[发明专利]一种基于深度学习的气象大数据融合方法

说明书

本发明公开了一种基于深度学习的气象大数据融合方法，包括：构建得到多源气象数据样本；根据不同气候变量的原始分辨率，以最大化信息保留效率为约束，选取相应的超分倍数，得到优化后的超分辨率模块；采用聚焦式注意力机制构建时空注意力模块，根据不同气候变量的周期性特点，选择相应的时间步长；结合优化后的超分模型和时空注意力模块，构建得到气象数据融合模型；以气候变量的分辨率最小为损失函数，采用多源气象数据样本对气象数据融合模型进行训练；将采集到的多个数据源的实时气象数据导入训练完成的气象数据融合模型，得到高分辨率的融合气象数据。本发明能够解决多源气象数据分辨率差异的问题。

技术领域

本发明属于气象数据融合处理技术领域，具体涉及一种基于深度学习的气象大数据融合方法。

背景技术

目前，全球气候变暖对生态环境带来了严重影响，如极端灾害频发，沙漠化极速加剧等。为了预防生态环境的恶化，减少灾害带来的损失，必须深入研究引起气候变化的原因和机制。精准的气象数据是深入研究气象问题的基础。除了传统的气象观测站点以外，随着遥感技术的发展，专门用于气象观测的卫星的数量也与日俱增，随之也带来了大量的气象卫星观测数据。此外，耦合了地表各圈层且充分考虑了物理和生物过程的气候模式和地球系统模式也是研究气候变化的工具之一。为了解决更多的科学问题，这些模式一直处于持续更新中；与此同时，新的地球系统模式也在持续开发。气象观测数据(站点观测、遥感观测)和气象模式数据一起形成了包括如气温、降水、土壤湿度等多种气象要素的海量气象数据集，预计仅地球系统模式中的CMIP6数据量就将达到30PB。气象站点观测只能提供单一的点状数据，并不能提供空间面状数据；此外遥感气象观测资料由于受卫星重返周期和天气条件的影响，在时间上并不连续且在空间上也存在不少缺失值。

所以在进行研究时，往往使用多源气象数据进行研究，在使用这些数据的过程中主要存在以下几方面的问题1)多源气象数据空间分辨率不一致且粗糙。不同来源的气象数据分辨率不一致，以气候模式数据为例，除了高精度的区域气候模式之外，大多数模式数据高于2°。2)多源气象数据的不一致性，由于使用不同来源的气象数据，数据本身的系统误差都不相同，这会对最终结果产生不良的影响。3)传统方法并不能有效利用多源气象数据包含的时空信息。以地球系统模式数据为例，我们在利用其进行研究时，多采取平均方法，这种方法的整体结果一般会优于单个模式的结果，不过在一些局地区域效果并不好。同时由于地球系统模式分辨率差异较大，在差值过程中也会造成信息的损失。

发明内容

解决的技术问题：本发明结合气象数据的大数据属性，提出了基于深度学习方法的气象大数据融合方法，能够解决多源气象数据分辨率差异的问题。

技术方案：

一种基于深度学习的气象大数据融合方法，所述气象大数据融合方法包括以下步骤：

S1，从多个数据源获取气象数据，对多个数据源的气象数据进行预处理，构建得到多源气象数据样本；

S2，以RDN网络作为原始超分模型，结合数据源的特性和数据融合需求，对原始超分模型的输入输出部分进行优化；结合所有数据源的气象数据特征，气象数据存在大量的遥相关关系，在优化后的原始超分模型中增加相应的第一特征提取模块，一般特征提取采用的是卷积神经网络，其感受野有限，并不能充分提取气象数据的遥相关特征，在第一特征提取模块中并行加入可形变卷积，来增加网络的感受野，来增强网络对这方面特征提取的能力；根据不同气候变量的原始分辨率，以最大化信息保留效率为约束，选取相应的超分倍数，得到优化后的超分辨率模块；

S3，采用聚焦式注意力机制构建时空注意力模块，根据不同气候变量的周期性特点，选择相应的时间步长；所述时空注意力模块用于计算多源气象数据的注意力分布，根据注意力分布计算注意力加权平均值，再根据注意力加权平均值得到气象数据的局部特征；