CN116341353A - 一种使用时空降水订正模型的降水预报订正方法 - Google Patents

一种使用时空降水订正模型的降水预报订正方法 Download PDF

Info

Publication number
CN116341353A
CN116341353A CN202211103887.8A CN202211103887A CN116341353A CN 116341353 A CN116341353 A CN 116341353A CN 202211103887 A CN202211103887 A CN 202211103887A CN 116341353 A CN116341353 A CN 116341353A
Authority
CN
China
Prior art keywords
precipitation
model
data
training
daily
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
Application number
CN202211103887.8A
Other languages
English (en)
Inventor
潘乐
翁彬
游立军
黄添强
叶锋
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.)
Fujian Institute Of Meteorological Sciences
Fujian Normal University
Original Assignee
Fujian Institute Of Meteorological Sciences
Fujian Normal University
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 Fujian Institute Of Meteorological Sciences, Fujian Normal University filed Critical Fujian Institute Of Meteorological Sciences
Priority to CN202211103887.8A priority Critical patent/CN116341353A/zh
Publication of CN116341353A publication Critical patent/CN116341353A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种使用时空降水订正模型的降水预报订正方法，订正次季节降水预报结果，提升降水预报精度。首先将传统数值预报模式每日降水预报结果转化日降水分布，然后取前三十天降水分布逐天输入模型，每天的降水预报和前一天的状态信息通过多个卷积块转换为订正后的降水分布情况和当天状态信息，第一天的状态信息需要手动设置；循环执行前一步操作，依次得到三十天的订正后的降水分布情况。本发明通过深度学习的方式，相较于传统订正方法学习了数值预报结果的时间和空间特征，进一步提高了次季节尺度的降水预报的精度。

