[发明专利]一种基于全连接神经网络的反演降水潜热垂直廓线的方法

说明书

本发明提供了一种基于全连接神经网络的反演降水潜热垂直廓线的方法，涉及降水潜热反演技术领域。本发明选用降水率的垂直梯度和温度的组合作为输入变量，并通过利用全连接神经网络强大的非线性映射能力进行降水潜热反演，可以更加准确的获取复杂大气环境下，降水率的垂直梯度和温度与潜热之间的函数表达，从而获得更加精确的降水潜热反演结果。

技术领域

本发明涉及降水潜热反演技术领域，具体涉及一种基于全连接神经网络的反演降水潜热垂直廓线的方法。

背景技术

降水所释放的潜热是驱动全球大气环流的主要能量来源，其中降水潜热加热率(Latent Heat Rate,以下简称LH)是指单位时间内降水云中由于水物质的相态变化，包括凝结-蒸发(气液转化)、冻结-融化(液固转化)、凝华-升化(固气转化)，所释放或吸收的热量使周围单位质量干空气温度升高的速率，单位开尔文每小时(K/hr)或摄氏度每小时(℃/hr)。而潜热“垂直廓线”是指降水潜热加热率(LH)随大气垂直高度变化的曲线。

目前降水潜热的卫星遥感法进一步包括物理反演方法。物理反演方法通过可观测的云和降水特征与潜热的定量物理联系而估测潜热。星载测雨雷达观测的降水率垂直梯度Γ＝dRr/dz反映着不同的降水量粒子增长或减小的微物理过程，对应不同的潜热释放率。根据此物理基础，目前已有人分析了降水率的垂直梯度与潜热之间的关系，在两种假设(降水云中新生产的云水以相同的速率转化为雨水；短时间内降水率垂直廓线不随时间变化)的基础上，提出了一种利用降水廓线反演降水潜热的物理反演算法(简称USTCVPH算法)，将潜热表达为温度T约束下的Γ的分段线性函数，并在青藏高原地区得到有效验证。

然而，在实际大气中，云水向雨水的转化率、降水粒子的水平和垂直位移等因素不可避免的引起一定的误差。为了解决上述问题，本发明提出一种基于全连接神经网络的反演降水潜热垂直廓线的的方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于全连接神经网络的反演降水潜热垂直廓线的方法(简称FCNH方法)，解决了现有的基于VPH算法的潜热反演方法误差较大的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于全连接神经网络的反演降水潜热垂直廓线的方法，该方法包括：

获取降水率垂直梯度数据和对应的温度数据；

对降水率垂直梯度数据和温度数据进行预处理；

基于降水率垂直梯度数据和温度数据构建数据集，并基于数据集训练基于全连接神经网络的反演降水潜热垂直廓线的网络，得到训练好的降水潜热反演网络；

将待反演的降水率垂直梯度数据和温度数据进行预处理，再将预处理后的待反演的降水率垂直梯度数据和温度数据输入训练好的降水潜热反演网络，得到降水潜热反演结果。

进一步的，所述降水率垂直梯度数据和对应的温度数据的获取方法包括：

利用WRF模式模拟获得包含降水率、温度、高度、潜热数据的输出变量，进而计算得到降水率垂直梯度数据和温度数据。

进一步的，所述预处理包括：

将地表以下的降水率垂直梯度和潜热赋值为0，异常值和缺省值利用其四周相邻数据的均值进行填充；

对数据进行归一化处理。

进一步的，所述降水潜热反演网络，包括：

两个特征表征网络，用于分别对降水率垂直梯度数据和温度数据进行特征提取；

特征融合模块，用于将两个特征表征网络的特征提取结果进行特征融合和提取；