CN116467946B - 一种基于深度学习的模式预报产品降尺度方法 - Google Patents

一种基于深度学习的模式预报产品降尺度方法 Download PDF

Info

Publication number
CN116467946B
CN116467946B CN202310437043.5A CN202310437043A CN116467946B CN 116467946 B CN116467946 B CN 116467946B CN 202310437043 A CN202310437043 A CN 202310437043A CN 116467946 B CN116467946 B CN 116467946B
Authority
CN
China
Prior art keywords
module
convolution
feature map
data
combined
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.)
Active
Application number
CN202310437043.5A
Other languages
English (en)
Other versions
CN116467946A (zh
Inventor
丁姝妍
智协飞
王靖宇
吕阳
季焱
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310437043.5A priority Critical patent/CN116467946B/zh
Publication of CN116467946A publication Critical patent/CN116467946A/zh
Application granted granted Critical
Publication of CN116467946B publication Critical patent/CN116467946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的模式预报产品降尺度方法，包括：采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集；搭建基于改进卷积神经网络的深度学习模型；基于所述训练集和模型进行训练；基于实时低分辨率数值模式预报数据、地面高程数据生成高分辨率降尺度产品。本发明使用卷积处理地面高程数据，保留其高分辨率信息的同时控制了其在网络特征提取和降尺度部分的比例，提高了结果的准确率；结合了非局地注意力机制与Res2net模块，提高了数据利用效率和网络拟合能力；采用最近邻插值与卷积运算配合进行上采样，规避了转置卷积带来的棋盘效应，提高了模型的准确率和实用价值。

