CN115980885A - 基于集合预报的降水预报偏差校正方法 - Google Patents

Abstract

本发明属于深度学习与气象预测技术领域，本发明包括如下具体步骤：以中国中部水库流域为研究对象，选取5个预报模式的控制预报结果，根据地面观测站的经纬度信息将中部水库预报数据进行区域切分，将站点附近的数据信息作为影响因素，并将这些小空间范围内的数据进行正则化处理；将各个模式预报数据正则化后分别放入各分组模块得到每个模式预报的特征，最后通过加入地形，站点经纬度等特征有效融合后通过输出模块得到各个站点附近准确的降水预报。本发明可以使用多个子网络各自提取不同模式特征，并共同作用，赋予不同的权重可以很好地将各模式预报数据有效的融合生成站点附近较为准确的降水值，从而达到更好的订正效果。

Description

基于集合预报的降水预报偏差校正方法

技术领域

本发明涉及基于集合预报的降水预报偏差校正方法领域，特别涉及基于集合预报的降水预报偏差校正方法。

背景技术

随着数值天气预报的发展，人们逐渐发现，改进单一的数值天气预报模式很困难，尤其对于较长时效的天气预报结果不理想。经过长时间的发展，数值预报技术取得了飞速的发展，并且由传统的单一确定性预报向集合数值预报方向发展。大量研究表明，集合预报相比于单一的确定性预报具有更高的经济价值。集合预报可以合理的利用各中心模式预报结果以减少模式系统性偏差，集合预报是对各模式预报的输出结果进行统计后处理，集成多模式的预报结果来减少预报误差。这是获得更为精确预报的有效途径。

目前已有大量的气象研究者对集合预报技术做了大量的研究工作。为了减小数值预报的不确定性，Krishnamurti等最早提出多集合预报思想并对全球热带、美国等地的降水进行订正。Ross等应用超级集合预报技术，利用6个模式的全球数值预报逐日资料对风场进行集合预报，研究也发现超级集合预报效果优于最好的单个模式和多模式简单集合平均。Ji等提出了基于MODE评估的降水多模式集成预报新方法。这种新方法不但改进了降水量的预报，还是的降水区更加完整，较好的保留了降水预报的空间相关性。因此从以往的研究发现多模式超级集合预报的预报技巧远超单个模式以及简单集合平均的预报技巧，可以显著减小了天气预报和季节气候预报的误差。

传统气象领域常见的多模式集成方法主要包含：简单集合平均、消除偏差集合平均、基于线性回归的超级集合等方法，虽能够提高预报技巧，但这些方法都是线性统计后处理，而大气系统是一个混沌系统，元素之间充满了非线性关系，因此集合预报方法仍有较大的改进空间。近年来深度学习在各领域的爆炸性使用都证明该方法可以从大量历史信息中提取出隐藏的非线性关系。有学者采用基于机器学习的多模式集合预报方法比如多元线性回归、BP神经网络等都取得了较为满意的结果。Yuan等使用ANN对降水集合预报进行统计后处理也展示人工智能在集合预报中的可行性。但这些机器学习/深度学习的应用都是较为浅层的网络，对复杂的气象特征提取信息有一定的制约性。

发明内容

本发明的目的是利用集合预报的思想提高模式预报技巧，对中部水库区的洪水预报和防灾减洪提供数据支撑。本发明提供的集合预报方法是基于多个子网络对各模式分别预报后进行权重融合达到最佳的降水预报效果。

为实现上述目的，本发明提供如下技术方案：基于集合预报的降水预报偏差校正方法，包括包括以下步骤：

1)首先，收集TIGGE系统中的欧洲中期天气预报中心(ECMWF)、美国国家环境预测中心(NCEP)、中国气象局(CMA)、日本气象厅(JMA)以及英国气象局(UKMO)5个预报模式的控制预报和地面站观测降水，将各模式预报数据和地面观测降水之间的相关性，去除任何可能对性能产生负面影响的不必要的噪声输入。

