[发明专利]基于特征交叉融合的短时强降水分型方法

说明书

本发明涉及一种基于特征交叉融合网络的短时降水分型方法，在降水分型任务中，设计了一个特征交叉融合ConvNeXT网络，用欧洲中期天气预报中心再分析数据ERA5的500百帕位势高度的气象数据作为训练集进行学习，学习不同天气类型的环流特征，通过交叉融合学习不同天气类型的环流特征，保存更多的细节特征，将不同类型的天气系统的差异尽可能的区分，最后根据分类结果绘制降水平面图，该方法解决了以往的方法不适用小尺度天气系统的缺点。本发明解决了主观分型带来的耗时耗力和标准不统一的问题以及以往客观分型的低准确率问题。

技术领域

本发明涉及地球科学大气环流模式计算与计算机科学交叉领域，尤其涉及一种基于特征交叉融合的短时强降水分型方法。

背景技术

在降水订正的过程中，每次都需要对降水进行分型，这样太费时费力，人工主观分类，由于每次的标准不同也会带来诸多误差，导致结果不够客观性。在现有的降水分型的方法中，大多以传统的人工主观分类为主，主观分型带来的缺点是不具有客观性，与以往的主观人工分类不同的是，采用的深度学习方法是一种客观性分类，有统一的分类标准，使得分类具有更加客观性。一方面降低人工分类的工作量，另一方面解决分类过程中存在的人工主观因素影响问题。

现在的方法是在孙继松等人的研究中，有一类聚类研究是分级聚类，该方法不指定最终的类数，结论将在聚类过程中寻求。使用的诊断量是500 hPa位势高度场和850 hPa温度场，目的是将区域持续性极端暴雨过程按照基本环流特征和斜压性特征做归类分型。

近年来，在人工主观分类中，早年期间有学者做过环流场分型实验，其较早的将环流场和降水场联系起来。然而由于使用主观分类的方法，导致分类结果缺乏客观性，但是该实验为后面的降水分型研究提供了新思路。之后有学者利用环流场数据对四川盆地进行降水分型分析，通过人工的方式对环流场进行分型，与早年期间的成果相比，在研究范围上进一步缩小，从大尺度天气系统过度到了中尺度天气系统，由于依旧采用人工分类的方法，分类结果仍然缺乏客观性。在暴雨的环流背景下，通过多个降水例子分析出各种降水的环流特征。分析发现不同降水类型环流场特征往往都是互相夹杂，是导致主观分类会出现诸多误差主要原因，使得分类变得不仅复杂还耗时。

现有技术方案存在的不足：

1、现有的聚类算法准确率低。

采用分级聚类的方法中，主要是在聚类的准确率上偏低，而且在于主观分型的对比中发现，难以将主观分型的结果与分级聚类的结果一一对应，能对应上的分型的结果中准确率也偏低，且该方法不适用与小尺度天气系统。需要设计模型提高类别的匹配以及准确率。

2、 现有的神经网络方法不适用小区域系统的分型研究。

基于CNN的降水分型，其缺点在于对小区域上的分类效果差，在低涡型降水中的准确率低，且该方法不适用与小尺度天气系统。需要设计提取特征的模型，并且提高低涡降水的准确率。

3、现有的客观分型方法未能与人工分型的结果对应起来。

以往的研究成果分析发现，大多数研究中的结果被分为Ⅰ型，Ⅱ型，Ⅲ型等，其分类结果与人工分类结果差距较大，难以将客观分型结果与人工分型结果一一对应。

发明内容

针对现有技术的不足，本发明提出了一种基于特征交叉融合的短时强降水分型方法，所述方法构建了一个基于特征交叉融合的网络模型，采用欧洲中期天气预报中心再分析数据ERA5的500百帕位势高度的气象数据作为训练集进行学习，学习不同天气类型的环流特征，通过交叉融合学习到的特征来进行分类预测，根据分类结果绘制降水平面图，具体包括：

步骤1：获取欧洲中期天气预报中心再分析数据ERA5的位势高度的数据集，将数据预处理成环流场图像，具体包括：

步骤11：将获取到的ERA5的数据集按照6:4的比例分为训练集和测试集，同时，提取ERA5数据集中500百帕位势高度的数据，构成位势高度数据集；