一种多源数据时空协同的短时强降水临近综合信息智能提取方法及系统与流程
本发明涉及气象遥感监测,具体涉及一种多源数据时空协同的短时强降水临近综合信息智能提取方法及系统。
背景技术:
1、现有的短时强降水临近预报技术在应对高时空分辨率与强突发性的对流天气时,普遍面临着数据协同、机理约束与综合研判三者深度割裂的系统性技术瓶颈,导致预报结果难以兼顾时空精准度、气象合理性与决策可靠性。具体而言,传统预报体系往往采用静态的数据叠加与简单外推,缺乏基于实况要素滑动订正的动态时空协同机制,导致其对强降水落区与时序突变的捕捉存在明显的迟滞与数据盲区;同时,高度依赖纯数据驱动的人工智能预报模型由于缺乏对水汽通量辐合、质量守恒等底层气象物理规则的深度约束,在推演复杂演变趋势时极易产生违背大气平流规律的失真要素场;此外,现有的单一预测模式缺乏将深度学习预测值与环境物理参数阈值相融合的双链条交叉检验机制,这使得系统在复杂天气背景下容错率极低、极易引发严重的漏报与空报,且输出的预警维度过于单一,无法同步提供涵盖降水量级、发生概率与综合预警级别的多维精细化评估信息,难以实质性满足现代防灾减灾业务对高精度、高鲁棒性短临预警的严苛技术要求。
2、因此,本发明提供一种多源数据时空协同的短时强降水临近综合信息智能提取方法及系统,用以解决上述问题。
技术实现思路
1、针对现有短时强降水临近预报技术中多源数据融合缺乏实况动态订正导致时空捕捉迟滞、深度学习模型缺乏气象物理规则深度约束导致预报结果失真,以及单一预测模式缺乏交叉检验机制导致漏报空报率高且预警维度单一等系统性缺陷,本发明要解决的技术问题是:如何提供一种多源数据时空协同的短时强降水临近综合信息智能提取方法及系统,通过构建基于实况要素滑动订正的多源时空协同特征体系,并耦合受水汽通量等物理机制约束的时序深度学习解码与基于环境物理阈值的概率判定,建立“预报值与发生概率”的双链条交叉分级映射机制,从而实现对短时强降水发生概率、降水量级及综合预警级别的多维精细化输出,从根本上提升预报结果的气象合理性与防灾减灾预警的准确率及鲁棒性。
2、本发明提供以下技术方案:一种多源数据时空协同的短时强降水临近综合信息智能提取方法,所述方法包括以下步骤:
3、s1:获取多源气象观测数据并执行质控处理与时空协同配准,构建标准化多源融合时空特征数据集;
4、s2:基于所述标准化多源融合时空特征数据集的实况要素,对中尺度数值模式预报场进行实况检验与偏差订正,生成三维要素订正场;
5、s3:将所述标准化多源融合时空特征数据集与所述三维要素订正场共同输入预训练的智能融合模型进行特征解码,输出逐格点短时强降水预报值;所述智能融合模型为融合气象物理一致性约束与时空注意力机制的时序深度学习模型;
6、s4:基于所述三维要素订正场逐格点提取环境物理参数,通过阈值判定与加权计算得到短时强降水发生概率;
7、s5:综合所述短时强降水预报值与所述短时强降水发生概率执行交叉分级匹配,输出短时强降水临近综合预警信息,所述预警信息包含降水量级、发生概率与综合预警级别。
8、优选地,所述获取多源气象观测数据并执行质控处理与时空协同配准,构建标准化多源融合时空特征数据集,具体包括:接入天地空多源异构气象观测数据,所述数据包含雷达观测数据、地面雨量站数据、风廓线探测数据、气象卫星观测数据及大气环境场数据;对多源气象观测数据依次执行杂波滤除、异常值剔除与数值标准化的质控处理,得到质量统一的观测数据集;构建全域标准空间网格并设置滑动时序校正窗口,采用空间插值算法将多源观测数据映射至统一空间网格,同时在滑动时序校正窗口内完成多源数据的时序对齐,生成时空基准统一的标准化多源融合时空特征数据集。
9、优选地,所述智能融合模型包括依次连接的多源特征编码层、时空注意力加权层与特征融合输出层;所述多源特征编码层采用循环神经网络架构,通过隐状态递推机制对输入的时间序列特征进行编码,提取降水系统的时序演变特征;所述时空注意力加权层包含串行耦合的时间注意力分支与空间注意力分支,用于对编码后的历史时序特征进行时空维度的动态权重分配,生成预报时刻的时空上下文特征,使模型重点关注与强降水关联的关键时空区域;所述特征融合输出层用于输出逐格点的短时强降水预报结果。
10、优选地,所述智能融合模型通过最小化总损失函数完成网络参数的训练与优化;所述总损失函数由数据驱动损失项、物理约束损失项与时序一致性约束损失项加权组合构成;所述数据驱动损失项用于约束降水量预报值与实况值的偏差,采用时序加权机制,对临近预报时段赋予更高的损失权重;所述物理约束损失项用于约束模型输出物理量与气象物理规律的一致性;所述时序一致性约束损失项用于约束相邻时间步物理量的变化幅度,保障降水演变过程的时序平滑性。
