一种双策略增强局部感知的降水订正方法及系统

本技术属于人工智能，具体涉及深度学习、数值模式降水订正等，更具体地，涉及一种双策略增强局部感知的降水订正方法及系统。

背景技术：

1、降水预报对防灾减灾、水资源调度及农业生产具有重要作用。随着数值模式的发展，多模式集合预报降水产品日益丰富，为降水预报提供了重要数据基础。然而，受模式初始场误差及参数化方案不确定性等因素影响，数值模式降水产品存在系统性偏差，发展有效的降水订正方法具有重要意义。

2、现有降水订正方法主要包括统计后处理和机器学习两类。统计后处理方法通过建立预报与观测间的统计映射关系进行偏差修正，如分位数映射、频率匹配等；机器学习方法利用历史数据训练非线性映射模型，实现预报变量到订正降水的端到端建模。上述方法通常将研究区域作为整体统一建模，以多模式预报降水及辅助变量为输入，输出订正后的降水结果。

3、然而，日尺度降水在空间分布上存在显著异质性，在时间序列上呈现非连续性，且无雨日占比较高。现有统一建模方法难以区分不同区域的降水差异，且对降水发生与否的辨识精度不足，导致订正结果在空间分布和强度预报上存在较大偏差。

技术实现思路

1、针对现有技术的缺陷，本技术的目的在于提供一种双策略增强局部感知的降水订正方法及系统，旨在解决现有统一建模方法难以刻画降水空间异质性和时间非连续性，导致降水落区与强度预报精度不足的问题。

2、本技术的第一方面涉及一种双策略增强局部感知的降水订正方法，所述方法包括：获取待订正的研究区域的多模式预报降水数据及辅助变量数据；基于预先建立的空间聚类划分模型，确定所述研究区域内各网格所属的降水子区域，所述空间聚类划分模型是利用历史基准降水数据及历史辅助变量数据提取特征聚类生成的；对所述多模式预报降水数据及所述辅助变量数据进行分类映射，逐网格辨别降水发生状态，所述降水发生状态包括有雨状态和无雨状态；对于处于所述无雨状态的网格，直接输出零值结果；对于处于所述有雨状态的网格，根据其所属的降水子区域对应的降水定量订正模型，对基于所述多模式预报降水数据及所述辅助变量数据生成的注意力得分矩阵执行局部噪声抑制处理，并沿着时序的正反向进行状态传递与特征重构，计算得到定量订正结果；基于所述零值结果和所述定量订正结果进行网格整合，重构并输出目标预报降水数据。

3、本技术通过空间聚类划分模型先确定各网格所属降水子区域，再通过分类映射区分有雨状态和无雨状态，并对不同状态采用差异化输出策略，使降水订正过程同时适配空间异质性和降水非连续性。由此，能够避免对无雨样本进行不必要的强度回归，并减少区域整体建模对局地降水结构的平滑影响，从而提高降水发生状态辨别和目标预报降水数据的整体订正精度。

4、进一步地，本技术针对有雨网格引入局部降水噪声抑制、时序正反向状态传递和特征重构，使模型不仅能够削弱多源气象变量及注意力分布中的局部噪声，还能够提取降水过程在时间维度上的双向演变关系，有利于提升局地强降水、边缘降水和复杂天气过程下的定量订正稳定性。

5、在一些实施方式中，所述根据其所属的降水子区域对应的降水定量订正模型，对基于所述多模式预报降水数据及所述辅助变量数据生成的注意力得分矩阵执行局部噪声抑制处理，并沿着时序的正反向进行状态传递与特征重构，计算得到定量订正结果，包括：将所述多模式预报降水数据及所述辅助变量数据整合为输入序列；利用所述降水定量订正模型的编码器，通过自注意力机制提取所述输入序列的空间交互特征，并基于所述空间交互特征计算得到局部平滑特征，将所述空间交互特征与所述局部平滑特征进行自适应加权融合，以在保留降水空间分布梯度的同时执行所述局部降水噪声抑制处理，输出编码特征；利用所述降水定量订正模型的解码器，通过双向长短期记忆神经网络提取所述编码特征在时间维度上的双向演变特征，并将提取得到的特征与所述编码特征进行多头交叉注意力融合，通过残差运算与维度映射实现所述特征重构，计算得到所述定量订正结果。

6、本方案通过编码器提取空间交互特征并进行局部平滑特征融合，使模型能够在保留降水空间梯度和边缘突变信息的同时抑制局部噪声；通过解码器中的双向长短期记忆神经网络和残差重构机制，增强对降水时序演变过程的表达能力，从而提高有雨样本的降水强度订正精度。