2)其次，根据地面观测站的位置(经纬度)为中心对中部水库区域数据进行切分，产生若干个包含站点周围信息的特征区域；将这些特征区域进行正则化处理。

3)然后，对切分后的各模式预报的小网格天气数据分别输入至对应的子网络编码器中，在编码网络中静态先验知识和卷积运算，用以捕捉不同气象特征对降水的影响随后进入由LSTM堆叠成的模块中训练，得到解码单元的初始状态。

4)编码后的静态先验知识与各编码器输出特征作参数共享，作为个解码网络的初始状态，其中各解码网络是由LSTM堆叠成的相同的网络结构，且每个模式对应的子网络之间信息不共享，最终经过解码网络可以输出每个模式预报特征。

5)各解码网络共同作用，一个分支对每个网络的输出特征赋予不同的权重得到最终的降水预报结果，另一个分支经由一个卷积块组成的单元将融合后的结果做站点附近降水的等级预测(无雨、小雨、中雨、大雨、暴雨)几个降水等级的预测，用以辅助得到更加精确的降水预报数据。

优选的，步骤1)所述的选取有效的气象特征信息，去除任何可能对性能产生负面影响的不必要的噪声输入，使用逐步回归的方法筛选变量，具体步骤为：将网格面数据使用反距离权重法(IDW)向站点附近插值，得到站点附近插值后的特征值，并将每个特征变量逐个引入至回归模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的因变量由于后面因变量的引入变得不再显著是，将该因变量进行删除，这样一来可以确保每次引入新变量之前回归模型中只包含显著性变量。

优选的，其特征在于步骤2)所述的数据切分与特征归一化的步骤为：

(a)首先将模式预报时间与地面观测时间统一转换为北京时间，然后根据每个地面观测站的位置(经纬度)坐标,将站点坐标对齐在网格数据中，考虑到降水的空间信息，对于每个地面观测站，在模式网格数据上以站点经纬度为中心提取一个包含周围11*11的子网格代表当前站点的特征空间分布信息。并保存当前观测的降水值以达到模式网格数据和地面观测数据时间和空间对应的训练数据。

(b)在切分后的特征中进行归一化操作，其中为避免引入较大的异常值，先将切分数据进行一次Min-Max标准化操作，每个元素的最大最小值有官方

上，以此方式消除特征尺度上的差异，其中u_i是第i个要素特征的总体均值，σ_i是第i个要素特征的总体标准差。

优选的，步骤3)所述的对各模式数据的编码模块的步骤为：

(a)编码信息中需使用到地理环境(经纬度和海拔数据)、时间戳信息，作为静态变量。经过静态编码后与模式特征数据组合输入至编码单元。

(b)编码层包含一层3*3大小的卷积核进行对各模式数据和静态信息进行特征提取，获取周围特性信息对站点附近降水的动态影响；

(c)卷积提取的特征进行flatten操作后输送至由LSTM堆叠成的序列编码模块，该模块可以学习到降水随时间的变化与静态编码变量组合共同作为序列解码模块的初始状态。

优选的，步骤4)所述的时序预测的解码模块。该模块由编码后的静态先验知识与各编码器输出特征作参数共享，作为个解码网络的初始状态，其中各解码网络是由LSTM堆叠成的相同的网络结构，且每个模式对应的子网络之间信息不共享，T时刻的预测信息会向后传递至T+1时刻，也就是说T+1时刻的预测数据与T时刻的数据存在一定的联系。最终经过时序解码网络各子网络都可以输出每个模式预报特征。

优选的，步骤5)所述的权重融合和降水等级的预测。对于输出的结果，使用MAE和类TS评分以不同比例相加作为损失函数，优化网络模型，从而得到最优的网络模型，损失函数的表达式为：

Loss＝λL1+ηLTS

其中Y为真实观测降水，

为模型融合预测降水，y_i是真实降水对应的降水等级，

为经由卷积块分支得到的模型预测降水等级；

所述的权重融合和降水等级的预测由两个分支构成一个分支经由权重融合后输出确定的降水量预测，另一个分支经过一个卷积块输出各站点降水等级预测。

其中对于降水量的预测分支由于在输出层进行了权重融合模块，最终的降水量回归可以表示为：

其中

分别对应个子网络对对应模式运算的输出值。w_ecmwf，w_NCEP，w_CMA，w_IMA，w_UKMO都是需要从网络中不断学习更新的动态参数，最终的降水预测结果为各子网络的输出值与动态学习参数的Hadamard积。对于输出的结果，使用MAE和类TS评分以不同比例相加作为损失函数，优化网络模型，从而得到最优的网络模型，损失函数的表达式为：

