[发明专利]一种多数值模式集成预报方法及装置

说明书

本发明提供了一种多数值模式集成预报方法及装置，方法包括：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；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；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；对空间时间聚合特征进行融合，得到拼接融合特征；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。可以提高多数值模式集成预报的准确性。

技术领域

本发明涉及气象预报技术领域，具体而言，涉及一种多数值模式集成预报方法及装置。

背景技术

多数值模式集成预报是将多种数值模式的预报结果进行融合的一种气象预报技术。目前，多数值模式集成预报方法利用各数值模式的预报偏差率进行多数值模式集成预报，大多基于卡尔曼滤波、消除偏差集合平均、模式加权平均、最小二乘加权平均以及简单集合平均等，实现方法较简单且易操作。但上述的多数值模式集成预报方法，由于各种数值模式预报存在系统偏差，且各种数值模式预报之间相互独立，使得多数值模式集成预报的准确性不高。

发明内容

有鉴于此，本发明的目的在于提供多数值模式集成预报方法及装置，以提高多数值模式集成预报的准确性。

第一方面，本发明实施例提供了多数值模式集成预报方法，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。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，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。