基于自编码感知回路的稀疏气象观测三维场实时重构方法

摘要: 本发明涉及气象人工智能、多源观测融合、稀疏观测建模与三维状态重构领域,尤其涉及基于自编码感知回路的稀疏气象观测三维场实时重构方法。背景技术:1、传统业务气象分析...
基于自编码感知回路的稀疏气象观测三维场实时重构方法

本发明涉及气象人工智能、多源观测融合、稀疏观测建模与三维状态重构领域,尤其涉及基于自编码感知回路的稀疏气象观测三维场实时重构方法。

背景技术:

1、传统业务气象分析通常采用“观测采集-质量控制-数据同化-分析场生成-预报”的串行流程。该流程理论成熟,但链路较长、算力开销大、时效性受限,尤其在高频观测不断到达的业务环境下,难以及时吸收多源异构信息。与此同时,现实观测网络又具有明显稀疏性与不规则性,海洋、山区和高空区域常出现大面积观测空洞,不同传感器之间还存在量纲差异、覆盖差异与噪声差异。

2、近年来,深度学习模型在规则再分析资料上的表现不断提升,但大量模型仍然依赖传统同化系统先产生分析场,再学习由分析场到未来状态的映射关系。这种路径没有真正解决“如何直接理解稀疏观测”的问题。若将稀疏观测直接输入普通编码器,模型容易在低覆盖区域退化成平滑插值器,难以稳定提取观测本身的有效结构,从而影响最终三维场重构质量。

3、因此,需要一种能够在端到端三维场恢复任务中显式增强观测理解能力的方法,使模型在生成目标分析场之前,先通过自编码回路学习保持观测信息,并以此提升稀疏输入条件下的鲁棒性和实时重构能力。

技术实现思路

1、本发明的目的在于提供基于自编码感知回路的稀疏气象观测三维场实时重构方法,该方法首先对多源观测窗口进行预处理,构建得到地面变量张量、高空变量张量和缺测掩码,再通过观测编码器从上述预处理结果中提取统一的潜空间表示,随后将潜空间特征分为两路传输,一路送入三维主干网络与场解码器生成目标时刻的三维气象分析场,另一路送入重构解码器以恢复输入观测,由此形成“编码-重构-再约束”的自编码感知回路,最终采用预测损失与重构损失相结合的方式对模型进行联合训练,使模型在保障实时性的同时显著增强对稀疏气象观测的表征能力。

2、为实现上述目的,本发明提供了基于自编码感知回路的稀疏气象观测三维场实时重构方法,步骤包括:

3、s1、采集目标区域内的多源气象观测,经预处理后构建地面变量张量、高空变量张量和缺测掩码;

4、s2、构建包含观测编码器、三维主干网络、场解码器、重构解码器的三维场重构模型,将地面变量张量和高空变量张量输入观测编码器,提取得到统一潜空间特征;

5、s3、将潜空间特征分为两路,第一路输入三维主干网络和场解码器生成目标时刻三维气象分析场,第二路输入重构解码器恢复输入观测并计算重构损失;

6、s4、采用预测损失与重构损失组成的联合损失函数对三维场重构模型进行训练,得到训练完成的三维场重构模型。

7、优选的,s1中的预处理包括时间配对、坏值剔除、单位统一和空间映射,对多源气象观测对应的任意变量进行标准化处理,公式为:

8、;

9、其中,为标准化后的任意变量,为变量的统计均值,为变量的统计标准差,为稳定项;

10、构建有效观测掩码并生成输入张量,公式为:

11、;

12、其中,为与尺寸兼容的有效观测掩码,,有效观测位置取1、缺测位置取0,为标准化观测张量,为统一缺测填充值,表示逐元素乘法。

13、优选的,s1中的多源气象观测包括地面站观测、探空观测、雷达产品、卫星产品及静态辅助场中的一种或多种。

14、优选的,s2中观测编码器对地面变量张量进行patch划分和嵌入得到表面token,对高空变量张量在patch与压力层两个维度编码得到高空token,通过基于交叉注意力的层级聚合压缩多压力层信息,公式为:

