CN112199840A

CN112199840A - 数值模式海面风速订正方法、装置、电子设备及存储介质

Info

Publication number: CN112199840A
Application number: CN202011068863.4A
Authority: CN
Inventors: 王久珂; 李宝辉; 李本霞
Original assignee: NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
Current assignee: NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
Priority date: 2020-09-30
Filing date: 2020-09-30
Publication date: 2021-01-08
Anticipated expiration: 2040-09-30
Also published as: CN112199840B

Abstract

本申请提供一种数值模式海面风速订正方法、装置、电子设备及存储介质，其中，所述方法包括：训练数值模式海面风速订正模型；获取待订正的数值模式气象要素数据；数值模式气象要素数据包括海面风速数据；根据训练的数值模式海面风速订正模型对数值模式气象要素数据进行订正，得到订正后的数值模式海面风速数据；其中，数值模式海面风速订正模型是基于历史数值模式气象要素数据以及时空匹配的历史卫星遥感海面风速数据通过深度学习方法进行训练获得。实施本发明实施例，可以获得准确的数值模式海面风速数据，可以提高数值模式气象要素数据中海面风速数据的精度，有效减少其误差对后续海洋气象等领域应用的负面影响，有效提高数据的应用效果。

Description

数值模式海面风速订正方法、装置、电子设备及存储介质

技术领域

本申请涉及海洋测量、大数据处理等技术领域，具体而言，涉及一种数值模式海面风速订正方法、装置、电子设备及存储介质。

背景技术

海洋表面风(海面风)是海洋表面最为常见与重要的自然现象，同时也是产生和影响海浪、海流等其他重要海洋现象的基本动力。海面风及其导致的海浪是影响海上船舶航行、海洋工程等相关海上活动安全的最为重要的因素之一。因此，对海面风进行准确的预测将对于参与海上活动的人员生命安全及海洋经济发展均具有非常重要的意义。同时由于海面对于海面风的摩擦显著小于陆地，因此海面风速往往明显大于陆地表面风速，所以海面风也蕴藏着巨大的能量，世界各国在近海均大规模的建设海上风电场，海面风的准确预测对于电能生产与调配产生巨大影响。因此，无论对于人类涉海活动还是海洋气象研究来说，对于海面风精确的预测都是极为重要的。

基于大气流体力学方程以及一系列的参数化方法，人们建立了大气数值预报模式，并在数十年的发展中其预报精度逐步提高。风作为大气数值模式中的重要气象参数，其数值模式计算误差也随着数值模式和同化技术的发展逐步降低。由于陆地是人类活动的主要区域，因此，人们对于陆地表面的风的计算预报精度更为关注，通过多年对于数值模式本身的改进，以及陆表气象观测的大量增加，人们在针对陆表风的数值预报的订正领域开展了一系列的研究工作，提出了使用包括深度学习在内的订正方法使得陆表风数值模式精度不断提高。

数值预报的订正工作往往需要基于大量的实际观测数据进行，由于海洋观测的难度和成本远远高于陆地观测，所以稀少的海洋观测使得海表面风数值预报订正工作还存在较大的空白。由于海洋观测数量的限制，人们往往将同化了观测数据的大气再分析场作为海表风的真值来对海面风数值结果进行订正。但大气再分析场同样是数值模式的计算结果，再分析场与数值场之间存在很高的相关性，因此订正并不充分；此外，前人对于海面风的订正仅考虑海面风本身，而大气作为一个整体，高层风、海表温度、海平面气压等要素同样会影响海面风的精度，因此海边风的订正应当考虑其他大气要素的影响。

更为重要的是，目前随着海洋动力环境卫星海面风遥感探测技术的快速发展和成熟，海洋卫星搭载的微波散射计、微波辐射计以及合成孔径雷达(Synthetic ApertureRadar，SAR)能够提供准确的、全球覆盖的海面风的观测，由于上述海表风遥感产品具有宽幅的特点，极大的拓展对于海面风的观测覆盖范围，这为数值模式海面风的订正提供了海量的真实观测数据。在现有技术中，在订正过程使用的作为标准真值的数据与数值模式海面风存在一定的相关性；同时对于影响海面风的气象要素考虑不完整，造成了订正效果不理想。

