[发明专利]一种基于全连接神经网络日最高气温的预报方法

说明书

本发明涉及一种基于全连接神经网络日最高气温的预报方法，所述预报方法包括：S1、对观测资料数据和数值预报数据进行预处理；S2、将完成预处理的数据划分为训练集、验证集和测试集，并分别对训练集、验证集和测试集上的特征和目标执行数据进行归一化处理；S3、构建结合嵌入层的全连接神经网络模型，并对模型的超参数进行设置以及对模型进行训练；S4、对训练结束的模型进行评估，并通过模型对最高气温进行预测。本发明选择了时间滞后变量，同时为了能在数据集中标识不同站点以及样本的时间信息，设计了辅助变量，并针对站点编号和月份这两个分类，设计了嵌入层，避免了分季节和分区域建模。

技术领域

本发明涉及气象监测技术领域，尤其涉及一种基于全连接神经网络日最高气温的预报方法。

背景技术

最高气温客观预报是天气预报中一项重要内容，有着重要的实际应用意义，如交通管控、天气预报、农业生产和环境监测等各方面。通常预报日最高气温的预报方法一般采用大气数值模式的预报方式。如欧洲中期天气预报中心的集成预报系统模式(简称IFS模式，下同)，中国气象局区域数值预报模式等等。受大气动力过程、物理过程和局地地形地貌等的复杂因素的影响，利用大气数值模式预报的近地面要素预报(包括最高气温)常存在偏差，特别是转折性天气发生时日最高气温预报与实际观测值之间误差更大，因此实现日最高气温预报精细化和精准化仍然面临挑战。虽然利用传统统计方法对数值模式预报误差订正可以一定程度上改善预报效果，但存在局限性，如普遍针对单一空间点进行建模，不但计算量大，而且无法考虑气象站点之间气象要素的相互影响。因此，如何解决利用传统统计方法对数值模式预报存在的问题，是现阶段需要考虑的。

需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于克服现有技术的缺点，提供了一种基于全连接神经网络日最高气温的预报方法，解决了现有利用大气数值模式预报日最高气温的方法受大气动力过程、物理过程和局地地形地貌等的复杂影响，导致大气数值模式的近地面要素预报包括最高气温常有偏差的问题。

本发明的目的通过以下技术方案来实现：一种基于全连接神经网络日最高气温的预报方法，所述预报方法包括：

步骤1、对观测资料数据和数值预报数据进行预处理；

步骤2、将完成预处理的数据划分为训练集、验证集和测试集，并分别对训练集、验证集和测试集上的特征和目标执行数据进行归一化处理；

步骤3、构建结合嵌入层的全连接神经网络模型，并对模型的超参数进行设置以及对模型进行训练；

步骤4、对训练结束的模型进行评估，并通过模型对最高气温进行预测。

所述对观测资料数据和数值预报数据进行预处理包括以下内容：

S11、对观测数据进行数据清洗并生成目标文件：剔除错误或者缺测的站点，挑选出具有完整时间序列的站点最高气温观测资料，创建目标数据集；

S12、读取并转换历史数值模式数据格式：读取数值预报模式GRIB格式数据，将地面层预报数据和高空层预报数据统一水平分辨率，对时间维度上少量的预报缺失值通过线性插补的方法进行插补，将历史数值预报数据以nc格式输出；

S13、计算数值模式高空组合数据：基于数值模式高空层数据，通过计算公式计算涡度平流，通过计算公式计算温度平流，其中，v代表风速，是等压面上的拉普拉斯算子，ζ是相对涡度，f是行星涡度，T为温度；

S14、将数值模式网格点上的数据插值到气象站站点上：采用双线性插值法将数值模式格点上的地面数据、高空数据和高空组合数据插值到地面气象站站点上，将插值后的数值模式数据与目标数据以一个文件输出；