基于时空感知机制的多源气象要素预测降水的方法及系统

本发明涉及数据处理领域，特别涉及基于时空感知机制的多源气象要素预测降水的方法及系统。

背景技术：

1、降水作为常见的天气现象之一，对全球气候系统有着重要意义，深刻地影响着人类未来发展的方向。世界上每年有许多国家和地区因降水导致泥石流和洪水等自然灾害，造成成千上万的人民丧失生命和流离失所，其破坏力对社会发展产生了重大影响。因此，精准地预测降水是当前气象领域亟待解决的难题之一。准确的降水预测将为灾害预警、农业生产、交通运输、资源利用等领域提供重要的决策依据，对减小不利天气事件的影响，保障生命财产安全，促进人类可持续发展，具有极为重要的意义。

2、现有的降水预测方法主要是数值天气预报（numerical weather prediction,nwp）和基于雷达回波外推的降水预测。数值天气预报主要利用数值模拟的方式求解一系列基于物理规律的流体力学方程和热力学方程预测未来大气的状态，该方法在降水预测的实际业务中有着重要作用。基于雷达回波外推的降水预测方法主要是质心跟踪法、交叉相关法和光流法，可以有效地揭示大气环流中降水系统的发展演变规律，有助于更好的理解大尺度气象系统特征。但是，数值天气预报过度依赖于复杂的大气物理方程，求解过程需要耗费大量的计算资源，而且计算效率有限，精准地预测短期降水是极具挑战性的，加之人类对大气物理的认知存在局限性，难以满足复杂气候区域的降水预测需求，基于雷达回波外推的降水预测方法不能充分利用雷达资料信息，而且本身也存在较大的累计误差，因此在降水预报准确率的提升方面受到了限制，并且，目前基于深度学习的降水预测方法主要专注于单一降水变量的时空预测，往往忽略了多气象要素与降水时空特征的相互作用，而且普遍存在低估降水强度的问题，无法精准地捕捉降水数据。

3、因此，需要提供基于时空感知机制的多源气象要素预测降水的方法及系统，用于提高降水预测的精度。

技术实现思路

1、本发明提供基于时空感知机制的多源气象要素预测降水的方法，包括：建立降水预测模型，其中，所述降水预测模型至少包括图像块嵌入层、时空特征提取网络和通道感知网络；建立训练样本；使用所述训练样本训练所述降水预测模型；获取目标区域在目标时间的多气象要素预报数据；对所述目标区域在目标时间的多气象要素预报数据进行预处理；通过训练后的降水预测模型基于预处理后的目标区域在目标时间的多气象要素预报数据，预测所述目标区域在目标时间的降水预测信息。

2、进一步地，所述建立训练样本，包括：获取样本区域在样本历史时间段的多气象要素数据及降水数据；对所述样本区域在样本历史时间段的多气象要素数据及降水数据进行归一化，建立所述训练样本。

3、进一步地，使用所述训练样本训练所述降水预测模型，包括：将所述训练样本包括的归一化后的多气象要素数据输入至所述图像块嵌入层，获取所述图像块嵌入层的处理结果；对所述处理结果进行归一化，生成归一化后的处理结果；通过空间感知机制、时间感知机制及通道感知机制，基于归一化后的处理结果，训练所述降水预测模型。

4、进一步地，将所述训练样本包括的归一化后的多气象要素数据输入至所述图像块嵌入层，获取所述图像块嵌入层的处理结果，包括：所述图像块嵌入层将所述训练样本包括的归一化后的多气象要素数据切割为多个图像块；对于每个所述图像块，将所述图像块重塑为令牌序列，将所述令牌序列线性映射到目标维度；加入每个所述令牌序列的位置，生成所述训练样本包括的归一化后的多气象要素数据对应的图像嵌入结果。

5、进一步地，所述空间感知机制，包括：将所述令牌序列转换到傅里叶空间；对转换到傅里叶空间的令牌序列进行线性变换；通过傅里叶逆变换将线性变换后的令牌序列转回到原始空间域，并添加残差连接，生成空间特征。

6、进一步地，所述时间感知机制，包括：通过分组卷积提取所述归一化后的处理结果的隐藏状态的特征；对所述隐藏状态的特征进行归一化，生成归一化后的隐藏状态的特征；所述归一化后的隐藏状态的特征经过激活函数后叠加不同卷积尺度的特征，生成时间特征。

7、进一步地，所述通道感知机制，包括：利用线性层扩大所述空间特征和所述时间特征叠加融合生成的融合时空特征的维度；将维度扩大后的融合时空特征映射回原始维度，并施加残差连接。

