一种基于CNN-GCN神经网络的多源融合气象实况分析方法与流程

本发明涉及气象模型，具体涉及一种基于cnn-gcn神经网络的多源融合气象实况分析方法。

背景技术：

1、在气象学领域，实时精确地获取气象实况数据对于天气预报、气象预警和防灾减灾救灾等多个领域都具有重要作用。目前，气象实况数据的获取依赖于地面气象站、雷达和卫星等观测设备，但由于观测设备的分布存在局限性，许多地区仍然是探测的盲区。因此，如何从现有气象观测数据中推断出那些观测盲区的气象实况信息，显得尤为重要。

2、目前广泛应用的气象实况分析技术主要是插值方法，插值方法能够根据已知观测点的数据来估算未知区域的气象条件。常用的插值算法包括双线性插值、最近邻插值以及克里金插值等等。双线性插值根据周围四个最近的数据点来计算目标点的值，适用于规则的网格数据处理；最近邻插值根据最接近的观测点的值来估计目标点的气象状态；克里金插值是一种基于统计模型的高级插值方法。

3、虽然这些方法在当下被普遍使用，但存在一定局限性，比如无法充分利用多源数据的潜力，缺乏有效的机制将地面观测、卫星遥感其他气象数据源综合分析，限制了数据的多源融合。传统插值方法如最邻近插值或线性插值都无法充分利用站点间的关系，尤其在具有复杂地形的区域时往往准确度不高，无法有效反映小尺度气象实况的细微变化。且传统方法在处理分辨率较低的数据源时，无法有效填补数据空白区域，导致预测精度下降，这对于精细化的气象灾害响应带来了挑战。

技术实现思路

1、本发明的目的在于提供一种基于cnn-gcn神经网络的多源融合气象实况分析方法，解决以下技术问题：

2、无法充分利用多源数据的潜力，难以实时处理大规模数据集。尤其在具有复杂地形的区域时往往准确度不高，无法有效反映小尺度气象实况的细微变化，这对于精细化的气象灾害响应带来了挑战。

3、本发明的目的可以通过以下技术方案实现：

4、一种基于cnn-gcn神经网络的多源融合气象实况分析方法，包括以下步骤：

5、s1：每隔1小时采集不同数据源的5km网格气象数据；所述气象数据包括温度、降雨、风向风速和湿度，对所述气象数据进行预处理和标准化；

6、s2：将多种数据源的网格数据集多通道输入cnn网络中，设计卷积核大小和步长，确定卷积层的数量和深度，构建模型卷积层，提取气象数据中的关键特征，通过激活函数relu进行非线性映射，并通过池化层降低特征维度，构建全连接层汇总特征并生成降尺度后的输出；

7、s3：将气象实况观测站点的数据输入gcn网络中，将站点作为节点，站点之间的空间距离为边，站点数据作为节点特征，构建图结构；设计图卷积层捕获图结构的空间关系和特征依赖；确定图卷积网络的深度，构建多层图卷积结构，并利用残差连接/跳跃连接优化层间连接，以da-re数据集作为训练标签，计算gcn输出的网格数据与训练标签之间的均方根误差作为损失函数；

8、s4：基于加权和方法将cnn处理的网格数据特征与gcn处理的站点数据特征进行融合，构建cnn-gcn模型，融合后的特征通过额外的卷积层进行处理，引入注意力机制，动态调整cnn和gcn各自输出特征的权重；

9、s5：构建训练集和验证集，通过训练集对cnn-gcn模型进行训练，反向传播计算梯度，并更新参数以最小化损失函数，通过验证集评估模型性能并调整。

10、作为本发明进一步的方案：所述s1中，所述数据源包括实况分析5km分辨率产品、智能网格降水融合cmpas产品、雷达组网小时降水实况估测数据、气象自动站小时实况数据。

11、作为本发明进一步的方案：所述s1中，所述预处理包括将气象数据的时区从世界时统一转化为北京时，将所有气象数据集调整至同一坐标系，将开尔文温度转化为摄氏度，将水平风速与垂直风速转化为平均风速表示。