Description

一种基于深度学习的模式预报产品降尺度方法
技术领域
本发明涉及人工智能与数值模式预报后处理技术，特别是涉及一种基于深度学习的模式预报产品降尺度方法。
背景技术
自从20世纪全球气象观测站网建立之后，人们发展了数值天气预报技术。但是由于计算资源、数值计算的稳定性和数值模式初值的不确定性等问题的约束，许多数值模式和再分析数据的分辨率较低，只能解决大尺度的天气现象。而在现实世界中，高分辨率的数值天气预报产品对于评估和决策当地社会的气候变化与社会生产计划至关重要。
为了解决数值预报产品分辨率低的问题，几十年来人们提出了各种降尺度技术，包括简单降尺度、统计降尺度、动力降尺度。简单降尺度结果的准确率低，不确定性大，动力降尺度参数获取困难、内部机制复杂并且需要大量的计算资源，传统的统计降尺度方法时空依赖关系利用不足，限制了此类方法的拟合能力。
随着大数据时代的到来与人工智能技术的发展，深度学习方法由于具有直接从数据中捕获非线性关系的能力，相较于其他方法展现出了更强的优越性。
发明内容
发明目的：本发明的目的是提供一种基于深度学习的模式预报产品降尺度方法，旨在通过模式后处理得到高分辨率的数值预报产品。
技术方案：本发明的一种基于深度学习的模式预报产品降尺度方法，包括以下步骤：
S1、选择数值模式和目标区域，并采集目标区域的辅助数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集，将降尺度数据集划分为训练集、验证集和测试集，其中，训练集和验证集用于训练阶段，测试集用于测试；
S2、搭建基于改进卷积神经网络的深度学习模型，包括辅助信息处理部分、特征提取部分和降尺度部分，辅助信息处理部分包括第一至第五卷积和激活模块，以及第一至第三卷积模块，特征提取部分包括第六至第十五卷积和激活模块、第一至第七批标准化模块、第一至第三残差注意力模块以及第一至第四组合模块，降尺度部分包括第十六至第十八卷积和激活模块、第四卷积模块、第八批标准化模块、第一和第二最近邻插值模块以及第五和第六组合模块；
输入辅助数据依次经过第一至第四卷积和激活模块后，得到的第一特征图一路经第一卷积模块的卷积处理后得到第一跳跃连接特征图，另一路经第五卷积和激活模块处理后，得到的第二特征图一路经过第二卷积模块的卷积处理后得到第二跳跃连接特征图，另一路经过第三卷积模块的卷积处理后，得到接入特征提取部分的特征图；
低分辨率数值模式预报数据经特征提取部分的第六卷积和激活模块处理后，输入第一组合模块，与辅助信息处理部分接入特征提取部分的特征图组合得到第一组合特征图；第一组合特征图经第七卷积和激活模块处理后，一路输出作为第三跳跃连接特征图跳跃连接接入第四组合模块；另一路依次经过第八卷积和激活模块、第一批标准化模块后，一路输出作为第四跳跃连接特征图跳跃连接接入第三组合模块，另一路依次经过第九卷积和激活模块、第二批标准化模块后，一路输出作为第五跳跃连接特征图跳跃连接接入第二组合模块，另一路依次经过第十卷积和激活模块、第三批标准化模块、第十一卷积和激活模块、第四批标准化模块、第十二卷积和激活模块后输入第二组合模块，与第五跳跃连接特征图组合得到第二组合特征图；第二组合特征图依次经过第五批标准化模块、第一残差注意力模块、第十三卷积和激活模块后输入第三组合模块，与第四跳跃连接特征图组合得到第三组合特征图；第三组合特征图依次经第六批标准化模块、第二残差注意力模块、第十四卷积和激活模块后输入第四组合模块，与第三跳跃连接特征图组合得到第四组合特征图；第四组合特征图依次经第七批标准化模块、第三残差注意力模块、第十五卷积和激活模块后，得到第四特征图；
第四特征图经降尺度部分的第一最近邻插值模块后输入第五组合模块，与辅助信息处理部分的第二跳跃连接特征图组合，得到第五组合特征图；第五组合特征图依次经第八批标准化模块、第十六卷积和激活模块、第二最近邻插值模块后输入第六组合模块，与辅助信息处理部分的第一跳跃连接特征图组合，得到第六组合特征图；第六组合特征图依次经第十七卷积和激活模块、第十八卷积和激活模块、第四卷积模块处理后，得到模型输出；
S3、采用训练集和验证集随机分批次对步骤S2搭建的基于改进卷积神经网络的深度学习模型进行训练，得到训练好的降尺度误差最小的基于改进卷积神经网络的深度学习模型，然后用测试集对训练好的模型进行测试；
S4、基于所需时间的低分辨率预报数据生成高分辨率降尺度预报产品；
采集与步骤S1中相同目标区域但不同时间的低分辨率预报数据，与步骤S1中相同的辅助数据，共同组成输入变量输入步骤S3中训练好的基于改进卷积神经网络的深度学习模型中得到所需时间的高分辨降尺度预报产品。
进一步的，步骤S1中高分辨率观测数据的分辨率与目标分辨率相同；辅助数据为高分辨率地面高程数据。
进一步的，步骤S1中数据预处理包括：
首先，对辅助数据、低分辨率数值模式预报数据、高分辨率观测数据进行标准化处理，标准化公式为：
其中，M为待标准化的辅助数据、低分辨率数值模式预报数据或高分辨率观测数据矩阵，Mstd为标准化后的结果，mean(M)表示M的平均值，std(M)表示M的标准差
然后，对标准化后的低分辨率数值模式预报数据与辅助数据中的海洋部分赋空值，再分别对标准化后的辅助数据、低分辨率数值模式预报数据、高分辨率观测数据用最近邻插值在海洋区域进行填充。
进一步的，步骤S2中第一至第十八卷积和激活模块中的激活函数为：
ReLU(xi)＝max(0,xi)
其中，xi为特征图的元素；
第一至第八批标准化模块中的批标准化公式为：
其中，γ、β为可训练参数，∈为一定值，X为特征图矩阵，E[X]为特征图矩阵X的均值，Var[X]为特征图矩阵X的方差。
进一步的，步骤S2中降尺度部分的最近邻插值进行上采样的公式为：
其中，dstX、dstY分别为放大后特征图的格点横纵坐标，dstWidth、dstHeight分别为放大后特征图的长与宽，srcX、srcY分别为原特征图的格点横纵坐标，srcWidth、src-eight分别为原特征图的长与宽。
进一步的，步骤S2中第一至第三残差注意力模块为融合了非局地注意力机制的Res2net模块，具体为：
输入特征图依次做卷积、批标准化运算并激活后，得到第一次激活的特征图，一路与后续特征图相加；另一路在通道维度上平均分为四份分别进行操作：第一份特征图不做处理，待后续与其他几份特征图组合；第二份特征图做同大小卷积、批标准化运算并激活，得到第二份特征图的结果；第二份特征图的结果一路待后续与其他几份特征图组合，另一路与第三份特征图组合，对组合后的特征图做同大小卷积运算、批标准化并激活，得到第三份特征图的结果；第四份特征图与第三份特征图的结果组合，最终得到第四份特征图的结果；最后将第一至第四份特征图的结果在通道维度上组合，之后对这组特征图做卷积运算、批标准化并激活，得到组合四份特征图后的第二次激活的特征图；
