融合区域自注意力与修正ConvLSTM的核扩散气象场预测方法
本发明涉及核事故应急,具体涉及一种融合区域自注意力与修正convlstm的核扩散气象场预测方法。
背景技术:
1、核事故应急响应中,需要根据核素扩散的剂量场进行风险评估,剂量场常由核素在气象场中扩散推演所得,对于气象场的模拟,常规多依托地面气象站、高空探测等平台获取的实时气压、湿度、风速、风向等观测数据,通过大气动力学方程和湍流参数化等物理运算构建气象场,这些方法通常受限于监测数据时空分辨率,只在宏观尺度对气象场环境进行还原,作为核素扩散的驱动条件时难以把握未来的变化趋势。
2、在气象场仿真与建模领域,现有技术主要包括高斯烟羽模型、拉格朗日粒子扩散模型、欧拉网格模型、中尺度气象模式降尺度技术等多类主流技术方案。以下将针对与本技术最相关的现有技术方案进行简述,并提供技术方案图及详细文字说明。
3、1)高斯烟羽模型:通过收集气象与源项参数,然后计算扩散参数及有效源高,求解出浓度与剂量并输出结果的简化过程,实现核应急早期快速评估,具体流程如图1所示。这种方法适用于地形平坦并且大气稳定的早期应急场景,不足是复杂地形和非稳态气象下误差大,无法精准模拟复杂气流,需结合监测数据优化,主要用于快速划定撤离范围。
4、2)拉格朗日粒子扩散模型:初始化设置后释放并追踪虚拟粒子,再模拟物理过程及计算剂量,分析结果的过程,实现污染物扩散模拟,具体流程如图2所示。这种方法物理过程清晰,地形适应性也较强,适用于复杂地形与非均匀气象下的中距离核应急评估,但是这种方法的计算资源需求高,而且粒子数量影响精度,在长时模拟下效率较低。
5、3)欧拉网格模型:设置网格与参数对控制方程求解,再融合多物理过程计算剂量,最后输出决策结果,实现大尺度核应急评估,具体流程如图3所示。这种方法可耦合多物理过程,适用于距离大于50km的长时大范围核应急场景,但是这种方法在高分辨率的网格情况下会有更大的计算量,并且对边界条件敏感,只为大范围应急策略制定提供支持。
6、4)中尺度气象模式降尺度技术:先对数据预处理与降尺度计算,然后处理气象场并拟合扩散模型,验证优化的过程,生成精细化气象场,具体流程如图4所示。这种方法融合大尺度预报与局地特征,适用于区域尺度和复杂地形的核应急建模,不足是计算耗时久而且依赖高质量初始数据,结合观测数据验证,能支撑复杂地形精准剂量评估。
7、现有的方法能够满足一些事后复盘模拟推演的需求,而部分像核应急等应用场景需要对未来场信息进行把控,并且从全局捕捉变化规律,同时要有高效的性能以支持应急决策,这些方法在应对此类任务时均存在不足,而本技术所提出的技术方案能够针对性地解决或改善这些缺点。
8、1)前瞻预测能力局限:现有核应急气象场与剂量场建模技术,多以实时监测数据为驱动,聚焦于对已形成的场态进行事后复现与重构,例如基于已发生时段的气压、湿度、风场等观测数据,通过物理运算还原历史时段的气象场与核素扩散剂量场分布。该类方法本质为历史状态的拟合还原,缺乏对未来时段气象场演化、核素扩散趋势的前瞻性预测能力,无法为核应急场景下的提前部署、防护措施前置安排提供支撑,难以满足核事故动态发展过程中的前瞻性决策需求。
9、2)全局协同能力缺乏:现有核应急气象场与剂量场建模技术,多采用分模块分尺度的局部化运算逻辑,例如针对特定区域、特定时段开展气象参数的独立求解,或仅关注核素扩散的单一物理过程,难以从全局时空维度挖掘气象场演化、核素输运与剂量场变化之间的内在关联规律,无法实现多要素尺度的全局协同建模,导致模型对复杂场景下的场变动机理刻画不足,难以支撑系统性、全局性的核应急风险研判。
10、3)高效求解能力较低:现有核应急气象场与剂量场建模技术,在面对复杂地形和非稳态气象等复杂场景时,需开展高分辨率数值模拟以及多物理过程精细化运算,例如中尺度气象降尺度模拟和大尺度欧拉网格全局求解等,这类运算对计算资源需求极高,运算周期长,难以在核事故发生后的黄金应急时段内快速输出精准结果,无法满足核应急场景下快速决策的时效要求,影响了应急处置的及时性与有效性。
技术实现思路
1、本发明提出的一种融合区域自注意力与修正convlstm的核扩散气象场预测方法、设备及存储介质,可至少解决背景技术中的技术问题之一。
2、为实现上述目的,本发明采用了以下技术方案:
3、一种融合区域自注意力与修正convlstm的核扩散气象场预测方法,包括以下步骤,
4、s1、采集目标区域多变量气象观测数据,构建带时间、经度、纬度三维时空属性的初始气象场数据集;
5、s2、对初始气象场数据集进行异常值剔除、缺失值插值与滤波去噪预处理,时序对齐后形成多通道时空数据矩阵,采用滑动窗口切分得到输入样本与对应未来时刻目标气象场输出样本,构建训练样本集;
