一种基于物理约束空频协同学习的风场缺失观测重建方法、系统、计算机装置及存储介质

本发明属于风场数据处理、科学计算与智能感知交叉，具体涉及一种基于物理约束空频协同学习的风场缺失观测重建方法、系统、计算机装置及存储介质。

背景技术：

1、风场重建能够基于单点测量数据反演出完整的三维风场，对于大气分析、边界层研究、风能评估和风电运行优化具有重要意然而。例如，lidar风场重建是利用lidar测量的风速数据进行重建。实际的lidar风场观测常受遮挡、干扰、回波信噪比不足以及量程限制等因素影响，容易形成大面积、不规则的缺失区域。该类缺失不仅会丢失局部观测值，还会破坏风场的空间连续性、多尺度结构及频谱规律，使得高质量重建变得困难。

2、对于风场缺失数据下的风场重建，传统技术一般是采用统计差值法对缺失数据进行插值后重建风场，如采用克里金插值法（kriging）或地统计估计法等。例如，公布号为cn120470254a的中国专利申请文件公开了一种气象观测站点风场数据重建方法和装置，根据目标站点数据与对应的站点的观测数据建立插补模型；当检测到目标站点出现风场数据缺失时，通过目标站点对应的插补模型进行预测，得到目标站点的风场插补数据，基于风场插补数据完成目标站点风场数据的重建。传统统计插值方法在观测稠密、缺失范围较小时具有一定效果，但当缺失区域范围扩大或缺失形状不规则时，容易过度平滑，边界细节和整体结构恢复不足，常常只能给出较平滑的局部补全结果，难以恢复远距离相关的整体流动结构。

3、近年来，卷积网络、循环网络和 transformer 等数据驱动方法增强了非线性表达能力，提出了利用cnn、lstm或transformer等深度学习的风场缺失观测重建方法，但该类方法仍以空间域拟合为主。一方面，大面积缺失情况下的长距离空间依赖关系难以充分传播；另一方面，风场中原有的周期性结构和多尺度谱结构容易在恢复过程中被削弱。

4、可见，统计差值法面对大面积、不规则缺失时，难以恢复远距离空间依赖与整体流动组织；深度学习方法仅在空间域恢复时，风场的周期性和多尺度频谱特征容易受损。缺少显式物理约束时，重建结果可能出现非真实散度、伪旋转或局部不稳定现象。因此，在严重缺失场景下，现有方法的重建精度、鲁棒性和物理可信度往往难以兼顾。

技术实现思路

1、本发明的目的在于提供一种基于物理约束空频协同学习的风场缺失观测重建方法、系统、计算机装置及存储介质，用以解决现有风场缺失观测重建方法无法同时满足重建精度和鲁棒性的问题。

2、为解决上述技术问题，本发明第一方面提供了一种基于物理约束空频协同学习的风场缺失观测重建方法，包括：

3、将原始风场观测数据映射到网格，形成参考网格化风场数据；

4、根据每个网格位置对应的网格内是否具有有效样本，构建各网格位置的有效性掩码，基于有效性掩码与参考网格化风场数据构建不完整观测风场；

5、将不完整观测风场与有效性掩码在通道维进行拼接，得到掩码感知输入，并获取掩码感知输入的特征向量；

6、将特征向量输入到不完整风场重建网络模型，分别提取非局部空间依赖特征和频域特征，然后对非局部空间依赖特征和频域特征进行融合得到融合特征，对融合特征解码后输出完整风场重建结果。

7、在一种可能实现的方式中，不完整风场重建网络模型包括空间特征提取模块，所述非局部空间依赖特征是由空间特征提取模块对特征向量提取得到，非局部空间依赖特征用于表征长距离空间依赖关系、整体流向组织以及跨缺失区域的信息传播关系。

8、在一种可能实现的方式中，不完整风场重建网络模型包括频域特征提取模块，所述频域特征是由频域特征提取模块对特征向量重排后得到的网格特征图进行提取得到，频域特征用于表征因缺失观测而受损的周期性响应和多尺度频谱结构。

9、在一种可能实现的方式中，所述不完整风场重建网络模型训练时所用的目标函数包括散度损失和/或涡度损失，以及风场重建损失。

10、在一种可能实现的方式中，融合方式为拼接映射、门控融合、加权求和或投影融合中的任一种或组合。

11、在一种可能实现的方式中，所述掩码感知输入的特征向量是将掩码感知输入划分为多个非重叠patch，将patch嵌入映射到潜在token表示，同时叠加空间位置编码和时间位置编码后得到。