组合四份特征图后第二次激活的特征图一路与后续特征图相加，另三路分别做三个同大小卷积运算，得到三组通道数为原来一半的特征图，之后分别改变三组特征图的矩阵形状，将三维矩阵转变为二维矩阵，改变后的三组特征图的矩阵分别为列数为通道数的第一矩阵、行数为通道数的第二矩阵、列数为通道数的第三矩阵；之后第一矩阵与第二矩阵做矩阵乘法得到注意力权重矩阵，将注意力权重矩阵用S0ftmax激活函数激活后与第三矩阵做矩阵乘法，改变得到特征图的矩阵形状与组合四份特征图后第二次激活的特征图的矩阵形状相同，进行一次卷积运算后与组合四份特征图后第二次激活的特征图相加，然后进行卷积运算后与第一次激活的特征图相加，最终得到残差注意力模块的输出。
进一步的，步骤S3中基于改进卷积神经网络的深度学习模型的训练方法为监督学习，根据损失函数得到高分辨率观测数据与低分辨率预报数据的差异，然后通过梯度下降更新模型参数，损失函数为：
其中，N为数据格点总数，i为格点位置，yi为观测数据i格点的数值，yi ’为模型结果i格点的数值。
本发明的一种基于深度学习的模式预报产品降尺度系统，包括：
数据采集及处理模块，用于采集目标区域的地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集，将降尺度数据集划分为训练集、验证集和测试集，其中，训练集和验证集用于训练阶段，测试集用于测试；
模型搭建模块，用于搭建基于改进卷积神经网络的深度学习模型，包括辅助信息处理部分、特征提取部分和降尺度部分，辅助信息处理部分包括第一至第五卷积和激活模块，以及第一至第三卷积模块，特征提取部分包括第六至第十五卷积和激活模块、第一至第七批标准化模块、第一至第三残差注意力模块以及第一至第四组合模块，降尺度部分包括第十六至第十八卷积和激活模块、第四卷积模块、第八批标准化模块、第一和第二最近邻插值模块以及第五和第六组合模块；输入辅助数据依次经过第一至第四卷积和激活模块后，得到的第一特征图一路经第一卷积模块的卷积处理后得到第一跳跃连接特征图，另一路经第五卷积和激活模块处理后，得到的第二特征图一路经过第二卷积模块的卷积处理后得到第二跳跃连接特征图，另一路经过第三卷积模块的卷积处理后，得到接入特征提取部分的特征图；低分辨率数值模式预报数据经特征提取部分的第六卷积和激活模块处理后，输入第一组合模块，与辅助信息处理部分接入特征提取部分的特征图组合得到第一组合特征图；第一组合特征图经第七卷积和激活模块处理后，一路输出作为第三跳跃连接特征图跳跃连接接入第四组合模块；另一路依次经过第八卷积和激活模块、第一批标准化模块后，一路输出作为第四跳跃连接特征图跳跃连接接入第三组合模块，另一路依次经过第九卷积和激活模块、第二批标准化模块后，一路输出作为第五跳跃连接特征图跳跃连接接入第二组合模块，另一路依次经过第十卷积和激活模块、第三批标准化模块、第十一卷积和激活模块、第四批标准化模块、第十二卷积和激活模块后输入第二组合模块，与第五跳跃连接特征图组合得到第二组合特征图；第二组合特征图依次经过第五批标准化模块、第一残差注意力模块、第十三卷积和激活模块后输入第三组合模块，与第四跳跃连接特征图组合得到第三组合特征图；第三组合特征图依次经第六批标准化模块、第二残差注意力模块、第十四卷积和激活模块后输入第四组合模块，与第三跳跃连接特征图组合得到第四组合特征图；第四组合特征图依次经第七批标准化模块、第三残差注意力模块、第十五卷积和激活模块后，得到第四特征图；第四特征图经降尺度部分的第一最近邻插值模块后输入第五组合模块，与辅助信息处理部分的第二跳跃连接特征图组合，得到第五组合特征图；第五组合特征图依次经第八批标准化模块、第十六卷积和激活模块、第二最近邻插值模块后输入第六组合模块，与辅助信息处理部分的第一跳跃连接特征图组合，得到第六组合特征图；第六组合特征图依次经第十七卷积和激活模块、第十八卷积和激活模块、第四卷积模块处理后，得到模型输出；
模型训练模块，用于采用训练集和验证集随机分批次对搭建的基于改进卷积神经网络的深度学习模型进行训练，得到训练好的基于改进卷积神经网络的深度学习模型，并采用测试集进行测试；
预报模块，用于提取与S1中相同目标区域的高分辨率地面高程数据，与S1中相同目标区域但不同时间低分辨率预报数据，共同组成输入变量输入训练好的深度学习模型中得到目标时间高分辨降尺度预报产品。
本发明的一种装置设备，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行如上所述一种基于深度学习的模式预报产品降尺度方法的步骤。
本发明的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如上所述一种基于深度学习的模式预报产品降尺度方法的步骤。
有益效果：与现有技术相比，本发明的显著技术效果为：
(1)本发明提供了一种地面高程数据在深度学习方法中的利用方式。
使用卷积处理地面高程信息的方式，既将高分辨率地面高程信息特征图调整为与低分辨率气温信息相同大小方便输入，又保留了地面高程的高分辨率信息，并且控制了地面高程信息占网络进行特征提取和降尺度时的比例。这种利用辅助信息的方式可以在各个领域有所应用。
(2)本发明考虑了高分辨率观测数据与低分辨率模式预报数据的相关性与模型偏差问题，在网络结构中结合了非局地注意力机制与Res2net残差模块，提高了数据利用效率，增强了网络拟合能力。非局地注意力机制是一种对空间敏感的注意力机制，它可以从特征图全局角度分配每个位置的重要性并且可以忽略距离捕获不同位置的相互作用。Res2net模块作为原始残差模块的变体，不仅保留了残差连接避免模型偏差的优点，还可以在一个模块中耦合多尺寸感受野特征，使用较少的计算量协同利用了更多的数据，提高了计算效率。
(3)本发明的网络使用最近邻插值与卷积运算配合的方式提高特征图的分辨率，规避了转置卷积带来的棋盘效应，提高了模型的准确率和实用价值。
(4)本发明的网络结构整体呈U形，跳跃连接不仅使得网络耦合了不同尺寸的感受野即气象中不同尺度的信息，提高了信息利用效率，还使得网络中各个部分和谐的结合起来，并且在降尺度部分接受了更小尺度的地面高程信息。
附图说明
图1为本发明方法流程图；
图2为本发明实施例中的深度学习降尺度模型架构图；
图3为本发明实施例中的残差注意力模块结构图；
图4为本发明实施例中2019年8月10日温度产品分辨率提升效果图，其中(a)为低分辨率模式数据，(b)为高分辨率观测数据，(c)为对低分辨率数据进行双线性插值的效果(d)为使用本发明的深度学习模型的效果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
