一种基于Uformer与复合自适应加权损失函数的复杂地形区极大风速预报方法与流程

本发明属于天气预报，尤其涉及一种基于uformer与复合自适应加权损失函数的复杂地形区极大风速预报方法。

背景技术：

1、目前，数值天气预报（numerical weather prediction，nwp）模式，尤其是以欧洲中期天气预报中心（european centre for medium-range weather forecasts，ecmwf）的高分辨率预报系统（high-resolution forecasts，hres）为代表的全球模式，在宏观乃至区域尺度的风场预报中展现出卓越的性能，为气象预报业务提供了关键的数值指导。随着气象服务精细化需求的提升，基于深度学习的数据驱动方法逐渐成为提升预报精度的新范式。卷积神经网络（cnn）及其变体（如u-net）已被应用于风速预报及模式后处理订正任务中，通过提取多尺度空间特征，有效改善了模式预报的系统性偏差。此外，transformer架构凭借其强大的全局关系建模能力，在气象要素预报领域亦展现出巨大潜力，为捕捉大尺度环流背景场中的长程空间依赖性提供了新的技术路径。

2、然而，现有技术仍至少存在以下不足：一方面，传统的cnn模型（如u-net）虽具备良好的局部特征提取能力，但其感受野相对有限，难以有效捕捉复杂地形下风速场中由大尺度环流与局地地形动力强迫共同作用形成的长程空间依赖关系；而纯transformer架构虽可建立全局依赖，但在处理高分辨率空间格点数据时计算复杂度高，难以直接高效应用于业务化格点预报场景。另一方面，现有深度学习方法在损失函数设计上大多采用均方误差或平均绝对误差等通用损失函数，对各风速样本赋予等同权重，忽略了训练样本中大量存在的弱风速样本与极为稀缺的极端大风事件之间的严重不平衡性，导致模型在梯度更新过程中倾向于优化样本数量占优的常规风速情形，从而对稀少的极端大风事件预报能力不足。此外，现有方法尚未见将uformer架构与复合自适应加权损失函数进行结合以同时解决复杂地形区风速场多尺度特征提取与极端大风样本不均衡问题的先例。因此，亟需发展一种能够有效融合多尺度空间特征、捕获全局依赖关系，并显著提升对极端大风事件预报能力的智能化风速预报方法。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于uformer与复合自适应加权损失函数的复杂地形区极大风速预报方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于uformer与复合自适应加权损失函数的复杂地形区极大风速预报方法，包括：

3、获取历史气象站点实况风速数据与数值模式预报产品及地形信息，构建高分辨率格点样本数据集，所述高分辨率格点样本数据包括气象站点极大风速观测实况、模式风速预报产品、模式温度预报产品和地形因子；

4、构建uformer极大风速预报模型，所述uformer极大风速预报模型采用编码器-解码器网络架构，所述编码器与所述解码器均嵌入自注意力机制模块，用于提取气象场的多尺度空间特征并建立全局依赖关系；

5、构建复合自适应加权损失函数，所述复合自适应加权损失函数根据训练样本的风速统计分布特性和预设的风力等级划分标准对各个样本的损失权重进行差异化调整；

6、利用所述高分辨率格点样本数据集和所述复合自适应加权损失函数训练所述uformer极大风速预报模型；

7、将预报起始时刻前的数值模式预报产品、气象站点极大风速观测值及地形因子输入训练后的所述uformer极大风速预报模型，生成未来预设时段内的极大风速格点预报场。

8、优选地，所述数值模式预报产品为欧洲中期天气预报中心的高分辨率数值预报产品；所述高分辨率格点样本数据集的构建方式包括：将所述历史气象站点实况风速数据与所述数值模式预报产品按时间对齐，提取多个高度层的风速预报场、温度预报场以及地形因子场作为预报因子，并对各预报因子进行标准化预处理。

9、优选地，所述预报因子包括气象站点极大风速观测值、模式前期的10 m阵风预报值、500hpa高度层风速预报值、850hpa高度层风速预报值、925hpa高度层风速预报值、2米温度预报值以及地形高程、坡度、坡向和地形位置指数；所述标准化预处理为基于各自在训练集时段内气候均值和标准差的标准化变换。

10、优选地，所述自注意力机制模块为lewin transformer模块，所述编码器的各下采样阶段与所述解码器的各上采样阶段均嵌入所述lewin transformer模块，所述编码器与所述解码器之间通过跳跃连接融合多尺度特征信息。

