CN110874630A - 一种基于深度学习的数值模式产品降尺度精细化方法 - Google Patents

一种基于深度学习的数值模式产品降尺度精细化方法 Download PDF

Info

Publication number
CN110874630A
CN110874630A CN201911014197.3A CN201911014197A CN110874630A CN 110874630 A CN110874630 A CN 110874630A CN 201911014197 A CN201911014197 A CN 201911014197A CN 110874630 A CN110874630 A CN 110874630A
Authority
CN
China
Prior art keywords
product
resolution
model
nwp
downscaling
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.)
Granted
Application number
CN201911014197.3A
Other languages
English (en)
Other versions
CN110874630B (zh
Inventor
程文聪
王志刚
邢平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute Of Battlefield Environment Air Force Academy Of Chinese People's Liberation Army
Original Assignee
Research Institute Of Battlefield Environment Air Force Academy Of Chinese People's Liberation Army
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute Of Battlefield Environment Air Force Academy Of Chinese People's Liberation Army filed Critical Research Institute Of Battlefield Environment Air Force Academy Of Chinese People's Liberation Army
Priority to CN201911014197.3A priority Critical patent/CN110874630B/zh
Publication of CN110874630A publication Critical patent/CN110874630A/zh
Application granted granted Critical
Publication of CN110874630B publication Critical patent/CN110874630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的数值模式产品降尺度精细化方法，包括：收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品，构建训练数据集；构建深度学习模式产品降尺度精细化模型；根据训练数据集，对深度学习模式产品降尺度精细化模型进行训练，得到推理模型；根据以实时低分辨率数值模式产品作为推理模型的输入进行解算，得到对应时次的高分辨率的产品并输出。本发明旨在实现对数值模式产品的降尺度精细化。

