一种基于高塔观测的城区低空高垂直分辨率要素人工智能订正方法

本发明涉及深度学习，具体涉及一种基于高塔观测的城区低空高垂直分辨率要素人工智能订正方法。

背景技术：

1、当前获取低空垂直气象参数的主要途径：1、地面气象观测站与常规探空站：常规地面站仅提供单一高度（通常为10m或2m）的气象观测值，无法获取垂直方向上的梯度信息；常规探空站虽能提供垂直廓线，但每日仅释放两次，且最低有效高度通常在数百米以上，时间和空间分辨率均无法满足低空飞行保障的分钟级需求；

2、2、遥感探测手段：包括多普勒激光雷达（doppler lidar）、微波辐射计和风廓线雷达等。此类设备可获取近地层垂直廓线信息，但存在设备造价高昂、维护成本大、空间覆盖范围有限等问题。激光雷达在雨雾等低能见度天气下的数据质量显著下降，而风廓线雷达的最低探测高度通常不低于100m，对最关键的地面至100m层存在观测盲区。

3、3、数值天气预报模式及再分析资料：era5的水平分辨率约为 0.25°×0.25°（约3km），垂直方向上在低空的模式层间距亦较大（近地面层厚度通常在20-60m之间），对城市冠层以下精细垂直结构的刻画能力严重不足。更重要的是，era5等再分析资料基于全球同化系统生成，其使用的地表参数化方案和边界层参数化方案在处理城市复杂下垫面时存在系统性偏差。

4、4、气象观测塔：高层气象观测塔通常装备多层（如8层及以上）精密气象传感器，可提供从地面至塔顶连续、高时间分辨率（如10分钟甚至1分钟）的温度、气压、风速风向、湿度等垂直廓线数据，是获取真实近地层垂直气象结构最为可靠的手段。然而，观测塔本质上是单点观测设备，其所获取的高精度数据仅代表塔所在位置及极有限周边区域（百米量级）的气象状况，无法直接外推至更大空间范围。

5、综上，高精度观测数据（观测塔）的空间覆盖能力不足，与广覆盖再分析资料（era5等）在城区低空的垂直分辨率和精度不足之间存在根本性矛盾。如何充分融合两类数据源各自的优势，生成既有高垂直分辨率又能覆盖城区一定范围的低空气象参数场，成为亟待解决的技术难题。在深度学习领域，近年来涌现出的时空注意力机制、物理信息神经网络（physics-informed neural network, pinn）和多任务学习等技术为上述问题的解决提供了新思路。然而，现有研究大多停留在单变量后处理或简单的模式输出统计降尺度（mos）层面，尚未有针对城区低空多变量联合订正、多层垂直结构同步重构、并以观测塔为锚点向周边泛化的完整技术方案。

技术实现思路

1、发明目的：本发明的目的是提供一种基于高塔观测的城区低空高垂直分辨率要素人工智能订正方法，解决现有技术中再分析资料在城区低空垂直分辨率不足、系统偏差显著、极端气象参数捕获能力弱的技术问题，以及高塔观测数据空间覆盖有限的局限性。

2、技术方案：本发明所述的一种基于高塔观测的城区低空高垂直分辨率要素人工智能订正方法，包括以下步骤：

3、步骤1：获取气象观测塔在多个垂直层次上观测的气象要素数据、再分析资料格点数据、下垫面空间特征参数，并进行预处理；

4、步骤2：构建物理约束的多变量联合订正深度学习模型，包括垂直特征编码器、时间依赖建模器、时空交叉注意力融合模块、下垫面条件注入模块、多任务输出头和物理信息约束层；