本发明的一种基于深度学习的模式预报产品降尺度方法，包括：(1)采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集；首先选择数值模式和目标区域并采集对应区域的低分辨率数值模式预报数据，高分辨率观测数据与目标分辨率相同，高分辨率地面高程数据可以与目标分辨率不同；(2)搭建基于改进卷积神经网络的深度学习模型；深度学习模型是由辅助信息处理部分、特征提取部分和降尺度部分构成的端到端U形卷积神经网络。其中辅助信息处理部分使用了卷积处理的方式，通过多通道卷积运算之后较少通道跳跃连接接入特征提取部分和降尺度部分；特征提取部分网络架构结合了非局地注意力机制、Res2net模块、跳跃连接，接受低分辨率数值模式预报数据、辅助信息处理部分与低分辨率数值模式预报数据分辨率相同的输出，进行对输入信息的选择与利用，最后得到包含有用信息的与低分辨率数值模式预报数据分辨率相同特征图输入降尺度部分；降尺度部分接受特征提取部分、辅助信息处理部分与低分辨率数值模式预报数据分辨率分别高2倍和5倍的输出，采用最近邻插值与卷积相配合的方式进行上采样，最终输出网络降尺度结果，得到高分辨率降尺度预报产品。(3)基于所述训练集和模型进行训练；(4)基于实时低分辨率数值模式预报数据、地面高程数据生成高分辨率降尺度产品。
如图1所示，具体包括以下步骤：
S1、采集地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集，将降尺度数据集划分为训练集、验证集和测试集(本实施例中将降尺度数据集中的数据按照年份先后分为训练集、验证集与测试集)，其中，训练集和验证集用于训练阶段，测试集用于测试；
选择数据和目标区域，在本实施例中，预报数据来自国家环境中心(NCEP)全球集合预报系统(GEFS)，分辨率为0.25°×0.25°，观测数据使用欧洲中心(ECMWF)的ERA5-Land数据，分辨率为0.1°×0.1°，地面高程数据为辅助数据，使用由美国国家海洋和大气局(NOAA)维护的ETOPO模型提供的ETOPO1数据，分辨率为1′×1′(即)，目标区域为华北地区。由于本发明的降尺度倍数为10倍，所以使用球坐标系下二次守恒插值将分辨率为0.25°×0.25°的预报数据插值为1°×1°、)；
之后对所有数据进行标准化处理，构建降尺度数据集。
标准化公式为：
其中，M为待标准化的变量矩阵(即待标准化的地面高程数据、低分辨率数值模式预报数据或高分辨率观测数据的矩阵)，Mstd为标准化后的结果，mean(M)表示M的平均值，std(M)表示M的标准差。
由于观测数据没有海洋部分，所以先对预报数据与地形数据中的海洋部分赋空值，再分别对三种数据用最近邻插值在海洋区域进行填充。最近邻插值填充缺失值的思想是找到距离目标点最近的数据点，并用该数据点的函数值来估算目标点的函数值。公式如下：
f(i)＝f(i_nearest)#(2)
式中，i为格点位置，i_nearest为距离i格点最近的格点位置，f(i_nearest)为i_nearest格点数据的数值，f(i)为i格点数据的数值。
S2、搭建改进卷积神经网络的深度学习模型。
基于改进卷积神经网络的深度学习模型包括辅助信息处理部分、特征提取部分和降尺度部分，辅助信息处理部分包括第一至第五卷积和激活模块，以及第一至第三卷积模块，特征提取部分包括第六至第十五卷积和激活模块、第一至第七批标准化模块、第一至第三残差注意力模块以及第一至第四组合模块，降尺度部分包括第十六至第十八卷积和激活模块、第四卷积模块、第八批标准化模块、第一和第二最近邻插值模块以及第五和第六组合模块。
输入辅助数据依次经过第一至第四卷积和激活模块后，得到的第一特征图一路经第一卷积模块的卷积处理后得到第一跳跃连接特征图，另一路经第五卷积和激活模块处理后，得到的第二特征图一路经过第二卷积模块的卷积处理后得到第二跳跃连接特征图，另一路经过第三卷积模块的卷积处理后，得到接入特征提取部分的特征图。
低分辨率数值模式预报数据经特征提取部分的第六卷积和激活模块处理后输入第一组合模块，与辅助信息处理部分接入特征提取部分的特征图组合得到第一组合特征图；第一组合特征图经第七卷积和激活模块处理后，一路输出作为第三跳跃连接特征图跳跃连接接入第四组合模块；另一路依次经过第八卷积和激活模块、第一批标准化模块后，一路输出作为第四跳跃连接特征图跳跃连接接入第三组合模块，另一路依次经过第九卷积和激活模块、第二批标准化模块后，一路输出作为第五跳跃连接特征图跳跃连接接入第二组合模块，另一路依次经过第十卷积和激活模块、第三批标准化模块、第十一卷积和激活模块、第四批标准化模块、第十二卷积和激活模块后输入第二组合模块，与第五跳跃连接特征图组合得到第二组合特征图；第二组合特征图依次经过第五批标准化模块、第一残差注意力模块、第十三卷积和激活模块后输入第三组合模块，与第四跳跃连接特征图组合得到第三组合特征图；第三组合特征图依次经第六批标准化模块、第二残差注意力模块、第十四卷积和激活模块后输入第四组合模块，与第三跳跃连接特征图组合得到第四组合特征图；第四组合特征图依次经第七批标准化模块、第三残差注意力模块、第十五卷积和激活模块后，得到第四特征图。
第四特征图经降尺度部分的第一最近邻插值模块后输入第五组合模块，与辅助信息处理部分的第二跳跃连接特征图组合，得到第五组合特征图；第五组合特征图依次经第八批标准化模块、第十六卷积和激活模块、第二最近邻插值模块后输入第六组合模块，与辅助信息处理部分的第一跳跃连接特征图组合，得到第六组合特征图；第六组合特征图依次经第十七卷积和激活模块、第十八卷积和激活模块、第四卷积模块处理后，得到模型输出。
本发明实施例中具体的网络结构如图2所示，网络包括辅助信息处理部分、特征提取部分、降尺度部分，其中，直角实线矩形方框代表数据，圆角矩形和椭圆代表运算或操作，圆角矩形和椭圆内文字为该运算或操作的名称，实线箭头代表数据流，对于其中的卷积运算，括号中的第一个数字表示卷积核个数也即输出通道数，第二个数字表示卷积核大小，第三个数字表示填充大小，第四个数字表示步长。
首先介绍辅助信息处理部分，如图2中左上角的圆角虚线矩形框出的部分。
此部分首先接受辅助数据的输入，在本实施例中，辅助数据即为高分辨率地面高程数据；之后单通道的输入数据(高分辨率地面高程数据)经过一次同大小卷积16个通道输出后激活；再通过控制卷积核大小与步长的卷积运算，改变特征图尺寸，依次减小2倍、3倍，每次卷积运算之后进行激活运算，之后经过一次同大小卷积并激活；此时得到的第一特征图分辨率与目标分辨率相同(本实施例中，地面高程数据分辨率比低分辨率预报数据大60倍，高分辨率观测数据比低分辨率预报数据大10倍)，对第一特征图进行两种操作，一种是经过一次卷积核个数为4的同大小卷积运算后输出第一跳跃连接特征图跳跃连接接入网络的降尺度部分，另一种是继续通过控制卷积核大小与步长的卷积运算将第一特征图减小5倍并激活；此时得到的第二特征图分辨率比低分辨率预报数据大2倍，对第二特征图进行两种操作，一种是经过一次卷积核个数为4的同大小卷积运算后输出第二跳跃连接特征图跳跃连接接入网络的降尺度部分，另一种是继续通过控制卷积核大小与步长的卷积运算将第二特征图减小2倍，并且通道数减小为12，输出到特征提取部分。
此部分中，从接受输入地面高程数据增大通道数，到接入特征提取部分和降尺度部分之前减小通道数，已经完成了对地面高程数据冗余信息的舍弃，并将高分辨率信息蕴藏在了多个通道中。
之后是特征提取部分，如图2中下部虚线圆角矩形框框出的部分。