发明内容

本申请实施例的目的在于提供一种数值模式海面风速订正方法、装置、电子设备及存储介质，可以获得准确的数值模式海面风速数据，可以提高数值模式气象要素数据中海面风速数据的精度，有效减少其误差对后续海洋气象等领域应用的负面影响，有效提高数据的应用效果。

第一方面，本申请实施例提供了一种数值模式海面风速订正方法，所述方法包括：

训练数值模式海面风速订正模型；

获取待订正的数值模式气象要素数据；所述数值模式气象要素数据包括海面风速数据；

根据训练的数值模式海面风速订正模型对所述数值模式气象要素数据进行订正，得到订正后的数值模式海面风速数据；

其中，所述数值模式海面风速订正模型是基于历史数值模式气象要素数据以及时空匹配的历史卫星遥感海面风速数据通过深度学习方法进行训练获得。

在上述实现过程中，以历史遥感海面风速为真值，使用经过时空匹配的数值模式气象要素-卫星遥感海面风速数据集对深度神经网络进行训练，得到数值模式海面风速订正模型。将待订正的数值模式气象要素数据输入该订正模型后即可获得订正后的海面风速数据，从而完成数值模式气象要素数据的订正过程，获得准确的数值模式海面风速数据，可以提高数值模式气象要素数据中海面风速数据的精度，有效减少其误差对后续海洋气象等领域应用的负面影响。

进一步地，所述训练数值模式海面风速订正模型的步骤，包括：

获取历史数值模式气象要素数据集；

获取历史卫星遥感海面风速数据集；

在所述历史数值模式气象要素数据集和所述历史卫星遥感海面风速数据集中，获取多个数据对；每个所述数据对包括一对在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速数据，所述历史数值模式气象要素数据包括历史海面风速、海面风矢量、海面风应力矢量、海平面阵风风矢量、海平面气压、850百帕风矢量、水汽柱总量、海表面温度、海平面露点温度。

在上述实现过程中，通过对历史数值模式气象要素数据集和所述历史卫星遥感海面风速数据集中的数据在时间和空间上进行相匹配，可以使数值模式海面风速订正模型得到正确有效的训练。

进一步地，在所述获取多个数据对的步骤之后，还包括：

获取所述多个数据对在预设的多个海面风速范围内的分布数据量；

根据所述分布数据量调整每个所述海面风速范围内的数据对个数，使得任意两个所述海面风速范围内的数据对个数之间的差值小于预设值。

在上述实现过程中，获取分布数据量并调整数据对个数，可以解决由多个历史数值模式气象要素数据与多个历史遥感海面风速所组成的数据对在不同风速范围内的数据量不一致的问题，使多个数据对在多个风速范围内的数据量尽量均匀，可以提高模型训练的可靠性及有效性。

进一步地，所述训练数值模式海面风速订正模型的步骤，还包括：

将所述历史数值模式气象要素数据作为训练输入数据、将所述历史遥感海面风速作为真值，并采用预设的损失函数对预先建立的全连接深度神经网络进行训练，得到训练后的所述全连接深度神经网络；将训练后的所述全连接深度神经网络作为所述数值模式海面风速订正模型。

在上述实现过程中，深度学习方法对预先建立的全连接深度神经网络进行训练，以历史数值模式气象要素数据作为训练输入数据、历史遥感海面风速作为真值，可以提高数值模式海面风速订正模型的准确性和有效性。

第二方面，本发明实施例还提供一种数值模式海面风速订正装置，所述装置包括：

模型训练模块，用于训练数值模式海面风速订正模型；

数据获取模块，用于获取待订正的数值模式气象要素数据；所述数值模式气象要素数据包括海面风速数据；

数据订正模块，用于根据训练的数值模式海面风速订正模型对所述数值模式气象要素数据进行订正，得到订正后的数值模式海面风速数据；

进一步地，所述模型训练模块包括：

历史数据获取单元，用于获取历史数值模式气象要素数据集和历史卫星遥感海面风速数据集；

数据对生成单元，用于在所述历史数值模式气象要素数据集和所述历史卫星遥感海面风速数据集中，获取多个数据对；每个所述数据对包括一对在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速数据，所述历史数值模式气象要素数据包括历史海面风速、海面风矢量、海面风应力矢量、海平面阵风风矢量、海平面气压、850百帕风矢量、水汽柱总量、海表面温度、海平面露点温度。

