一种基于先垂直后跨变量双轴顺序注意力残差校正的ERA5再分析垂直廓线订正方法与流程

本发明涉及气象资料处理，具体涉及一种利用探空观测对era5再分析资料的垂直廓线进行订正的方法及系统。

背景技术：

1、本部分的陈述仅提供与本发明相关的背景信息，不必然构成现有技术。

2、era5再分析资料是欧洲中期天气预报中心通过数值模式对历史大气状态重新计算得到的格点资料，其在气温、气压、湿度等要素的垂直分布上与探空实测值之间存在系统性偏差，因此需要以探空观测为参照对其进行订正。

3、现有的偏差订正方法主要包括分位数映射、模式输出统计、变分方法等。这类方法受限于线性或平稳性假设，难以捕获复杂的垂直协方差结构，且在不同气象状态下泛化能力较差；同时，以探空数据为监督、对era5垂直廓线中多个气象变量进行联合订正的深度学习方案此前研究不足。

4、专利文献cn109447260b公开了一种基于深度学习的局地数值天气预报产品订正方法，其技术路线为：根据历史数值天气预报产品和对应的历史站点观测数据构建训练数据集，对深度学习网络模型进行训练得到订正模型，再将实时预报场数据输入该训练完成的订正模型，输出订正结果。该方案给出了历史资料构建训练集、网络训练、输出订正结果的整体路线，但未涉及探空观测与再分析资料之间的几何高度换算、时空匹配与统一网格插值，也未针对多个气象变量在垂直层间及变量间的复杂依赖关系给出网络结构设计。

5、专利文献cn110110482b公开了一种探空特性层温度偏差订正及效果检验算法，其步骤包括收集整理探空温度廓线、将偏差订正量由时间序列做成空间廓线、采用插值算法叠加订正量、并与再分析资料进行时间与空间一致性检验。该方案涉及探空资料与再分析资料的插值、比对流程，但其订正量的空间廓线由已有偏差的时间序列转换而来，未采用深度学习网络对多变量垂直廓线进行联合学习订正。

6、专利文献cn111239856b公开了一种探空温度辐射误差订正量计算方法，包括对不同型号探空仪偏差特征进行分析、借助模式背景场资料及已知质量较好的探空仪求算辐射订正量、对再分析资料系统误差进行检验等步骤，属于对探空原始观测与背景场之差叠加订正量的加法式订正框架。该方案针对温度这一单一变量的辐射误差进行订正，未涉及多变量垂直廓线的联合网络学习订正。

7、综上，现有的偏差订正方法或依赖线性、平稳性假设，难以刻画温度、气压、比湿等多个变量在垂直层间及变量间的复杂依赖关系，或虽已提出探空与再分析资料的插值配准、加法式订正等处理流程，但均未见以探空观测为监督、联合校正era5垂直廓线中多个气象变量的双轴顺序注意力网络方案。

技术实现思路

1、要解决的技术问题

2、针对现有偏差订正方法难以捕获era5垂直廓线中温度、气压、比湿等多个变量在垂直层间及变量间复杂依赖关系、且在不同气象状态下泛化能力不足的问题，同时鉴于此前以探空观测为监督对era5垂直廓线进行多变量联合订正的深度学习方案研究不足，本发明提出一种基于先垂直后跨变量双轴顺序注意力残差校正的era5再分析垂直廓线订正方法及系统。

3、技术方案

4、第一方面，本发明提供一种基于先垂直后跨变量双轴顺序注意力残差校正的era5再分析垂直廓线订正方法，包括如下步骤：步骤一，数据配置：利用虚温并结合ecmwf半层系数，将era5再分析资料的多层混合sigma-气压层积分换算为离地几何高度；将era5格点数据双线性插值至目标探空站坐标、并与探空施放时刻进行时间匹配后，将换算得到的era5几何高度廓线与探空几何高度廓线共同线性插值至统一的高度网格，得到覆盖预设高度范围、按预设间隔划分为h个高度层的输入廓线x，每一高度层含f个变量，所述f个变量至少包括温度t、气压p、比湿q，以及由基础观测量派生的虚温tv；步骤二，特征嵌入：对输入廓线x的每一变量分别采用该变量专用的、互不共享权重的线性投影层进行独立投影，叠加编码变量物理属性的可学习变量类型嵌入，以及按高度层位置施加的正弦位置编码，得到初始表示；步骤三，双轴顺序注意力编码：将所述初始表示输入由l个堆叠的双轴顺序注意力模块构成的编码器，每一双轴顺序注意力模块内，先对每一变量沿h个高度层执行多头自注意力得到垂直自注意力表示，再对每一高度层沿f个变量对所述垂直自注意力表示执行多头自注意力得到跨变量自注意力表示，所述先垂直后跨变量的固定顺序在每一双轴顺序注意力模块内重复执行，每一自注意力输出后各自接残差相加与层归一化，每一模块内在完成先垂直后跨变量两次自注意力之后接一个逐位置前馈网络，该前馈网络的输出经残差相加与层归一化后作为该模块的输出；其中，步骤一得到的高度层数h与变量数f分别决定步骤三中垂直自注意力与跨变量自注意力的输入维度，步骤一为步骤三的双轴顺序注意力提供可执行的统一网格前提；步骤四，输出投影：对编码器输出的每一变量表示，分别采用该变量专用的多层感知机，映射为该变量在每一高度层上的标量残差校正量δ；步骤五，残差叠加：设置与变量数f等长的逐变量可学习权重w，按ŷ=x+δ⊙w的方式将残差校正量δ与权重w逐元素相乘后叠加回输入廓线x，得到订正后廓线ŷ，所述w在训练过程中随网络其余参数经反向传播联合更新。