此部分首先接受低分辨率模式预报数据的输入，经过一次卷积核个数为20的同大小卷积运算并激活后，与来自辅助信息处理部分的特征图组合成通道数为32的第一组合特征图；之后经过一次同大小卷积并激活，得到的特征图进行两种操作，一种进行跳跃连接接入之后的运算中，为第三跳跃连接特征图，另一种继续进行卷积、激活、批标准化运算；此时得到的特征图同样进行两种操作，一种进行跳跃连接接入之后的运算中，为第四跳跃连接特征图，另一种继续进行卷积、激活、批标准化运算；之后得到的特征图同样进行两种操作，一种进行跳跃连接接入之后的运算中，为第五跳跃连接特征图，另一种继续进行卷积、激活、批标准化运算；此时得到的特征图继续进行卷积、激活、批标准化运算后，再进行一次卷积、激活运算，得到的特征图与第五跳跃连接特征图组合，得到第二组合特征图；对第二组合特征图进行批标准化运算后，接入残差注意力模块，之后对此模块输出的特征图进行卷积、激活运算，得到的特征图与第四跳跃连接特征图组合，得到第三组合特征图；之后对第三组合特征图进行批标准化运算后，接入残差注意力模块，对此模块输出的特征图进行卷积、激活运算，得到的特征图与第三跳跃连接特征图组合，得到第四组合特征图；最后对得到的第四组合特征图经过批标准化、残差注意力模块、卷积、激活运算后，输入到降尺度部分。
残差注意力模块包含注意力机制和残差模块，注意力机制可以根据高分辨率观测数据对低分辨率预报数据的相关性分配不同的重要性，提高了数据利用效率，增强了网络拟合能力，本发明使用的是对空间敏感的非局地注意力机制，它可以从特征图全局角度分配每个位置的重要性、忽略距离捕获不同位置的相互作用。残差模块使用的是Res2net模块，此模块既可以避免模型偏差问题又可以更高效的耦合多个尺寸的感受野，提高了计算效率与网络拟合能力。
如图3所示为一个残差模块，残差连接包住了两个部分，上半部分一直到组合四份特征图为Res2net模块的特色部分，组合四份特征图后的下半部分为非局地注意力机制。对于此残差注意力模块，首先对输入的特征图做卷积核为一的卷积、批标准化运算并激活后，得到残差注意力模块中第一次激活的特征图，一路与后续特征图相加，另一路在通道维度上平均分为四份特征图分别进行操作：第一份特征图不做处理，待后续与其他几份特征图组合；第二份特征图做同大小卷积、批标准化运算并激活，得到第二份特征图的结果；第二份特征图的结果一路待后续与其他几份特征图组合，另一路与第三份特征图组合，此时通道数为输入残差注意力模块的特征图通道数的一半，对组合后的特征图做同大小卷积运算、批标准化并激活，同时减半通道数，得到第三份特征图的结果；第四份特征图与第三份特征图的结果组合，计算过程与第三份特征图类似，最终得到第四份特征图的结果。最后将四份特征图的结果在通道维度上组合，此时通道数与输入此残差注意力模块的特征图通道数相同，之后对这组特征图做卷积核为1的卷积运算、批标准化并激活，得到组合四份特征图后的第二次激活的特征图；
之后对组合四份特征图后的第二次激活的特征图一路与后续特征图相加，另一路分别做三个同大小卷积运算，得到三组通道数为原来一半的特征图，这样操作在后续计算中减少了参数量，节约了计算资源。之后分别改变三组特征图的矩阵形状，将三维矩阵转变为二维矩阵，改变后的三组特征图的矩阵分别为列数为通道数的第一矩阵、行数为通道数的第二矩阵、列数为通道数的第三矩阵；之后第一矩阵与第二矩阵做矩阵乘法，即每个通道的每个格点与该格点所在通道的所有格点相乘，得到行数和列数都为格点数的第四矩阵，此第四矩阵中每个元素的大小表示不同格点之间相关关系的相对大小，于是就生成了注意力权重。在下一个运算步骤中，用Softmax激活函数将注意力权重矩阵激活，激活函数为：
其中，zi为注意力权重矩阵的元素，C为注意力权重矩阵的元素个数。之后将此激活后的注意力权重矩阵与列数为通道数的第三矩阵做矩阵乘法，就得到了经过分配重要性的特征图；改变得到特征图的矩阵形状与组合四份特征图后第二次激活的特征图的矩阵形状相同，进行一次卷积核为1的卷积运算之后与组合四份特征图后第二次激活的特征图相加；对得到的特征图进行一次卷积核为1的卷积运算之后与残差注意力模块中第一次激活的特征图相加最终得到残差注意力模块的输出。
最后是降尺度部分，如图2中右上角虚线圆角矩形框框出的部分。
此部分首先接受特征提取部分的输入，经过一次最近邻插值进行上采样，将特征图增大2倍；得到的特征图与第二跳跃连接特征图组合，得到组合后的第五组合特征图；之后进行批标准化、卷积、激活运算，再进行一次最近邻插值进行上采样，将特征图增大5倍，得到的特征图与第一跳跃连接特征图组合，得到组合后的第六组合特征图；最后经过3次同大小卷积和2次激活运算，最终得到模型输出，也就是高分辨率降尺度产品。
其中，降尺度部分的最近邻插值进行上采样的公式为：
式中，dstX、dstY分别为放大后特征图的格点横纵坐标，dstWidth、dstHeight分别为放大后特征图的长与宽，srcX、srcY分别为原特征图的格点横纵坐标，srcWidth、srcHeight分别为原特征图的长与宽。
并且，除了特征提取部分残差注意力模块中提到的S0ftmax激活函数，其他所有激活函数都为ReLU激活，激活函数为：
ReLU(xi)＝max(0,xi)#(6)
其中，xi为输入激活函数的特征图的元素。
所有的批标准化公式为：
其中，γ、β均为可训练参数，∈为一定值，X为特征图矩阵，E[X]为特征图矩阵X的均值，Var[X]为特征图矩阵X的方差。
S3、基于所述训练集和验证集对步骤S2搭建的基于改进卷积神经网络的深度学习模型进行训练；训练集与验证集随机分批次对深度学习模型进行训练，训练方法为监督学习，根据损失函数得到高分辨率观测数据与低分辨率预报数据的差异，然后通过梯度下降更新模型参数，损失函数为：
其中，N为数据格点总数，i为格点位置，yi为观测数据i格点的数值，yi ’为模型结果i格点的数值。
在多次训练过程中调整深度学习模型结构及参数(主要包括卷积层设置、学习率、优化算法等)，训练得到降尺度误差最小的模型。之后用测试集进行测试，图4展示了本发明实施例测试集中2019年8月10日温度产品分辨率提升效果，其中(a)为低分辨率模式数据，(b)为高分辨率观测数据，(c)为对低分辨率数据进行双线性插值的效果，(d)为使用本发明的深度学习模型的效果，横纵坐标代表经纬度，填色为温度分布。
S4、基于实时低分辨率预报数据生成高分辨率降尺度产品。
提取与S1中相同目标区域但是不同时间的低分辨率预报数据、与S1中相同的高分辨率地面高程数据，共同组成输入变量输入训练好的深度学习模型中，最终得到所需时间高分辨降尺度预报产品。
本发明的降尺度方法，以高分辨率观测数据为目标，利用低分辨率模式预报数据、地面高程数据，对低分辨率预报数据进行经纬度分辨率从1°×1°到0.1°×0.1°的降尺度预测，具有极强的应用价值；通过使用卷积处理地面高程数据的方法，保留地面高程数据的高分辨率信息的同时控制了地面高程信息在网络特征提取和降尺度部分的比例，提高了结果的准确率；模型考虑了高分辨率观测数据与低分辨率数值模式预报数据的相关性和模型偏差问题，结合了非局地注意力机制与Res2net模块，提高了数据利用效率和网络拟合能力；模型中采用最近邻插值与卷积运算配合的方式进行上采样，规避了转置卷积带来的棋盘效应，提高了模型的准确率和实用价值。

