一种基于序列模型的地面天气形势识别方法与流程
本发明涉及气象数据处理,尤其涉及一种基于序列模型的地面天气形势识别方法。
背景技术:
1、地面天气形势识别是天气预报的基础性工作,通过识别地面气压场的空间分布模式来判断当前的天气系统类型,如高压前部、高压后部、低压前部、低压后部和均压场等。传统的天气形势识别方法主要依赖人工分析天气图和等压线形态,主观性强且效率低下。随着深度学习技术的发展,基于卷积神经网络的图像识别方法被应用于天气形势识别,将气压场作为二维图像进行处理,虽然提高了自动化程度,但存在计算复杂度高、内存占用大的问题,难以满足业务化应用对实时性和资源效率的要求。
2、地面气压场相比高空气压场更容易受到地形和局地环流的影响,使得气压分布更加复杂,传统的基于整体气压场图像的处理方法难以高效提取关键特征。同时,现有基于卷积神经网络的方法在处理大范围气压场数据时,需要对整个二维气压场进行密集采样和卷积运算,导致模型参数量大、推理速度慢,且缺乏对气压场物理特性的针对性建模,影响了模型的可解释性和在不同区域的泛化能力。
3、中国专利cn114594532a公开了一种寒潮天气预测方法,该方法获取目标区域内多个观测站点在多个预设时间点的温度数据,基于温度数据生成区域平均温度,进而生成时间温度特征曲线,并基于特征曲线对寒潮天气进行识别。但是其仍采用标准的二维卷积网络处理气象特征,未能针对气压场的空间结构特点和物理规律进行针对性建模,在处理复杂天气形势时特征提取不够充分,影响了识别精度和模型的可解释性。
技术实现思路
1、有鉴于此,本发明提供一种基于序列模型的地面天气形势识别方法,其解决了现有技术中未能针对气压场空间结构特点进行有效特征提取、复杂天气形势识别精度不足的技术问题,通过径向扫描特征提取将二维气压场转换为一维序列,提高天气形势识别的准确性和物理解释性,同时降低计算复杂度。
2、本发明的技术方案是这样实现的:本发明提供了一种基于序列模型的地面天气形势识别方法,包括以下步骤:
3、s1、确定目标区域的中心位置,以目标区域的中心位置为原点建立极坐标系统,在极坐标系统中设置多个径向层和多个角度方向构成采样位置阵列;
4、s2、获取目标区域的气象格点数据,对采样位置阵列中的各采样位置进行气压值插值,得到各采样位置的气压值,形成气压特征矩阵;
5、s3、将气压特征矩阵按角度方向组织为序列数据,其中序列数据中的各位置对应各角度方向,各位置的特征由该角度方向上的多个径向层气压值构成;通过将各位置的特征映射到特征空间,并对映射后的特征添加位置编码,得到编码序列;
6、s4、将编码序列输入到序列编码器进行特征提取,得到编码特征;其中序列编码器包括多个编码层,各编码层通过注意力机制建立序列中不同位置之间的关联关系;
7、s5、对编码特征进行聚合得到全局特征表示,基于全局特征表示进行分类预测,得到天气形势类别。
8、在以上技术方案的基础上,优选的,所述极坐标系统的角度以正北方向为零度顺时针递增至360度,极坐标系统的半径表示距离中心位置的地理距离。
9、在以上技术方案的基础上,优选的,步骤s2具体包括:
10、获取目标区域的气象格点数据,对气象格点数据中的各气象格点采用有限差分方法计算得到该气象格点的气压梯度模长;
11、对采样位置阵列中的各采样位置将其极坐标转换为地理坐标,从气象格点数据中选取采样位置周围的多个气象格点作为插值格点;
12、计算各采样位置与各插值格点之间的球面距离、连线方位角,计算各采样位置的径向方向与连线方位角之间的方向偏离角;
13、基于球面距离、方向偏离角和气压梯度模长构建各插值格点的插值权重,采用加权平均方法计算各采样位置的气压值;
14、将各采样位置的气压值按照径向层和角度方向组织为气压特征矩阵。
15、在以上技术方案的基础上,优选的,所述插值权重的计算公式为:
16、;
17、;
