[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

说明书

本发明涉及降水预报订正技术领域，且公开了一种基于竞争卷积神经网络的降水预报客观订正方法，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。本发明能够弥补传统偏差订正算法无法对降水落区进行订正的缺点，使用机器学习从长期历史资料中学习出降水预报的系统偏差，有效提高降水落区和强度预报的准确率。

技术领域

本发明涉及降水预报订正技术领域，具体为一种基于竞争卷积神经网络的降水预报客观订正方法。

背景技术

当前精细化天气预报主要通过数值模式进行，然而数值模式在不同地域、不同季节、不同降水类型上存在系统性偏差，因此通常在实际天气预报的过程中需要对数值模式预报的降水进行一定程度上的主观订正，随着业务需求的发展，衍生出了多种客观订正算法，通过分析历史预报和观测结果，对降水强度进行客观订正，其中使用最为广泛的算法是“频率匹配法”。

在使用频率匹配法进行降水订正时，默认假设模式预报的降水落区是正确的，通过统计一定范围内站点降水数值和相同范围内模式预报降水强度分布关系，进而确定频率分布偏差，对降水强度进行修正，但该方法无法对降水落区进行订正，不能满足人们的要求。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于竞争卷积神经网络的降水预报客观订正方法，解决了现有的修正方法无法对降水落区进行订正，不能满足人们的要求的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：

一种基于竞争卷积神经网络的降水预报客观订正方法，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。