进一步地，所述模型训练模块还包括：

分布量获取单元，用于获取所述多个数据对在预设的多个海面风速范围内的分布数据量；

个数调整单元，用于根据所述分布数据量调整每个所述海面风速范围内的数据对个数，使得任意两个所述海面风速范围内的数据对个数之间的差值小于预设值。

进一步地，所述模型训练模块还包括：训练单元，用于将所述历史数值模式气象要素数据作为训练输入数据、将所述历史遥感海面风速作为真值，并采用预设的损失函数对预先建立的全连接深度神经网络进行训练，得到训练后的所述全连接深度神经网络；将训练后的所述全连接深度神经网络作为所述数值模式海面风速订正模型。

第三方面，本申请实施例还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的数值模式海面风速订正方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的数值模式海面风速订正方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的数值模式海面风速订正方法的流程示意图；

图2为本申请实施例提供的历史数据集的获取的过程示意图；

图3为本申请实施例提供的全连接深度神经网络的示意图；

图4为本申请实施例提供的订正效果示意图；

图5为本申请实施例提供的数值模式海面风速订正装置的结构组成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

海面风作为海洋表面最常见的现象，对于人类各种海上活动的安全、海上风能资源开发都有至关重要的影响；同时海面风又是海浪和海流的重要动力，对于物理海洋学、海洋气象都有重要的意义。但是由于受限于海洋观测规模，数值模式海面风的订正工作相对于陆面风订正方面开展相对较少。已有的海面风订正工作存在一定的缺陷，主要表现在订正过程使用的作为标准真值的数据与数值模式海面风存在一定的相关性；同时对于影响海面风的气象要素考虑不完整，因此目前亟需一种基于独立海面风观测数据的、同时能够综合考虑数值模式中各种气象要素对于海面风速影响的订正算法，能够在把数值模式海面风速数据用于进行相关后续研究或应用之前，通过海面风速订正模型进行订正，以最大程度的降低其误差所导致的在后续应用中造成的错误以及损失。

需要说明的是，以上现有技术中的技术方案所存在的种种缺陷，均是发明人经过仔细的实践研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是发明人在实现本申请过程中对本申请做出的贡献。

针对上述现有技术中的问题，本申请提供了一种数值模式海面风速订正方法、装置、电子设备及存储介质。

实施例一

参见图1，本申请实施例中所述的数值模式海面风速订正方法可应用于服务器。

本申请实施例的数值模式海面风速订正方法，包括如下步骤：

S1，训练数值模式海面风速订正模型；

S2，获取待订正的数值模式气象要素数据；该数值模式气象要素数据包括海面风速数据；

S3，根据训练的数值模式海面风速订正模型对数值模式气象要素数据进行订正，得到订正后的数值模式海面风速数据；

其中，数值模式海面风速订正模型是基于历史数值模式气象要素数据以及时空匹配的历史卫星遥感海面风速数据通过深度学习方法进行训练获得。

具体地，获取待订正的数值模式气象要素数据包括海面风速数据、海面风矢量数据、海面风应力矢量数据、海平面阵风风矢量数据、海平面气压数据、850百帕风矢量数据、水汽柱总量数据、海表面温度数据、海平面露点温度数据。

如图2所示，历史数据集的获取过程包括：

S11，获取历史数值模式气象要素数据集；

S12，获取历史卫星遥感海面风速数据集；

S13，在历史数值模式气象要素数据集和历史卫星遥感海面风速数据集中，获取多个数据对；每个数据对包括一对在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速数据，历史数值模式气象要素数据包括历史海面风速、海面风矢量、海面风应力矢量、海平面阵风风矢量、海平面气压、850百帕风矢量、水汽柱总量、海表面温度、海平面露点温度。

在本申请实施例中，所获取的历史数值模式气象要素数据集可以包括多个历史数值模式气象要素数据；所获取的历史卫星遥感海面风速数据集可以包括多个历史卫星遥感海面风速数据。

