一种融合地形特征的气候数据深度学习降尺度方法

本发明涉及气候数据降尺度，尤其涉及一种融合地形特征的气候数据深度学习降尺度方法。

背景技术：

1、气候数据集是开展干旱演变规律研究与风险评估的重要基础工具，其构建过程通常依托全球气候模型输出的长期网格化气候信息。其中，第六次耦合模式比较计划（cmip6）所提供的多模型、多情景模拟数据，能够有效反映不同排放情景下降水、温度以及潜在蒸散发等关键变量的长期变化趋势。已有研究预测，到21世纪中期，全球变暖态势将进一步加剧气候变化风险，这对区域水资源管理和农业干旱应对提出了更高要求。在此背景下，发展高精度的气候数据集，对于支撑气候变化适应策略制定具有重要的科学价值和现实意义。

2、当前主流数据集的构建流程通常分为两步：首先采用分位数映射等偏差校正方法，消除全球气候模型输出数据与实测观测数据之间的系统偏差；随后通过统计降尺度技术将数据空间分辨率提升至约0.1°甚至更高，以满足区域尺度研究对精细空间信息的需求。然而，这类降尺度方法大多建立在变量间线性关系以及气候关系时空稳定性的假设之上，在处理降水和潜在蒸散发等具有高度非线性特征的变量时，往往难以保持高程变化对变量间时空协同变化关系的完整刻画，从而降低了数据在气候变化评估中的可靠性。

3、深度降尺度技术为提高气候模式模拟数据空间分辨率提供了解决途径。该方法通过直接学习高、低分辨率气候场之间的非线性映射，实现端到端的超分辨率重建。相较于传统统计降尺度方法，深度学习在气温、降水等要素的降尺度中表现更优，可显著提升关键特征提取能力与非线性表达效率，在生成高分辨率气候数据集方面展现出独特优势。

4、鉴于此，有必要开发一种融合地形特征的气候数据深度学习降尺度方法，使其在生成高分辨率气候数据集的过程中展现出优于传统方法的综合性能，切实解决现有气候数据降尺度能力不足的问题。

技术实现思路

1、为解决上述技术问题，本发明提供了一种融合地形特征的气候数据深度学习降尺度方法。

2、第一方面，本发明提供一种融合地形特征的气候数据深度学习降尺度方法，该方法的技术方案如下：

3、获取全球气候模型输出的覆盖历史期和未来期的日尺度气温数据、降水数据和潜在蒸散发数据，将所述气温数据、所述降水数据和所述潜在蒸散发数据重采样至第一分辨率；获取第二分辨率的观测数据作为高分辨率训练标签，并获取数字高程模型数据并重采样至所述第二分辨率；所述第二分辨率高于所述第一分辨率；

4、将所述高分辨率训练标签聚合至所述第一分辨率，得到历史期参考真值；采用分位数映射法，对所述第一分辨率上的所述全球气候模型的模拟值进行偏差校正，使校正后模拟值的累积分布函数与所述高分辨率训练标签在历史期的累积分布函数一致；

5、基于u-net架构，在编码器各层跳跃连接处嵌入压缩-激励通道注意力模块，并在卷积块中增设残差连接，构建降尺度网络；将偏差校正后的降水和潜在蒸散发场与上采样至所述第二分辨率的所述数字高程模型数据进行拼接，形成所述降尺度网络的输入数据；将所述第一分辨率输入映射至所述第二分辨率输出，采用均方误差损失函数，在历史期数据上进行逐网格回归训练；

6、设置多种基础网络结构，将所述输入数据分别输入至各基础网络结构，形成多组候选方案；在历史期数据上采用交叉验证，利用至少一个预设评估指标对各组候选方案进行评估，根据评估结果选定最优方案；

7、将所述最优方案对应的训练完成的降尺度网络，应用于多种共享社会经济路径排放情景下的未来期全球气候模型日尺度数据，逐月进行降尺度推理，生成所述第二分辨率的高分辨率逐月降水和潜在蒸散发数据；

8、将所述高分辨率逐月降水和潜在蒸散发数据与现有多套高分辨率气候数据集，在所述多种排放情景下的重叠时段内进行趋势一致性和差异性对比，验证所述高分辨率逐月降水和潜在蒸散发数据的可靠性。