6、s3、将输入样本输入区域自注意力模块,先通过平均池化将特征图划分为互不重叠区域并提取区域特征,对区域特征执行自注意力运算得到区域注意力特征,再经反池化还原为原始尺寸的空间权重矩阵,与输入样本逐元素加权得到空间特征增强数据;
7、s4、将空间特征增强数据输入修正 conv-lstm 模块,计算上一时刻预测帧与当前实际帧的差异帧,将差异帧作为补偿输入加入 conv-lstm 的输入门,完成细胞状态与隐藏状态更新,再基于差异帧与预输出的比值对输出进行定向修正,得到时序优化后的隐藏特征;
8、s5、将时序优化后的隐藏特征输入 1×1 卷积层,经通道融合与维度映射,输出未来时刻的核扩散气象场预测结果。
9、又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
10、再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
11、由上述技术方案可知,本发明的融合区域自注意力与修正convlstm的核扩散气象场预测方法,涉及核应急气象场预测技术领域。本发明针对现有技术前瞻预测能力不足、全局关联性弱、计算效率低的问题,采用数据驱动的深度学习架构实现气象场快速精准预测。方法包括:采集多源气象变量构建时空数据集;经数据清洗、插值、滤波与滑动窗口切分生成时序样本;通过区域自注意力对空间特征区域池化、注意力计算与反池化加权,提升关键区域特征响应;利用修正 conv-lstm 引入预测差异反馈机制,在输入门补偿差异帧并对输出定向修正,强化时序演化规律学习;最后经 1×1 卷积输出未来气象场预测结果。本发明兼具全局空间关联与时序预测能力,计算效率高、预测精度好,能够满足核事故应急场景下快速、前瞻性的气象场推演需求,适用于核素扩散风险评估与应急决策支撑。
12、与现有技术相比,本发明所提出的融合区域自注意力与修正conv-lstm的核扩散气象场预测模型具有以下显著优点和效果:
13、1)适应预测任务需求,具有前瞻性
14、本发明方法通过构建基于长度为的滑动窗口时序样本构建机制,将模型训练目标从传统气象预测中对当前时刻气象场的复现式拟合转向对未来时刻气象场的趋势性推演。在样本构建阶段,输入样本为个连续时间步的多变量气候数据,输出样本为输入窗口后一时间步的目标气象场,这种时间偏移的样本划分方式迫使模型在训练过程中学习多变量在时间维度上的演变规律,而非仅依赖当前时刻的静态特征进行预测。同时,修正conv-lstm中的差异反馈机制强化了对未来趋势的捕捉能力,通过计算上一时间步预测帧与当前实际帧的差异,将差异帧作为输入门的补偿输入,并基于差异帧与实际帧的比值对预输出进行定向修复,使模型能够动态调整对未来变化的预测方向,从而更精准地预测气象场的未来演变趋势,具有更强的前瞻性应用价值。
15、2)从全局把握变化规律,有更强关联性
16、本发明方法通过区域自注意力机制与修正conv-lstm的协同作用,实现了空间维度与时序维度的全局关联性建模。在空间维度上,区域自注意力机制首先将输入数据划分为多个空间区域,通过平均池化提取区域代表性特征,再计算区域间的注意力权重,最后通过反池化将权重映射至原始空间尺寸,实现了对全局空间特征的加权融合。这种机制不同于传统卷积操作的局部感受野,能够捕捉远距离空间区域间的关联,避免了局部特征提取导致的空间关联性缺失。在时序维度上,conv-lstm通过卷积操作替代全连接操作,保留了数据在空间维度上的结构信息,同时通过细胞状态和隐藏状态的传递,学习多变量在时间维度上的动态演变规律,修正模块将时序差异反馈融入conv-lstm的门控机制,使模型在学习时序规律时能够结合预测误差进行动态调整,强化了时序关联性。这种空间与时序维度的联合建模,使得预测结果能够兼顾各变量间的物理关联和时空演变规律,避免了传统方法中因维度拆分导致的关联性损失,最终输出的气象场在空间分布上更平滑、在时序演变上更合理。
17、3)更高效的性能
18、本发明方法通过端到端的神经网络架构替代传统气象预测中的物理公式运算,显著提升了预测效率。传统核扩散气象场预测通常依赖数值天气预报模型,需通过求解复杂的流体力学方程和热力学方程实现预测,计算过程中需进行大量的迭代运算和网格划分,计算开销大且响应速度慢,难以满足实时预测需求。而本发明方法通过预处理后的多变量数据直接驱动神经网络进行预测,区域自注意力机制实现空间特征加权,修正conv-lstm实现时序规律学习,整个预测过程仅涉及矩阵乘法、卷积运算等基础数学操作,无需进行复杂的物理方程求解。此外,模型在训练阶段已完成对多变量依赖关系的挖掘,推理阶段仅需输入实时采集的多变量数据即可快速输出预测结果。这种基于数据驱动的预测方式,在保证预测精度的同时,大幅降低了计算资源消耗,适用于需快速响应的核应急场景,具有更高的工程应用价值。
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