Description

一种使用时空降水订正模型的降水预报订正方法
技术领域
本发明涉及降水预报偏差订正领域，尤其涉及一种使用时空降水订正模型的降水预报订正方法。
背景技术
从日常出行到农业生产，降水预报都起着非常重要的作用。在现有数值预报模式降水预报产品基础上，结合深度学习技术，提供更加精准精细的降水预报结果非常重要。对于许多管理决策层来说，降水预测是主动减灾的一个关键，对于如农业、能源、粮食安全、卫生健康和应急管理等部门的决策具有重要意义和显著价值，提高降水预报精度将会有很高的社会和经济价值。次季节预报介于短期天气预报和季节气候预报之间的气象预报领域，是10天内短期预报的拓展，主要关注10-30天的降水预报，因其可以提供较长的预报时效，给予人们足够的时间防范灾害，从而在无法改变极端天气的情况下尽量降低损失，是目前气象学科的研究热点之一。对于降水预报领域，业界大多数采用的是传统的大气动力学模型进行预测。随着深度学习的发展，深度学习模型所表现出强大的非线性特征抽象能力也越来越多的被应用与气象领域。
发明内容
本发明的目的在于提供一种使用时空降水订正模型的降水预报订正方法，消除数值预报模式降水预报产品中的系统误差，其可以订正数值预报模式降水预报中的偏差，提供更加准确的降水预报结果。
本发明采用的技术方案是：
一种使用时空降水订正模型的降水预报订正方法，包括如下步骤：
步骤1，建立训练数据集；收集数值预报模式的每日降水预报产品和对应时间的日真实降水分布；将收集到的降水预报产品转换为逐日的降水分布信息；计算降水预报产品所有成员的预报结果的均值作为训练数据；对训练数据和日真实降水分布做归一化处理；
步骤2，训练模型；将处理后的数据输入时空降水订正模型，得到模型输出；将模型输出与归一化后的日真实降水分布计算平均绝对误差MAE；将计算得到的平均绝对误差MAE反向传播回模型，更新模型参数；模型迭代训练达到预定轮次后，根据测试误差，选取效果最好的模型参数；
步骤3，降水分布订正；将待订正的降水预报产品按步骤1进行预处理；将处理后的数据输入具有最优参数的时空降水订正模型，得到模型输出；对模型输出做逆归一化处理，得到降水预报产品的订正结果。
进一步地，步骤1具体步骤为：
步骤1-1，收集数值预报模式每日降水预报结果X，X∈Rday×member×lat×lon,其中R表示实数集，day表示预报的天数，member表示数值预报模式的成员数量，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
步骤1-2，对数值预报模式每日降水预报结果X，在member维度求均值得到D∈Rday ×1×lat×lon，数据集D作为训练数据；
步骤1-3，选取训练数据集D中降水量最大的数据格点的降水量数据记为Dmax，降水量最小的数据格点的降水量数据记为Dmin，计算得到归一化后的数据Dstd；
Figure SMS_1
步骤1-4，收集训练数据D对应时间的日真实降水分布构建数据集Y，Y∈Rday ×lat×lon，其中R表示实数集，day表示预报的天数，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
步骤1-5，选取数据集Y中降水量最大的数据格点的降水量数据记为Ymax，降水量最小的数据格点的降水量数据记为Ymin，计算得到归一化后的数据Ystd；
Figure SMS_2
进一步地，步骤2具体步骤为：
步骤2-1，构建时空降水订正模型：
构建编码器：
构建第一空间特征提取模块；首先是3×3卷积层，padding设置为1，接受1通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；
构建第一时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受第一空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为4通道；
构建解码器：
构建第二空间特征提取模块：首先是3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后接批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出1通道数据；使用RELU激活函数；之后批量归一化层；
构建第二时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受第二空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为1通道；
步骤2-2，将处理好的数据Dstd输入模型，经过时空降水订正模型后得到模型输出；
步骤2-3，将得到的模型输出与对应时间的归一化后的日真实降水Ystd求平均绝对误差MAE，获得训练损失；
步骤2-4，将训练损失输入模型，反向传播迭代参数并保存模型参数；
步骤2-5，判断是否达到预定的训练轮次；是则，达到预定轮次后，根据训练时的损失选择最优参数，获得收敛模型；否则，执行步骤2-2继续训练。
进一步地，计算平均绝对误差MAE的具体方法如下。
Figure SMS_3
式中i为第i个纬度格点数据，j为第j个经度格点数据，lat为分布图纬度划分格点数，lon为分布图经度划分格点数，yi,j为归一化后的日真实降水分布的第i个纬度格点第j个经度格点值，
Figure SMS_4
为模型输出的第i个纬度格点第j个经度格点值。
进一步地，步骤2-5中预定的训练轮次为120次。
进一步地，步骤3具体步骤为：
步骤3-1，将处理好的数据Dstd输入模型，经过时空降水订正模型后得到模型输出output；
步骤3-2，对得到的模型输出output做逆归一化处理得到订正后的降水分布情况revised；
revised＝(output+Ymin)×(Ymax-Ymin)。
本发明采用以上技术方案，基于长短时记忆神经网络实现，对于数值降水预报的三十天结果同时订正；数据经过处理后输入模型，模型对输入逐天进行处理；通过隐藏状态的更新和传递捕捉降水分布中的时间特征；通过卷积神经网络捕捉降水分布的空间特征。
