一种基于改进VIT神经网络的短临降水预报方法

本发明涉及短临降水预报，尤其涉及一种基于改进vit神经网络的短临降水预报方法。

背景技术：

1、全球变暖背景下，暴雨等极端天气频发，在此背景下，高质量的降水预报对于防灾减灾具有重要作用。目前，数值模式是降水预报的重要手段。但由于中小尺度天气系统十分复杂、数值模式计算成本巨大等原因，目前数值模式在短临降水预报中应用价值有限。

2、在此背景下，基于气象雷达回波资料利用光流法进行外推，而后基于转换关系生成短临降水预报就成为了一种常用的短临降水预报方法，但该方法难以捕获天气系统的非线性变化特征，且无法预报对流系统的新生和消亡，因此预报技巧有限。近年来，深度学习技术迅速发展，以其高度非线性和强鲁棒性被广泛使用，也有学者将其应用到短临降水预报中。尽管深度学习较光流法有显著优势，但由于物理背景的缺失以及模型自身的缺陷，目前的深度学习算法大多难以捕获天气系统的发生和消亡，进而限制了其降水预报能力。此外，通过气象雷达回波反演得到降水预报产品会不可避免地带来误差，对小量级降水的空报和大量级降水的漏报现象较为严重，因此对反演得到的降水预报产品进行后处理具有重要意义，也是目前方案中缺失的部分。

技术实现思路

1、发明目的：本发明的目的是提供了一种基于改进vit神经网络的短临降水预报方法解决常规方法由于无法捕捉天气的非线性变化特征，而出现的新生天气系统的漏报问题，提高短临降水预报的准确率。

2、技术方案：本发明所述的一种基于改进vit神经网络的短临降水预报方法，包括以下步骤：

3、（1）采集气象雷达回波资料、风廓线雷达资料，并进行质量控制和特征提取；

4、（2）搭建融合了深层链接和自适应最优权重分配的vit神经网络模型；

5、（3）构建训练集后对模型进行训练，并引入基于均方根误差和对流面积变化率的损失函数；

6、（4）基于训练好的模型预报未来的雷达回波，并转换得到降水预报场；

7、（5）基于频率匹配法和消空法对降水预报场进行后处理，得到最终的短临降水预报产品。

8、进一步的，所述步骤（1）具体如下：将纬向风u和经向风v 联合起来进行 eof分解，得到纬向风与经向风时间序列，计算时间序列与天气系统发生密切相关涡度与散度特征，具体公式如下：

9、

10、其中，为第高度层,第时刻的纬向风与经向风，为第k个模态的特征向量，为第j个模态的时间系数；

11、

12、其中，为散度，为垂直方向涡度，和为纬向风和经向风，对其在x，y方向取微分操作。

13、进一步的，所述步骤（2）包括以下步骤：

14、（21）将雷达、涡度、散度预报因子输入神经网络进行特征融合，具体为：在 vit模型上采用深层链接策略，即在解码部分，利用 late fusion技术分别提取不同预报因子的特征，而后在网络深层进行融合，将多个特征输出拼接在一起，形成一个更长的向量，具体融合公式如下：

15、

16、其中，fusion为经过特征提取拼接后的向量，…为需要进行特征提取的向量，n为特征向量数量；

17、（22）将vit模型引入了自适应最优权重分配模块；公式如下：

18、；

19、其中，是第i个特征的权重，是相应特征的得分，这里采用均方误差作为得分，n为总的特征数；

20、（23）将经过融合和自适应权重分配的特征向量输入到transformer编码部分，进行上采样，再经过反卷积操作，输出预报结果。

21、进一步的，所述步骤（3）具体如下：引入基于均方根误差rmse和对流面积变化率cvar的损失函数，其计算公式如下：

22、

23、

24、

25、其中，是第i个预报，是第i个观测，为均方根误差；和分别是t时刻和时刻整个场中大于35dbz的范围，n为格点总数，是整个场的范围大小，t是总时间长度。即为模型的损失函数。

26、进一步的，所述步骤（4）具体如下：利用雷达降水强度反演关系计算雷达反射率与地面测量值之间的非线性关系计算降水强度，公式如下：

27、

28、其中，为雷达反射率，为降水强度，300与1.4分别为系数，此系数随着地理位置、温度等因素变化。

29、进一步的，所述步骤（5）具体如下：首先，采用频率匹配法和消空法对降水预报场进行订正，公式如下：

30、；

31、其中，是达到某个阈值的降水在训练期出现的频率；是达到某个阈值的降水在训练期出现的总站数；是训练期降水有效总站数,为训练期的时间长度，具体为过去n天；利用损失函数得到不同量级降水的订正系数，利用线性插值方法再得到所有量级的订正系数；在实际预报过程中，将所有站点的降水预报值乘对应的订正系数，即完成频率匹配过程；

32、再通过阈值法进行二次订正消空处理，公式如下：

33、

34、其中，为训练期预报降水，为间隔的一组阈值，当预报降水量级小于所设定阈值量级时，将该点处预报降水赋值为0；反之则等于本身；基于此对训练期内全国站点分别基于不同阈值进行消空处理，并计算及以上降水的ts评分得到一组阈值—评分序列，当ts评分达到最高时，取该阈值作为预报期的消空阈值 ；

35、其中，ts评分公式如下所示：

36、

37、其中，为正确预报降水的格点数，为空报格点数，为漏报格点数。

38、本发明所述的一种基于改进vit神经网络的短临降水预报系统，包括：

39、提取模块：用于采集气象雷达回波资料、风廓线雷达资料，并进行质量控制和特征提取；

40、vit神经网络模块：用于搭建融合了深层链接和自适应最优权重分配的vit神经网络模型；

41、损失函数模块：用于构建训练集后对模型进行训练，并引入基于均方根误差和对流面积变化率的损失函数；

42、转换模块：用于基于训练好的模型预报未来的雷达回波，并转换得到降水预报场；

43、预报模块：用于基于频率匹配法和消空法对降水预报场进行后处理，得到最终的短临降水预报产品。

44、本发明所述的一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现任一项所述的一种基于改进vit神经网络的短临降水预报方法。

45、本发明所述的一种存储介质，存储有计算机程序，所述计算机程序被设计为运行时实现任一项所述的一种基于改进vit神经网络的短临降水预报方法。

46、有益效果：与现有技术相比，本发明具有如下显著优点：从风廓线雷达中提取风场信息作为额外的预报因子，为预报天气系统的发生和消亡提供物理背景；搭建融合了深层链接和自适应最优权重分配的vit模型，能有效提取预报因子全局特征和局部特征，并根据实际贡献为不同预报因子赋予不同权重，进而有效提高模型预报技巧；使用加权损失函数进一步提高了模型对于天气系统的发生和消亡的捕获能力；基于消空法和频率匹配法对雷达回波转化得到的降水场进行后处理，能有效改善小量级降水的空报和大量级降水的漏报，进而进一步提高降水预报技巧。