本发明属于ai气象预测。
背景技术：
1、随着社会经济的快速发展，天气变化对农业、交通、能源等领域的影响日益显著，准确的天气预报直接关系到生产安全和经济效益。然而，传统模式天气预报主要依赖物理模型和数值方法，通过模拟大气物理过程进行预测，但是计算复杂，需要使用大型计算机进行计算，同时在应对复杂气候时预测准确性较低，依赖人为设定的假设条件，难以充分捕捉局部地区气象现象、复杂地形效应及多气象要素之间的相互作用，存在局限性。
2、基于ai模型的气象要素预测方法为上述问题提供了新的解决方案，这些模型具备强大的并行计算能力，能够及时响应快速变化的天气情况，并且能够利用大数据的优势，通过深度学习技术灵活适应不同气象条件，减少人为设定假设条件的影响，相对提高预测的准确性和可靠性。
3、但是，现有的基于ai模型的气象要素预测方法模型庞大、训练成本高昂，主要依赖于全球或区域性的低分辨率数据，而高分辨率可见光云图数据不仅可以清晰描绘出云层的边界和层次，还能追踪云层的时间序列变化，为ai模型捕捉局部气候特征提供了高质量的数据支撑，这些高分辨率数据未得到有效应用，并缺乏对多气象要素相互作用的综合分析，导致局部气象要素预测的准确性仍然较低。
技术实现思路
1、为了解决现有ai模型训练成本高、模型复杂，局部气象要素预测的准确性仍然较低的技术问题，本发明提出一种“基于高分辨率可见光云图的ai模型气象要素预测方法”。
2、基于高分辨率可见光云图的ai模型气象要素预测方法，如图1所示，获取目标区域era5再分析数据和卫星中高分辨率可见光云图数据作为初始气象要素数据；对初始气象要素数据进行数据预处理，得到目标气象要素张量，对目标气象要素张量划分为训练数据和测试数据；将训练数据视为空间中均匀分布的网格grid节点特征，然后通过数据所在的地理区域构造相应的区域多网格图，记为mesh节点，区域多网格图构造完成后，连接grid节点和空间对应的mesh节点，得到regionmesh多网格图；结合regionmesh多网格图构建regioncast模型，输入训练数据对regioncast模型迭代训练后得到区域气象要素预测模型；将测试数据输入到训练后的区域气象要素预测模型得到最终气象要素预测结果；
3、所述regioncast模型的结构如图3所示，以autoencoder作为基本框架，在编码器和解码器之间依次加入嵌入层、grid2mesh层、多网格图处理器、mesh2grid层以及还原层；
4、所述嵌入层用于将训练数据和regionmesh多网格图映射到隐藏嵌入空间中；
5、所述grid2mesh层通过gnn消息传递机制，使grid节点和mesh节点更新单向边的嵌入，再通过单向边更新mesh节点的嵌入；
6、所述多网格图处理器能够在regionmesh多网格图上进行节点间的消息传递；
7、所述mesh2grid层通过mesh节点到grid节点的单向边反向传递更新输入经纬度网格的嵌入；
8、所述还原层能够将经过处理的嵌入映射回原始特征空间，通过对grid节点的嵌入进行逆向转换，预测得到下一时刻各经纬格点的气象要素。
9、技术效果：
10、本发明针对现有的ai模型气象要素预测方法没有充分利用多要素、相邻空间的信息以及高分辨率局部数据的问题，通过结合高分辨率可见光云图数据提取相关特征，增强预测准确率；针对现有预测算法模型庞大、训练成本高昂的问题，通过构建区域化、多气象要素的多网格regioncast模型，采用自回归的方式捕捉连续时间的时序信息，并加入球面坐标系等特征补充空间特征，不仅可以融入高分辨率可见光云图数据，还能减少不必要的计算消耗，通过聚合相邻地点的气象要素特征，充分利用局部信息，从而显著提升了预测精度。
11、为了进一步验证本发明预测结果的准确率和精度，使用区域气象要素预测模型对目标区域(38.61°—53.51°n，118.83°—135.13°e)进行连续8天、时间间隔6小时的气象要素预测，该目标区域维度跨度较大，有着海洋、山脉、平原等众多的地形，气候有着明显的差异，将输出的最终气象要素预测结果与era5再分析数据及高分辨率可见光云图数据的真实数据进行对比分析，以均方根误差(rmse)和平均绝对误差(mae)作为评估指标得到，各个时刻的评价指标对比结果如下表所示：
