[发明专利]一种利用Diffusion及3DTCN的多气象要素时空序列预测及订正方法

说明书

本发明公开一种利用Diffusion及3DTCN的多气象要素时空序列预测及订正方法，属于气象预报领域；一种利用Diffusion及3DTCN的多气象要素时空序列预测及订正方法包括以下几个步骤：S1，将时空序列图像输入ConvLSTM模型中，以捕获高阶特征；S2，对原始时空序列图像进行加噪去噪处理，并将S1中捕获的高阶特征和依赖信息输入Diffusion模块作为条件以进行预测；S3利用通道注意力机制分配不同气象要素权重，并利用膨胀因果卷积融合多种气象要素的信息，来对S2所得到的预测结果行订正。

技术领域

本发明属于气象预报领域，具体涉及一种利用Diffusion及3DTCN的多气象要素时空序列预测及订正方法。

背景技术

在复杂的自然灾害链中，气象因子往往充当“导火索”的角色，其后续的救灾工作也与气象条件密切相关，准确的气象预报预警是做好综合防灾减灾的第一道防线，而如何提升预报预警技术的精准化、精细化和智能化更是成为了构建我国公共安全体系的重要一环。

随着高分辨率数值天气模式以及新一代地球观测系统的发展，气象领域的数据量在迅速增加,为天气和气候的理论研究和业务应用提供了丰富的信息，同时也对传统的数据处理方法及天气分析和预报技术带来了新的挑战。深度学习具有从大量的高维时空分布气象数据中提取复杂时空特征的能力，且具备计算效率高、可迁移性强、协同性和灵活性优的特点。

传统的RNN模型会导致严重的梯度消失问题并且对于长序列预测的结果比较模糊。Shi等人首次将气象预测定义为视频预测问题，提出了卷积长短期记忆网络(ConvolutionalLSTMNetwork,ConvLSTM)。该模型将CNN和RNN相结合，利用其各自在时空数据提取方面的独特优势来同时获取时序关系和空间特征，在雷达回波外推任务中取得了较好的效果，2017年，Shi等人又在ConvLSTM的基础上引入实时可变的卷积，提出了TrajGRU，这一改进使得模型对于旋转和缩放等顺势变化具有更强捕捉能力，并且在降水预测中也表现更优。Wang等人提出了“时空并重的思想”，对ConvLSTM进行扩展，提出了PredRNN。该模型在ConvLSTM单元内部引入了额外的空间记忆细胞，与原始的时间记忆细胞一同捕捉空间特征和时序信息；随后，Wang等人在预测信息与历史信息之间设计了一个用于缓解梯度小时的传递模块，并嵌入PredRNN单元内部，提出了PredRNN++。但是即使经过多次改进，无法从根源上消除梯度消失的问题，只能缓解，而且预测得到的图片比较模糊。

传统的订正模型订正的效果有待提升，2020年，曾静等人利用线性回归、SVM、决策树以及随机森林对ECMWF进行订正，2021年，Han等人利用率Unet架构以对预报结果进行订正。2022年，Liu提出了一种自适应的网络架构的订正模型。虽然具有一定的改善效果，但是订正的效果有很大的提升空间。

发明内容

针对现有技术的不足，本发明的目的在于提供一种利用Diffusion及3DTCN的多气象要素时空序列预测及订正方法。

本发明的目的可以通过以下技术方案实现：

一种利用Diffusion及3DTCN的多气象要素时空序列预测方法，包括以下步骤：

S1，将时空序列图像输入ConvLSTM模型中，以捕获高阶特征；

S2，对原始时空序列图像进行加噪去噪处理，并将S1中捕获的高阶特征和依赖信息输入Diffusion模块作为条件以进行预测。

进一步地，S1中，输入进ConvLSTM模块中的是时空序列中的前十张，首先输入第一张图片，更新ConvLSTM的状态H_t与记忆单元C_t，接着不断输入图片，C_t存储着过去图片的依赖信息，H_t是捕获到的高阶特征。

进一步地，所述高阶特征包括位置信息和运动信息。