Claims (10)

1.一种基于深度学习的模式预报产品降尺度方法，其特征在于，包括以下步骤：
S1、选择数值模式和目标区域，并采集目标区域的辅助数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集，将降尺度数据集划分为训练集、验证集和测试集，其中，训练集和验证集用于训练阶段，测试集用于测试；
S2、搭建基于改进卷积神经网络的深度学习模型，包括辅助信息处理部分、特征提取部分和降尺度部分，辅助信息处理部分包括第一至第五卷积和激活模块，以及第一至第三卷积模块，特征提取部分包括第六至第十五卷积和激活模块、第一至第七批标准化模块、第一至第三残差注意力模块以及第一至第四组合模块，降尺度部分包括第十六至第十八卷积和激活模块、第四卷积模块、第八批标准化模块、第一和第二最近邻插值模块以及第五和第六组合模块；
输入辅助数据依次经过第一至第四卷积和激活模块后，得到的第一特征图一路经第一卷积模块的卷积处理后得到第一跳跃连接特征图，另一路经第五卷积和激活模块处理后，得到的第二特征图一路经过第二卷积模块的卷积处理后得到第二跳跃连接特征图，另一路经过第三卷积模块的卷积处理后，得到接入特征提取部分的特征图；
低分辨率数值模式预报数据经特征提取部分的第六卷积和激活模块处理后，输入第一组合模块，与辅助信息处理部分的接入特征提取部分的特征图组合得到第一组合特征图；第一组合特征图经第七卷积和激活模块处理后，一路输出作为第三跳跃连接特征图跳跃连接接入第四组合模块；另一路依次经过第八卷积和激活模块、第一批标准化模块后，一路输出作为第四跳跃连接特征图跳跃连接接入第三组合模块，另一路依次经过第九卷积和激活模块、第二批标准化模块后，一路输出作为第五跳跃连接特征图跳跃连接接入第二组合模块，另一路依次经过第十卷积和激活模块、第三批标准化模块、第十一卷积和激活模块、第四批标准化模块、第十二卷积和激活模块后输入第二组合模块，与第五跳跃连接特征图组合得到第二组合特征图；第二组合特征图依次经过第五批标准化模块、第一残差注意力模块、第十三卷积和激活模块后输入第三组合模块，与第四跳跃连接特征图组合得到第三组合特征图；第三组合特征图依次经第六批标准化模块、第二残差注意力模块、第十四卷积和激活模块后输入第四组合模块，与第三跳跃连接特征图组合得到第四组合特征图；第四组合特征图依次经第七批标准化模块、第三残差注意力模块、第十五卷积和激活模块后，得到第四特征图；
第四特征图经降尺度部分的第一最近邻插值模块后输入第五组合模块，与辅助信息处理部分的第二跳跃连接特征图组合，得到第五组合特征图；第五组合特征图依次经第八批标准化模块、第十六卷积和激活模块、第二最近邻插值模块后输入第六组合模块，与辅助信息处理部分的第一跳跃连接特征图组合，得到第六组合特征图；第六组合特征图依次经第十七卷积和激活模块、第十八卷积和激活模块、第四卷积模块处理后，得到模型输出；
S3、采用训练集和验证集随机分批次对步骤S2搭建的基于改进卷积神经网络的深度学习模型进行训练，得到训练好的降尺度误差最小的基于改进卷积神经网络的深度学习模型，然后用测试集对训练好的模型进行测试；
S4、基于所需时间的低分辨率预报数据生成高分辨率降尺度预报产品；
收集与步骤S1中相同目标区域但不同时间的低分辨率预报数据，与步骤S1中相同的辅助数据，共同组成输入变量输入步骤S3中训练好的基于改进卷积神经网络的深度学习模型中得到所需时间的高分辨降尺度预报产品。
2.根据权利要求1所述的一种基于深度学习的模式预报产品降尺度方法，其特征在于，步骤S1中高分辨率观测数据的分辨率与目标分辨率相同；辅助数据为高分辨率地面高程数据。
3.根据权利要求1所述的一种基于深度学习的模式预报产品降尺度方法，其特征在于，步骤S1中数据预处理包括：
首先，对辅助数据、低分辨率数值模式预报数据、高分辨率观测数据进行标准化处理，标准化公式为：
其中，M为待标准化的辅助数据、低分辨率数值模式预报数据或高分辨率观测数据矩阵，Mstd为标准化后的结果，mean(M)表示M的平均值，std(M)表示M的标准差；
然后，对标准化后的低分辨率数值模式预报数据与辅助数据中的海洋部分赋空值，再分别对标准化后的辅助数据、低分辨率数值模式预报数据、高分辨率观测数据用最近邻插值在海洋区域进行填充。
4.根据权利要求1所述的一种基于深度学习的模式预报产品降尺度方法，其特征在于，步骤S2中第一至第十八卷积和激活模块中的激活函数为：
ReLU(xi)＝max(0,xi)
其中，xi为特征图的元素；
第一至第八批标准化模块中的批标准化公式为：
其中，γ、β为可训练参数，∈为一定值，X为特征图矩阵，E[X]为特征图矩阵X的均值，Var[X]为特征图矩阵X的方差。
5.根据权利要求1所述的一种基于深度学习的模式预报产品降尺度方法，其特征在于，步骤S2中降尺度部分的最近邻插值进行上采样的公式为：
其中，dstX、dstY分别为放大后特征图的格点横纵坐标，dstWidth、dstHeight分别为放大后特征图的长与宽，srcX、srcY分别为原特征图的格点横纵坐标，srcWidth、srcHeight分别为原特征图的长与宽。
6.根据权利要求1所述的一种基于深度学习的模式预报产品降尺度方法，其特征在于，步骤S2中第一至第三残差注意力模块为融合了非局地注意力机制的Res2net模块，具体为：
输入特征图依次做卷积、批标准化运算并激活后，得到第一次激活的特征图，一路与后续特征图相加；另一路在通道维度上平均分为四份分别进行操作：第一份特征图不做处理，待后续与其他几份特征图组合；第二份特征图做同大小卷积、批标准化运算并激活，得到第二份特征图的结果；第二份特征图的结果一路待后续与其他几份特征图组合，另一路与第三份特征图组合，对组合后的特征图做同大小卷积运算、批标准化并激活，得到第三份特征图的结果；第四份特征图与第三份特征图的结果组合，最终得到第四份特征图的结果；最后将第一至第四份特征图的结果在通道维度上组合，之后对这组特征图做卷积运算、批标准化并激活，得到组合四份特征图后的第二次激活的特征图；