本发明收集数值预报模式的日降水预报结果以及对应时间的日真实降水分布数据作为数据集；将数值预报模式的降水预报结果转换为日降水分布；根据数值预报模式不同成员预报结果生成训练数据；再对生成的数据和日真实降水分布进行归一化处理。时空降水订正模型由编码器和解码器两部分构成；由编码器提取特征然后传递给解码器进行降水分布订正，编码器和解码器具有相同的结构，都由空间特征提取模块和时间特征提取模块构成；空间特征提取模块由两个卷积层和两个批量归一化层交替叠加构成，使用RELU作为激活函数，用于捕捉降水分布中的空间信息；时间特征提取模块使用卷积长短时记忆单元convLSTM，该结构有较强的时间特征提取能力，帮助模型提取降水分布中的时间特征；将处理后的训练样本输入模型进行订正，获得模型输出，将该输出结果与对应时间的归一化后的日真实降水分布计算MAE平均绝对误差，再将该误差反向传播回模型进行参数迭代，最终获得收敛模型；将待订正的处理后的数值预报模式预报的降水分布输入模型进行订正，获得相对于输入的订正数据。时空降水订正模型弥补了传统方式预报方式的不足，更好的拟合了次季节降水的时间和空间特征，提高了次季节降水预报的精度。
本发明的有益效果是：本发明能有效建模次季节降水预报中的空间相关、时间相关和非线性相关等问题，更为精确的整合局部区域的降水信息，获得比传统方法更好的预测效果。本发明不仅能处理预报过程的空间相关、时间相关和非线性相关问题，还可以通过网络结构更充分的提取数据特征，进一步提高预测精度。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明的时空降水订正模型的预测过程示意图；
图2为本发明的预报模型训练过程示意图；
图3为本发明的时空降水订正模型结构图；
图4为本发明的时空降水订正模型预测结果示意图；
图5为本发明的时空降水订正模型预测MAE与传统大气动力学模型预测MAE对比图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述。
如图1至图5之一所示，本发明公开了一种使用时空降水订正模型的降水预报订正方法，具体包括以下步骤：
建立训练数据集；收集数值预报模式每日降水预报结果和对应时间的日真实降水分布；将收集到的每日降水预报结果转换为逐日的降水分布信息；计算每日降水预报结果所有成员的预报结果的均值作为训练数据；对训练数据和日真实降水分布做归一化处理；构建模型，构建如图3所示的时空降水订正模型；训练模型；将处理后的数据输入时空降水订正模型，得到模型输出；将模型输出与归一化后的日真实降水分布计算平均绝对误差MAE；将计算得到的平均绝对误差MAE反向传播回模型，更新模型参数；模型迭代训练达到预定轮次后，根据测试误差，选取效果最好的模型参数；降水分布订正；将待订正的降水预报产品按数据预处理所述步骤进行预处理；将处理后的数据输入具有最优参数的时空降水订正模型，得到模型输出；得到降水预报产品的订正结果。
将待订正的降水分布图处理后输入模型进行订正，得到模型输出；获得相对于输入分布图的订正数据。时空降水订正模型，弥补了传统方式预报方式的不足，更好的拟合了次季节降水特征分布，提高了次季节降水预报的精度。
使用时空降水订正模型的次季节降水预报订正方法，包括：数据预处理步骤、模型训练步骤和降水订正步骤；时空降水订正模型接受处理后的三十天数据作为输入，输出归一化的订正结果。
数据预处理具体步骤如下：
步骤1-1，收集数值预报模式每日降水预报结果X，X∈Rday×member×lat×lon,其中R表示实数集，day表示预报的天数，member表示数值预报模式的成员数量，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
步骤1-2，对数值预报模式每日降水预报结果X在member维度求均值，得到D∈Rday ×1×lat×lon，数据集D作为训练数据；
步骤1-3，选取训练数据集D中降水量最大的数据格点的降水量数据记为Dmax，降水量最小的数据格点的降水量数据记为Dmin，计算得到归一化后的数据Dstd；
Figure SMS_5
步骤1-4，收集训练数据D对应时间的日真实降水分布，构建数据集Y，Y∈Rday ×lat×lon,其中R表示实数集，day表示预报的天数，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
步骤1-5，选取数据集Y中降水量最大的数据格点的降水量数据记为Ymax，降水量最小的数据格点的降水量数据记为Ymin，计算得到归一化后的数据Ystd；
Figure SMS_6
模型训练具体步骤如下：
步骤2-1，构建时空降水订正模型：
构建编码器：
构建空间特征提取模块；首先是3×3卷积层，padding设置为1，接受1通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；
构建时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为4通道；
构建解码器：
构建空间特征提取模块：首先是3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后接批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出1通道数据；使用RELU激活函数；之后批量归一化层；
构建时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为1通道；
因为输入和输出在空间范围上一致，所有的卷积操作padding都设置为1，不改变数据的范围；
步骤2-2，将处理好的数据Dstd输入模型，经过时空降水订正模型后得到模型输出。
步骤2-3，将得到的模型输出与对应时间的归一化后的日真实降水Ystd求平均绝对误差MAE，获得训练损失。计算平均绝对误差MAE的具体方法如下。
Figure SMS_7
式中i为第i个纬度格点数据，j为第j个经度格点数据，lat为分布图纬度划分格点数，lon为分布图经度划分格点数，yi,j为归一化后的日真实降水分布的第i个纬度格点第j个经度格点值，
Figure SMS_8
为模型输出的第i个纬度格点第j个经度格点值。
步骤2-4，将训练损失输入模型，反向传播迭代参数并保存模型参数。