5、步骤3：设计复合损失函数对模型进行训练，包括用于拟合观测真值的数据驱动损失项和用于约束输出变量间物理关系的物理约束损失项；

6、步骤4：将气象观测塔所在位置的点位订正能力泛化至预定城区范围；

7、步骤5：对逐格点推理结果进行空间一致性后处理和物理一致性后处理，生成覆盖预定城区范围、具有高垂直分辨率和高时间分辨率的多变量耦合一致的低空气象参数场。

8、进一步的，步骤1中，预处理具体如下：对气象要素数据进行质量控制；通过时空插值将再分析资料与气象要素数据在时间和空间上进行严格配对，得到再分析资料虚拟廓线；获取气象观测塔周边预定城区范围的下垫面空间特征参数，并构建为下垫面特征张量。

9、进一步的，步骤2中，垂直特征编码器用于提取输入数据在垂直维度上的局部梯度特征和远程耦合特征，包括一维卷积堆栈和垂直注意力模块；时间依赖建模器用于沿时间维度捕获多时间尺度的变化特征和时序依赖关系；时空交叉注意力融合模块用于实现垂直维度信息与时间维度信息的深层交互与自适应融合；下垫面条件注入模块用于将下垫面空间特征作为条件信息注入模型，以调制模型的特征表达；其中，一维卷积堆栈通过多层一维卷积层沿垂直维度依次提取相邻层次间的局部垂直梯度特征；垂直注意力模块在一维卷积堆栈的输出基础上，采用多头自注意力机制沿垂直维度计算各层次之间的关联权重，并引入可学习的垂直位置偏置矩阵以编码各层之间的相对高度信息，从而捕获非相邻垂直层次间的远程耦合关系。

10、进一步的，时间依赖建模器包括因果膨胀卷积层和时间自注意力模块；因果膨胀卷积层采用不同膨胀率的因果卷积沿时间维度提取多时间尺度的变化特征，并确保仅使用当前及过去时刻的信息以符合物理因果律；时间自注意力模块在因果膨胀卷积层的输出基础上，采用带因果掩码的多头自注意力机制沿时间维度计算各时步之间的依赖权重，并融合时间周期编码和大气稳定度参数等辅助时间特征，以增强模型对昼夜周期、季节变化和大气稳定度条件的感知能力；

11、时空交叉注意力融合模块将垂直特征编码器的输出和时间依赖建模器的输出分别展开为二维序列后，进行双向交叉注意力计算：以垂直特征为查询、时间特征为键和值计算得到时间增强的垂直表征，同时以时间特征为查询、垂直特征为键和值计算得到垂直增强的时间表征；然后通过门控机制对两组增强表征进行自适应加权融合；其中，门控机制通过可学习的门控权重矩阵动态控制两组特征在融合中的贡献比例。

12、进一步的，步骤2中，下垫面条件注入模块将下垫面特征向量通过全连接网络映射为条件向量，然后采用特征调制机制，将条件向量经由仿射变换生成缩放因子和偏移因子，利用缩放因子和偏移因子对时空交叉注意力融合模块的输出特征进行逐元素的缩放和偏移调整，从而根据目标格点与观测塔之间下垫面条件的差异自适应地调整订正策略和幅度，为从单点向区域的空间泛化提供关键能力。

13、进一步的，步骤2中，多任务输出头包括主任务头和辅助任务头；主任务头用于预测各垂直层次上多个气象变量的订正偏差，并通过残差连接将预测偏差与输入再分析资料相加得到最终订正值；辅助任务头包括风切变预测分支和极端风速概率预测分支，风切变预测分支用于直接预测相邻垂直层次间的垂直风切变值，极端风速概率预测分支用于预测各层风速超越预定阈值的概率；辅助任务头与主任务头形成多任务协同监督机制，强化模型对风场垂直梯度和极端事件分布特征的学习。

14、进一步的，步骤2中，物理信息约束层在模型推理阶段对多任务输出头的输出结果施加硬物理约束后处理，包括：静力学平衡约束校验，对订正后的温度和气压廓线进行联合微调使其满足静力学平衡关系；风切变一致性约束校验，对主任务头输出的风场所隐含的风切变值与辅助任务头直接预测的风切变值进行一致性比较和调整；变量物理范围约束校验，对各输出变量施加物理可行性截断，确保其在合理范围内。