组合四份特征图后第二次激活的特征图一路与后续特征图相加，另三路分别做三个同大小卷积运算，得到三组通道数为原来一半的特征图，之后分别改变三组特征图的矩阵形状，将三维矩阵转变为二维矩阵，改变后的三组特征图的矩阵分别为列数为通道数的第一矩阵、行数为通道数的第二矩阵、列数为通道数的第三矩阵；之后第一矩阵与第二矩阵做矩阵乘法得到注意力权重矩阵，将注意力权重矩阵用Softmax激活函数激活后与第三矩阵做矩阵乘法，改变得到特征图的矩阵形状与组合四份特征图后第二次激活的特征图的矩阵形状相同，进行一次卷积运算后与组合四份特征图后第二次激活的特征图相加，然后进行卷积运算后与第一次激活的特征图相加，最终得到残差注意力模块的输出。
7.根据权利要求1所述的一种基于深度学习的模式预报产品降尺度方法，其特征在于，步骤S3中基于改进卷积神经网络的深度学习模型的训练方法为监督学习，根据损失函数得到高分辨率观测数据与低分辨率预报数据的差异，然后通过梯度下降更新模型参数，损失函数为：
其中，N为数据格点总数，i为格点位置，yi为观测数据i格点的数值，yi ’为模型结果i格点的数值。
8.一种基于深度学习的模式预报产品降尺度系统，其特征在于，包括：
数据采集及处理模块，用于采集目标区域的地面高程数据、低分辨率数值模式预报数据、高分辨率观测数据，并对数据进行预处理，构成降尺度数据集，将降尺度数据集划分为训练集、验证集和测试集，其中，训练集和验证集用于训练阶段，测试集用于测试；
模型搭建模块，用于搭建基于改进卷积神经网络的深度学习模型，包括辅助信息处理部分、特征提取部分和降尺度部分，辅助信息处理部分包括第一至第五卷积和激活模块，以及第一至第三卷积模块，特征提取部分包括第六至第十五卷积和激活模块、第一至第七批标准化模块、第一至第三残差注意力模块以及第一至第四组合模块，降尺度部分包括第十六至第十八卷积和激活模块、第四卷积模块、第八批标准化模块、第一和第二最近邻插值模块以及第五和第六组合模块；输入辅助数据依次经过第一至第四卷积和激活模块后，得到的第一特征图一路经第一卷积模块的卷积处理后得到第一跳跃连接特征图，另一路经第五卷积和激活模块处理后，得到的第二特征图一路经过第二卷积模块的卷积处理后得到第二跳跃连接特征图，另一路经过第三卷积模块的卷积处理后，得到接入特征提取部分的特征图；低分辨率数值模式预报数据经特征提取部分的第六卷积和激活模块处理后，输入第一组合模块，与辅助信息处理部分接入特征提取部分的特征图组合得到第一组合特征图；第一组合特征图经第七卷积和激活模块处理后，一路输出作为第三跳跃连接特征图跳跃连接接入第四组合模块；另一路依次经过第八卷积和激活模块、第一批标准化模块后，一路输出作为第四跳跃连接特征图跳跃连接接入第三组合模块，另一路依次经过第九卷积和激活模块、第二批标准化模块后，一路输出作为第五跳跃连接特征图跳跃连接接入第二组合模块，另一路依次经过第十卷积和激活模块、第三批标准化模块、第十一卷积和激活模块、第四批标准化模块、第十二卷积和激活模块后输入第二组合模块，与第五跳跃连接特征图组合得到第二组合特征图；第二组合特征图依次经过第五批标准化模块、第一残差注意力模块、第十三卷积和激活模块后输入第三组合模块，与第四跳跃连接特征图组合得到第三组合特征图；第三组合特征图依次经第六批标准化模块、第二残差注意力模块、第十四卷积和激活模块后输入第四组合模块，与第三跳跃连接特征图组合得到第四组合特征图；第四组合特征图依次经第七批标准化模块、第三残差注意力模块、第十五卷积和激活模块后，得到第四特征图；第四特征图经降尺度部分的第一最近邻插值模块后输入第五组合模块，与辅助信息处理部分的第二跳跃连接特征图组合，得到第五组合特征图；第五组合特征图依次经第八批标准化模块、第十六卷积和激活模块、第二最近邻插值模块后输入第六组合模块，与辅助信息处理部分的第一跳跃连接特征图组合，得到第六组合特征图；第六组合特征图依次经第十七卷积和激活模块、第十八卷积和激活模块、第四卷积模块处理后，得到模型输出；
模型训练模块，用于采用训练集和验证集随机分批次对搭建的基于改进卷积神经网络的深度学习模型进行训练，得到训练好的基于改进卷积神经网络的深度学习模型，并采用测试集进行测试；
预报模块，用于采集与S1中相同目标区域的高分辨率地面高程数据，与S1中相同目标区域但不同时间低分辨率预报数据，共同组成输入变量输入训练好的深度学习模型中得到目标时间高分辨降尺度预报产品。
9.一种装置设备，其特征在于，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行如权利要求1-7任一项所述一种基于深度学习的模式预报产品降尺度方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-7任一项所述一种基于深度学习的模式预报产品降尺度方法的步骤。
CN202310437043.5A 2023-04-21 2023-04-21 一种基于深度学习的模式预报产品降尺度方法 Active CN116467946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310437043.5A CN116467946B (zh) 2023-04-21 2023-04-21 一种基于深度学习的模式预报产品降尺度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310437043.5A CN116467946B (zh) 2023-04-21 2023-04-21 一种基于深度学习的模式预报产品降尺度方法