8、进一步地，所述通过空间感知机制、时间感知机制及通道感知机制，基于归一化后的处理结果，训练所述降水预测模型，包括：s1、通过所述空间感知机制，提取所述归一化后的处理结果的空间特征，执行s2；s2、通过所述时间感知机制，提取所述归一化后的处理结果的时间特征，执行s3；s3、将所述归一化后的处理结果的空间特征和所述归一化后的处理结果的时间特征叠加融合，并通过实例归一化层约束所述归一化后的处理结果对应的融合时空特征的数值分布，执行s4；s4、通过通道感知机制利用线性层扩大所述空间特征和所述时间特征叠加融合生成的融合时空特征的维度，将维度扩大后的融合时空特征映射回原始维度，并施加残差连接，执行s5；s5、重复执行s1至s4，直至重复次数达到预设重复次数阈值，获取降水预测结果，执行s6；s6、通过自适应差分损失函数基于所述降水预测结果及所述训练样本包括的降水数据，计算预测损失，并通过梯度反向传播优化降水预测模型，直至满足预设条件。

9、进一步地，所述自适应差分损失函数为：

10、  、  、  ，其中，为预测损失，为自适应加权的动态参数，为预测值与真实值之间的绝对差距，为降水预测模型输出的第i个时间间隔的降水预测结果，为所述训练样本包括的第i个时间间隔的降水数据，为样本历史时间段的时间间隔的总数。

11、本发明提供基于时空感知机制的多源气象要素预测降水的系统，包括：模型建立模块，用于建立降水预测模型，其中，所述降水预测模型至少包括时空特征提取网络和通道感知网络；样本建立模块，用于建立训练样本；模型训练模块，用于使用所述训练样本训练所述降水预测模型；预报获取模块，用于获取目标区域在目标时间的多气象要素预报数据；数据处理模块，用于对所述目标区域在目标时间的多气象要素预报数据进行预处理；降水预测模块，用于通过训练后的降水预测模型基于预处理后的目标区域在目标时间的多气象要素预报数据，预测所述目标区域在目标时间的降水预测信息。

12、相比于现有技术，本发明提供的基于时空感知机制的多源气象要素预测降水的方法及系统，至少具备以下有益效果：

13、多源气象数据被切成小块和嵌入位置信息后，依次通过时空感知机制和通道混合机制，建立多气象要素与降水的复杂映射关系，实现高精度的降水预测效果。弥补了以往单因素预测降水的不足，可更好地模拟大气的复杂演变过程，提升了降水预测的精度，改善了以往方法通常低估降水强度的不利局面，对减小极端天气事件的影响具有重要意义。

技术特征：

1.基于时空感知机制的多源气象要素预测降水的方法，其特征在于，包括：

2.根据权利要求1所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，所述建立训练样本，包括：

3.根据权利要求2所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，使用所述训练样本训练所述降水预测模型，包括：

4.根据权利要求3所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，将所述训练样本包括的归一化后的多气象要素数据输入至所述图像块嵌入层，获取所述图像块嵌入层的处理结果，包括：

5.根据权利要求4所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，所述空间感知机制，包括：

6.根据权利要求5所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，所述时间感知机制，包括：

7.根据权利要求6所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，所述通道感知机制，包括：

8.根据权利要求7所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，所述通过空间感知机制、时间感知机制及通道感知机制，基于归一化后的处理结果，训练所述降水预测模型，包括：

9.根据权利要求8所述的基于时空感知机制的多源气象要素预测降水的方法，其特征在于，所述自适应差分损失函数为：

10.基于时空感知机制的多源气象要素预测降水的系统，其特征在于，包括：

技术总结
本发明提供基于时空感知机制的多源气象要素预测降水的方法及系统，涉及数据处理领域，该方法包括：建立降水预测模型，其中，降水预测模型至少包括图像块嵌入层、时空特征提取网络和通道感知网络；建立训练样本；使用训练样本训练降水预测模型；获取目标区域在目标时间的多气象要素预报数据；对目标区域在目标时间的多气象要素预报数据进行预处理；通过训练后的降水预测模型基于预处理后的目标区域在目标时间的多气象要素预报数据，预测目标区域在目标时间的降水预测信息，具有提高降水预测的精度的优点。

技术研发人员：胡靖,郑鹏,张红湖,吴锡
受保护的技术使用者：成都信息工程大学
技术研发日：
技术公布日：2024/5/29