15、进一步的，步骤3中，复合损失函数的数据驱动损失项包含主任务加权多变量订正损失、风切变预测损失和极端风速概率预测损失；主任务加权多变量订正损失采用极端值自适应加权损失函数，该损失函数根据观测值与均值的偏离程度自适应地调整样本权重，使得偏离程度越大的极端事件获得越高的损失权重，且对风速变量在大风条件下叠加额外的加权项，以增强模型对极端气象事件的学习和优化能力；其中，复合损失函数的物理约束损失项包含静力学平衡约束损失、热力学一致性约束损失和动量守恒近似约束损失；静力学平衡约束损失用于约束订正后的温度和气压廓线满足静力学方程；热力学一致性约束损失用于约束订正后的温度、湿度和气压满足热力学一致性关系；动量守恒近似约束损失用于约束订正后的风切变值不超出基于边界层理论确定的合理范围；在模型训练阶段，物理约束损失项作为软约束正则化项以加权方式加入总损失函数。

16、进一步的，在模型训练过程中，采用课程学习策略，在训练初期主要优化数据驱动损失项，在训练后期逐步增加物理约束损失项的权重，以避免训练初期物理约束与数据拟合的冲突；各损失项的权重系数通过不确定性加权策略作为可学习参数在训练过程中自适应调节；并采用基于验证集性能的早停策略来避免过拟合。

17、进一步的，步骤4具体如下：在预定城区范围内建立目标空间网格，针对每个目标格点，准备对应的再分析资料输入数据和下垫面特征向量，利用训练完成的所述模型进行逐格点推理，得到每个格点的多变量气象要素订正偏差；针对每个目标格点的订正结果，引入基于距离的衰减权重，衰减权重随目标格点距气象观测塔距离的增加而减小，使距塔越远的格点其订正偏差量越向零方向衰减，以反映模型泛化能力随距离增加而下降的客观规律；并为每个目标格点输出附带置信度标记，置信度由该格点与塔点的距离、下垫面相似度和物理约束检验结果综合确定。

18、进一步的，空间一致性后处理采用高斯滤波对相邻格点的订正结果进行空间平滑，以消除因格点间下垫面参数突变导致的非物理性空间跳变，且高斯滤波的核半径根据局部下垫面均匀性自适应调整。

19、有益效果：与现有技术相比，本发明具有如下显著优点：本发明以气象高塔的高精度多层观测为锚点，通过深度学习模型与下垫面条件注入模块（film）的协同，首次将塔点的高垂直分辨率订正能力有效扩展至城区范围（如半径10 km），解决了高塔观测点精面弱与再分析资料面广质粗的根本矛盾。

20、本发明以高塔8层（10m至250m）高密度观测为基准，通过垂直特征编码器和时空交叉注意力机制，将era5低空粗糙廓线精确重构至与塔点一致的高垂直分辨率，并在多变量（温、压、湿、风）联合订正中实现优于传统降尺度方法的精度提升。本发明在模型架构和损失函数中嵌入静力学平衡、热力学一致性和动量守恒等物理约束，有效抑制纯数据驱动模型可能产生的非物理失真，确保订正后的气象场在垂直方向满足基本物理规律。本发明通过极端值自适应加权损失函数和多任务辅助头，模型在训练中主动关注偏离均值较大的极端样本，对低空风切变、大风等危险气象条件的捕捉能力明显优于均方误差损失训练的常规模型。引入基于距离的衰减权重和置信度标记，对距塔较远的格点订正量进行合理衰减并标注可靠性，结合自适应高斯滤波消除空间跳变，使生成的低空气象场在空间上连续平滑，且每个格点结果附带可信度指示，便于实际应用中的风险判断。本发明可直接服务于城区低空飞行保障、城市气象服务等实时业务场景。