Description

一种基于深度学习的数值模式产品降尺度精细化方法
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数值模式产品降尺度精细化方法。
背景技术
开展精细化预报是天气预报发展的一个重要目标，目前气象业务中使用的气象资料具有不同的时间和空间分辨率。在实际航空气象保障过程中，较低分辨率的气象资料数据量较小，易于存储和传输，在远程远海保障、偏远地区保障以及机动保障中具有重要作用，但会损失一定的细节信息，不利于开展精细化的气象保障。而高分辨率的气象资料往往细节丰富，对航空气象精细化保障有很大的帮助，但数据量大，对存储和传输有较高的要求，一般用于信道和硬件设施条件较好的气象业务部门。在较低分辨率气象产品的基础上通过特定的方法获得较高分辨率的气象产品，可提高对远程远海区域、偏远地区以及机动化气象保障的精细化程度，具有重要的实际使用价值。
数值模式虽然能够较好的模拟高层大气场、边界层等大尺度大气环流特征，但产品的空间分辨率有限，难以对小区域或指定地点进行精确预测。为了提升数值预报产品的分辨率，一般而言采取了以下两种方法，一是提高全球模式本身的分辨率或采用动力降尺度方法提高区域模式的分辨率，这种方法计算资源消耗量大，且产生的产品数据量也较大，对计算能力、传输信道和存储条件有较高的要求；二是采用统计降尺度方法，通过建立不同分辨率产品间的关系来实现分辨率的提升，常用的方法是先将低分辨率数值预报产品插值到高分辨率网格点上，再结合历史高分辨率格点信息逐点订正插值结果，常用的订正方法包括线性函数法、人工神经网络、支持向量机、主成分分析法、递减平均法等。传统的统计降尺度方法主要运用于气候预测方面，一般较少考虑要素的空间相关性，而且一般统计学习模型的参数空间极为有限，无法很好的融合具有空间关联关系的历史要素信息。对于短期天气预报的统计降尺度，目前常用的方法还是基于线性插值、Kriging插值、反距离权重等空间内插方法，这些单纯基于插值的方法容易遗漏中小尺度天气信息、忽略局地地形特征，针对降水量等气象要素使用时会产生较大误差。
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数值模式产品降尺度精细化方法，旨在实现对数值模式产品的降尺度精细化。
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数值模式产品降尺度精细化方法，包括：
收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品，构建训练数据集；
构建深度学习模式产品降尺度精细化模型；
根据训练数据集，对深度学习模式产品降尺度精细化模型进行训练，得到推理模型；
根据以实时低分辨率数值模式产品作为推理模型的输入进行解算，得到对应时次的高分辨率的产品并输出。
本发明具有以下优点：
(1)本发明公开了一种基于深度学习的数值模式产品降尺度精细化方法，利用深度学习网络的空间相关性信息提取能力和时间相关性信息提取能力，建立深度学习模式产品降尺度精细化模型提取不同分辨率数值模式产品中相对应的有效信息，从而实现将低分辨率数值天气预报产品重构为具有较高分辨率的对应产品。直接采用端到端的方法提升数值模式产品的分辨率，与传统降尺度方法的逐格点计算相比，执行重构的运行效率更高。
(2)由于提取了历史高低分辨率产品间空间相关性和时间相关性的先验信息，本发明可达到比传统方法更好的降尺度精细化效果。
(3)本发明考虑到多个相邻时次低分辨率产品的时间相关性，提出一种多时次要素组合提升产品分辨率的降尺度精细化模型，进一步提升了结果的精度。
附图说明
图1是本发明实施例中一种基于深度学习的数值模式产品降尺度精细化方法的步骤流程图；
图2是本发明实施例中一种深度学习模式产品降尺度精细化模型的架构示意图；
图3是是本发明实施例中2019年1月15日18点降水产品分辨率提升效果图。
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。
实施例1
如图1，在本发明实施中，该基于深度学习的数值模式产品降尺度精细化方法，包括：
步骤101，收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品，构建训练数据集。
在本实施例中，高分辨率的历史数值模式产品与低分辨率的历史数值模式产品的水平分辨率尺度比例，包括：1:2、1:3、1:4···1:k、··、1:10；其中，1≤k≤10。如低分辨率产品水平分辨率尺度为1°×1°(经纬度)，高分辨率产品水平分辨率尺度为0.25°×0.25°(经纬度)，则高、低分辨率产品的水平分辨率尺度比例为1:4。
优选的，可以通过如下方式构建训练数据集，包括：
(1)收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品。
(2)确定所述历史数值模式产品的覆盖区域范围。
(3)根据确定的覆盖区域范围，确定某一时次t对应的源域A和目标域B，得到某一时次t的映射数据集{A→B}。
