点共m＝917个，从917个站点中选取n个为指标站。选取方式为：

1)根据计算能力设定区域划分分辨率，实施例中设定的区域划分分辨率为1°×1°；

2)根据设定的区域划分分辨率将目标区域划分为网格。网格范围为区域a覆盖范围，网格间距为1°×1°；

3)若区域a中数值预报产品每个格点区域内只有一个站点，则选定该站点；若该格点区域内存在多个站点，则选择距数值预报产品中每个格点中心最近邻的站点。

提取代表性站点算法伪代码如下所示，该算法在上述区域a运行后从m＝917个观测站中共选取了n＝194个站点作为指标站。其中，代表性站点算法伪代码如下：

(1.3)从历史数值天气预报产品中提取时间点为t，区域为a，层次为l，要素为E的数据片段E_{la_t}，以及站点集合S＝{S₁,S₂,…,S_n}在t时刻的观测值集合O＝{O₁,O₂,…,O_n}，并置入训练文件目录中。

在本实施例中，针对历史数值天气预报产品中2018年1月1日世界时0点发布的03时2米温度预报场，提取区域a(纬度范围北纬30°～60°，经度范围东经110°～125°)的数据片段E_{la_2018010103}，以及对应的站点S₁₀₀＝{s₁,s₂…,s₁₀₀}在2018年1月1日世界时3时的观测值O_2018010103＝{o₁,o₂,…,o_n}集合，分别放入训练预报场目录products和训练站点观测值文件目录labels中。

其中，提取数据片段E_{la_2018010103}的伪代码为：

/*示例中,time＝2018年1月1日世界时0点03时次；E＝2米温度；纬度间隔

lat_grid_size＝0.125°；a的纬度范围lat_min＝30,lat_max＝45；经度间隔

lon_grid_size＝0.125,a的经度度范围lon_min＝110,lon_max＝125*/

//选取2018年1月1日世界时0点发布的欧洲中心细网格数值天气预报03时次预报产品

Select numerical weather product P of time；

//从预报产品中选取对应2米温度的数据段

Select E from P；

//计算预报产品中经度方向上单行格点总数

LonRange＝[LonMin,LonMax]；//LonRange＝[-180,179.875]

Loncount＝(LonRange[1]-LonRange[0])/lon_grid_size+1；//Loncount＝2880

//计算经度、纬度方向上需获取的数据长度

lon_dataRange＝(lon_max-lon_min)/lon_grid_size+1；

lat_dataRange＝(lat_max-lat_min)/lon_grid_size+1；

//开始逐行截取数据片段

//output_file＝E_{la_2018010103},位于“products”目录下，以追加模式输出文件

//遍历a的纬度范围

For r＝0to lat_dataRange interval 1:

cur_min＝Index+r*Loncount；

cur_max＝Index+r*Loncount+dataRange；

cur_data＝E[cur_min,cur_max]；

//以追加形式输出到文件中

output_file.write(curdata)

(1.4)重复执行(1.3)直至将所有需要纳入训练过程的历史数值天气预报产品和对应的历史站点观测数据置入训练文件目录中，以得到训练数据集。

在本实施例中，整理2018年1月1日世界时0点开始，至2018年1月25日世界时12点结束的数值预报产品预报场产品，其中，所有0点发布的产品取3、6、9时次的预报场产品；所有12点发布的产品取15、18、21时次的预报场产品。根据上述训练资料重复执行步骤(1.3)从而获取训练数据集。

(2)根据所述训练数据集对深度学习网络模型进行训练，得到订正模型

(2.1)根据站点集合S＝{S₁,S₂,…,S_n}和观测值集合O＝{O₁,O₂,…,O_n}，确定损失函数。

在本实施例中，需构建所述深度学习网络模型，如，基于深度残差卷积神经网络ResNet单元构建所述深度学习网络模型。参照图2，示出了本发明实施例中一种ResNet单元结构示意图。如图2，ResNet的单元结构有二层，表达式如下：

F＝W₂σ(W₁x)

其中，σ表示非线性函数ReLU。之后通过一个短接链路，与第2个ReLU相加，获得输出y：

y＝F(x，{W_i})+x

残差块往往需要两层以上，单单一层的残差块并不能起到提升作用。残差网络解决深层网络中梯度衰减的问题。本发明实施例中使用的完整残差网络如图3所示，样例网络每隔两层加入残差，其中，conv为卷积层，模型中无采样(如pooling层)及上采样操作，以保证模型的输入与输出的数据分辨率相同。

在本实施例中，损失函数的确定方式如下：确定深度学习网络模型的输出E_out；获取E_out在S＝{S₁,S₂,…,S_n}根据地理位置的插值数据集合I＝{I₁,I₂,…,I_n}；将集合I＝{I₁,I₂,…,I_n}与集合O＝{O₁,O₂,…,O_n}中的数据的差异值作为所述损失函数。

参照图4，示出了本发明实施例中一种代表性站点插值示意图。如图4，采用双线性插值得到E_out在S＝{S₁,S₂,…,S_n}根据地理位置的插值数据集合I＝{I₁,I₂,…,I_n}，具体插值方法如下：

