[发明专利]基于序回归学习的数值模式订正的方法

权利要求书

1.一种基于序回归学习的数值模式订正方法，其特征在于，具体步骤为：

(1)首先，针对数值模式的气象特征进行特征选择，即利用气象特征和地面观测降水值之间的相关性，选取相关性系数高于阈值的特征，作为有效特征；

(2)其次，根据地面观测站的经纬度将全球数据进行区域切分，产生多个更小的空间范围即特征区域；将该空间范围内的特征进行正则化处理；

(3)然后,针对数据特点，去除噪声：将正则化后的特征放入一个有随机噪声扰动的自编码器中训练，得到去除噪声的混合特征；

(4)利用降噪特征，预测序回归分布：搭建多个子网络，每个子网络利用降噪后的特征作为输入，各个子网络是完全相同的网络结构，但是彼此之间参数不共享，每个子网络的输出为一个标量，最终组成序回归分布；

(5)预测降水概率，融合序回归分布；利用原始特征直接通过降水预测网络去预测样本的降水置信度；序回归分布以0.5为阈值进行统计，获得最终的降水估计值；最后将降水置信度和降水预测值相结合，得到最终的降水预测值；

步骤(3)中所述去除噪声的步骤为：

(a)利用一个降噪自编码机作为一个骨干网络来提取更加鲁棒的特征，降噪自编码器由一个编码器和一个解码器组成；在训练阶段，首先在归一化的特征输入到编码器前添加一个服从均值为0、方差为0.001的高斯噪声在特征上；此外，在特征经过编码器中间层后又添加一个均值为0、方差为0.0001的高斯噪声在提取的特征上；

(b)使用均值平方损失来训练整个增强的降噪自编码器，训练损失函数为：

其中，N表示图片数量，F(x_i；θ)表示解码器的输出，x_i表示第i个原始不加噪声的特征，θ表示网络模型的参数；

(c)在测试阶段，直接利用归一化特征作为输入，并且去掉输入编码器前和编码器中间层的噪声扰动，然后将编码器的输出作为降噪特征，供后续模块使用。

2.根据权利要求1所述数值模式订正方法，其特征在于，步骤(1)中所述选取有效特征的流程为：步骤(1)中所述选取有效特征的流程为：将原始的数值模式数据中不同类型不同高度的气象特征，利用皮尔斯相关性系数来计算气象特征与地面观测站的降水观测值之间的相关性，然后设定阈值，将所有相关性系数大于阈值的特征手动选择出来作为原始特征，皮尔森相关性系数的计算方法为：

我们采用的数值模式数据为欧洲中心数值模式数据，欧洲中心数值模式数据是目前我国进行降水预测所用到的数值模式数据，在这种数值模式数据中，共有627种不同类型不同高度的气象特征，我们利用皮尔斯相关性系数来计算气象特征与地面观测站的降水观测值之间的相关性，然后设定相关性绝对值大于阈值的特征手动选择出来作为原始特征，皮尔森相关性系数的计算方法为：

其中，符号cov(X,Y)表示两个特征X,Y之间的协方差，符号σ_X表示特征X的方差。

3.根据权利要求2所述的基于序回归学习的数值模式订正方法，其特征在于，步骤(2)中所述的特征区域划分和特征正则化的步骤为：

(a)根据每个地面观测站的经纬度坐标(lat_i,lon_i)，首先将其对齐到网格数据上，对齐方式为找到最邻近的左上网格坐标然后对齐到的网格坐标作为特征区域的中心点，设定范围区域为中心点的±1^°，将此区域作为特征区域；

(b)根据每个地面观测站坐标，获得多个特征区域作为训练样本，采用归一化方式消除特征尺度差异，让特征尺度归一，特征归一化的计算方式为：

其中，为第j个样本第i个未归一化的原始特征，u_i是第i个特征的均值，σ_i是第i个特征的标准差。