步骤2-5，判断是否达到预定的训练轮次，没有达到就继续训练，达到预定轮次后，根据训练时的损失选择最优参数，获得收敛模型。
降水订正具体步骤：
步骤3-1，将处理好的数据Dstd输入模型，经过时空降水订正模型后得到模型输出output；
步骤3-2，对得到的模型输出output做逆归一化处理得到订正后的降水分布情况revised；
revised＝(output+Ymin)×(Ymax-Ymin)
本发明的具体实施例如下：
首先将1998-2014年的欧洲气象中心中尺度降水回报数据和中国国家气象中心日降水观测插值数据作为训练集，将2015-2017年的欧洲气象中心中尺度降水回报数据和中国国家气象中心日降水观测插值数据作为测试集。逐个样本输入该日网络预测订正结果，得到准确度更高的降水分布预测。
数据预处理：
步骤1-1，收集1998-2014年的欧洲气象中心中尺度降水回报数据X∈Rday ×member×lat×lon；
步骤1-2，对降水回报数据X在member维度求均值，得到D∈Rday×1×lat×lon，数据集D作为训练数据；
步骤1-3，选取训练数据集D中降水量最大的数据格点的降水量数据记为Dmax，降水量最小的数据格点的降水量数据记为Dmin，计算得到归一化后的数据Dstd；
Figure SMS_9
步骤1-4，收集1998-2014中国国家气象中心日降水观测插值数据，构建数据集Y，Y∈Rday×lat×lon,其中R表示实数集，day表示预报的天数，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
步骤1-5，选取数据集Y中降水量最大的数据格点的降水量数据记为Ymax，降水量最小的数据格点的降水量数据记为Ymin，计算得到归一化后的数据Ystd；
Figure SMS_10
模型训练：
步骤2-1，构建时空降水订正模型：
构建编码器：
构建空间特征提取模块；首先是3×3卷积层，padding设置为1，接受1通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；
构建时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为4通道；
构建解码器：
构建空间特征提取模块：首先是3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后接批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出1通道数据；使用RELU激活函数；之后批量归一化层；
构建时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为1通道；
因为输入和输出在空间范围上一致，所有的卷积操作padding都设置为1，不改变数据的范围；
步骤2-2，将处理好的数据Dstd输入模型，经过时空降水订正模型后得到模型输出。
步骤2-3，将得到的模型输出与对应时间的归一化后的日真实降水求平均绝对误差MAE，获得训练损失。计算平均绝对误差MAE的具体方法如下。
Figure SMS_11
式中i为第i个纬度格点数据，j为第j个经度格点数据，lat为分布图纬度划分格点数，lon为分布图经度划分格点数，yi,j为归一化后的日真实降水分布的第i个纬度格点第j个经度格点值，
Figure SMS_12
为模型输出的第i个纬度格点第j个经度格点值。
步骤2-4，使用Adam算法优化模型参数；学习率设置为0.001；根据输入的平均绝对误差更新参数，然后保存参数。
步骤2-5，模型训练120轮后停止，选择训练时误差最小的轮次保存的模型参数，获得收敛模型。
降水订正具体步骤：
步骤3-1，收集2014-2017年的欧洲气象中心中尺度降水回报数据，按照前述方法预处理，然后输入收敛模型，获得模型输出，使用模型输出乘以Dmax获得订正后的降水分布。
如图4所示，该样本是2017年6月5日中国的降水数据，左图为该日真实降水情况分布图，中图为当日的数值预报模式的降水预报分布图，右图为经本发明订正后的降水情况分布图。可以发现本发明效果比传统大气动力学模型更为精确，更好的预测出了当日的降水分布数据。
如图5所示，本发明订正之后的数值预报模式降水预报的误差有了明显的改进。
本发明采用深度学习网络模型架构，通过时空降水订正模型结构订正数值预报模式预报的降水分布信息。通过订正误差的方式，达到更为准确的降水预测。可见发现本发明不仅能处理降水预报处理过程中的非线性和时变性，还可以通过深度网络结构充分提取降水分布的局部特征，进一步提高预测的精度。
本发明采用以上技术方案，收集数值预报模式的日降水预报结果以及对应时间的日真实降水分布数据作为数据集；将数值预报模式的降水预报结果转换为日降水分布；根据数值预报模式不同成员预报结果生成训练数据；再对生成的数据和日真实降水分布进行归一化处理。时空降水订正模型由编码器和解码器两部分构成；由编码器提取特征然后传递给解码器进行降水分布订正，编码器和解码器具有相同的结构，都由空间特征提取模块和时间特征提取模块构成；空间特征提取模块由两个卷积层和两个批量归一化层交替叠加构成，使用RELU作为激活函数，用于捕捉降水分布中的空间信息；时间特征提取模块使用卷积长短时记忆单元convLSTM，该结构有较强的时间特征提取能力，帮助模型提取降水分布中的时间特征；将处理后的训练样本输入模型进行订正，获得模型输出，将该输出结果与对应时间的归一化后的日真实降水分布计算MAE平均绝对误差，再将该误差反向传播回模型进行参数迭代，最终获得收敛模型；将待订正的处理后的数值预报模式预报的降水分布输入模型进行订正，获得相对于输入的订正数据。时空降水订正模型弥补了传统方式预报方式的不足，更好的拟合了次季节降水的时间和空间特征，提高了次季节降水预报的精度。
本发明的有益效果是：本发明能有效建模次季节降水预报中的空间相关、时间相关和非线性相关等问题，更为精确的整合局部区域的降水信息，获得比传统方法更好的预测效果。本发明不仅能处理预报过程的空间相关、时间相关和非线性相关问题，还可以通过网络结构更充分的提取数据特征，进一步提高预测精度。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (6)