7、在一些实施方式中，所述利用所述降水定量订正模型的编码器，通过自注意力机制提取所述输入序列的空间交互特征，并基于所述空间交互特征计算得到局部平滑特征，将所述空间交互特征与所述局部平滑特征进行自适应加权融合，以在保留降水空间分布梯度的同时执行所述局部降水噪声抑制处理，输出编码特征，包括：通过所述自注意力机制将所述输入序列映射为查询矩阵、键矩阵和值矩阵，并根据所述查询矩阵和所述键矩阵计算未缩放的注意力得分矩阵作为所述空间交互特征；对于所述未缩放的注意力得分矩阵中的每个目标位置元素，在以该目标位置元素为中心的局部滤波窗口内提取邻域元素，并以所述邻域元素的中值替代所述目标位置元素的值，得到滤波后的注意力得分矩阵作为所述局部平滑特征；获取所述自注意力机制中对应的可学习门控参数，利用所述可学习门控参数对所述未缩放的注意力得分矩阵和所述滤波后的注意力得分矩阵进行所述自适应加权融合，得到优化后的注意力得分矩阵；对所述优化后的注意力得分矩阵进行尺度缩放和归一化处理得到注意力权重矩阵，将所述注意力权重矩阵与所述值矩阵相乘并进行维度映射，得到所述编码特征。

8、本方案通过对未缩放注意力得分矩阵进行邻域中值替代，降低离群注意力响应和气象噪声对空间交互建模的干扰；同时通过可学习门控参数自适应融合原始得分与滤波得分，使平滑处理不至于削弱关键局地突变，从而兼顾噪声抑制和降水边界特征保留。

9、在一些实施方式中，所述利用所述降水定量订正模型的解码器，通过双向长短期记忆神经网络提取所述编码特征在时间维度上的双向演变特征，并将提取得到的特征与所述编码特征进行多头交叉注意力融合，通过残差运算与维度映射实现所述特征重构，计算得到所述定量订正结果，包括：将所述编码特征作为解码输入特征输入所述双向长短期记忆神经网络中，分别计算时序正向的隐藏状态和时序反向的隐藏状态，并将所述时序正向的隐藏状态和所述时序反向的隐藏状态沿特征维度进行拼接，得到表征所述双向演变特征的双向时序特征；将所述解码输入特征与所述双向时序特征在特征维度上进行拼接，对拼接得到的特征依次进行线性映射和非线性激活，得到局部增强特征；将所述局部增强特征与所述解码输入特征进行对应元素相加的所述残差运算，并进行层归一化处理，得到融合序列特征；以所述融合序列特征作为查询特征，以所述编码器输出的编码特征作为键特征和值特征进行多头交叉注意力运算，并对所述多头交叉注意力运算的输出进行前馈网络变换，得到解码输出特征；将所述解码输出特征输入全连接层进行所述维度映射，以完成所述特征重构，计算得到所述定量订正结果。

10、本方案通过双向长短期记忆神经网络同时提取正向和反向时序依赖，使定量订正模型能够利用降水过程前后时段的演变信息；通过特征拼接、线性映射和残差运算，在保留解码输入特征的同时融合双向时序特征，并利用多头交叉注意力机制实现融合序列特征与编码特征的交互融合，能够缓解深层序列建模中的信息衰减，提高特征重构稳定性和降水强度输出精度。

11、在一些实施方式中，所述空间聚类划分模型的建立步骤包括：获取历史基准降水数据及历史辅助变量数据，并从中提取经纬度、归一化植被指数以及基准月降水统计特征作为目标聚类样本；计算各个所述目标聚类样本对预设聚类中心的隶属度，并得到更新后的目标聚类中心；根据所述隶属度和所述目标聚类中心分别计算得到初始均值、初始协方差和初始混合权重，以构建初始高斯混合模型；基于期望最大算法迭代更新所述初始高斯混合模型中的高斯分量权重及高斯分量参数直至收敛，得到所述空间聚类划分模型。

12、本方案通过将经纬度、植被指数和基准月降水统计特征作为聚类样本，使降水子区域划分同时反映地理位置、下垫面条件和气候降水差异；通过隶属度初始化高斯混合模型并迭代收敛，能够提高聚类初始参数合理性和区域划分稳定性，为后续分区订正提供空间一致的建模基础。

13、在一些实施方式中，所述计算各个所述目标聚类样本对预设聚类中心的隶属度，包括：在预设的候选分区数量范围内，针对每个候选分区数量分别执行聚类运算，并计算多项聚类评价指标；根据各所述聚类评价指标的指标信息量变异性和指标冲突性，计算各所述聚类评价指标对应的客观权重；利用所述客观权重对各所述聚类评价指标进行加权求和，得到对应各个所述候选分区数量的混合评价指数；选取所述混合评价指数达到最大值时对应的所述候选分区数量作为目标分区数目，并基于所述目标分区数目设定所述预设聚类中心的数量，以计算得到所述隶属度。

14、本方案通过对候选分区数量进行多指标评价，并依据指标信息量变异性和冲突性确定客观权重，减少人工经验设定分区数导致的不确定性；通过混合评价指数选择目标分区数目，能够在区域细分程度和聚类质量之间取得平衡，提高降水子区域划分的自适应性。