9、本发明的一种融合地形特征的气候数据深度学习降尺度方法的有益效果如下：

10、本发明的方法通过在全球气候模型日尺度数据经偏差校正的基础上，构建融合数字高程模型地形信息的u-net深度学习降尺度网络，并在编码器跳跃连接处嵌入压缩-激励通道注意力模块以及卷积块残差连接，结合多基础网络结构在历史期数据上开展交叉验证以优选方案，将最优模型应用于多种共享社会经济路径排放情景下的未来期数据逐月降尺度推理，解决了传统方法依赖变量线性关系与时空稳定性假设、难以保持高程变化对降水和潜在蒸散发时空协同变化关系完整刻画的问题，提高了高分辨率气候数据集空间精度与可靠性以及数据在气候变化评估中的适用性。

11、在上述方案的基础上，本发明的一种融合地形特征的气候数据深度学习降尺度方法还可以做如下改进。

12、在一种可选的方式中，所述数字高程模型数据包括海拔高度、坡度和坡向三个地形特征因子，将所述三个地形特征因子分别作为独立通道与偏差校正后的降水和潜在蒸散发场进行通道维度拼接，形成所述降尺度网络的所述输入数据。

13、采用上述可选方式的有益效果为：进一步将海拔高度、坡度和坡向作为独立通道与偏差校正后的降水和潜在蒸散发场进行拼接，使降尺度网络在学习过程中充分融入多维度地形信息，增强对复杂地形区气候要素空间异质性分布的刻画能力。

14、在一种可选的方式中，所述降尺度网络的编码器包括四个下采样块，每个下采样块依次包含卷积层、批量归一化层、激活函数层和最大池化层，所述降尺度网络的解码器包括四个上采样块，每个上采样块依次包含转置卷积层、批量归一化层、激活函数层和卷积层，所述编码器的各层通过跳跃连接将特征图传递至所述解码器的对应层，所述压缩-激励通道注意力模块嵌入于各跳跃连接处。

15、采用上述可选方式的有益效果为：进一步在编码器各层跳跃连接处嵌入压缩-激励通道注意力模块，使网络在特征传递过程中自适应地调整不同通道的重要性权重，强化对降水和潜在蒸散发关键空间特征的关注，提升多尺度特征融合质量与解码器重建高分辨率气候场的细节保留能力。

16、在一种可选的方式中，所述压缩-激励通道注意力模块的运算步骤，包括：

17、对输入特征图进行全局平均池化，生成通道维度的全局描述向量，所述全局平均池化运算表示为：

18、

19、其中，为所述输入特征图的第个通道，为特征图宽度，为特征图高度，为第个通道的全局描述向量；

20、将所述全局描述向量输入两个全连接层进行激励操作，生成通道权重向量，所述激励操作表示为：

21、

22、其中，和分别为所述两个全连接层的权重参数，表示relu激活函数，表示sigmoid激活函数，为第个通道的权重向量；

23、将所述通道权重向量与所述输入特征图逐通道相乘，得到加权后的特征图，所述逐通道相乘运算表示为：

24、

25、其中，为所述输入特征图的第个通道，为第个通道的权重向量，为加权后的特征图。

26、采用上述可选方式的有益效果为：进一步通过全局平均池化提取通道统计特征，并结合两个全连接层生成自适应通道权重，实现对输入特征图各通道的差异化加权，使网络能够抑制冗余信息干扰并增强与降水和潜在蒸散发相关的特征响应，优化特征表达精度。

27、在一种可选的方式中，所述残差连接设置于所述编码器的各卷积块内部，所述卷积块包含两个卷积层，所述残差连接将所述卷积块的输入特征图与所述卷积块的输出特征图逐元素相加，形成残差学习路径。

28、采用上述可选方式的有益效果为：进一步在编码器各卷积块内部设置残差连接，将输入特征与经过两次卷积变换后的输出特征进行逐元素相加，构建残差学习路径，缓解深层网络训练过程中的梯度消失问题，促进网络收敛稳定性，提升降尺度网络对气候变量非线性映射关系的拟合能力。

29、在一种可选的方式中，所述多种基础网络结构包括不同深度的u-net变体、不同通道数量的u-net变体以及是否嵌入所述压缩-激励通道注意力模块和所述残差连接的u-net变体，所述至少一个预设评估指标包括相关系数、克林-古普塔效率系数、平均绝对误差和偏差，计算公式分别为：

30、

31、

32、

33、

34、其中，和分别为两组待比较数据的第个样本值，和分别为两组待比较数据的均值，为样本总数，为预测值的第个样本，为预测值的标准差，为观测值的标准差，为预测值的均值，为观测值的均值；