需要补充的是，在本申请实施例中，历史数值模式气象要素数据集可以是来自于法国气象局(Meteo France)AROME大气数值模式2019年11月的格点化气象要素数据。其中，AROME大气数值模式法国气象局目前业务化大气数值模式，能够提供多层、多要素的大气、海洋数值要素，包括上述的海面风速、海面风矢量、海面风应力矢量、海平面阵风风矢量、海平面气压、850百帕风矢量、水汽柱总量、海表面温度、海平面露点温度等数据。

历史卫星遥感海面风速数据集可以是来自于欧洲航天局(European SpaceAgency，ESA)哥白尼观测计划(Copernicus Programme)的Sentinel-1A、Sentinel-1B卫星合成孔径雷达遥感的海面风速。当然，对于本申请所提供方法中的历史数值模式气象要素数据集和历史卫星遥感海面风速数据集，本申请对其来源并不作限定，例如历史数值模式气象要素数据可以来源于其他任何大气数值模式，同时历史卫星遥感海面风速数据也可以来自于诸如星载微波散射计等遥感手段。

在具体实施中，在获取多个数据对的步骤之后，还包括：

获取多个数据对在预设的多个海面风速范围内的分布数据量；

根据分布数据量调整每个海面风速范围内的数据对个数，使得任意两个海面风速范围内的数据对个数之间的差值小于预设值。

其中，每个数据对包括一对在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速，历史数值模式气象要素数据包括历史数值模式海面风速、海面风矢量、海面风应力矢量、海平面阵风风矢量、海平面气压、850百帕风矢量、水汽柱总量、海表面温度、海平面露点温度。

可以理解的是，在获取到上述的两个数据集(历史数值模式气象要素数据集和历史卫星遥感海面风速数据集)之后，这两个数据集中的数据可能在时间和空间上并不是一一匹配的。这无法用于对数值模式海面风速订正模型进行正确有效的训练。

而为了实现对数值模式海面风速订正模型进行正确有效的训练，使得历史数值模式气象要素数据集和历史卫星遥感海面风速数据集中的数据在时间和空间上一一匹配，可以对这两个数据集中的数据在时间和空间上进行匹配，进而获取到多个数据对。

匹配的过程如下：

一、获取与上述的每个历史数值模式气象要素数据对应的第一观测时间和第一经纬度；以及获取与上述的每个历史卫星遥感海面风速对应的第二观测时间和第二经纬度。由于数值模式各种气象要素的时间空间相同，因此，第一观测时间可以是以下任意一种要素的时间，包括：历史数值模式海面风速、历史海面风矢量、历史海面风应力矢量、历史海平面阵风风矢量、历史海平面气压、历史850百帕风矢量、历史水汽柱总量、历史海表面温度、历史海平面露点温度的观测时间；第二观测时间可以包括：历史卫星遥感海面风速的观测时间。

二、根据第一观测时间、第一经纬度、第二观测时间和第二经纬度，在历史数值模式气象要素数据集和历史卫星遥感海面风速数据集中，选出在时间与空间上相匹配的n个历史数值模式气象要素数据和n个历史卫星遥感海面风速数据，进而得到n个数据对，每个数据对包括一对在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速数据。

其中，对于如何“在时间与空间上相匹配的n个历史数值模式气象要素数据和n个历史卫星遥感海面风速数据”，其可能的实施方式包括：遍历判断数值模式气象要素数据集中的每个数据与卫星遥感海面风速数据集中的每个数据是否在时间与空间上相匹配，获取所有相匹配的数据，得到在时间与空间上相匹配的n个历史数值模式气象要素数据和n个历史卫星遥感海面风速数据。

例如，在判断数值模式气象要素数据集中的任一个历史数值模式气象要素数据和卫星遥感海面风速数据集中的任一个历史卫星遥感海面风速数据是否在时间与空间上相匹配时，可以按以下“时间与空间匹配规则”进行判断，但是需要注意，该时空匹配规则与本实施例选取的数值模式与卫星遥感数据的空间分辨率直接相关，若在其他实施过程中采用了不同的数值模式分辨率或选取其他来源的卫星遥感数据，则应当对时空匹配原则进行相应的修改以得到合理的时空匹配数据。