Publications (2)

Publication Number Publication Date
CN116467946A CN116467946A (zh) 2023-07-21
CN116467946B true CN116467946B (zh) 2023-10-27

Family

ID=87182020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310437043.5A Active CN116467946B (zh) 2023-04-21 2023-04-21 一种基于深度学习的模式预报产品降尺度方法

Country Status (1)

Country Link
CN (1) CN116467946B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892064B (zh) * 2024-03-13 2024-05-14 南京信息工程大学 一种全球气候模型日平均气温降尺度方法、装置及存储器
CN118366046B (zh) * 2024-06-20 2024-08-30 南京信息工程大学 一种基于深度学习并结合地形的风场降尺度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2016202856A1 (en) * 2015-05-05 2016-11-24 Smart Infrastructure Asset Management Australia Research And Development Pty Ltd Image processing techniques for identifying infrastructure condition status
CN109636733A (zh) * 2018-10-26 2019-04-16 华中科技大学 基于深度神经网络的荧光图像解卷积方法及系统
CN110874630A (zh) * 2019-10-23 2020-03-10 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数值模式产品降尺度精细化方法
CN111192200A (zh) * 2020-01-02 2020-05-22 南京邮电大学 基于融合注意力机制残差网络的图像超分辨率重建方法
CN111783862A (zh) * 2020-06-22 2020-10-16 浙江科技学院 多注意力导向神经网络的立体显著性物体检测技术
CN113496104A (zh) * 2021-07-16 2021-10-12 中科技术物理苏州研究院 基于深度学习的降水预报订正方法及系统
CN114170088A (zh) * 2021-12-15 2022-03-11 中山大学 一种基于图结构数据的关系型强化学习系统及方法
CN115222592A (zh) * 2022-06-27 2022-10-21 南京信息工程大学 一种基于超分辨率网络和U-Net网络的水下图像增强方法及网络模型的训练方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3690492A1 (en) * 2019-01-31 2020-08-05 Yara International ASA Downscaling weather forecasts

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2016202856A1 (en) * 2015-05-05 2016-11-24 Smart Infrastructure Asset Management Australia Research And Development Pty Ltd Image processing techniques for identifying infrastructure condition status
CN109636733A (zh) * 2018-10-26 2019-04-16 华中科技大学 基于深度神经网络的荧光图像解卷积方法及系统
CN110874630A (zh) * 2019-10-23 2020-03-10 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数值模式产品降尺度精细化方法
CN111192200A (zh) * 2020-01-02 2020-05-22 南京邮电大学 基于融合注意力机制残差网络的图像超分辨率重建方法
CN111783862A (zh) * 2020-06-22 2020-10-16 浙江科技学院 多注意力导向神经网络的立体显著性物体检测技术
CN113496104A (zh) * 2021-07-16 2021-10-12 中科技术物理苏州研究院 基于深度学习的降水预报订正方法及系统
CN114170088A (zh) * 2021-12-15 2022-03-11 中山大学 一种基于图结构数据的关系型强化学习系统及方法
CN115222592A (zh) * 2022-06-27 2022-10-21 南京信息工程大学 一种基于超分辨率网络和U-Net网络的水下图像增强方法及网络模型的训练方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Downscaled prediction of extreme seasonal climate over Southeast Asia using a regional climate model;Satyaban B. Ratna 等;《2016 Techno-Ocean (Techno-Ocean)》;第1-6页 *
深度学习技术在智能网格天气预报中的应用进展与挑战;杨绚 等;《气象学报》;第649-667页 *

Also Published As

Publication number Publication date
CN116467946A (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN116467946B (zh) 一种基于深度学习的模式预报产品降尺度方法
CN110245709B (zh) 基于深度学习和自注意力的3d点云数据语义分割方法
Heo et al. Multi-channel convolutional neural network for integration of meteorological and geographical features in solar power forecasting
US11836605B2 (en) Meteorological big data fusion method based on deep learning
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN113313180B (zh) 一种基于深度对抗学习的遥感图像语义分割方法
CN110619605B (zh) 并行气象要素降尺度方法、装置、电子设备及存储介质
CN112347970A (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN114463637B (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN117934274B (zh) 基于深度学习srosrn模型的海洋盐度超分辨率重构方法
CN112285808A (zh) 一种aphrodite降水数据的降尺度方法
CN114004998B (zh) 基于多视张量积扩散的非监督极化sar图像地物分类方法
CN118245746A (zh) 一种基于深度学习的中长期海表温度预测方法
CN112528803B (zh) 道路特征提取方法、装置、设备及存储介质
Dong et al. Remote sensing image super-resolution via enhanced back-projection networks
CN115760670B (zh) 基于网络隐式先验的无监督高光谱融合方法及装置
CN116050460B (zh) 基于注意力神经网络的气温数据空间插值方法
CN115759291B (zh) 一种基于集成学习的空间非线性回归方法及系统
CN116681298A (zh) 风电场选址方法、装置、计算机设备、存储介质和产品
CN116663739A (zh) 一种复杂地形风机出力预测方法、系统、设备和储存介质
TW202107306A (zh) 以人工智慧估測地理位置日照量之系統、方法及儲存媒體
CN115936238A (zh) 一种全域风电中长期出力预测方法、系统、设备及介质
Ding et al. Deep Learning for Daily 2‐m Temperature Downscaling
CN115564100A (zh) 光伏功率预测方法、系统及设备
CN113537329A (zh) 一种逐位置快速估算各类地物概率分布的方法

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