Loss＝λL1+ηL_TS

其中Y为真实观测降水，

为模型融合预测降水，y_i是真实降水对应的降水等级，

为经由卷积块分支得到的模型预测降水等级。

本发明的技术效果和优点：

(1)本发明先使用逐步线性回归方法筛选出各模式数据对降水有影响的气象因子，并剔除了异常值和对降水可能产生负影响的气象，提高了模式降水资料的质量，从而提高降水预报能力。

(2)本发明使用多个相同子网络对各模式预报数据分别进行提取预报后再进行权重特征融合，可以较为充分利用各模式的优势，其次可以本发明网络产生了另一个分支用于站点降水等级预报，两个分支相互影响，可以更加准确的得到精确降水，缓解各模式降水预报的系统偏差。

附图说明

图1是本发明的研究区域展示图；

图2是本发明的模型结构示意图；

图3是本发明的模型编解码部分的结构示意图；

图4为本发明的提出的集合预报偏差校正方法流程图；

图5是本发明的实施实例中TS评分。

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。

本发明提供了如图1-5所示的基于集合预报的降水预报偏差校正方法：本发明研究区域如图1所示(中国区域中部水库流域)，数据集主要收集TIGGE系统中的欧洲中期天气预报中心(ECMWF)、美国国家环境预测中心(NCEP)、中国气象局(CMA)、日本气象厅(JMA)以及英国气象局(UKMO)5个模式预报中心的预报数据，每天起报两次，分别为00时和12时(UTC时间)，该模式数据资料空间分辨率为10km,24小时日累计降水用作本研究。本发明选取中部水库流域的国家站日降水数据地面雨量计资料作为真实降水，作为训练的真实标签Y,例外如图2所示那样本发明还加入了地形海拔、观测站经纬度和时间作为静态编码变量。

在进行集合预报降水偏差校正之前需要对所用数据进行选择，本发明采用逐步回归模型筛选对降水有影响的因子具体操作步骤如下：

(a)将网格面数据使用反距离权重法(IDW)向站点附近插值，得到站点附近插值后的特征值，对于每个模式预报数据的p个回归自变量X₁，X₂，...，X_p分别同因变量降水值Y建立一元回归模型：

Y＝β₀+β_iX_i+∈，i＝1，2，...，p计算变量X_i，相应的回归系数的F检验统计量的值，记为

最终

设置一个阈值α为显著性水平，此时相应的临界值F¹，若

则将X_i1表示的特征引入至自回归模型中。

(b)分别将模式预报数据自变量分为多个自变量组(x₁，x₂)，(x₁，x₃)，...，(x₁，x_p)与因变量降水值建立二元回归方程，计算方程中x₂，x₃，..，x_p的回归系数检验统计量F，记为

最大值记为

如果满足一定条件后停止筛选，否则将该变量选入变量集，使用这种方式选择特征。

(c)考虑所有因变量对变量子集{X_i1，X_i2，..，X_p}的回归重复(b)步骤。

按照上述步骤重复进行，每次从未加入的特征中选取一个加入值回归模型，直至经检验后没有变量引入为止。在经过逐步回归筛选出各模式对降水有影响的相关气象因子后，将地面观测站与模式网格数据对齐，以站点经纬度坐标为中心切分更小范围的数据特征，最终形成11*11网格大小的数据。为了排除由于系统故障或者数据存储等原因造成的数据异常等问题，对收集的5个模式中心预报数据、雨量计观测数据集进行Min-Max标准化操作，将所有数据放缩至官方给出的数据范围内，计算公式为：

避免异常数据对模型的影响。数据放缩后由于不同气象因子的特征维度等不同还需对数据进行一次Z-Score归一化公式为：

其中u是每个要素的总体均值，σ是总体数据的标准差,z为归一化后的结果，x为日降水数据。如图2所示由于收集的5个模式中心预报降水数据使用UTC时间，而地面观测观测数据使用北京时间，因此需要将网格数据与站点数据做时间上的统一。