在本实施例中，可以从所述历史数值模式产品中截取所述确定的覆盖区域范围中某一时次t的低分辨率模式产品NWPL(t)，以及与某一时次紧邻的前n个时次的低分辨率模式产品NWPL(t-1)、NWPL(t-2)、...、NWPL(t-n)；将低分辨率模式产品NWPL(t)、NWPL(t-1)、NWPL(t-2)、...、NWPL(t-n)的组合作为源域A；从所述历史数值模式产品中截取所述确定的覆盖区域范围中某一时次t的高分辨率模式产品NWPH(t)，或通过对某一时次t高密度实际站点历史观测数据进行插值得到某一时次t的高分辨率模式产品NWPH(t)；将高分辨率模式产品NWPH(t)作为目标域B；确定某一时次t的映射数据集{A→B}：{A→B}＝{(NWPL(t)，NWPL(t-1)，...，NWPL(t-n))→(NWPH(t))}。其中，n的取值范围为0～5，即考虑范围为当前时次至包含当前时次在内的前6小时。
(4)组合所述历史数值模式产品中所有时次的映射数据集，得到训练数据集。
步骤102，构建深度学习模式产品降尺度精细化模型。
在本实施例中，深度学习模式产品降尺度精细化模型的架构如图2所示，主要包括：输入层→SEBlock(压缩-激活模块)→ConvLayer I(卷积层)→ResBlock(残差模块)→Upsample(上采样层)→ConvLayer II(卷积层)。其中，每个ResBlock(残差模块)组成可以如下：ConvLayer→ReLU→ConvLayer。
优选的，深度学习模式产品降尺度精细化模型的工作流程如下：
(1)通过输入层接收输入的训练数据集。
(2)调用压缩-激活模块SEBlock。
在本实施例中，针对最终获取高分辨率数值模式产品NWPH(t)的目标而言，低分辨率数值模式产品NWPL(t)提供了主要参考信息，而前n个时次的低分辨率数值模式产品(NWPL(t-1)，...，NWPL(t-n))对于该任务的信息贡献程度低于当前时次低分辨率数值模式产品，因而在输入层之后引入压缩-激活模块(SEBlock)来显式的将各输入时次的重要性差异参数化。
压缩-激活模块SEBlock具体可以执行如下操作：s1，进行压缩(Squeeze)操作，顺着空间维度进行特征压缩，将输入的训练数据集中每个二维气象要素(element1、element2、…elementn)通过全局平均池化层(G_A_Pooling)转变成一个实数，生成与输入时次相对应数量的实数数组；s2，进行激活(Excitation)操作，通过引入全连接神经网络层(FCNLayer)，在Squeeze操作步骤获取的实数数组的基础上为每个特征通道生成权重，该权重被用来显式的建模特征通道间的相关性；s3，将Excitation操作步骤输出的权重作为为各个输入时次产品的重要性，通过点积操作逐通道加权到输入数据上，完成对输入时次产品的重标定(w_element1、w_element2、…w_elementn)。
(3)调用第一卷积层ConvLayer I，进行数据整理；调用串行叠加的多个残差模块ResBlock，提取得到高、低分辨率产品间的相关信息。
在本实施例中，压缩-激活模块SEBlock后添加一个ConvLayer I进行数据整理；之后串行叠加多个残差模块用于提取高、低分辨率产品间的相关信息。
优选的，针对提升产品分辨率任务，在用于进行图像分类的残差模块中去除了批归一化层，即每一个残差模块可由一卷积层、ReLU激活函数、一卷积层构成。
(5)调用上采样(Upsample)层，对产品的分辨率进行提升。
在本实施例中，多个残差层后添加一个使用Phase-Shift方法的Upsample层用于提升产品的分辨率。
(6)通过第二卷积层ConvLayer II输出高分辨率产品。
步骤103，根据训练数据集，对深度学习模式产品降尺度精细化模型进行训练，得到训练模型。
在本实施例中，可以基于深度神经网络和所述训练数据集，对深度学习模式产品降尺度精细化模型进行训练：
(1)从{A}＝{(NWPL(t)，NWPL(t-1)，...，NWPL(t-n))}中选取一个批次{A}n的训练数据，作为深度学习模式产品降尺度精细化模型的输入，经过深度学习模式产品降尺度精细化模型的前向计算，生成理论高分辨率产品
Figure BDA0002245161740000051
(2)将
Figure BDA0002245161740000052
与实际高分辨率产品{B}n进行比较，根据损失函数确定批次{A}n的损失。
(3)根据得到的该批次训练数据的损失，采用梯度下降法对深度学习模式产品降尺度精细化模型的模型参数进行优化更新。
(4)开始下一批次数据的处理，经多轮迭代循环后(每轮循环包括对所有批次的一次处理)，得到确定的模型参数；
(5)将确定的模型参数代入深度学习模式产品降尺度精细化模型的，得到推理模型。
其中，需要说明的是，模型中采用常规的平均绝对误差损失函数L1，其解算方式如下：
Figure BDA0002245161740000061
其中，m为目标产品的横向格点数，取值范围根据目标产品的横向覆盖范围及横向分辨率而确定，如覆盖范围为纬度方向90°，横向分辨率尺度为0.25°，则m＝360；n为目标产品的纵向格点数，取值范围根据目标产品的纵向覆盖范围及纵向分辨率而确定，如覆盖范围为经度方向90°，纵向分辨率尺度为0.25°，则n＝360；i、j为递增渐变量，0＜i＜m，0＜j＜n。