35、根据各候选方案在所述交叉验证中的各所述评估指标的加权综合得分选定所述最优方案。

36、采用上述可选方式的有益效果为：进一步设置多种基础网络结构形成候选方案，并采用相关系数、克林-古普塔效率系数、平均绝对误差及偏差等多指标交叉验证评估，依据加权综合得分优选模型配置，使降尺度方案在精度、偏差控制和稳定性方面达到更优平衡，提升最终结果的可靠性。

37、在一种可选的方式中，所述现有多套高分辨率气候数据集包括再分析降水数据集和再分析陆面数据集，将所述高分辨率逐月降水和潜在蒸散发数据与所述现有多套高分辨率气候数据集在所述重叠时段内进行趋势一致性和差异性对比，所述趋势一致性对比包括计算空间相关系数和趋势变化方向的一致性，所述差异性对比包括计算平均偏差和均方根误差。

38、采用上述可选方式的有益效果为：进一步将生成的高分辨率逐月降水和潜在蒸散发数据与再分析降水数据集和再分析陆面数据集进行趋势一致性和差异性对比，从空间相关系数、趋势变化方向、平均偏差及均方根误差多个维度验证输出数据，确保与现有成熟数据产品保持合理一致性，增强数据可信度。

39、第二方面，本发明提供一种融合地形特征的气候数据深度学习降尺度系统，该系统的技术方案如下：

40、获取模块，用于获取全球气候模型输出的覆盖历史期和未来期的日尺度气温数据、降水数据和潜在蒸散发数据，将所述气温数据、所述降水数据和所述潜在蒸散发数据重采样至第一分辨率；获取第二分辨率的观测数据作为高分辨率训练标签，并获取数字高程模型数据并重采样至所述第二分辨率；所述第二分辨率高于所述第一分辨率；

41、校正模块，用于将所述高分辨率训练标签聚合至所述第一分辨率，得到历史期参考真值；采用分位数映射法，对所述第一分辨率上的所述全球气候模型的模拟值进行偏差校正，使校正后模拟值的累积分布函数与所述高分辨率训练标签在历史期的累积分布函数一致；

42、构建模块，用于基于u-net架构，在编码器各层跳跃连接处嵌入压缩-激励通道注意力模块，并在卷积块中增设残差连接，构建降尺度网络；将偏差校正后的降水和潜在蒸散发场与上采样至所述第二分辨率的所述数字高程模型数据进行拼接，形成所述降尺度网络的输入数据；将所述第一分辨率输入映射至所述第二分辨率输出，采用均方误差损失函数，在历史期数据上进行逐网格回归训练；

43、评估模块，用于设置多种基础网络结构，将所述输入数据分别输入至各基础网络结构，形成多组候选方案；在历史期数据上采用交叉验证，利用至少一个预设评估指标对各组候选方案进行评估，根据评估结果选定最优方案；

44、生成模块，用于将所述最优方案对应的训练完成的降尺度网络，应用于多种共享社会经济路径排放情景下的未来期全球气候模型日尺度数据，逐月进行降尺度推理，生成所述第二分辨率的高分辨率逐月降水和潜在蒸散发数据；

45、验证模块，用于将所述高分辨率逐月降水和潜在蒸散发数据与现有多套高分辨率气候数据集，在所述多种排放情景下的重叠时段内进行趋势一致性和差异性对比，验证所述高分辨率逐月降水和潜在蒸散发数据的可靠性。

46、本发明的一种融合地形特征的气候数据深度学习降尺度系统的有益效果如下：

47、本发明的系统通过在全球气候模型日尺度数据经偏差校正的基础上，构建融合数字高程模型地形信息的u-net深度学习降尺度网络，并在编码器跳跃连接处嵌入压缩-激励通道注意力模块以及卷积块残差连接，结合多基础网络结构在历史期数据上开展交叉验证以优选方案，将最优模型应用于多种共享社会经济路径排放情景下的未来期数据逐月降尺度推理，解决了传统方法依赖变量线性关系与时空稳定性假设、难以保持高程变化对降水和潜在蒸散发时空协同变化关系完整刻画的问题，提高了高分辨率气候数据集空间精度与可靠性以及数据在气候变化评估中的适用性。

48、第三方面，本发明的一种电子设备的技术方案如下：

49、包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如本发明的融合地形特征的气候数据深度学习降尺度方法的步骤。

50、第四方面，本发明提供的一种计算机可读存储介质的技术方案如下：

51、计算机可读存储介质中存储有指令，当计算机可读存储介质读取所述指令时，使所述计算机可读存储介质执行如本发明的融合地形特征的气候数据深度学习降尺度方法的步骤。

52、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。