12、在一种可能实现的方式中，网格位置对应的网格内具有有效样本的标准包括：样本对应原始风场观测数据的距离门位于设备有效量程内，回波信噪比高于预设阈值，未被标记为无效、遮挡或干扰，风速分量为有效数值且位于预设物理范围内，以及样本笛卡尔坐标落入重建区域。

13、为解决上述技术问题，本发明第二方面提供了一种基于物理约束空频协同学习的风场缺失观测重建系统，包括处理器，所述处理器执行计算机程序以实现上述方法的步骤。

14、为解决上述技术问题，本发明第三方面提供了一种计算机装置，包括处理器，所述处理器用于执行计算机程序指令以实现上述方法的步骤。

15、为解决上述技术问题，本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

16、本发明的有益效果为：不单独采用某一种插值、空间特征处理或物理约束，而是围绕不完整风场观测重建这一具体任务，构建掩码感知输入、空间非局部建模、频域谱结构恢复和空频潜在融合的协同流程。通过将有效性掩码与观测风场共同输入，有效性掩码用于表达缺失拓扑，使模型能够显式感知缺失区域分布，从而提高针对大面积、不规则缺失区域的恢复能力。通过空间分支与频域分支的协同建模，可同时恢复非局部空间结构与频谱规律，避免单一空间域恢复造成的结构断裂和谱信息损失。

17、通过在训练阶段引入散度约束、涡度约束等相关损失，从而将散度、涡度作为软正则项嵌入到不完整风场重建网络中，并与掩码感知、空间分支、频域分支和空频融合协同工作，解决大面积、不规则缺失观测下的风场恢复问题。能够抑制非物理源汇与伪旋转现象，使重建结果在数值精度和物理一致性之间取得平衡，使重建风场在数值精度提升的同时保持更高的物理可信度。

1.一种基于物理约束空频协同学习的风场缺失观测重建方法，其特征在于，包括：

2.根据权利要求1所述的基于物理约束空频协同学习的风场缺失观测重建方法，其特征在于，不完整风场重建网络模型包括空间特征提取模块，所述非局部空间依赖特征是由空间特征提取模块对特征向量提取得到，非局部空间依赖特征用于表征长距离空间依赖关系、整体流向组织以及跨缺失区域的信息传播关系。

3.根据权利要求1所述的基于物理约束空频协同学习的风场缺失观测重建方法，其特征在于，不完整风场重建网络模型包括频域特征提取模块，所述频域特征是由频域特征提取模块对特征向量重排后得到的网格特征图进行提取得到，频域特征用于表征因缺失观测而受损的周期性响应和多尺度频谱结构。

4.根据权利要求1-3任一项所述的基于物理约束空频协同学习的风场缺失观测重建方法，其特征在于，所述不完整风场重建网络模型训练时所用的目标函数包括散度损失和/或涡度损失，以及风场重建损失。

5.根据权利要求1-3任一项所述的基于物理约束空频协同学习的风场缺失观测重建方法，其特征在于，融合方式为拼接映射、门控融合、加权求和或投影融合中的任一种或组合。

6.根据权利要求1所述的基于物理约束空频协同学习的风场缺失观测重建方法，其特征在于，所述掩码感知输入的特征向量是将掩码感知输入划分为多个非重叠patch，将patch嵌入映射到潜在token表示，同时叠加空间位置编码和时间位置编码后得到。

7.根据权利要求1所述的基于物理约束空频协同学习的风场缺失观测重建方法，其特征在于，网格位置对应的网格内具有有效样本需满足：样本对应原始风场观测数据的距离门位于设备有效量程内，回波信噪比高于预设阈值，未被标记为无效、遮挡或干扰，风速分量为有效数值且位于预设物理范围内，以及样本笛卡尔坐标落入重建区域。

8.一种基于物理约束空频协同学习的风场缺失观测重建系统，包括处理器，其特征在于，所述处理器执行计算机程序以实现权利要求1-7任一项所述方法的步骤。

9.一种计算机装置，包括处理器，其特征在于，所述处理器用于执行计算机程序指令以实现如权利要求1-7任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。