步骤104，根据以实时低分辨率数值模式产品作为推理模型的输入进行解算，得到对应时次的高分辨率的产品并输出。
在本实施例中，可以从实时数值模式产品预报场中提取得到与所述训练数据集具有相同区域的多时次组合的数据片段；将所述提取得到的数据片段作为所述推理模型的输入进行解算，得到对应时次的高分辨率的产品，并作为产品的降尺度精细化结果输出。
实施例2
在上述实施例的基础上，下面结合一实例进行说明。
采用具有3个时次组合的输入和模型，待处理的数值模式产品为总降水量产品(TP)。该基于深度学习的数值模式产品降尺度精细化方法的处理流程如下：
S1，构建训练数据集。
训练数据集选用欧洲气象中心提供的的数值天气预报产品中的总降水量再分析场产品，低分辨率产品为1°×1°(经纬度)的总降水量产品，选取产品覆盖范围为西北太平洋区域(北纬90～北纬0、东经100～西经180°)。时间范围为2015年～2018年的逐小时再分析场产品，以YYYYMMDDHH(4位年，2位月，2位日，2位时)方式为每个时次的低分辨率训练数据命名，每个时次低分辨率数据均为当前的t时次，前一时次t-1时次，以及t-2时次三个时次数据的叠加组合，将组合后的数据放入low_grid文件夹中，每个组合后的文件大小为62,424字节，共35000左右个数据；高分辨率产品为0.25°×0.25°(经纬度)的降水量产品，选取产品覆盖范围同样为西北太平洋区域(北纬90～北纬0、东经100～西经
Figure BDA0002245161740000071
)。时间范围为2015年～2018年逐小时再分析场产品，以YYYYMMDDHH(4位年，2位月，2位日，2位时)方式命名，放入high_grid文件夹中，每个文件大小为323,208字节，共35000左右个数据。上述两个文件夹中的数据作为模型的训练数据集。
S2，根据所述训练数据集，构建深度学习模式产品降尺度精细化模型并对模型进行训练，从而获取模型参数用于提取高、低分辨率产品间的相关信息。
本实施例中根据所使用的3时次组合训练数据集，构建3时次组合深度降尺度精细化模型：以当前时次低分辨率降水量产品TPL(t)为基础，将前两个时次的低分辨率降水量产品TPL(t-1)和TPL(t-2)也作为模型的输入，即源域A为：{A}＝{(TPL(t)，TPL(t-1)，TPL(t-2))}，尝试获取t时次的高分辨率降水量产品{B}＝{TPH(t)}。
针对最终获取高分辨率降水量产品TPH(t)的目标而言，输入的低分辨率降水量产品TPL(t)提供了主要参考信息，而前两个时次的低分辨率降水量产品TPL(t-1)，TPL(t-2)对于该任务的信息贡献程度低于当前时次低分辨率降水量产品，因而在输入层之后引入压缩-激活模块(SEBlock)来显式的将各输入时次的重要性差异参数化。该模块首先进行压缩(Squeeze)操作，顺着空间维度进行特征压缩，将每个输入的二维50×50的气象要素通过全局平均池化层(G_A_Pooling)变成一个实数，该实数表征着在特定时次上响应的全局分布，使得靠近输入的层也可以获得全局的感受野，该步骤后共生成3个与输入时次相对应的实数。其次是激活(Excitation)操作，通过引入全连接神经网络层(FCNLayer)在Squeeze步骤操作获取的实数数组基础上为每个特征通道生成权重，该权重被用来显式的建模特征通道间的相关性。最后将Excitation步骤的输出的权重看做为各个输入时次产品的重要性，通过点积操作逐通道加权到输入数据上，完成输入时次产品的重标定。
根据上述训练集{low_grid→high_grid}和上述深度学习模式产品降尺度精细化模型NWP-MTSR，按照深度神经网络的常规处理方法进行训练，即从{A}＝{(TPL(t)，TPL(t-1)，TPL(t-2))}中选取一个批次{A}32的数据，作为模型的输入，经过模型NWP-MTSR的前向计算，得到生成的高分辨率产品
Figure BDA0002245161740000081
将
Figure BDA0002245161740000082
与实际高分辨率产品{high_grid}32进行比较，损失函数设定为
Figure BDA0002245161740000083
每个批次的训练数据计算损失后，采用特定的梯度下降方法优化更新模型中的参数，本发明实施例中选择的参数优化方法为ADAM方法，经50000轮迭代循环确定模型参数后得到训练后的精细化推理模型。
S3，根据训练后的数值模式产品深度降尺度精细化推理模型，从实时数值天气预报产品预报场选择与训练数据相同区域的1°×1°(经纬度)低分辨率总降水量产品，及其前两个时次的数据作为数值模式产品深度降尺度精细化推理模型的数据输入，通过所述数值模式产品深度降尺度精细化推理模型的重构，得到该区域0.25°×0.25°(经纬度)的降水量产品作为降尺度精细化结果进行输出。重构效果如图3所示(北纬90°～北纬0°、东经100°～西经180°)；其中，图3a为1°×1°低分辨率产品，图3b为双三次插值得到的0.25°×0.25°高分辨率产品，图3c为基于本发明深度学习的方法得到的0.25°×0.25°高分辨率产品，图3d为实际0.25°×0.25°高分辨率产品。
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 (8)