1.一种使用时空降水订正模型的降水预报订正方法，其特征在于：其包括以下步骤：
步骤1，建立训练数据集；获取数值预报模式每日降水预报结果和对应时间的日真实降水分布；将收集到的每日降水预报结果转换为逐日的降水分布信息；计算每日降水预报结果所有成员的预报结果的均值作为训练数据；对训练数据和日真实降水分布做归一化处理；
步骤2，训练模型；将处理后的数据输入时空降水订正模型得到模型输出；将模型输出与归一化后的日真实降水分布计算平均绝对误差MAE；将计算得到的平均绝对误差MAE反向传播回模型更新模型参数；模型迭代训练达到预定轮次后，根据测试误差选取效果最好的模型参数；
步骤3，降水分布订正；将待订正的每日降水预报结果按步骤1进行预处理；将处理后的数据输入具有最优参数的时空降水订正模型得到模型输出；对模型输出做逆归一化处理得到降水预报产品的订正结果。
2.根据权利要求1所述的一种使用时空降水订正模型的降水预报订正方法，其特征在于：步骤1具体步骤为：
步骤1-1，收集数值预报模式每日降水预报结果X，X∈Rday×member×lat×lon,其中R表示实数集，day表示预报的天数，member表示数值预报模式的成员数量，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
步骤1-2，对数值预报模式每日降水预报结果X，在member维度求均值得到D∈Rday ×1×lat×lon，数据集D作为训练数据；
步骤1-3，选取训练数据集D中降水量最大的数据格点的降水量数据记为Dmax，降水量最小的数据格点的降水量数据记为Dmin，计算得到归一化后的数据Dstd；
Figure FDA0003840521590000011
步骤1-4，收集训练数据D对应时间的日真实降水分布构建数据集Y，Y∈Rday×lat×lin，其中R表示实数集，day表示预报的天数，lat表示研究范围纬度划分格点数，lon表示研究范围经度划分格点数；
步骤1-5，选取数据集Y中降水量最大的数据格点的降水量数据记为Ymax，降水量最小的数据格点的降水量数据记为Ymin，计算得到归一化后的数据Ystd；
Figure FDA0003840521590000012
3.根据权利要求2所述的一种使用时空降水订正模型的降水预报订正方法，其特征在于：步骤2具体步骤为：
步骤2-1，构建时空降水订正模型：
构建编码器：
构建第一空间特征提取模块；首先是3×3卷积层，padding设置为1，接受1通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后批量归一化层；
构建第一时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受第一空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为4通道；
构建解码器：
构建第二空间特征提取模块：首先是3×3卷积层，padding设置为1，接受4通道数据，输出4通道数据；使用RELU激活函数；之后接批量归一化层；然后3×3卷积层，padding设置为1，接受4通道数据，输出1通道数据；使用RELU激活函数；之后批量归一化层；
构建第二时间特征提取模块；使用卷积长短是记忆单元convLSTM，接受第二空间特征提取模块的输出和上一个时间步的隐藏状态在通道维拼接后作为输入；隐藏状态和记忆单元都为1通道；
步骤2-2，将处理好的数据Dstd输入模型，经过时空降水订正模型后得到模型输出；
步骤2-3，将得到的模型输出与对应时间的归一化后的日真实降水Ystd求平均绝对误差MAE，获得训练损失；
步骤2-4，将训练损失输入模型，反向传播迭代参数并保存模型参数；
步骤2-5，判断是否达到预定的训练轮次；是则，达到预定轮次后，根据训练时的损失选择最优参数，获得收敛模型；否则，执行步骤2-2继续训练。
4.根据权利要求3所述的一种使用时空降水订正模型的降水预报订正方法，其特征在于：计算平均绝对误差MAE的具体方法如下。
Figure FDA0003840521590000021
式中i为第i个纬度格点数据，j为第j个经度格点数据，lat为分布图纬度划分格点数，lon为分布图经度划分格点数，yi,j为归一化后的日真实降水分布的第i个纬度格点第j个经度格点值，
Figure FDA0003840521590000022
为模型输出的第i个纬度格点第j个经度格点值。
5.根据权利要求4所述的一种使用时空降水订正模型的降水预报订正方法，其特征在于：步骤2-5中预定的训练轮次为120次。
6.根据权利要求5所述的一种使用时空降水订正模型的降水预报订正方法，其特征在于：步骤3具体步骤为：
步骤3-1，将处理好的数据Dstd输入模型，经过时空降水订正模型后得到模型输出output；
步骤3-2，对得到的模型输出output做逆归一化处理得到订正后的降水分布情况revised；
revised＝(output+Ymin)×(Ymax-Ymin)。
CN202211103887.8A 2022-09-09 2022-09-09 一种使用时空降水订正模型的降水预报订正方法 Pending CN116341353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211103887.8A CN116341353A (zh) 2022-09-09 2022-09-09 一种使用时空降水订正模型的降水预报订正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211103887.8A CN116341353A (zh) 2022-09-09 2022-09-09 一种使用时空降水订正模型的降水预报订正方法