集合降水偏差校正网络模型如图3所示。模型包含多个部分，其中地形海拔高度、经纬度、时间信息等这些值会加入一个Embedding送到网络中，并且编码后的每个因素都会与5个模式中心预报特征分别进行混合后输送至网络编码层(如图4a)先经过由卷积核为3*3的卷积层提取混合特征后会进入由LSTM堆叠成的编码结构中。编码结构中间没有神经元输出，其中的上下文向量c＝q(h₁，h₂，...，h_N)使用所有神经元的隐藏状态h₁，h₂，...，h_N计算得到。得到上下文向量c之后，传递到下一层的解码结构中(如图4b)解码结构将编码层的输出与静态编码特征作为混合特征共同传递到解码结构，并且在解码单元的输入传递中多了上一个时刻的神经元输出y′。即每个神经元的输入结构包括：上一个神经元的隐藏向量h′,上有一个神经元的输出y′，当前的输入为编码层的上下文向量与静态变量的编码特征。计算公式如下所示：

h′_t＝σ(Uc+Wh′_t-1+Vy′_t-1+b)

y′_t＝σ(Vh′_t+c)

经过序列编解码子网络后得到5个模式中心的编码预测数据，接下来本模型使用了混合特征融合，5个子网络输出的特征交叉融合后传递到两个分支一个分支经过一次1*1的卷积和激活函数后输出确定的降水量结果，另一个分支经过3*3与1*1的卷积后再经过一次sigmoid操作输出站点降水等级的预测。两个分支相互影响，降水等级辅助确定量降水分支，得到更精确的降水结果。

本发明中对于确定性降水使用L1损失来优化。然而，L1损失的最大的一个问题是它通常被认为是平滑整个数据。而对于降水预报任务而言，显然使用L1无法完美的更新参数，因为各地的降水可能会存在很大的差异。因此这也就有了本发明的另一个分支进行降水等级预测，并考虑一种损失使得可以区分局部差异又可以就整体而言有较大的相似性。在气象学中，经常使用二分类的方式来评价模式的性能如TS评分被广泛用于评价不同雨量之间的降水精度。本发明中降水等级分为5类分别是：无雨、小雨、中雨、大雨以及暴雨。而若直接使用TS评分来优化网络参数这是非常具有挑战性的，因此本发明中使用的是TS评分的思想最大限度的提高站点降水量级的预测精度。简而言之就是对于站点的降水量等级都看成一个分类来处理，被当做交叉熵损失函数来训练网络。该损失被定义如下：

其中y_i为地面观测降水对应的降水等级，

为降水等级预测分支预测的该站点的降水等级。综上提议网络的整体损失表达如下：

Y为地面观测具体降水量，

为模型预测降水量。根据实施方案中数据预处理和模型构建方法，我们利用2017-2019年中部水库地面观测数据进行划分，其中80％用作模型训练数据，20％做模型验证数据，使用2020年数据来验证我们提议模型的最终结果。使用威胁评分(TS)来验证模型性能。TS评分定义为：

σ为降水阈值分别为10mm,25mm,50mm,100mm，150mm分别对应小雨，中雨，大雨，暴雨，大暴雨。评价结果如图5所示。从图中可以明显看出，使用提议的网络对集合成员集成订正的方法取得了较好的效果，对于各量级的降水预报效果都优于单模式最好的情况。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于集合预报的降水预报偏差校正方法，其特征在于，包括以下步骤：

1)首先，收集TIGGE系统中至少5个预报模式的控制预报和地面站观测降水，将各模式预报数据和地面观测降水之间的相关性，去除对性能产生的负面影响进行噪声输入；

2)根据地面观测站的位置为中心对中部水库区域数据进行切分，产生若干个包含站点周围信息的特征区域，将特征区域进行正则化处理；

3)对切分后的各模式预报的小网格天气数据分别输入至对应的子网络编码器中，在编码网络中静态先验知识和卷积运算，用以捕捉不同气象特征对降水的影响随后进入由LSTM堆叠成的模块中训练，得到解码单元的初始状态；