18、其中,为第个插值格点的插值权重,为采样位置与第个插值格点之间的球面距离,为采样位置的径向方向与连线方位角之间的方向偏离角,为方向对齐因子,为第个插值格点的气压梯度模长,为所有插值格点中的最大气压梯度模长,为微小常数,为方向调制强度系数,为采样位置到第个插值格点的连线方位角,为采样位置的径向方向角度。
19、在以上技术方案的基础上,优选的,步骤s3具体包括:
20、将气压特征矩阵转置为以角度方向为序列位置的序列数据,将各序列位置的径向气压特征从径向层数维度映射到隐藏特征维度;
21、根据序列位置对应角度方向上各径向层的气压值计算径向能量中心;
22、基于各序列位置的径向能量中心对序列位置的旋转位置编码频率参数进行自适应调整,得到调整后的频率参数;
23、对各序列位置的特征向量基于调整后频率参数的旋转变换,得到包含位置信息的编码序列。
24、在以上技术方案的基础上,优选的,所述径向能量中心表示该角度方向上气压异常的径向分布位置,计算公式为:
25、;
26、其中,为序列位置的径向能量中心,为径向层数,为第个径向层的半径,为第个径向层在序列位置处的归一化气压值。
27、在以上技术方案的基础上,优选的,所述调整后的频率参数的计算公式为:
28、;
29、;
30、其中,为序列位置的调整后频率参数,为标准频率参数,为底数,为特征维度索引,为隐藏特征维度,为径向调制强度系数,和分别为径向扫描的最小和最大半径。
31、在以上技术方案的基础上,优选的,所述对各序列位置的特征向量应用基于调整后频率参数的旋转变换,具体包括:
32、对各序列位置的特征向量的多个维度进行配对,对每对维度构建旋转矩阵,计算公式为:
33、;
34、其中,为序列位置的特征向量经旋转变换后的第个分量,为序列位置的特征向量经旋转变换后的第个分量,为序列位置对应角度值转换为弧度后的角度,为序列位置的调整后频率参数,和为原始特征向量的第和个分量;
35、对所有维度构建旋转矩阵,得到旋转编码后的特征向量。
36、在以上技术方案的基础上,优选的,步骤s4具体包括:
37、根据序列位置对应角度方向上相邻径向层之间的气压差值计算序列位置的径向平均梯度强度;
38、基于各序列位置的径向平均梯度强度和序列位置之间的角度间隔构建注意力偏置矩阵;
39、在序列编码器的各编码层中,将编码层的输入特征分别通过线性变换映射为查询矩阵、键矩阵和值矩阵,通过计算查询矩阵与键矩阵的矩阵乘积得到注意力得分矩阵并进行缩放,将缩放后的注意力得分矩阵与注意力偏置矩阵中对应的偏置值相加后进行归一化得到注意力权重矩阵,基于注意力权重矩阵对值矩阵进行加权聚合得到注意力输出;
40、将多个注意力头的注意力输出拼接后通过线性变换得到多头注意力输出,将多头注意力输出与该编码层的输入特征进行残差连接并进行层归一化得到归一化特征;
41、将归一化特征通过前馈神经网络进行非线性变换得到前馈网络输出,将前馈网络输出与归一化特征进行残差连接并进行层归一化,得到编码层的输出特征。
42、更进一步优选的,所述注意力偏置矩阵中对应的偏置值的计算公式为:
43、;
44、;
45、其中,为序列位置和序列位置之间的注意力偏置值,为偏置强度系数,和分别为序列位置和序列位置的径向平均梯度强度,为两个序列位置梯度强度的几何平均值,为两个序列位置之间的最小角度差,和分别为序列位置和序列位置对应的角度方向,为角度邻近性的标准差参数。
46、本发明相对于现有技术具有以下有益效果:
47、(1)通过以目标区域中心为原点建立极坐标系统,通过多个径向层和角度方向构成采样位置阵列,将二维气压场转换为一维序列表示,有效降低了数据维度和计算复杂度,提高天气形势识别的准确性和物理解释性,在保证识别精度的前提下降低计算复杂度;
48、(2)通过将气压梯度场与方位关系进行耦合,使得插值权重能够根据实际气压场的物理结构自适应调整,提高了特征提取的准确性和物理合理性;
49、(3)通过根据每个序列位置的径向能量分布自动调整位置编码的频率参数, 将气压场的物理特征融入位置编码机制,增强了模型对不同尺度天气系统的表达能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com