1.一种基于深度学习的数值模式产品降尺度精细化方法，其特征在于，包括：
收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品，构建训练数据集；
构建深度学习模式产品降尺度精细化模型；
根据训练数据集，对深度学习模式产品降尺度精细化模型进行训练，得到推理模型；
根据以实时低分辨率数值模式产品作为推理模型的输入进行解算，得到对应时次的高分辨率的产品并输出。
2.根据权利要求1所述的基于深度学习的数值模式产品降尺度精细化方法，其特征在于，高分辨率的历史数值模式产品与低分辨率的历史数值模式产品的水平分辨率尺度比例，包括：1:2、1:3、1:4···1:k、··、1:10；其中，1≤k≤10。
3.根据权利要求1所述的基于深度学习的数值模式产品降尺度精细化方法，其特征在于，收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品，构建训练数据集，包括：
收集同一时次、同一区域具有指定高、低分辨率的历史数值模式产品；
确定所述历史数值模式产品的覆盖区域范围；
根据确定的覆盖区域范围，确定某一时次t对应的源域A和目标域B，得到某一时次t的映射数据集{A→B}；
组合所述历史数值模式产品中所有时次的映射数据集，得到训练数据集。
4.根据权利要求3所述的基于深度学习的数值模式产品降尺度精细化方法，其特征在于，根据确定的覆盖区域范围，确定某一时次t对应的源域A和目标域B，得到某一时次t的映射数据集{A→B}，包括：
从所述历史数值模式产品中截取所述确定的覆盖区域范围中某一时次t的低分辨率模式产品NWPL(t)，以及与某一时次紧邻的前n个时次的低分辨率模式产品NWPL(t-1)、NWPL(t-2)、…、NWPL(t-n)；将低分辨率模式产品NWPL(t)、NWPL(t-1)、NWPL(t-2)、…、NWPL(t-n)的组合作为源域A；其中，n的取值范围为0～5；
从所述历史数值模式产品中截取所述确定的覆盖区域范围中某一时次t的高分辨率模式产品NWPH(t)，或通过对某一时次t高密度实际站点历史观测数据进行插值得到某一时次t的高分辨率模式产品NWPH(t)；将高分辨率模式产品NWPH(t)作为目标域B；
确定某一时次t的映射数据集{A→B}：
{A→B}＝{(NWPL(t)，NWPL(t-1)，…，NWPL(t-n))→(NWPH(t))}。
5.根据权利要求4所述的基于深度学习的数值模式产品降尺度精细化方法，其特征在于，深度学习模式产品降尺度精细化模型的工作流程如下：
通过输入层接收输入的训练数据集；
调用压缩-激活模块SEBlock执行如下操作：s1，进行压缩(Squeeze)操作，顺着空间维度进行特征压缩，将输入的训练数据集中每个二维气象要素通过全局平均池化层G_A_Pooling转变成一个实数，生成与输入时次相对应数量的实数数组；s2，进行激活(Excitation)操作，通过引入全连接神经网络层FCNLayer，在Squeeze操作步骤获取的实数数组的基础上为每个特征通道生成权重；s3，将Excitation操作步骤输出的权重作为为各个输入时次产品的重要性，通过点积操作逐通道加权到输入数据上，完成对输入时次产品的重标定；
调用第一卷积层ConvLayerⅠ，进行数据整理；
调用串行叠加的多个残差模块ResBlock，提取得到高、低分辨率产品间的相关信息；
调用上采样(Upsample)层，对产品的分辨率进行提升；
通过第二卷积层ConvLayerⅡ输出高分辨率产品。
6.根据权利要求5所述的基于深度学习的数值模式产品降尺度精细化方法，其特征在于，根据训练数据集，对深度学习模式产品降尺度精细化模型进行训练，得到训练模型，包括：
基于深度神经网络和所述训练数据集，对深度学习模式产品降尺度精细化模型进行训练：
从}A{＝{(NWPL(t)，NWPL(t-1)，…，NWPL(t-n))}中选取一个批次{A}n的训练数据，作为深度学习模式产品降尺度精细化模型的输入，经过深度学习模式产品降尺度精细化模型的前向计算，生成理论高分辨率产品
Figure FDA0002245161730000031
将
Figure FDA0002245161730000032
与实际高分辨率产品{B}n进行比较，根据损失函数确定批次{A}n的损失；
根据得到的该批次训练数据的损失，采用梯度下降法对深度学习模式产品降尺度精细化模型的模型参数进行优化更新；
开始下一批次数据的处理，经多轮迭代循环后，得到确定的模型参数；
将确定的模型参数代入深度学习模式产品降尺度精细化模型的，得到推理模型。
7.根据权利要求6所述的基于深度学习的数值模式产品降尺度精细化方法，其特征在于，采用常规的平均绝对值损失函数L1：
Figure FDA0002245161730000033
其中，m为目标产品的横向格点数，n为目标产品的纵向格点数，i和j为递增渐变量，0＜i＜m，0＜j＜n。
8.根据权利要求1所述的基于深度学习的数值模式产品降尺度精细化方法，其特征在于，根据以实时低分辨率数值模式产品作为推理模型的输入进行解算，得到对应时次的高分辨率的产品并输出，包括：
从实时数值模式产品预报场中提取得到与所述训练数据集具有相同区域的多时次组合的数据片段；
将所述提取得到的数据片段作为所述推理模型的输入进行解算，得到对应时次的高分辨率的产品，并作为产品的降尺度精细化结果输出。
CN201911014197.3A 2019-10-23 2019-10-23 一种基于深度学习的数值模式产品降尺度精细化方法 Active CN110874630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911014197.3A CN110874630B (zh) 2019-10-23 2019-10-23 一种基于深度学习的数值模式产品降尺度精细化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911014197.3A CN110874630B (zh) 2019-10-23 2019-10-23 一种基于深度学习的数值模式产品降尺度精细化方法