12、作为本发明进一步的方案：所述s1中，所述标准化处理为将缺失文件和要素进行补全，并对不同数据源数据进行归一化，公式为：

13、；

14、z表示任一气象数据，znorm表示该气象数据的归一化表达，zmax和zmin表示该气象数据同类型的最大值和最小值。

15、作为本发明进一步的方案：所述s2中，所述cnn网络的具体训练过程为：

16、提取气象数据中的关键特征的公式为：

17、；

18、其中，k是卷积核，b是偏置项，σ为激活函数，fij是卷积后得到的特征图，i 和 j表示特征图中的位置索引，其中 i 表示行索引，j 表示列索引，x表示输入数据矩阵，m和n表示输入数据中相对于当前位置 (i, j)偏移m行和n列的元素；

19、所述激活函数为relu，对卷积层输出结果进行非线性映射，公式为：；

20、其中x表示卷积层的输出值，relu(x)表示激活函数的输出值；

21、设计池化层降低模型的特征维度，构建全连接层对池化后的特征进行汇总，生成降尺度后的输出：

22、；

23、其中w和b是全连接层的权重和偏置，p表示池化层的输出值。

24、作为本发明进一步的方案：所述s3中，所述图卷积层的更新公式为：

25、；

26、其中，h(l)表示第l层的节点特征，h(l+1)表示更新后的节点特征，，表示邻接矩阵a加上自连接，in表示单位矩阵，d是度矩阵的对角元，w(l)是该层的权重，σ是非线性激活函数。

27、作为本发明进一步的方案：所述s5中，更新参数的公式为：

28、；；

29、其中η表示学习率，和分别表示损失函数l对权重w和偏置b的偏导数。

30、作为本发明进一步的方案：还包括对气象数据进行可视化显示，当用户输入经纬度信息后，即显示对应位置的气象数据。

31、本发明的有益效果：

32、本发明利用cnn-gcn神经网络可以实现整合多源气象数据，提供更全面和连续的气象分析；cnn-gcn模型能够通过图卷积网络部分学习站点间的复杂关系，利用深度学习模型的强大特征提取能力，可以从较低分辨率的数据中提取更多细节，生成高分辨率的气象场，从而提供更精细化的气象实况结果；cnn-gcn神经网络能够接收任意经纬度输入，预测对应位置的气象实况数据，使偏远或覆盖不足区域也能获得精确气象信息；这对于地形复杂或站点稀少地区尤为重要，保证用户在任何位置都能得到必要的气象支持。

技术特征：

1.一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，所述s1中，所述数据源包括实况分析5km分辨率产品、智能网格降水融合cmpas产品、雷达组网小时降水实况估测数据、气象自动站小时实况数据。

3.根据权利要求1所述的一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，所述s1中，所述预处理包括将气象数据的时区从世界时统一转化为北京时，将所有气象数据集调整至同一坐标系，将开尔文温度转化为摄氏度，将水平风速与垂直风速转化为平均风速表示。

4.根据权利要求1所述的一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，所述s1中，所述标准化处理为将缺失文件和要素进行补全，并对不同数据源数据进行归一化，公式为：

5.根据权利要求1所述的一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，所述s2中，所述cnn网络的具体训练过程为：

6.根据权利要求1所述的一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，所述s3中，所述图卷积层的更新公式为：

7.根据权利要求5所述的一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，所述s5中，更新参数的公式为：

8.根据权利要求1所述的一种基于cnn-gcn神经网络的多源融合气象实况分析方法，其特征在于，还包括对气象数据进行可视化显示，当用户输入经纬度信息后，即显示对应位置的气象数据。

技术总结本发明公开了一种基于CNN‑GCN神经网络的多源融合气象实况分析方法，属于气象模型技术领域，具体包括：采集不同数据源的网格气象数据；并进行预处理和标准化；将多种数据源的网格数据集输入CNN网络中，构建模型卷积层，提取气象数据中的关键特征；将气象实况观测站点的数据输入GCN网络中，捕获图结构的空间关系和特征依赖；将CNN处理的网格数据特征与GCN处理的站点数据特征进行融合，构建CNN‑GCN模型，融合后的特征通过额外的卷积层进行处理，引入注意力机制，动态调整CNN和GCN各自输出特征的权重；构建训练集和验证集对CNN‑GCN模型进行训练和优化；本发明提供了精细化的气象实况结果。技术研发人员：朱忠勇,王文山,周必高,季凌潇,孙珊娜,郑楚飞,王晶受保护的技术使用者：温州市气象局技术研发日：技术公布日：2024/9/26