对于在空间上的匹配，可以分别获取历史数值模式气象要素数据和历史卫星遥感海面风速数据对应的第一经纬度和第二经纬度，计算第一经纬度和第二经纬度之间的直线距离；若直线距离小于3km，则认为这两者在空间上匹配成功。对于在时间上的匹配，可以分别获取历史数值模式气象要素数据和历史卫星遥感海面风速数据对应的第一观测时间和第二观测时间，计算这两个观测时间的差值；若差值在0.5小时之内(无论正负)，则认为这两者在时间上匹配成功。若历史数值模式气象要素数据和历史卫星遥感海面风速数据在时间和空间上均匹配成功，则认为该历史数值模式气象要素数据和历史卫星遥感海面风速在时间与空间上相匹配。

最后，在历史数值模式气象要素数据集和历史卫星遥感海面风速数据集中，根据上述“时间与空间匹配规则”，分别在这两个数据集中选出所有在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速数据。

需要补充的是，在执行S13之后，可以得到多个数据对。而由于每个数据均对包括一对在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速。也即是说，执行S13之后相当于可以得到多个历史数值模式气象要素数据和多个历史卫星遥感海面风速数据，每个历史数值模式气象要素数据包括有历史数值模式海面风速、历史海面风矢量、历史海面风应力矢量、历史海平面阵风风矢量、历史海平面气压、历史850百帕风矢量、历史水汽柱总量、历史海表面温度、历史海平面露点温度。进而，可以得到多个历史数值气象要素数据以及多个历史卫星遥感海面风速数据。

进一步的，在一些可能的实施方式中，对于如何“获取历史卫星遥感海面风速数据集”，S12包括如下步骤：

获取多个卫星遥感海面风速数据；

例如，获取Sentinel-1A/B卫星于2019年11月的多个海面风速遥感数据。

在多个卫星遥感(实施例中采用Sentinel-1A/B卫星)海面风速数据中，将位置位于海洋且质量标识为“Good”的数据加入至数值模式气象要素数据集，而将质量标识为“Medium”与“Bad”的风速遥感数据剔除即可；同时由于卫星海面风遥感产品的特性，极小风(<3m/s)的观测误差相对较大，因此对于卫星遥感海面风数据中风速<3m/s的数据也一并剔除，同时剔除数据对中对应的数值模式气象要素数据。

可以理解的，在自然条件下不同风速的出现频率是有所差异的，例如极大和极小风速的出现概率一般明显小于中等风速的出现频率，因此上述方法中所获取的“多个数据对”在多个风速范围内的数据量可能不均匀，这会对数值模式海面风速订正模型的训练造成影响。因此，为了使得多个数据对在多个风速范围内的数据量均匀，在S13之后，本申请实施例还可以通过以下步骤解决上述问题。

例如，假设预设的多个风速范围共计6组，分别为：[4，7m/s)，[7，10m/s)，[10，13m/s)，[13，16m/s)，[16，19m/s)，[19m/s，+∞)。并且，假设多个数据对在[4，7m/s)内的数据量为49362，在[7，10m/s)内的数据量为25506，在[10，13m/s)内的数据量为16581,则可以获取到多个数据对在以上预设的多个风速范围内的分布数据量为：“49362，25506，16581”。

其中，可以理解的是，由于每个数据对包括一对在时间与空间上相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速数据，因此，多个数据对在某一个风速范围内的分布数据量实际上相当于多个数据对中的多个历史数值模式气象要素数据或多个历史卫星遥感海面风速数据在该风速范围内的分布数据量。

例如，假设多个数据对中的多个历史数值模式气象要素数据在[4，7m)内有49362个，则可以确定多个数据对在[4，7m)内的数据量为49362；假设多个数据对中的多个历史卫星遥感海面风速数据在[7，10m/s)内有25506个，则可以确定多个数据对在[7，10m/s)内的数据量为16581。

