本發(fā)明屬于降水?dāng)?shù)據(jù)處理，具體涉及一種基于地形的降水實況數(shù)據(jù)訂正方法。

背景技術(shù)：

1、隨著科學(xué)技術(shù)的迅速發(fā)展，降水在氣象、水文、農(nóng)業(yè)和許多其他社會科學(xué)應(yīng)用中具有至關(guān)重要的作用。地形條件，如山脈、河谷、高原等，對降水的分布和強度具有顯著影響。傳統(tǒng)的降水?dāng)?shù)據(jù)收集方法往往忽略了這些地形因素，導(dǎo)致降水?dāng)?shù)據(jù)在空間和時間上存在偏差，難以準(zhǔn)確反映實際的降水情況。由于地形復(fù)雜性，降水?dāng)?shù)據(jù)在山區(qū)、丘陵等地區(qū)的收集和處理難度較大，數(shù)據(jù)精度往往較低。在復(fù)雜地形區(qū)域，降水?dāng)?shù)據(jù)往往受到多種因素的影響，如地形抬升作用、山谷風(fēng)等。這些因素使得降水?dāng)?shù)據(jù)在這些區(qū)域更加不可靠。因此，需要一種能夠適應(yīng)復(fù)雜地形條件，提高數(shù)據(jù)可靠性的降水?dāng)?shù)據(jù)訂正方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的基于地形的降水實況數(shù)據(jù)訂正方法解決了現(xiàn)有技術(shù)中在對降水?dāng)?shù)據(jù)進行處理時，沒有考慮地形因素，導(dǎo)致降水?dāng)?shù)據(jù)在空間和時間上存在偏差，難以反應(yīng)實際降水情況的問題。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種基于地形的降水實況數(shù)據(jù)訂正方法，包括以下步驟：

3、s1、采集降雨量的影響數(shù)據(jù)，并對其進行預(yù)處理；

4、其中，影響數(shù)據(jù)包括實況氣象數(shù)據(jù)、待訂正降雨量以及與局部地形數(shù)據(jù)；

5、s2、通過多層感知機網(wǎng)絡(luò)對實況氣象數(shù)據(jù)編碼，形成氣象數(shù)值特征；

6、s3、將氣象數(shù)值特征、待訂正降水量以及局部地形特征進行特征連接；

7、s4、基于待訂正降雨量對應(yīng)站點的位置信息及高程數(shù)據(jù)，構(gòu)造位置信息注意力圖；

8、s5、將位置信息注意力圖與特征連接后的特征融合后輸入至卷積神經(jīng)網(wǎng)絡(luò)；

9、s6、通過卷積神經(jīng)網(wǎng)絡(luò)對待訂正降水量進行將水量訂正。

10、進一步地，所述步驟s1中，在所述影響數(shù)據(jù)中：

11、所述實況氣象時間包括溫度tair、露點溫度dewp、大氣壓強pair、濕度qair、相對濕度rhus、風(fēng)速wind、風(fēng)速中的東西向分量dewp以及風(fēng)速中的南北向分量vwin；

12、所述局部地形數(shù)據(jù)包括地面覆蓋物類型、坡向、坡度以及高度。

13、進一步地，所述步驟s1中，對影響數(shù)據(jù)的預(yù)處理為通過歸一化方法進行異常值和缺失值處理。

14、進一步地，所述步驟s2中，所述多層感知機網(wǎng)絡(luò)依次連接的輸入層、若干隱藏層以及輸出層；

15、所述多層感知機網(wǎng)絡(luò)f(x)表示為：

16、

17、式中，g(·)表示輸出層的激活函數(shù)，f(·)表示隱藏層的輸出，b[1]表示隱藏層的偏置，w[1]表示隱藏層的權(quán)重，w[2]表示矩陣從隱藏層到輸出層的權(quán)重，b[2]表示向量加到輸出層神經(jīng)元上的偏置項，x表示輸入層。

18、進一步地，所述步驟s4具體為：

19、s41、將待訂正降水量對應(yīng)站點的位置信息映射到一個800*700像素的圖像上；

20、s42、將高程數(shù)據(jù)嵌入到圖像的一個通道中，同時根據(jù)位置信息在圖像的另一個通道生成熱力圖，進而構(gòu)建出位置注意力圖。

21、進一步地，所述步驟s41中，位置信息映射到圖像的轉(zhuǎn)換公式為：

22、

23、式中，(x,y)表示位置信息在圖像中的坐標(biāo)，lat表示緯度，lon表示經(jīng)度。

24、進一步地，所述步驟s42中，生成熱力圖的方法具體為：

25、初始化一個800*700值為0的數(shù)組，并將圖像上(x，y)的值置為1，(x，y)附近的值通過指數(shù)衰減函數(shù)來表示，得到各觀測點的熱力圖強度，進而生成熱力圖；