4)编码后的静态先验知识与各编码器输出特征作参数共享；

5)各解码网络共同作用，一个分支对每个网络的输出特征赋予不同的权重得到最终的降水预报结果，另一个分支经由一个卷积块组成的单元将融合后的结果做站点附近降水的等级预测。

2.根据权利要求1所述的基于集合预报的降水预报偏差校正方法，其特征在于：

步骤1)所述选取有效的气象特征信息，去除对性能产生负面影响的不必要的噪声输入，使用逐步回归的方法筛选变量，具体步骤为：将网格面数据使用反距离权重法向站点附近插值，得到站点附近插值后的特征值，并将每个特征变量逐个引入至回归模型，每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的因变量由于后面因变量的引入变得不再显著时，将该因变量进行删除，确保每次引入新变量之前回归模型中只包含显著性变量。

3.根据权利要求1所述的基于集合预报的降水预报偏差校正方法，其特征在于：

步骤2)所述的数据切分与特征归一化的步骤为：

(a)首先将模式预报时间与地面观测时间统一转换为北京时间，然后根据每个地面观测站的位置坐标，将站点坐标对齐在网格数据中，考虑到降水的空间信息，对于每个地面观测站，在模式网格数据上以站点经纬度为中心提取一个包含周围11*11的子网格代表当前站点的特征空间分布信息，并保存当前观测的降水值以达到模式网格数据和地面观测数据时间和空间对应的训练数据；

(b)在切分后的特征中进行归一化操作，其中为避免引入较大的异常值，先将切分数据进行一次Min-Max标准化操作，每个元素的最大最小值有官方网站给出，计算公式为：

然后对标准化后的特征进行Z-SCORE归一化方法。

4.根据权利要求1所述的基于集合预报的降水预报偏差校正方法，其特征在于，步骤3)所述的对各模式数据的编码模块的步骤为：

(a)编码信息中需使用到地理环境、时间戳信息作为静态变量，经过静态编码后与模式特征数据组合输入至编码单元；

(b)编码层包含一层3*3大小的卷积核进行对各模式数据和静态信息进行特征提取，获取周围特性信息对站点附近降水的动态影响；

(c)卷积提取的特征进行flatten操作后输送至由LSTM堆叠成的序列编码模块。

5.根据权利要求1所述的基于集合预报的降水预报偏差校正方法，其特征在于：

步骤4)所述的时序预测的解码模块，该模块由编码后的静态先验知识与各编码器输出特征作参数共享，作为个解码网络的初始状态，其中各解码网络是由LSTM堆叠成的相同的网络结构，且每个模式对应的子网络之间信息不共享，T时刻的预测信息会向后传递至T+1时刻，经过时序解码网络各子网络都可以输出每个模式预报特征。

6.根据权利要求1所述的基于集合预报的降水预报偏差校正方法，其特征在于：

步骤5)所述的权重融合和降水等级的预测，对于输出的结果，使用MAE和类TS评分以不同比例相加作为损失函数，优化网络模型，从而得到最优的网络模型，损失函数的表达式为：

Loss＝λL1+ηL_TS

7.根据权利要求1所述的基于集合预报的降水预报偏差校正方法，其特征在于：在步骤四中，作为个解码网络的初始状态，其中各解码网络是由LSTM堆叠成的相同的网络结构，且每个模式对应的子网络之间信息不共享，最终经过解码网络可以输出每个模式预报特征。

8.根据权利要求3所述的基于集合预报的降水预报偏差校正方法，其特征在于：在步骤二中，计算公式为：

数据特征就归一化到同一维度上，以此方式消除特征尺度上的差异，其中u_i是第i个要素特征的总体均值，σ_i是第i个要素特征的总体标准差。

9.根据权利要求1所述的基于集合预报的降水预报偏差校正方法，其特征在于：在步骤三的(c)步骤中，该模块学习到降水随时间的变化与静态编码变量组合共同作为序列解码模块的初始状态。

10.根据权利要求6所述的基于集合预报的降水预报偏差校正方法，其特征在于：在步骤五中，其中Y为真实观测降水，

为模型融合预测降水，y_i是真实降水对应的降水等级，

为经由卷积块分支得到的模型预测降水等级。

Images