15、;

16、其中,为经层级聚合后的高空潜表示,、、分别为交叉注意力中的查询矩阵、键矩阵和值矩阵,为可学习潜变量,为高空token集合,、、为投影矩阵,为通道维度;

17、将聚合后的高空潜表示与表面token拼接,得到统一潜空间特征。

18、优选的,s3中将潜空间特征输入重构解码器之前,对潜空间特征进行层归一化和随机失活正则化处理,公式为:

19、;

20、其中,为经层归一化和随机失活处理后的正则化潜空间特征,z为观测编码器输出的原始潜空间特征,为层归一化算子,为随机失活算子。

21、优选的,s3中在有效观测位置上计算重构损失,公式为:

22、;

23、其中,为自编码回路的重构损失,为重构解码器输出的标准化观测重构张量,为标准化观测张量,为有效观测掩码,为稳定项,为l1范数。

24、优选的,s4中联合损失函数的训练目标的公式为:

25、;

26、其中,为第个输出场分量的预测结果,为对应的监督目标,为损失或均方误差损失,为预测损失的权重系数,为重构损失的权重系数,为参与监督的输出场分量数量。

27、优选的,s2中构建的三维场重构模型的三维主干网络采用三维swin transformer或多尺度transformer。

28、优选的,还包括s5、实时推理与在线部署,模型训练完成后进行推理时,关闭重构解码器,保留观测编码器、三维主干网络和场解码器,输入多源观测窗口直接输出目标三维气象分析场。

29、优选的,s3中的目标时刻三维气象分析场包括温度场、湿度场、风场和降水场。

30、因此,本发明采用上述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,具有以下有益效果:

31、(1)显著缩短气象分析业务链路,无需依赖传统数据同化环节生成中间分析场,可直接从多源稀疏观测数据快速恢复目标时刻三维气象场,大幅提升高频观测环境下的信息吸收效率与系统实时性。

32、(2)通过自编码感知回路对潜空间特征施加显式约束,有效抑制稀疏观测区域的特征坍塌问题,同时兼顾输入观测保真度与三维场恢复精度,增强模型对观测空洞区域的鲁棒性。

33、(3)采用训练与推理解耦的架构设计,重构分支仅在训练阶段提供辅助约束,推理阶段可按需关闭,在保障重构精度的同时控制在线时延,且兼容多源异构观测接入,提升系统扩展性。

34、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。

1.基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于,步骤包括:

2.根据权利要求1所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s1中的预处理包括时间配对、坏值剔除、单位统一和空间映射,对多源气象观测对应的任意变量进行标准化处理,公式为:

3.根据权利要求2所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s1中的多源气象观测包括地面站观测、探空观测、雷达产品、卫星产品及静态辅助场中的一种或多种。

4.根据权利要求1所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s2中观测编码器对地面变量张量进行patch划分和嵌入得到表面token,对高空变量张量在patch与压力层两个维度编码得到高空token,通过基于交叉注意力的层级聚合压缩多压力层信息,公式为:

5.根据权利要求1所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s3中将潜空间特征输入重构解码器之前,对潜空间特征进行层归一化和随机失活正则化处理,公式为:

6.根据权利要求5所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s3中在有效观测位置上计算重构损失,公式为:

7.根据权利要求1所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s4中联合损失函数的训练目标的公式为:

8.根据权利要求1所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s2中构建的三维场重构模型的三维主干网络采用三维swin transformer或多尺度transformer。

9.根据权利要求1所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:还包括s5、实时推理与在线部署,模型训练完成后进行推理时,关闭重构解码器,保留观测编码器、三维主干网络和场解码器,输入多源观测窗口直接输出目标三维气象分析场。

10.根据权利要求1所述的基于自编码感知回路的稀疏气象观测三维场实时重构方法,其特征在于:s3中的目标时刻三维气象分析场包括温度场、湿度场、风场和降水场。