【技術實現步驟摘要】
本專利技術涉及天氣預報，具體涉及一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法。
技術介紹
1、降水預報對于農業、防災減災、城市規劃等具有重要意義。然而，受限于降水過程的復雜性及數值天氣預報（nwp）模型的計算能力，傳統方法難以對強降水事件實現高精度預測。若想獲得更加準確的降水預報特別是強降水預報的結果，通過后處理方法對其進行偏差訂正是十分必要的。
2、在傳統的訂正產品中，通常將數值模式與觀測資料結合，將偏差與預報和觀測量的長期統計差異聯系起來，從而構建統計-動力預報方法，以表征模式中缺少的局地天氣特征，例如使用頻率匹配法（fmm）消除不同降水等級上的頻率偏差、分位數映射法（qm）將模型輸出的分布映射到觀測數據的分布，將模型輸出中的偏差進行修正。但這些傳統客觀方法處理海量氣象數據的能力有限，且難以體現空間信息的影響。
3、現有深度學習模型如長短期記憶網絡（lstm，long?short-term?memory）、卷積神經網絡（convolutional?neural?networks，cnn）等網絡表明了深度學習在偏差訂正中的潛力，但由于強降水在總樣本中占比很小，使用這種不平衡樣本訓練的訂正模型大多對小強度降水的訂正表現較好，對極端降水事件的表現仍不夠理想。且大多數模型難以捕捉局部小尺度的降水，導致訂正效果模糊。
技術實現思路
1、專利技術目的：本專利技術的目的是提供一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法，解決
2、技術方案：本專利技術所述的一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法，包括以下步驟：
3、（1）獲取全球的降水預報、衛星數據及相關氣象因子數據并進行預處理；
4、（2）構建att?-ukan的深度學習模型；包括：卷積塊、注意力模塊和自注意力kan模塊；
5、（3）設計基于樣本數據分布的加權均方誤差和可微分氣象ts評分；
6、（4）通過條件性動態區域采樣的數據增強技術使用全球的降水預報數據及相關因子與降水衛星數據訓練模型；
7、（5）利用優化后的模型對目標區域降水預報數據進行偏差訂正，生成更準確的降水預報結果。
8、進一步的，因子數據包括濕度、風速、地形；預處理具體如下：數據的空間分辨率統一為0.25°，時間分辨率統一為6小時。
9、進一步的，步驟（2）att-ukan深度學習模型具體如下：輸入圖像首先通過編碼器處理，編碼器的前三層通過卷積操作提取特征，隨后輸入到兩個標記化的自注意力kan模塊kan?block；每個編碼器塊將特征圖的分辨率減半；解碼器包含兩個標記化的自注意力kan模塊和三個卷積塊；每個解碼器塊將其分辨率加倍；編碼器和解碼器之間通過跳躍連接實現信息的融合；此外解碼器部分還通過注意力模塊將前一個解碼器塊與對應的編碼器塊的跳躍連接信息相連接，捕捉不同尺度的降水特征。
10、進一步的，步驟（3）具體如下：加權均方誤差wmse用于衡量預測值與觀測值之間的整體偏差，對不同像素點的mse設置權重；氣象ts評分用于優化強降水的預測能力；加權均方誤差wmse公式如下：
11、；
12、；
13、其中，表示第i個預測值，表示第i個真實觀測，n表示樣本數量，表示基于樣本數據分布對不同值的像素點設置的權重；
14、氣象ts評分公式如下：
15、；
16、；
17、；
18、；
19、其中，表示第i個預測值，表示第i個真實觀測，n表示樣本數量，thld表示設置的降水閾值。
20、進一步的，步驟（4）具體如下：對全球降水預報、衛星數據隨機選擇目標區域大小進行采樣，當選擇的衛星數據樣本降水值滿足降水值超過50的像素數量占該采樣區域總像素數的1%以上時被返回用于模型訓練；在訓練歸一化時通過對數變換縮小樣本間數據不平衡的問題，具體變換公式如下：
21、；
22、；
23、其中，x表示原始的預報和衛星降水數據，為超參數，設置為0.0001，為最終輸入到模型訓練的歸一化數據。
24、進一步的，步驟（5）具體如下：引入命中率pod、假警率far和heidke?skillscorehss三種評分指數對降水偏差訂正能力進行確定性評估，三種評分指數基于二分類混淆矩陣計算得出，計算公式如下：
25、；
26、；
27、；
28、其中，tp表示觀測為正類、預測為正類；fn表示觀測為正類、預測為負類；fp表示觀測為負類、預測為正類；tn表示觀測為負類、預測為負類。
29、本專利技術所述的一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正系統，包括：
30、預處理模塊：用于獲取全球的降水預報、衛星數據及相關氣象因子數據并進行預處理；
31、att?–ukan模塊：用于構建att?-ukan的深度學習模型；包括：卷積塊、注意力模塊和自注意力kan模塊；
32、設計模塊：用于設計基于樣本數據分布的加權均方誤差和可微分氣象ts評分；
33、增強模塊：用于通過條件性動態區域采樣的數據增強技術使用全球的降水預報數據及相關因子與降水衛星數據訓練模型；
34、預測模塊：用于利用優化后的模型對目標區域降水預報數據進行偏差訂正，生成更準確的降水預報結果。
