[发明专利]一种基于竞争卷积神经网络的降水预报客观订正方法

权利要求书

1.一种基于竞争卷积神经网络的降水预报客观订正方法，其特征在于，包括以下步骤：

S1：构建历史资料库，选取待检测订正地区的资料作为模式数据样本；

S2：选取格点资料，选取待检测订正地区多个自动观测站资料，选取和EC降水格点相同的网格点分布，根据最近点原则，选取最临近站点作为格点资料；

S3：精简资料，对降水资料进行质量控制，主要通过计算一定范围内降水的平均值和标准偏差，对于和降水平均值差异大于1.5-3倍标准偏差的格点认定为野点，进行剔除；

S4：搭建多层卷积神经网络，使用tensorflow搭建多层卷积神经网络，包括以下部分：

第一层：特征提取层，分别采用不同3*3*8、5*5*8、7*7*8和9*9*8大小的卷积核进行特征提取，将原始降水资料进行特征提取；

第二层：卷积层，对每一个尺度的降水资料进一步的卷积；

第三层：拼接层，将前面特征提取出来的降水资料进行拼接；

第四层：输出层，使用1*1*4*1大小的卷积核和ReLu作为激活函数，将第三层的4个特征维度进一步压缩至1维输出，选取ReLu作为激活函数是英文ReLu函数最小值为0；

训练方式使用AdamOptimizer算法，学习速率为0.01，在计算loss时对不同强度的降水设定不同的权重，强降水的权重要大于没有降水的权重，loss设置为缺测点权重为0，其余采用如下函数：

其中x为日降水量；

S5：训练测试，在训练时使用待检测订正地区中一年的数据根据S4中的神经网络进行模型训练，并将训练好的模型用于测试另一年的数据，并统计模型训练结果计算TS评分。

2.根据权利要求1所述的一种基于竞争卷积神经网络的降水预报客观订正方法，其特征在于，所述S1中待检测订正地区的资料包括时间、累积降水量，时间至少为两年。

3.根据权利要求2所述的一种基于竞争卷积神经网络的降水预报客观订正方法，其特征在于，所述S2中选取的自动观测站至少为1000个。

4.根据权利要求1所述的一种基于竞争卷积神经网络的降水预报客观订正方法，其特征在于，所述S3中计算的范围为8-12km，优选的对于和降水平均值差异大于1.8-2.2倍标准偏差的格点认定为野点，进行剔除。

5.根据权利要求1所述的一种基于竞争卷积神经网络的降水预报客观订正方法，其特征在于，所述S4中不同降水强度权重随着降水的增加而增加，对于弱降水，设定权重最低值为1，对于强降水，设定权重最大值为30，中间部分权重呈线性发展。

6.根据权利要求5所述的一种基于竞争卷积神经网络的降水预报客观订正方法，其特征在于，所述S5中在进行训练时训练方式使用AdamOptimizer算法，然后在测试时任选待检测订正地区中一年的数据。