基于强对流识别的集合同化成员构建方法及系统与流程

本发明属于大气科学研究领域，尤其是涉及一种基于强对流识别的集合同化成员构建方法。

背景技术：

1、对强对流天气的预报往往依靠数值模式。然而目前数值模式对强对流的预报还有着比较显著的误差。除了强对流天气复杂外，另一个主要原因是用于预报强对流的数值模式存在着不可忽视的模式误差和初始场误差。

2、为了克服该问题，通常所采用的方法是使用集合资料同化方法对模式初始场进行改善。现在较流行的集合资料同化方法主要是混合资料同化法。这类方法的关键点是生成合理的集合成员，主要生成集合成员的方法是对观测、模式初始场或模式进行扰动，或者是对数值模式的物理过程、参数化过程的参数或倾向进行扰动。扰动的方法一般是使用一定形态的噪音进行扰动，比如高斯噪音，抑或是经过一定数学方法对当前时刻气象条件进行变换计算。

3、以上扰动方法只能针对这一时段的天气形势，扰动时很难包含与当前天气形势相似或相近的历史个例信息，无法针对强对流天气类型生成与之相关的集合预报成员。而且针对模式的扰动往往要求对模式进行积分，因此生成集合成员还需要大量的计算资源。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中存在的技术问题之一。

2、本发明的一个目的在于提供一种基于强对流识别的集合同化成员构建方法，旨在利用强对流类型一致或相似的历史个例生成集合同化成员，降低生成集合同化成员时对计算资源的需求，提高模式预报效果。

3、本发明的另一个目的在于提供一种基于强对流识别的集合同化成员构建系统，旨在利用该系统，实现上述的方法。

4、为了达到上述的目的，本发明一方面提供一种基于强对流识别的集合同化成员构建方法，包括如下步骤：

5、根据预报区域和预报时段，获取历史气象数据，并进行预处理，构建数据训练集；

6、采用所述数据训练集，构建并训练获得用于识别强对流的类型的分类识别模型；

7、构建集合成员生成模型，并基于不同的强对流的类型分别进行训练，为每种强对流的类型各构建集合成员生成模式；

8、采用分类识别模型对预生成集合成员的天气进行分类，再根据分类结果，选择对应的集合成员生成模式生成集合同化成员。

9、本发明进一步优选地技术方案为，所述根据预报区域和预报时段，获取历史气象数据，并进行预处理，构建数据训练集；具体方法为：

10、根据区域和预报时段收集已有的集合预报信息，包括一个确定性预报和若干个集合预报结果；

11、对收集的集合预报信息进行气象数据分析，筛选和剃除多余或无用的变量，并根据需要，添加辅助变量；

12、根据收集的集合预报信息，以及选择的相关变量构建训练集，同时将数据按照强对流的类别进行标记。

13、作为优选，所述采用所述数据训练集，构建并训练获得用于识别强对流的类型的分类识别模型；

14、所述分类识别模型引入基于风暴螺旋度特征的分割模块，用于将模型的注意力聚焦在强对流的关键区域。

15、作为优选，所述基于风暴螺旋度特征的分割模块的计算公式为：

16、

17、其中，为sigmoid函数，为分隔系数，该系数取值为0-1之间，值越大，表明强对流在人工智能分类中的权重越重；和分别表示平均池化特征和最大池化特征；用于平滑强对流和无天气之间的格点；

18、h为风暴螺旋度，其定义为：

19、

20、其中，为环境风场，为训练集中的强对流系统运动的速度，是水平涡度矢量，为计算时最高层的高度，为对高度的积分；

21、基于风暴螺旋度的分隔模块，将风暴螺旋度大于250和小于250分隔开。

22、作为优选，所述分类识别模型采用alexnet、resnet或densenet其中一种网络架构，在该网络的卷积块之间引入所述基于风暴螺旋度特征的分割模块。

23、作为优选，所述构建集合成员生成模型，并基于不同的强对流的类型分别进行训练，为每种强对流的类型各构建集合成员生成模式；具体方法为：

24、构建将当前的气象输入场映射到目标气象输出场的主生成模型；

25、构建从集合成员，即输出场反向生成气象输入场的反向生成模型；

26、一般的，和可以由一个编码器和一个解码器构成，编码器由多个二维卷积网络块构成，解码器由多个转置卷积块构成，编码器和解码器之间可由多个残差块连接。可视情况决定卷积网络块，转置卷积块和残差块的数量，也可在其间增加其他的模块提高模型可用性。

27、构建用于判别生成的集合成员是否与输入场为同一类别的强对流类型的第一判断模型；

28、构建用于判别反向生成的气象输入场是否与原输入场为同一类别的强对流类型的第二判断模型；

29、一般的，和由若干层全卷积层构成。

30、和训练目标是产生相似类型的强对流集合成员，和的目标是判断生成的集合成员和历史个例的差异。是主要训练目标，、是为了获得更好的辅助模型。

31、作为优选，利用卷积神经网络设计辅助分类器、、和，提高，，和中对不同强对流的识别作用，辅助分类器的数学表达式为：

32、

33、

34、

35、

36、其中，为sigmoid函数；为气象输入场中卷积的第k个激活图里位于的值，为对应的权重；为气象输出场中卷积的第k个激活图里位于的值，为对应的权重；为第一判断模型中卷积的第k个激活图里位于的值，为对应的权重；为第二判断模型中卷积的第k个激活图里位于的值，为对应的权重；

37、辅助分类器、插入在和中编码器和解码器之间，若中间有残差块，可将辅助分类器、放在残差块之后。辅助分类器和插入在和卷积网络后。

38、模型训练目标包含两个损失函数，表示为：

39、

40、并在损失函数上增加一致性的判断，表示为：

41、

42、其中，为模型与目标场的数学期望，为模型与来源场的数学期望，为可调参数；

43、模型训练目标表达式为：

44、

45、最后得到每种强对流的类型的模型。

46、作为优选，所述采用分类识别模型对预生成集合成员的天气进行分类，再根据分类结果，选择对应的集合成员生成模式生成集合同化成员；具体方法为：

47、对于预生成集合成员的天气，利用所述分类识别模型对该天气分类；

48、基于该类型的强对流类型，给定随机数种子后，利用训练好的相应类别的模型进行生成集合成员，该集合成员直接作为模式预报结果，或作为集合同化成员。

49、本发明再一方面提供一种基于强对流识别的集合同化成员构建系统，包括：

50、数据获取模块，用于根据预报区域和预报时段，获取历史气象数据，并进行预处理，构建数据训练集；

51、分类识别模型构建模块，用于采用所述数据训练集，构建并训练获得用于识别强对流的类型的分类识别模型；

52、集合成员生成模型构建模块，用于构建集合成员生成模型，并基于不同的强对流的类型分别进行训练，为每种强对流的类型各构建集合成员生成模式；

53、集合同化成员生成模块，用于采用分类识别模型对预生成集合成员的天气进行分类，再根据分类结果，选择对应的集合成员生成模式生成集合同化成员。

54、有益效果：本发明可以有效的对强对流进行分类，结合历史同类型的强对流信息生成集合成员，与原始gefs集合系统比，本发明不需要对模式进行积分，且可以有效提高离散度，降低生成集合成员时对计算资源的需求。