设P(x,y)为站点s₁的位置，与之相邻的四个格点为Q₁₁＝(x₁,y₁)、Q₁₂＝(x₁,y₂),Q₂₁＝(x₂,y₁)以及Q₂₂＝(x₂,y₂)，四个点的值分别为V₁₁、V₁₂、V₂₁、V₂₂。则P点的插值结果V_P有：

由于示例中欧洲中心细网格数值天气预报产品的格距为0.125°×0.125°，因此V_P为：

由上述方法得到插值数据集合I＝{I₁,I₂,…,I_n}后，计算集合I＝{I₁,I₂,…,I_n}与集合O＝{O₁,O₂,…,O_n}中的数据的差异值作为损失函数。在本实施例中，采用均方误差(MSE)损失，即损失函数为：

(2.2)将所述训练数据集中的数据作为深度学习网络模型的输入，采用Adam梯度下降法作为模型优化器、损失函数作为代价函数，采用变长学习率方法逐步对所述深度学习网络模型中的参数进行训练，并通过多轮迭代循环后得到较优模型参数。

(2.3)根据所述较优模型参数，确定所述订正模型。

(3)订正数值天气预报产品

(3.1)从实时数值天气预报产品预报场中提取得到与所述训练数据集中相同要素、相同层次以及相同区域的数据片段E_la。

在本实施例中，选取欧洲中期气象中心世界时2018年1月26日0点发布的世界时2018年1月26日03点的细网格数值天气预报预报场数据，提取得到数值天气预报片段数据E_{la_2018012603}。

(3.2)将所述数据片段E_la作为订正模型的输入数据输入所述订正模型，运行订正模型，得到订正结果进行输出。

在本实施例中，将数值天气预报预报场片段数据E_{la_2018010103}作为订正模型的输入数据，运行订正模型，得到世界时2018年1月26日03点，区域纬度范围北纬30°～45°，经度范围东经110°～125°的2米温度预报场订正数据，作为订正结果进行输出。

本说明中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

以上所述，仅为本发明最佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (6)

1.一种基于深度学习的局地数值天气预报产品订正方法，其特征在于，包括：

根据历史数值天气预报产品和对应的历史站点观测数据，构建训练数据集；

根据所述训练数据集对深度学习网络模型进行训练，得到订正模型；

提取实时数值天气预报产品预报场数据片段作为输入数据输入所述订正模型，并通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果。

2.根据权利要求1所述的基于深度学习的局地数值天气预报产品订正方法，其特征在于，所述根据历史数值天气预报产品和对应的历史站点观测数据，构建训练数据集，包括：

选取特定数值天气预报产品中包含的待订正的特定气象要素E、层次l，以及待订正区域a；

从位于待订正区域a中的实际观测站点中选取n个代表性站点，得到站点集合S＝{S₁,S₂,…,S_n}；

从历史数值天气预报产品中提取时间点为t，区域为a，层次为l，要素为E的数据片段E_{la_t}，以及站点集合S＝{S₁,S₂,…,S_n}在t时刻的观测值集合O＝{O₁,O₂,…,O_n}，并置入训练文件目录中；

重复执行从历史数值天气预报产品中提取数据片段和观测值集合的步骤，直至将所有需要纳入训练过程的历史数值天气预报产品和对应的历史站点观测数据置入训练文件目录中，以得到训练数据集。

3.根据权利要求2所述的基于深度学习的局地数值天气预报产品订正方法，其特征在于，还包括：构建所述深度学习网络模型；其中，所述深度学习网络模型的架构，包括：卷积层、激活层和批正则化层。

4.根据权利要求2所述的基于深度学习的局地数值天气预报产品订正方法，其特征在于，所述根据所述训练数据集对深度学习网络模型进行训练，得到订正模型，包括：

根据站点集合S＝{S₁,S₂,…,S_n}和观测值集合O＝{O₁,O₂,…,O_n}，确定损失函数；

将所述训练数据集中的数据作为深度学习网络模型的输入，采用Adam梯度下降法作为模型优化器、损失函数作为代价函数，采用变长学习率方法逐步对所述深度学习网络模型中的参数进行训练，并通过多轮迭代循环后得到较优模型参数；

根据所述较优模型参数，确定所述订正模型。

5.根据权利要求4所述的基于深度学习的局地数值天气预报产品订正方法，其特征在于，所述根据站点集合S＝{S₁,S₂,…,S_n}和观测值集合O＝{O₁,O₂,…,O_n}，确定损失函数，包括：

确定深度学习网络模型的输出E_out；

获取E_out在S＝{S₁,S₂,…,S_n}根据地理位置的插值数据集合I＝{I₁,I₂,…,I_n}；

将集合I＝{I₁,I₂,…,I_n}与集合O＝{O₁,O₂,…,O_n}中的数据的差异值作为所述损失函数。

6.根据权利要求1所述的基于深度学习的局地数值天气预报产品订正方法，其特征在于，所述提取实时数值天气预报产品预报场数据片段作为输入数据输入所述订正模型，并通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果，包括：

从实时数值天气预报产品预报场中提取得到与所述训练数据集中相同要素、相同层次以及相同区域的数据片段E_la；

将所述数据片段E_la作为订正模型的输入数据输入所述订正模型；

通过所述订正模型输出订正后的数据片段，将输出的订正后的数据片段作为订正结果。