11、优选地，所述lewin transformer模块包含基于窗口的多头自注意力子模块和局部增强前馈网络子模块，所述基于窗口的多头自注意力子模块在各非重叠局部窗口内独立计算自注意力，所述局部增强前馈网络子模块通过深度可分离卷积增强局部空间特征的提取。

12、优选地，所述复合自适应加权损失函数为自适应加权平均绝对误差损失函数，其权重由基于风速概率密度的第一分量和基于风力等级划分的第二分量复合构成，所述第一分量与风速概率密度呈反相关，所述第二分量对超过预设风力等级的风速样本赋予递增权重。

13、优选地，所述自适应加权平均绝对误差损失函数的权重通过将所述第一分量与所述第二分量相乘后除以二者的数学期望进行归一化处理。

14、优选地，训练所述uformer极大风速预报模型时，按照时间顺序将样本划分为训练集、验证集和测试集，所述训练集、所述验证集和所述测试集在时间轴上依次排列且互不重叠，利用所述训练集更新模型参数，依据所述验证集上的性能表现确定最优模型参数。

15、优选地，所述生成未来预设时段内的极大风速格点预报场包括：对输入数据依次进行区域裁剪、空间分辨率降尺度、标准化处理以及空间维度放缩后输入训练后的所述uformer极大风速预报模型，将模型输出的预测结果经空间维度还原和反标准化处理后，得到预报时刻的极大风速格点预报场。

16、优选地，所述空间分辨率降尺度采用三次多项式插值将数值模式预报产品从原始分辨率插值至目标分辨率；所述空间维度放缩采用插值方式将格点数据调整至与所述uformer极大风速预报模型输入层相匹配的尺寸。

17、与现有技术相比，本发明具有如下优点和技术效果：

18、本发明通过获取气象站点历史实况风速数据与数值模式预报产品及地形信息，构建包含极大风速观测实况、模式风速预报产品、模式温度预报产品及地形因子的高分辨率格点样本数据集，将实况观测数据、多要素数值模式预报产品及静态地理信息数据在时空维度上对齐并统一表征为格点化样本，为深度学习模型提供了物理含义清晰、信息量丰富的输入特征，使模型能够学习风速场与多尺度大气动力过程及下垫面地形条件之间的复杂非线性映射关系。

19、本发明通过构建采用编码器-解码器网络架构且编码器与解码器均嵌入自注意力机制模块的uformer极大风速预报模型，使该模型在提取气象场多尺度空间特征的同时能够建立全局依赖关系，从而有效刻画复杂地形区大尺度环流背景与局地地形动力强迫对风速场的共同作用。同时，本发明通过构建根据训练样本风速统计分布特性和预设风力等级划分标准对各个样本损失权重进行差异化调整的复合自适应加权损失函数，使模型在训练过程中对出现频率低但危害性大的极端大风样本赋予更高优化优先级，克服了常规损失函数下模型为最小化整体损失而牺牲极端样本精度的缺陷。上述模型架构与损失函数从特征表达与优化导向两个层面协同作用，共同实现了对极端大风事件预报精度的显著提升。

20、本发明采用的uformer极大风速预报模型，其自注意力机制模块嵌入于编码器-解码器架构内部，通过窗口化自注意力计算机制在建立全局依赖关系的同时将计算复杂度控制在可接受范围内，使其能够高效处理高分辨率格点数据。上述特定架构设计使模型在具备全局建模能力的同时满足业务化逐3小时间隔、多时效格点预报的计算效率需求，为深度学习方法在气象预报业务中的实际部署提供了可行技术路径。

21、本发明采用的复合自适应加权损失函数，其权重依据风速统计分布特性与风力等级划分标准进行差异化调整，该调整机制在赋予高风速样本更高权重的同时保持了损失函数在物理空间上的合理性，不会因权重设置不当导致模型对高风速区域的过度敏感。上述损失函数与uformer模型结构的配合，使模型在强化对极端大风样本学习能力的同时维持了对非大风样本的正常判别能力，从而在提升极端大风命中率的前提下有效抑制了空报率的上升。

22、本发明通过将预报起始时刻前的数值模式预报产品输入训练后的uformer极大风速预报模型，直接生成未来预设时段内的极大风速格点预报场，实现了从原始模式预报输入到最终精细化格点预报产品的端到端生成，无需依赖传统多步骤后处理流程，能够为防灾减灾决策提供时效性强、空间分辨率高、准确性好的极大风速预报产品。