15、在一些实施方式中，在基于所述多模式预报降水数据及所述辅助变量数据生成的注意力得分矩阵执行局部噪声抑制处理之前，还包括：计算所述多模式预报降水数据及所述辅助变量数据中各初始特征变量的变量重要性；计算各所述初始特征变量两两之间的最大互信息值，当任意两个所述初始特征变量之间的所述最大互信息值大于或者等于预设互信息阈值时，剔除两者中对应所述变量重要性较低的特征变量，得到保留的特征变量；按照所述变量重要性由大到小的顺序，从所述保留的特征变量中选取累积贡献度达到预设比例的目标特征组合，以基于所述目标特征组合执行所述局部降水噪声抑制处理。

16、本方案通过变量重要性与最大互信息值联合筛选特征变量，能够保留对降水订正贡献较高的关键气象因子，并剔除高度冗余且贡献较低的变量；通过累积贡献度确定目标特征组合，可降低输入维度和共线性干扰，提高后续局部噪声抑制和定量订正模型的训练效率与泛化能力。

17、在一些实施方式中，所述对所述多模式预报降水数据及所述辅助变量数据进行分类映射，逐网格辨别降水发生状态，包括：获取历史基准降水数据，当所述历史基准降水数据大于或等于预设降水阈值时标记为有雨状态标签，当所述历史基准降水数据小于所述预设降水阈值时标记为无雨状态标签；利用包含所述有雨状态标签和所述无雨状态标签的训练集，预先训练得到降水状态分类模型；将所述多模式预报降水数据及所述辅助变量数据输入所述降水状态分类模型，输出网格分类概率，以逐网格辨别得到所述有雨状态或所述无雨状态。

18、本方案通过历史基准降水数据构建有雨状态标签和无雨状态标签，并训练降水状态分类模型，使订正流程能够先辨别降水是否发生，再决定是否进行定量强度订正；由此可减少无雨样本参与回归造成的零值偏置，提高近零降水场景下的状态识别能力和整合输出可靠性。

19、在一些实施方式中，所述获取待订正的研究区域的多模式预报降水数据及辅助变量数据，包括：获取包含多个气象中心预报结果的集合预报降水数据，作为所述多模式预报降水数据；获取所述研究区域的数字高程模型数据、归一化植被指数数据以及气象变量数据作为所述辅助变量数据，其中，所述气象变量数据包括表面气压、近地面温度、近地面露点温度以及指定气压层上的比湿、温度和风分量。

20、本方案通过引入多个气象中心的集合预报降水数据，可综合不同数值模式对降水过程的预报信息；通过结合数字高程模型、归一化植被指数和多层气象变量，使模型能够利用地形、下垫面、水汽、热力和动力条件共同表征降水形成环境，从而提高降水订正输入信息的完整性。

21、本技术的第二方面涉及一种双策略增强局部感知的降水订正系统，所述系统包括：数据获取单元，用于获取待订正的研究区域的多模式预报降水数据及辅助变量数据；子区域确定单元，用于基于预先建立的空间聚类划分模型，确定所述研究区域内各网格所属的降水子区域，所述空间聚类划分模型是利用历史基准降水数据及历史辅助变量数据提取特征聚类生成的；状态辨别单元，用于对所述多模式预报降水数据及所述辅助变量数据进行分类映射，逐网格辨别降水发生状态，所述降水发生状态包括有雨状态和无雨状态；定量订正单元，用于对于处于所述无雨状态的网格，直接输出零值结果；对于处于所述有雨状态的网格，根据其所属的降水子区域对应的降水定量订正模型，对基于所述多模式预报降水数据及所述辅助变量数据生成的注意力得分矩阵执行局部噪声抑制处理，并沿着时序的正反向进行状态传递与特征重构，计算得到定量订正结果；数据输出单元，用于基于所述零值结果和所述定量订正结果进行网格整合，重构并输出目标预报降水数据。

22、第三方面，本技术提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

23、第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

24、第五方面，本技术提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。

25、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

26、总体而言，通过本技术所构思的以上技术方案与现有技术相比，具有以下有益效果：

27、（1）通过利用历史基准降水数据及历史辅助变量数据建立空间聚类划分模型，将研究区域划分为具有降水特征一致性的降水子区域，并针对不同子区域调用对应的降水定量订正模型，能够降低区域整体建模造成的空间平滑误差，提高局地降水结构和强降水特征的表达能力。

28、（2）通过分类映射逐网格辨别有雨状态和无雨状态，对无雨状态直接输出零值结果，对有雨状态执行定量订正，使模型训练与推理过程能够区分降水发生状态和降水强度订正任务，减少频繁零值对回归学习的干扰，提高无雨、近无雨及有雨边界场景下的结果可靠性。

29、（3）通过局部降水噪声抑制、空间交互特征与局部平滑特征自适应融合、双向时序状态传递以及残差特征重构，增强模型对多源气象变量、局地降水突变和时序演变关系的综合建模能力，从而提高目标预报降水数据在连续性指标和不同降水强度等级下的订正性能。