买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京信息工程大学

摘要：本发明提供了融合中大尺度环流数据的长江流域次季节降水预测方法，包括：步骤1，获取具有相同时空分辨率的降水格点数据和大气环流气象因子数据；步骤2，将步骤1获取的数据进行要素维度定义和聚合处理；步骤3，构建原始预测模型；步骤4，对原始预测模型进行训练；步骤5，利用验证集来评估模型的性能，得到训练完成的定量预测次季节降水的模型；步骤6，通过定量预测次季节降水的模型得到整个长江流域的次季节降水数据。针对长江流域受大气环流气候时滞影响显著的情况，本发明通过深入学习并捕捉这些影响因素的特征和权重，实现了对次季节降水预测效果的提升。

主权项：1.融合中大尺度环流数据的长江流域次季节降水预测方法，其特征在于，包括以下步骤：步骤1，定义一个待预测次季节降水的日期，获取具有相同时空分辨率的降水格点数据和大气环流气象因子格点数据；步骤2，将步骤1获取的数据进行要素维度定义和聚合处理，最后将处理后的数据划分为训练集、验证集和测试集；步骤3，构建原始预测模型；步骤4，使用训练集对原始预测模型进行训练；步骤5，利用验证集来评估原始预测模型的性能，得到训练完成的定量预测次季节降水的模型；步骤6，通过定量预测次季节降水的模型得到整个长江流域的次季节降水数据；步骤2中，所述要素维度定义包括：基于如下要素维度特性：长江流域的T-89时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的降水值，将长江流域历史降水数据定义为长江流域3D数据；T时间步是一个待预测次季节降水的时间点；基于如下要素维度特性：Nino3.4区的T-269时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的海表温度值，将Nino3.4区历史海温数据定义为Nino3.4区3D数据；基于如下要素维度特性：西太平洋区的T-59时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的多个要素的值，将西太平洋区历史气象因子数据定义为西太平洋区4D数据；基于如下要素维度特性：南亚高压区的T-29时间步至T时间步的每个格点数据都包含一个经度、纬度和时间的多个要素的值，将南亚高压区历史气象因子数据定义为南亚高压区4D数据；步骤2中，所述聚合处理包括：对降水数据，将每天内的所有小时数据相加，得到每日的降水总量数据；对于Nino3.4区、西太平洋区和南亚高压区的要素数据，按每天内的所有小时数据取平均，得到要素的每日数据，聚合处理操作用公式表示为： ，其中表示表示在日期d的所有小时内，位于给定经度i和纬度j位置的数据；d表示日期的索引，表示在在日期d的第24小时内，位于给定经度i和纬度j位置的数据；聚合处理操作Aggregation将同一位置的不同小时的数据合并为单个值；每日的降水总量通过将每天内的所有小时数据相加得到： ，其中，表示日期d经度和纬度处的降水量数据，表示日期d第h小时经度i和纬度j处的降水量数据；Nino3.4区内海表温度数据的每日数据通过将每天内的所有小时数据取平均得到： ，其中，表示日期d经度i和纬度j处的海表温度数据，表示日期d第h小时经度i和纬度j处的海表温度数据；步骤3中，所述原始预测模型包括输入模块，所述输入模块用于接收降水格点时间序列数据、Nino3.4区内海表温度时间序列数据、西太平洋区内和南亚高压区内气象因子时间序列数据，并利用经验模态分解EMD技术将Nino3.4区、西太平洋区和南亚高压区时间序列数据分解为不同时间尺度上的序列数据；步骤3中，所述输入模块由三个不同扩张率的时空卷积层ST-CNNlayer堆叠而成；所述时空卷积层ST-CNNlayer由四个并列的时空卷积块和一个通道注意力机制组成，其中ST-CNNB由批标准化BN、相应维度的卷积网络CNN和修正线性单元ReLU三个组件组成：批标准化BN组件通过对输入进行归一化处理，稳定网络激活分布，并通过引入噪音进行正则化；根据要素维度定义后的数据采用对应维度的卷积网络CNN组件，实现在不同维度方向上卷积；修正线性单元ReLU组件用于避免负值和解决梯度消失问题，加快前向传播和反向传播的速度；其中通道注意力机制通过学习四个并列的卷积块通道的权重，确定不同通道对降水的贡献程度；第一个时空卷积层ST-CNNlayer中的卷积网络CNN的扩张率为1，第二个时空卷积层ST-CNNLAYER中的卷积网络CNN的扩张率为2，第三个时空卷积层ST-CNNLAYER中的卷积网络CNN的扩张率为3；不同扩张率的卷积网络CNN，通过在网格区域之间插入孔，即0，来扩大滑动窗口的接受场，具体包括：设定滑动窗口大小为，相应的扩大了孔径的滑动窗口大小为，其中的计算方法如下： ，其中，表示滑动窗口的尺寸；是通过在滑动窗口中的元素之间插入孔来扩大滑动窗口的接受场，它代表扩展后的滑动窗口的尺寸，即扩大了孔径的窗口尺寸；表示膨胀率，滑动窗口中的元素之间的距离为；将不同膨胀率的时空卷积层ST-CNNLAYER叠加： ， ，其中，是第一个时空卷积层ST-CNNLAYER的输出；代表了第一个时空卷积层ST-CNNLAYER的最终输出；表示输入模块输入Encoder模块的数据序列，和分别表示第一个时空卷积层ST-CNNLAYER的卷积核权重和偏置，*表示3D或4D卷积操作，BN表示批量归一化操作，ReLU表示修正线性单元激活函数；通道注意力机制的融合过程具体为： ，其中，是将第一个时空卷积层ST-CNNLAYER的最终输出按照权重进行线性组合得到的结果；表示第i个通道的权重，i取值为1~4。

全文数据：

权利要求：

百度查询： 南京信息工程大学 融合中大尺度环流数据的长江流域次季节降水预测方法