一种耦合海洋记忆与地形特征的水库数字孪生气象驱动方法及系统

本技术涉及灾害预防，尤其涉及一种耦合海洋记忆与地形特征的水库数字孪生气象驱动方法及系统。

背景技术：

1、水库数字孪生系统通常需要以流域尺度的气象场作为水文模拟、水动力演进和调度预演的驱动输入，气象场的空间分辨率、局地地形适配性以及对降水过程的刻画精度，直接影响水库数字孪生系统对来水过程、洪水风险和调度方案的模拟可靠性。现有气象场多由ai气象预测大模型生成，ai气象预测大模型能够较好地提供大尺度天气背景，但其输出结果通常难以直接满足水库流域精细化模拟的需求。

2、对于山谷、水库库区、迎风坡与背风坡交错分布的复杂下垫面，ai气象预测大模型容易对局地地形起伏和库区小尺度环流进行平滑处理，难以充分刻画地形抬升、水汽辐合以及局地降水增强过程，导致水库流域内降水中心位置、降水强度和降水落区出现偏差，严重时可能出现局地强降水漏报或无效降水空报。同时，水库流域的降水过程还可能受到海温、海流等海洋慢变过程的调制，现有降尺度方法多侧重于对短期大气场进行空间细化，缺乏对海洋热力学记忆效应和地形强迫作用的协同利用。因此，现有ai气象预测大模型输出的气象场难以直接驱动高精度水库数字孪生系统。

技术实现思路

1、有鉴于此，本技术提供了一种耦合海洋记忆与地形特征的水库数字孪生气象驱动方法及系统，用于解决现有ai气象预测大模型在复杂水库流域下垫面中存在局地气候模拟偏差、易产生降水空报或漏报，从而难以直接驱动高精度水库数字孪生系统的问题。

2、本技术的目的可以通过以下技术方案实现：

3、第一方面，本技术提出一种耦合海洋记忆与地形特征的水库数字孪生气象驱动方法，包括：

4、获取ai气象预测大模型输出的初始分辨率气象场、海洋记忆特征和目标水库流域的dem数据；

5、将所述初始分辨率气象场、海洋记忆特征和dem数据输入预训练的物理感知融合桥接模型中，得到目标分辨率气象场，所述目标分辨率气象场用于驱动水库数字孪生系统。

6、进一步地，所述物理感知融合桥接模型的训练过程，包括：

7、获取历史同期的初始分辨率气象场、海洋记忆特征和目标水库流域的dem数据作为样本输入特征；

8、获取所述样本输入特征对应的目标分辨率气象场作为样本标签；

9、将所述样本输入特征输入所述物理感知融合桥接模型中，生成所述样本输入特征对应的样本预测分辨率气象场；

10、基于所述样本预测分辨率气象场和所述样本标签，利用目标损失函数，计算目标损失；

11、基于所述目标损失对所述物理感知融合桥接模型进行参数更新。

12、进一步地，所述物理感知融合桥接模型的目标损失函数的表达式为：

13、；

14、其中，表示目标损失函数，表示数据一致性损失函数，表示质量守恒项权重系数，表示质量守恒项损失函数，表示能量守恒项权重系数，表示能量守恒项损失函数，表示地形强迫项权重系数，表示地形强迫项损失函数。

15、进一步地，所述质量守恒项损失函数的表达式为：

16、；

17、其中，表示质量守恒项损失函数，表示散度算子，表示预测比湿场，表示预测水平风场，表示l2范数。

18、进一步地，所述能量守恒项损失函数的表达式为：

19、；

20、其中，表示能量守恒项损失函数，表示预测位温场，表示预测水平风场，表示散度算子，表示l2范数，表示时间偏导数。

21、进一步地，所述地形强迫项损失函数的表达式为：

22、；

23、其中，表示地形强迫项损失函数，表示预测地形强迫垂直速度场，表示地形强迫垂直速度理论值；

24、；

25、其中，表示地形抬升效率参数，表示预测水平风场，表示地形高度梯度向量，，表示地形高度沿x方向的偏导数，表示地形高度沿y方向的偏导数。

26、进一步地，所述物理感知融合桥接模型包括多尺度编码器和物理约束解码器；

27、所述将所述初始分辨率气象场、海洋记忆特征和dem数据输入预训练的物理感知融合桥接模型中，得到目标分辨率气象场，包括：

28、通过卷积层分别对所述初始分辨率气象场和dem数据进行特征提取，得到初始气象特征和dem特征；

29、以所述初始气象特征为查询向量，所述海洋记忆特征为键向量，通过交叉注意力机制计算第一注意力权重矩阵，所述交叉注意力机制用于捕捉海洋记忆特征对局部气象场的影响；

30、基于所述第一注意力权重矩阵对所述海洋记忆特征进行加权求和，得到第一融合特征；

31、以所述dem特征为键向量，所述第一融合特征为查询向量，通过交叉注意力机制计算第二注意力权重矩阵，所述交叉注意力机制用于捕捉地形特征对气象场的强迫作用；

32、基于所述第二注意力权重矩阵对所述dem特征进行加权求和，得到第二融合特征；

33、将所述第一融合特征和所述第二融合特征进行拼接，得到目标融合特征；

34、利用所述物理约束解码器对所述目标融合特征进行上采样，得到目标分辨率气象场。

35、进一步地，获取海洋记忆特征，包括：

36、获取预设历史时段内的海洋状态数据序列，所述预设历史时段为30-90天，所述海洋状态数据序列包括海温、海流速度和盐度；

37、通过特征提取网络，对所述海洋状态数据序列进行特征提取，得到海洋状态特征；

38、基于所述海洋状态数据序列，计算得到海洋热含量异常，所述海洋热含量异常表征海洋热力学记忆效应；

39、将所述海洋状态特征和海洋热含量异常进行拼接，得到海洋记忆特征。

40、第二方面，本技术提出一种耦合海洋记忆与地形特征的水库数字孪生气象驱动系统，包括：

41、获取模块，用于获取预置的ai气象预测大模型输出的初始分辨率气象场、海洋记忆特征和目标水库流域的dem数据；

42、输入模块，用于将所述初始分辨率气象场、海洋记忆特征和dem数据输入预训练的物理感知融合桥接模型中，得到目标分辨率气象场，所述目标分辨率气象场用于驱动水库数字孪生系统。

43、第三方面，本技术提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的耦合海洋记忆与地形特征的水库数字孪生气象驱动方法。

44、与现有技术相比，本技术提供的耦合海洋记忆与地形特征的水库数字孪生气象驱动方法，获取ai气象预测大模型输出的初始分辨率气象场、海洋记忆特征和目标水库流域的dem数据，并通过预训练的物理感知融合桥接模型对上述数据进行融合处理，得到目标分辨率气象场。一方面，通过海洋记忆特征引入海温、海流速度、盐度及海洋热含量异常等长周期海洋状态信息，能够刻画海洋热力学记忆效应对流域降水背景的调制作用；另一方面，通过dem数据引入水库流域地形起伏、坡向和地形高度梯度等信息，能够增强模型对迎风坡抬升、局地水汽辐合和地形强迫降水过程的表达能力。由此，本技术能够在ai气象预测大模型的大尺度气象背景、海洋慢变调制过程和水库流域复杂地形强迫之间建立耦合关系，减少复杂下垫面条件下局地降水空报、漏报以及降水中心位置偏差，提高目标分辨率气象场的物理一致性和流域适配性，从而为水库数字孪生系统的洪水预演、风险研判和调度决策提供更可靠的气象驱动输入。