11、优选地,所述物理约束损失项以水汽通量辐合物理关系为核心约束依据,基于模型输出的比湿场与风矢量场计算水汽通量辐合预报值,并将其与真实水汽通量辐合值的偏差作为损失约束项,使模型输出符合水汽平流物理规律。
12、优选地,所述基于标准化多源融合时空特征数据集的实况要素,对中尺度数值模式预报场进行实况检验与偏差订正,具体包括:获取中尺度数值模式的历史逐小时预报产品,采用点对点滑动平均偏差算法,计算历史时段内预报产品与实况要素在各格点的滑动平均偏差值,构建三维滑动偏差场;基于所述三维滑动偏差场对后续时次的模式预报场进行偏差订正,生成所述三维要素订正场。
13、优选地,所述通过阈值判定与加权计算得到短时强降水发生概率,具体包括:选取与短时强降水发生强关联的多类水汽、热力、动力环境物理参数,为每类物理参数设定对应判定阈值与权重系数;逐格点判定各物理参数是否满足对应阈值条件,满足时取有效判定值,不满足时取无效判定值;将各物理参数的判定值与对应权重系数加权求和,得到逐格点的短时强降水发生概率。
14、优选地,所述综合短时强降水预报值与短时强降水发生概率执行交叉分级匹配,采用深度学习预报与物理阈值判别双链条综合判断方法,具体包括:将深度学习输出的短时强降水预报值划分为多个强度等级区间,将物理阈值计算得到的短时强降水发生概率划分为多个概率等级区间;通过强度等级区间与概率等级区间的交叉映射,对应生成多级预警级别,逐格点输出对应综合预警级别。
15、一种多源数据时空协同的短时强降水临近综合信息智能提取系统,包括多源数据接入与质控模块,用于获取多源气象观测数据并执行质控处理与时空协同配准,构建标准化多源融合时空特征数据集;
16、模式预报订正模块,用于基于所述标准化多源融合时空特征数据集的实况要素,对中尺度数值模式预报场进行实况检验与偏差订正,生成三维要素订正场;
17、深度学习推理模块,用于将所述标准化多源融合时空特征数据集与所述三维要素订正场共同输入预训练的智能融合模型进行特征解码,输出逐格点短时强降水预报值;所述智能融合模型为融合气象物理一致性约束与时空注意力机制的时序深度学习模型;
18、物理概率计算模块,用于基于所述三维要素订正场逐格点提取环境物理参数,通过阈值判定与加权计算得到短时强降水发生概率;
19、双链条综合研判模块,用于综合所述短时强降水预报值与所述短时强降水发生概率执行交叉分级匹配,输出短时强降水临近综合预警信息,所述预警信息包含降水量级、发生概率与综合预警级别。
20、一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现一种短时强降水临近综合信息智能提取方法的步骤。
21、本发明的有益效果如下:
22、1.本发明通过天地空多源异构气象数据的质控处理、高精度时空配准与协同融合,有效弥补了单一雷达观测存在的地物遮挡、山区探测盲区、空间不连续等固有缺陷,构建了时空基准统一、质量稳定的公里级、分钟级标准化数据集;同时结合实况三维滑动偏差订正技术,实时修正中尺度数值模式的系统性误差,显著提升了模式初始场的准确度,为短时强降水的精准识别与预报提供了高质量的数据基础。
23、2.本发明构建了嵌入时空双注意力机制的时序深度学习模型,通过时间注意力捕捉降水系统的连续演变规律,通过空间注意力动态聚焦强降水核心区域,实现了精细化的时空特征联合提取;同时在模型训练中引入水汽通量辐合物理约束与时序平滑约束,从本质上抑制了纯数据驱动模型易出现的虚假降水、物理量突变等违背气象规律的失真结果,保障预报结果既具备深度学习的精细度,又符合大气物理演变机制,业务可用性显著提升。
24、3.本发明采用“深度学习定量预报+物理阈值概率判别”的双链条综合研判方法,既发挥了深度学习模型对降水强度、落区的精细化定量预报优势,又通过13项环境物理参数的阈值校验从成因层面验证强降水发生的可能性,双向交叉校验有效规避了单一方法的技术短板,同步降低了漏报率与空报率;最终可同步输出降水量级、发生概率、综合预警级别三类核心信息,预警维度更全面,能够为防灾减灾决策提供全方位的数据支撑。
25、4.本发明整体算法架构轻量化、运算效率高,可实现分钟级滚动更新,完全适配气象业务5分钟滚动预警的实时性需求;方案兼容中小尺度对流暴雨、梅雨锋暴雨、台风暴雨等多种致灾降水场景,可广泛应用于气象短时临近预警、城市内涝风险预判、山洪地质灾害防控、流域水文防汛调度、交通气象保障等多个业务领域,工程落地门槛低、业务适配性强。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com