显然，由于相匹配的历史数值模式气象要素数据和历史卫星遥感海面风速数据在海面风速的数值上可能是不一致的，因此，多个数据对中的多个历史数值模式气象要素数据与多个历史卫星遥感海面风速数据在不同风速范围内的数据量可能是不一致的，所以上述分组均是基于卫星遥感风速大小而进行的。

根据分布数据量调整每个所述海面风速范围内的数据对个数，使得任意两个海面风速范围内的数据对个数之间的差值小于预设值。

以上述假设为例，对于分布数据量：“49362，25506，16581”，取其中最大值49362，分别除以分布数据量中的每个数据量并在四舍五入后取整数，可以得到“1，2，3”。然后，可以将“1，2，3”作为上述3组风速范围的重复次数；按照该重复次数，将每个风速范围内的数据对复制相应的次数后，可以得到复制之后，上述的分布数据量变为“49362，51012，49743”，进而使得多个数据对在多个风速范围内的数据量均匀。

还应理解，通过执行上述过程，即可使得历史数值模式气象要素-历史卫星遥感海面风数据集在多个风速范围内的数据量均匀，避免对数值模式海面风速订正模型的训练造成影响。

进一步地，S1还包括：

将历史数值模式气象要素数据作为训练输入数据、将历史遥感海面风速作为真值，并采用预设的损失函数对预先建立的全连接深度神经网络进行训练，得到训练后的所述全连接深度神经网络；将训练后的全连接深度神经网络作为数值模式海面风速订正模型。

在一些可能的实施例中，请参照图3，首先可以获取预先建立的全连接深度神经网络；然后将前述实施例中获取到的多个历史海面风速、历史海面风矢量、历史海面风应力矢量、历史海平面阵风风矢量、历史海平面气压、历史850百帕风矢量、历史水汽柱总量、历史海表面温度、历史海平面露点温度作为该全连接深度神经网络的模型输入(其中所有矢量均分解为U，V分量，将其数值大小作为输入)，将前述实施例中获取到的多个历史卫星遥感海面风速数据作为该全连接深度神经网络的模型输出；采用均方根误差(Mean SquaredError，MSE)作为该全连接深度神经网络的损失函数，对该全连接深度神经网络进行训练，即可得到训练后的全连接深度神经网络。

其中，模型优化方法为自适应矩估计(Adam)。

下面，将结合该实验数据对上述方法实施例的有益效果作进一步解释。

具体的，发明人通过法国AROME大气数值模式、Sentinel-1A/B获取数据的时间为2019年11月1日至2019年11月30日；其中随机选取20％的数据作为训练数据，为了独立与全面的验证订正效果，使用其余所有80％的数据作为独立检验数据，下面给出的涉及精度评估与改善的结论，均是基于这80％的独立检验数据得到的。

在独立检验数据上得到的订正前后的具体的精度评估如表1所示。从整体上可以看到，本申请实施例所提供的数值模式海面风速的订正方法显著地改善了法国AROME大气数值模式海面风速的系统偏差，误差减少比例高达99.0％；对于均方根误差(Root MeanSquare Error，RMSE)以及相对误差也有明显改善，改善比例也达到30.0％。

表1测试集上订正前后数值模式海面风速精度及改善程度

进一步的，请参照图4，图4给出了本申请实施例的订正效果的进一步说明。其中上在两幅图为AROME数值模式海面风速在应用本申请提供的订正方法前后的回归散点分布图以及误差统计指标的数值对比；左下图为订正前后的数值模式海面风速系统偏差和均方根误差(RMSE)在不同大小的海面风速区段上的变化情况。右下图为订正前后的数值模式海面风速系统偏差、均方根误差(RMSE)以及散点指数(Scatter Index,SI)在不同大小的海面风速区段上的改善百分比。

可以看到，无论是对于系统偏差还均方根误差，本申请实施例所提供的数值模式海面风速的订正方法均有效地减少了原数值模式海面风速的误差。对于系统偏差而言，本申请实施例所提供的数值模式海面风速订正方法去除了大部分的正系统偏差，尤其是在海面风速7m/s以上的区间内，几乎完全消除了系统偏差。而对于均方根误差，本申请实施例所提供的数值模式海面风速的订正方法也能够获得非常有效的改善，尤其在低风速和高风速的区间内，可以减少超过30％的均方根误差，而在其他海面风速的区间内也能看到对于海面风速均方根误差的改善。