Publications (2)

Publication Number Publication Date
CN110874630A true CN110874630A (zh) 2020-03-10
CN110874630B CN110874630B (zh) 2022-12-13

Family

ID=69717867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911014197.3A Active CN110874630B (zh) 2019-10-23 2019-10-23 一种基于深度学习的数值模式产品降尺度精细化方法

Country Status (1)

Country Link
CN (1) CN110874630B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382716A (zh) * 2020-03-17 2020-07-07 上海眼控科技股份有限公司 数值模式的天气预测方法、装置、计算机设备和存储介质
CN111488974A (zh) * 2020-04-14 2020-08-04 四川北控清洁能源工程有限公司 基于深度学习神经网络的海洋风能降尺度方法
CN111505738A (zh) * 2020-03-17 2020-08-07 上海眼控科技股份有限公司 数值天气预报中气象因素的预测方法及设备
CN113011106A (zh) * 2021-04-15 2021-06-22 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN115983511A (zh) * 2023-03-22 2023-04-18 水利部交通运输部国家能源局南京水利科学研究院 基于改进统计降尺度方法的降水预估方法和系统
CN116467946A (zh) * 2023-04-21 2023-07-21 南京信息工程大学 一种基于深度学习的模式预报产品降尺度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299163A (zh) * 2018-11-26 2019-02-01 武汉大学 一种基于卷积神经网络的降水数据的插值方法及装置
CN109447260A (zh) * 2018-10-08 2019-03-08 中国人民解放军空军研究院战场环境研究所 一种基于深度学习的局地数值天气预报产品订正方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN109885959A (zh) * 2019-03-05 2019-06-14 中国科学院地理科学与资源研究所 一种地表温度鲁棒降尺度方法
CN110033132A (zh) * 2019-03-29 2019-07-19 中国人民解放军空军研究院战场环境研究所 基于深度目标检测和数值天气预报的热带气旋预报方法
CN110083977A (zh) * 2019-05-14 2019-08-02 南京大学 一种基于深度学习的大气湍流监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447260A (zh) * 2018-10-08 2019-03-08 中国人民解放军空军研究院战场环境研究所 一种基于深度学习的局地数值天气预报产品订正方法
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN109299163A (zh) * 2018-11-26 2019-02-01 武汉大学 一种基于卷积神经网络的降水数据的插值方法及装置
CN109885959A (zh) * 2019-03-05 2019-06-14 中国科学院地理科学与资源研究所 一种地表温度鲁棒降尺度方法
CN110033132A (zh) * 2019-03-29 2019-07-19 中国人民解放军空军研究院战场环境研究所 基于深度目标检测和数值天气预报的热带气旋预报方法
CN110083977A (zh) * 2019-05-14 2019-08-02 南京大学 一种基于深度学习的大气湍流监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BEE LIM，SANGHYUN SON，HEEWON KIM，SEUNGJUN NAH，KYOUNG MU LEE: "Enhanced Deep Residual Networks for Single Image Super-Resolution", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》 *
JIE HU，LI SHEN，SAMUEL ALBANIE，GANG SUN，ENHUA WU: "Squeeze-and-Excitation Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
THOMAS VANDAL，EVAN KODRA，SANGRAM GANGULY，ANDREW MICHAELIS: "DeepSD: Generating High Resolution Climate Change Projections through Single Image Super-Resolution", 《PROCEEDINGS OF THE 23RD ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382716A (zh) * 2020-03-17 2020-07-07 上海眼控科技股份有限公司 数值模式的天气预测方法、装置、计算机设备和存储介质
CN111505738A (zh) * 2020-03-17 2020-08-07 上海眼控科技股份有限公司 数值天气预报中气象因素的预测方法及设备
CN111488974A (zh) * 2020-04-14 2020-08-04 四川北控清洁能源工程有限公司 基于深度学习神经网络的海洋风能降尺度方法
CN111488974B (zh) * 2020-04-14 2023-05-02 四川北控清洁能源工程有限公司 基于深度学习神经网络的海洋风能降尺度方法
CN113011106A (zh) * 2021-04-15 2021-06-22 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN113011106B (zh) * 2021-04-15 2021-12-03 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN115983511A (zh) * 2023-03-22 2023-04-18 水利部交通运输部国家能源局南京水利科学研究院 基于改进统计降尺度方法的降水预估方法和系统
CN116467946A (zh) * 2023-04-21 2023-07-21 南京信息工程大学 一种基于深度学习的模式预报产品降尺度方法
CN116467946B (zh) * 2023-04-21 2023-10-27 南京信息工程大学 一种基于深度学习的模式预报产品降尺度方法