5、作为一种可选的实施方式，所述统一的高度网格覆盖0-20km、按100m间隔划分，所述高度层数h为201，所述f个变量为8个，包括温度t、气压p、比湿q、露点温度td、温度露点差t-td、虚温tv、纬向风u及经向风v。

6、作为一种可选的实施方式，所述双轴顺序注意力模块的堆叠数l为6，所述逐位置前馈网络的内部维度d_ff为1024，且每一前馈网络采用gelu激活函数。

7、作为一种可选的实施方式，步骤五中，所述残差校正量δ在与输入廓线x叠加之前，先按训练集统计的对应变量标准差σ_i进行反归一化处理，得到与输入廓线x同一物理尺度的δ，再执行ŷ=x+δ⊙w，所述反归一化处理位于步骤四与步骤五之间。

8、作为一种可选的实施方式，所述反归一化处理按δ_i=σ_i·δ_i^norm计算，其中δ_i^norm为网络在归一化空间输出的第i个变量的残差校正量，σ_i为训练集上第i个变量的统计标准差。

9、作为一种可选的实施方式，所述逐变量可学习权重w初始化为与变量数f等长的全1向量，在训练过程中经反向传播针对每一变量各自更新，且不设显式取值区间约束。

10、作为一种可选的实施方式，训练所述编码器与多层感知机所用的损失函数为批次、高度层、变量三重求和的均方误差；采用adamw优化器，初始学习率为1×10-³、权重衰减为1×10-²，配合100轮余弦退火调度、批量大小16、网络丢弃率0.1；全部输入变量在送入网络前按训练集统计量归一化为零均值单位方差。

11、第二方面，本发明还提供一种基于先垂直后跨变量双轴顺序注意力残差校正的era5再分析垂直廓线订正系统，包括：数据配置模块，用于利用虚温并结合ecmwf半层系数将era5再分析资料换算为几何高度、将era5格点数据双线性插值并按探空施放时刻时间匹配后与探空几何高度廓线共同插值至统一高度网格，输出覆盖h个高度层、每层含f个变量的输入廓线x，并将h、f输出至特征嵌入模块与双轴顺序注意力编码模块作为其输入维度配置；特征嵌入模块，与所述数据配置模块连接，接收输入廓线x，对每一变量分别采用该变量专用的独立线性投影层进行投影，叠加可学习变量类型嵌入与按高度层位置施加的正弦位置编码，输出初始表示至双轴顺序注意力编码模块；双轴顺序注意力编码模块，与所述特征嵌入模块连接，接收初始表示，其输入维度由所述数据配置模块输出的h、f配置，包含l个堆叠的双轴顺序注意力单元，每一双轴顺序注意力单元先对每一变量沿h个高度层执行多头自注意力，再对每一高度层沿f个变量执行多头自注意力，每一自注意力输出后各自接残差相加与层归一化，每一单元内在两次自注意力之后接一个逐位置前馈网络，该前馈网络的输出经残差相加与层归一化后作为该单元的输出，输出编码表示至输出投影模块；输出投影模块，与所述双轴顺序注意力编码模块连接，对每一变量采用该变量专用的多层感知机将编码表示映射为该变量在每一高度层上的标量残差校正量δ，并将δ输出至残差叠加模块；残差叠加模块，与所述输出投影模块及所述数据配置模块连接，存储与变量数f等长的逐变量可学习权重w，按ŷ=x+δ⊙w将残差校正量δ与权重w逐元素相乘后叠加回所述数据配置模块输出的输入廓线x，输出订正后廓线ŷ，且所述w由训练阶段的反向传播反馈更新。

12、有益效果

13、由于双轴顺序注意力先沿高度层、后沿变量维度分别建模，网络能够分别捕捉同一变量在不同高度层之间如何变化、以及同一高度层内不同变量之间如何关联这两类结构，相较于假设线性或平稳的传统订正方法，能更充分地刻画垂直廓线的复杂依赖关系；由于逐变量可学习权重w可根据训练数据学出每个变量各自适当的订正力度，避免了对所有变量施加统一强度订正带来的欠订正或过订正问题；由于反归一化处理使残差校正量与输入廓线处于同一物理尺度，订正结果的物理单位可追溯、可复算。