Publications (1)

Publication Number Publication Date
CN116341353A true CN116341353A (zh) 2023-06-27

Family

ID=86888138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211103887.8A Pending CN116341353A (zh) 2022-09-09 2022-09-09 一种使用时空降水订正模型的降水预报订正方法

Country Status (1)

Country Link
CN (1) CN116341353A (zh)

Similar Documents

Publication Publication Date Title
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN111008728B (zh) 一种用于分布式光伏发电系统短期出力的预测方法
CN111339712B (zh) 质子交换膜燃料电池剩余寿命预测方法
CN110580543A (zh) 一种基于深度信念网络的电力负荷预测方法及系统
CN111079989B (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN113505923B (zh) 一种地区电网短期负荷预测方法及系统
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN112508279B (zh) 基于空间相关性的区域分布式光伏预测方法及系统
CN111275571A (zh) 考虑微气象与用户模式的居民负荷概率预测深度学习方法
CN114358389A (zh) 结合vmd分解和时间卷积网络的短期电力负荷预测方法
CN116187203A (zh) 一种流域水质预测方法、系统、电子设备及存储介质
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
CN117154690A (zh) 一种基于神经网络的光伏发电功率预测方法及系统
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN111080001A (zh) 一种应用于风电场风速的深度神经网络预测方法
CN116995670A (zh) 基于多模式分解和多分支输入的光伏功率超短期预测方法
CN116341353A (zh) 一种使用时空降水订正模型的降水预报订正方法
CN113344290B (zh) 基于U-Net网络的次季节降水气象预报订正方法
CN115907189A (zh) 基于混合模型的大风预报订正方法
CN115618922A (zh) 光伏功率预测方法、设备、光伏发电系统及存储介质
CN115809725A (zh) 一种多因素短期电量预测方法及装置
CN113515890B (zh) 一种基于联邦学习的可再生能源日前场景生成方法
CN112446550B (zh) 一种短期建筑负荷概率密度预测方法
Zhang et al. Solar-mixer: An efficient end-to-end model for long-sequence photovoltaic power generation time series forecasting

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