35、本專利技術所述的一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述計算機程序被加載至處理器時實現根據任一項所述的一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法。
36、本專利技術所述的一種存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現任一項所述的一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法。
37、有益效果：與現有技術相比，本專利技術具有如下顯著優點：將條件性動態區域采樣的數據輸入至att-ts-ukan模型中，通過引入注意力模塊與自注意力kan模塊并結合ts評分的損失函數的方式，優化了降水預報的空間分布和量級預測。實驗結果表明，本專利技術在多個降水閾值下的預報性能顯著優于傳統方法。
本文檔來自技高網...【技術保護點】
1.一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法，其特征在于，因子數據包括濕度、風速、地形；預處理具體如下：數據的空間分辨率統一為0.25°，時間分辨率統一為6小時。
3.根據權利要求1所述的一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法，其特征在于，步驟（2）Att-UKAN深度學習模型具體如下：輸入圖像首先通過編碼器處理，編碼器的前三層通過卷積操作提取特征，隨后輸入到兩個標記化的自注意力KAN模塊KAN?Block；每個編碼器塊將特征圖的分辨率減半；解碼器包含兩個標記化的自注意力KAN模塊和三個卷積塊；每個解碼器塊將其分辨率加倍；編碼器和解碼器之間通過跳躍連接實現信息的融合；此外解碼器部分還通過注意力模塊將前一個解碼器塊與對應的編碼器塊的跳躍連接信息相連接，捕捉不同尺度的降水特征。
4.根據權利要求1所述的一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法，其特征在
5.根據權利要求1所述的一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法，其特征在于，步驟（4）具體如下：對全球降水預報、衛星數據隨機選擇目標區域大小進行采樣，當選擇的衛星數據樣本降水值滿足降水值超過50的像素數量占該采樣區域總像素數的1%以上時被返回用于模型訓練；在訓練歸一化時通過對數變換縮小樣本間數據不平衡的問題，具體變換公式如下：
6.根據權利要求1所述的一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法，其特征在于，步驟（5）具體如下：引入命中率POD、假警率FAR和Heidke?SkillScoreHSS三種評分指數對降水偏差訂正能力進行確定性評估，三種評分指數基于二分類混淆矩陣計算得出，計算公式如下：
7.一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正系統，其特征在于，包括：
8.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述計算機程序被加載至處理器時實現根據權利要求1-6任一項所述的一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法。
9.一種存儲介質，所述存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現根據權利要求1-6任一項所述的一種基于條件性動態區域采樣的Att-TS-UKAN降水偏差訂正方法。
...【技術特征摘要】
1.一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法，其特征在于，因子數據包括濕度、風速、地形；預處理具體如下：數據的空間分辨率統一為0.25°，時間分辨率統一為6小時。
3.根據權利要求1所述的一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法，其特征在于，步驟（2）att-ukan深度學習模型具體如下：輸入圖像首先通過編碼器處理，編碼器的前三層通過卷積操作提取特征，隨后輸入到兩個標記化的自注意力kan模塊kan?block；每個編碼器塊將特征圖的分辨率減半；解碼器包含兩個標記化的自注意力kan模塊和三個卷積塊；每個解碼器塊將其分辨率加倍；編碼器和解碼器之間通過跳躍連接實現信息的融合；此外解碼器部分還通過注意力模塊將前一個解碼器塊與對應的編碼器塊的跳躍連接信息相連接，捕捉不同尺度的降水特征。
4.根據權利要求1所述的一種基于條件性動態區域采樣的att-ts-ukan降水偏差訂正方法，其特征在于，步驟（3）具體如下：加權均方誤差wmse用于衡量預測值與觀測值之間的整體偏差，對不同像素點的mse設置權重；氣象ts評分用于優化強降水的預測能力；加權均方誤差wmse公式如下：
5.根據權利要...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。