26、其中，指數(shù)衰減函數(shù)的表達式為：

27、i(r)＝e-k·r

28、式中，i(r)表示距離觀測點r處的熱力圖強度，k是衰減系數(shù)，它控制了衰減的速率。

29、進一步地，所述步驟s5中，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層、池化層和全連接層；

30、所述卷積層用于利用卷積操作與激活函數(shù)提取輸入數(shù)據(jù)的特征；其中，底層卷積層用于提取低級特征，上層卷積層通過整合低級特征進一步提取復(fù)雜特征；

31、所述池化層用于對卷積層的輸出特征進行降維處理；

32、所述全連接層用于將池化層輸出的降維特征向量映射到對應(yīng)的輸出類別上。進一步地，所述卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)lloss為：

33、lloss＝αl1+βl2

34、式中，l1表示絕對值誤差損失函數(shù)，l2表示均方誤差損失函數(shù)，α和β分別表示損失函數(shù)l1和l2的權(quán)重系數(shù)。

35、本發(fā)明的有益效果為：

36、(1)考慮地形因素：基于地形的訂正方法能夠更好地考慮地形對降水分布的影響。地形對降水有重要的調(diào)節(jié)作用，如山脈、丘陵和平原等地形會影響降水的分布和強度。傳統(tǒng)的訂正方法可能忽略了這些影響，而基于地形的方法能夠更精確地根據(jù)地形特征對降水進行修正，提高了訂正的準(zhǔn)確性。

37、(2)提高空間分辨率：將高程數(shù)據(jù)與經(jīng)緯度位置數(shù)據(jù)融合進行高分辨率的建模，實現(xiàn)對降水空間分布的精細(xì)調(diào)整。傳統(tǒng)方法通常使用較粗糙的空間網(wǎng)格或統(tǒng)計方法，難以捕捉空間細(xì)節(jié)對降水的影響。

38、(3)、提高預(yù)報準(zhǔn)確性：利用深度學(xué)習(xí)pytorch框架建立回歸模型(卷積神經(jīng)網(wǎng)絡(luò))來預(yù)測降水量能夠提高降水?dāng)?shù)據(jù)的準(zhǔn)確性，進而提高天氣和氣候預(yù)報的準(zhǔn)確性?；诘匦?、高空、地面因素對降水分布的直接影響，通過更好地考慮這些影響，訂正后的數(shù)據(jù)更符合實際情況，有助于提高預(yù)報的精度和可靠性。

技術(shù)特征：

1.一種基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述步驟s1中，在所述影響數(shù)據(jù)中：

3.根據(jù)權(quán)利要求2所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述步驟s1中，對影響數(shù)據(jù)的預(yù)處理為通過歸一化方法進行異常值和缺失值處理。

4.根據(jù)權(quán)利要求2所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述步驟s2中，所述多層感知機網(wǎng)絡(luò)依次連接的輸入層、若干隱藏層以及輸出層；

5.根據(jù)權(quán)利要求1所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述步驟s4具體為：

6.根據(jù)權(quán)利要求5所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述步驟s41中，位置信息映射到圖像的轉(zhuǎn)換公式為：

7.根據(jù)權(quán)利要求5所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述步驟s42中，生成熱力圖的方法具體為：

8.根據(jù)權(quán)利要求1所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述步驟s5中，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層、池化層和全連接層；

9.根據(jù)權(quán)利要求8所述的基于地形的降水實況數(shù)據(jù)訂正方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)lloss為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于地形的降水實況數(shù)據(jù)訂正方法，包括：S1、采集降雨量的影響數(shù)據(jù)，并對其進行預(yù)處理；S2、通過多層感知機網(wǎng)絡(luò)對實況氣象數(shù)據(jù)編碼，形成氣象數(shù)值特征；S3、將氣象數(shù)值特征、待訂正降水量以及局部地形特征進行特征連接；S4、基于位置信息及高程數(shù)據(jù)，構(gòu)造位置信息注意力圖；S5、將位置信息注意力圖與特征連接后的特征融合后輸入至卷積神經(jīng)網(wǎng)絡(luò)；S6、通過卷積神經(jīng)網(wǎng)絡(luò)對待訂正降水量進行將水量訂正。本發(fā)明中充分考慮地形因素和其他氣象數(shù)據(jù)對降水分布和強度的影響，對原始降水?dāng)?shù)據(jù)進行精細(xì)化訂正，從而提高了數(shù)據(jù)的準(zhǔn)確性。

技術(shù)研發(fā)人員：屈右銘,施佳馳,呂冠儒,馮冼,楊宏志,陳青鋒,鐘艷雯,彭薇,甘建紅,康潤卿
受保護的技術(shù)使用者：湖南省氣象信息中心
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/2