Also Published As

Publication number Publication date
CN110874630B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN110874630B (zh) 一种基于深度学习的数值模式产品降尺度精细化方法
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
CN108038445B (zh) 一种基于多视角深度学习框架的sar自动目标识别方法
Heo et al. Multi-channel convolutional neural network for integration of meteorological and geographical features in solar power forecasting
CN107423537B (zh) 一种基于自适应阈值的地表温度降尺度的方法
Wang et al. On deep learning-based bias correction and downscaling of multiple climate models simulations
CN110909447B (zh) 一种高精度电离层区域短期预报方法
CN114331842B (zh) 结合地形特征的dem超分辨率重建方法
CN113935249A (zh) 基于压缩和激励网络的上层海洋热结构反演方法
CN115587646A (zh) 基于时空特征融合的近海叶绿素a浓度预测方法及系统
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
CN110595477A (zh) 一种基于遗传算法的根据视频中太阳影子进行定位的方法
CN116883594A (zh) 融合卫星与浮标观测的海洋三维温度遥感超分重建方法
CN112488413A (zh) 基于awa-drcn的人口空间化方法
CN115952743A (zh) 耦合随机森林和hasm的多源降水数据协同降尺度方法和系统
CN115540832A (zh) 基于VGGNet的卫星测高海底地形校正方法及系统
CN115936238A (zh) 一种全域风电中长期出力预测方法、系统、设备及介质
Li et al. DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling
Ait Mouloud et al. Explainable forecasting of global horizontal irradiance over multiple time steps using temporal fusion transformer
Chen et al. Single satellite imagery superresolution based on hybrid nonlocal similarity constrained convolution sparse coding
Liu et al. A Closed-loop Circular Regression Network For 2m Air Temperature Downscaling Over Southwestern China
Chen et al. TemproNet: A transformer-based deep learning model for seawater temperature prediction
CN111259343B (zh) 一种支撑向量面到面回归克里格尺度转换方法
Song et al. GANSim-surrogate: An integrated framework for conditional geomodelling and uncertainty analysis
CN114140323A (zh) 一种基于渐进残差生成对抗网络的图像超分方法

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
GR01 Patent grant
GR01 Patent grant