基于上述实验数据可知，本申请实施例所提供的数值模式海面风速订正方法能够基本消除数值模式海面风速的系统偏差，同时有效减小了对海面风速均方根误差。因此，本申请实施例能够对数值模式气象要素数据进行订正，提高数值模式气象要素数据中海面风速的精度。

在本发明方法实施例中，以历史遥感海面风速为真值，使用经过时空匹配的数值模式气象要素-卫星遥感海面风速数据集对深度神经网络进行训练，得到数值模式海面风速订正模型。将待订正的数值模式气象要素数据输入该订正模型后即可获得订正后的海面风速数据，从而完成数值模式气象要素数据的订正过程，获得准确的数值模式海面风速数据，可以提高数值模式气象要素数据中海面风速数据的精度，有效减少其误差对后续海洋气象等领域应用的负面影响。

实施例二

为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种数值模式海面风速订正装置。

参见图5，本申请实施例的数值模式海面风速订正装置包括：

模型训练模块1，用于训练数值模式海面风速订正模型；

数据获取模块2，用于获取待订正的数值模式气象要素数据；所述数值模式气象要素数据包括海面风速数据；

数据订正模块3，用于根据训练的数值模式海面风速订正模型对所述数值模式气象要素数据进行订正，得到订正后的数值模式海面风速数据；

进一步地，模型训练模块1包括：

作为一种可选的实施方式，模型训练模块1还包括：

分布量获取单元，用于获取多个数据对在预设的多个海面风速范围内的分布数据量；

个数调整单元，用于根据分布数据量调整每个所述海面风速范围内的数据对个数，使得任意两个海面风速范围内的数据对个数之间的差值小于预设值。

作为一种可选的实施方式，模型训练模块1还包括：训练单元，用于将历史数值模式气象要素数据作为训练输入数据、将历史遥感海面风速作为真值，并采用预设的损失函数对预先建立的全连接深度神经网络进行训练，得到训练后的全连接深度神经网络；将训练后的全连接深度神经网络作为数值模式海面风速订正模型。

上述的数值模式海面风速订正装置可实施上述实施例一的数值模式海面风速订正方法。上述实施例一中的可选项也适用于本实施例，这里不再详述。

本申请实施例的其余内容可参照上述实施例一的内容，在本实施例中，不再进行赘述。

实施例三

本申请实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的数值模式海面风速订正方法。

可选地，上述电子设备可以是服务器。

另外，本申请实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的数值模式海面风速订正方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims

1.一种数值模式海面风速订正方法，其特征在于，所述方法包括：

训练数值模式海面风速订正模型；

2.根据权利要求1所述的数值模式海面风速订正方法，其特征在于，所述训练数值模式海面风速订正模型的步骤，包括：

获取历史数值模式气象要素数据集；

获取历史卫星遥感海面风速数据集；

3.根据权利要求2所述的数值模式海面风速订正方法，其特征在于，在所述获取多个数据对的步骤之后，还包括：

4.根据权利要求2所述的数值模式海面风速订正方法，其特征在于，所述训练数值模式海面风速订正模型的步骤，还包括：

5.一种数值模式海面风速订正装置，其特征在于，所述装置包括：

模型训练模块，用于训练数值模式海面风速订正模型；

6.根据权利要求5所述的数值模式海面风速订正装置，其特征在于，所述模型训练模块包括：

7.根据权利要求6所述的数值模式海面风速订正装置，其特征在于，所述模型训练模块还包括：

8.根据权利要求7所述的数值模式海面风速订正装置，其特征在于，所述模型训练模块还包括：训练单元，用于将所述历史数值模式气象要素数据作为训练输入数据、将所述历史遥感海面风速作为真值，并采用预设的损失函数对预先建立的全连接深度神经网络进行训练，得到训练后的所述全连接深度神经网络；将训练后的所述全连接深度神经网络作为所述数值模式海面风速订正模型。

9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至4中任一项所述的数值模式海面风速订正方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的数值模式海面风速订正方法。