12、
13、
14、通过表中数据可以看出，本发明可以实现连续186小时的气象要素预测，最终气象要素预测结果与真实数据的均方根误差均值为1.9487，平均绝对误差均值为1.0222，其中前48小时预测结果的均方根误差小于1，对比真实数据的平均误差仅为0.8996，提升了本领域局部气象要素预测算法的最高精度。通过上述实验可以说明，本发明提出的基于regioncast模型区域气象要素预测方法可以充分提取相邻地点多要素之间、长时间的相关特征，实现了高准确率的预测。
技术特征：1.基于高分辨率可见光云图的ai模型气象要素预测方法，其特征在于，获取目标区域era5再分析数据和卫星中高分辨率可见光云图数据作为初始气象要素数据；对初始气象要素数据进行数据预处理，得到目标气象要素张量，对目标气象要素张量划分为训练数据和测试数据；将训练数据视为空间中均匀分布的网格grid节点特征，然后通过数据所在的地理区域构造相应的区域多网格图，记为mesh节点，区域多网格图构造完成后，连接grid节点和空间对应的mesh节点，得到regionmesh多网格图；结合regionmesh多网格图构建regioncast模型，输入训练数据对regioncast模型迭代训练后得到区域气象要素预测模型；将测试数据输入到训练后的区域气象要素预测模型得到最终气象要素预测结果；
2.根据权利要求1所述的基于高分辨率可见光云图的ai模型气象要素预测方法，其特征在于，所述era5再分析数据中的气象要素为温度、西风、北风、位势、湿度的大气变量和两米温度、两米湿度、10米西风、10米北风、总降水、平均海平面压力的地表变量，所述高分辨率可见光云图数据为葵花八号卫星可见光三个波段、近红外一个波段、红外两个波段这6个可见光波段云图数据。
3.根据权利要求1所述的基于高分辨率可见光云图的ai模型气象要素预测方法，其特征在于，所述数据预处理包括：统一调整至0.25°的空间分辨率，时间分辨率为6小时；对初始气象要素数据做均值归一化处理；采用z-score标准化方法进行标准化处理。
4.根据权利要求1所述的基于高分辨率可见光云图的ai模型气象要素预测方法，其特征在于，所述regionmesh多网格图构建过程为：通过池化的方式利用输入的grid节点的经纬度坐标构造空间均匀分布的mesh节点，mesh节点的特征为该节点所在球面坐标系的三个坐标，接着构造mesh节点之间的链接(边)，即相邻节点以及高阶邻居节点；regionmesh多网格图的卷积核大小设置为3，步长大小为3，层数设置为4。
5.根据权利要求1所述的基于高分辨率可见光云图的ai模型气象要素预测方法，其特征在于，所述嵌入层为多层感知机结构，通过嵌入层将grid节点到mesh节点的边、mesh节点到grid节点的边以及regionmesh多网格图的边从低维属性映射到较高纬度的隐藏嵌入空间中，以便与输入的训练数据进行匹配；
6.根据权利要求1所述的基于高分辨率可见光云图的ai模型气象要素预测方法，其特征在于，对regioncast模型迭代训练使用的反向传播算法为adam，网络初始学习率r设为5e-4，学习率衰减因子设为0.05；训练总迭代次数100次。
技术总结本发明属于AI气象预测技术领域，为了解决现有AI模型训练成本高、模型复杂，局部气象要素预测的准确性仍然较低的技术问题，提出一种“基于高分辨率可见光云图的AI模型气象要素预测方法”，获取初始气象要素数据进行数据预处理后划分为训练数据和测试数据；结合RegionMesh多网格图构建RegionCast模型，以AutoEncoder作为基本框架，在编码器和解码器之间依次加入嵌入层、Grid2Mesh层、多网格图处理器、Mesh2Grid层以及还原层；输入训练数据对RegionCast模型迭代训练后得到区域气象要素预测模型；将测试数据输入到训练后的区域气象要素预测模型得到最终气象要素预测结果，采用自回归的方式捕捉连续时间的时序信息，并加入球面坐标系等特征补充空间特征，增强预测准确率。
技术研发人员：李昊阳,陈茂胜,袁建富,赵宇恒,王璐,吴鲲鹏
受保护的技术使用者：长光卫星技术股份有限公司
技术研发日：技术公布日：2025/4/7