[发明专利]一种多数值模式集成预报方法及装置

权利要求书

1.一种多数值模式集成预报方法，其特征在于，包括：

收集目标区域的数值模式预报数据、格点实况观测数据及地形数据；

依据预先构建的深度学习空间降尺度模型以及时域卷积时间降尺度模型，对数值模式预报数据以及地形数据进行降尺度处理，得到数值模式降尺度预报数据，所述数值模式降尺度预报数据的分辨率与所述格点实况观测数据的分辨率相同；

依据预先构建的多模式特征提取网络，对数值模式降尺度预报数据进行空间时间聚合特征的特征提取；

以空间时间聚合特征作为预先构建的多模式特征融合网络的输入，对空间时间聚合特征进行融合，得到拼接融合特征；

以格点实况观测数据作为预先构建的实况特征提取网络的输入，对格点实况观测数据进行特征提取，得到格点拼接融合特征；

将格点拼接融合特征和拼接融合特征输入预先构建的实况订正网络，得到维度拼接特征表示；

依据预先构建的多数值模式集成预报网络，对维度拼接特征表示进行集成预报；

构建深度学习空间降尺度模型，包括：

收集格点历史实况观测数据以及格点地形数据；

对格点历史实况观测数据分别进行重采样，得到第一空间分辨率的第一格点实况观测数据以及第二空间分辨率的第二格点实况观测数据，基于第一格点实况观测数据以及第二格点实况观测数据构建深度学习实况训练数据集；

将深度学习实况训练数据集输入低分辨率特征提取模块，得到实况多要素特征；

将实况多要素特征输入辅助特征变换模块，得到辅助变换特征；

将格点地形数据输入空间畸变模块，得到空间矫正特征；

将空间矫正特征以及辅助变换特征输入高分辨率重构模块，得到原始分辨率重构数据；

依据原始分辨率重构数据、格点历史实况观测数据以及预先设置的尺度网络差异阈值，确定是否完成对深度学习空间降尺度网络的训练，若是，将完成训练的深度学习空间降尺度网络作为深度学习空间降尺度模型。

2.根据权利要求1所述的方法，其特征在于，构建时域卷积时间降尺度模型，包括：

选取格点历史实况观测数据中预定数量的格点，针对每一格点，获取该格点的连续时间序列并进行重采样，得到时域卷积训练数据集；

对时域卷积训练数据集中的每一时域卷积训练数据，利用线性插值模块进行再采样，得到时域卷积再采样训练数据集；

将时域卷积再采样训练数据集输入时域重构模块，得到时域卷积时间降尺度重构数据；

依据时域卷积时间降尺度重构数据、格点历史实况观测数据以及预先设置的卷积网络差异阈值，确定是否完成对时域卷积时间降尺度网络的训练，若是，将完成训练的时域卷积时间降尺度网络作为时域卷积时间降尺度网络模型。

3.根据权利要求1或2所述的方法，其特征在于，所述对数值模式降尺度预报数据进行空间时间聚合特征的特征提取，包括：

将时域卷积时间降尺度模型输出的数值模式降尺度预报数据进行归一化处理，得到数值模式降尺度归一化预报数据；

将数值模式降尺度归一化预报数据按时序输入递归卷积网络的编码模块，得到空间时间聚合特征。

4.根据权利要求1或2所述的方法，其特征在于，所述对空间时间聚合特征进行融合，得到拼接融合特征，包括：

对空间时间聚合特征进行拼接，得到拼接特征；

将拼接特征输入单层三维卷积网络，得到拼接融合特征。

5.根据权利要求1或2所述的方法，其特征在于，所述对格点实况观测数据进行特征提取，得到格点拼接融合特征，包括：

对格点实况观测数据进行归一化处理，得到格点实况归一化观测数据；

将格点实况归一化观测数据按时序输入递归卷积网络的编码模块，得到空间时间格点聚合特征；

对空间时间格点聚合特征进行拼接，得到格点拼接特征；

对格点拼接特征进行特征融合，得到格点拼接融合特征。