一种基于全连接神经网络的反演降水潜热垂直廓线的方法

1.本发明涉及降水潜热反演技术领域，具体涉及一种基于全连接神经网络的反演降水潜热垂直廓线的方法。


背景技术：

2.降水所释放的潜热是驱动全球大气环流的主要能量来源，其中降水潜热加热率(latent heat rate,以下简称lh)是指单位时间内降水云中由于水物质的相态变化，包括凝结-蒸发(气液转化)、冻结-融化(液固转化)、凝华-升化(固气转化)，所释放或吸收的热量使周围单位质量干空气温度升高的速率，单位开尔文每小时(k/hr)或摄氏度每小时(℃/hr)。而潜热“垂直廓线”是指降水潜热加热率(lh)随大气垂直高度变化的曲线。
3.目前降水潜热的卫星遥感法进一步包括物理反演方法。物理反演方法通过可观测的云和降水特征与潜热的定量物理联系而估测潜热。星载测雨雷达观测的降水率垂直梯度γ＝drr/dz反映着不同的降水量粒子增长或减小的微物理过程，对应不同的潜热释放率。根据此物理基础，目前已有人分析了降水率的垂直梯度与潜热之间的关系，在两种假设(降水云中新生产的云水以相同的速率转化为雨水；短时间内降水率垂直廓线不随时间变化)的基础上，提出了一种利用降水廓线反演降水潜热的物理反演算法(简称ustcvph算法)，将潜热表达为温度t约束下的γ的分段线性函数，并在青藏高原地区得到有效验证。
4.然而，在实际大气中，云水向雨水的转化率、降水粒子的水平和垂直位移等因素不可避免的引起一定的误差。为了解决上述问题，本发明提出一种基于全连接神经网络的反演降水潜热垂直廓线的的方法。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于全连接神经网络的反演降水潜热垂直廓线的方法(简称fcnh方法)，解决了现有的基于vph算法的潜热反演方法误差较大的问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.一种基于全连接神经网络的反演降水潜热垂直廓线的方法，该方法包括：
10.获取降水率垂直梯度数据和对应的温度数据；
11.对降水率垂直梯度数据和温度数据进行预处理；
12.基于降水率垂直梯度数据和温度数据构建数据集，并基于数据集训练基于全连接神经网络的反演降水潜热垂直廓线的网络，得到训练好的降水潜热反演网络；
13.将待反演的降水率垂直梯度数据和温度数据进行预处理，再将预处理后的待反演的降水率垂直梯度数据和温度数据输入训练好的降水潜热反演网络，得到降水潜热反演结果。
14.进一步的，所述降水率垂直梯度数据和对应的温度数据的获取方法包括：
15.利用wrf模式模拟获得包含降水率、温度、高度、潜热数据的输出变量，进而计算得到降水率垂直梯度数据和温度数据。
16.进一步的，所述预处理包括：
17.将地表以下的降水率垂直梯度和潜热赋值为0，异常值和缺省值利用其四周相邻数据的均值进行填充；
18.对数据进行归一化处理。
19.进一步的，所述降水潜热反演网络，包括：
20.两个特征表征网络，用于分别对降水率垂直梯度数据和温度数据进行特征提取；
21.特征融合模块，用于将两个特征表征网络的特征提取结果进行特征融合和提取；
22.决策网络，用于根据特征融合模块输出的特征进行对降水潜热垂直廓线预测，得到降水潜热垂直廓线。
23.进一步的，所述特征表征网络由三个依次连接的模块构成，且每个模块均由一个全连接层和一个非线性激活层依次连接组成；
24.所述特征融合模块由一个concatenate层、一个全连接层和一个非线性激活层依次连接组成；
25.所述决策网络由三个依次连接的模块构成，前两个模块均由一个全连接层和一个非线性激活层组成，最后一个模块仅有一个全连接层。
26.进一步的，所述降水潜热反演网络采用mse损失函数计算潜热反演损失loss。
27.进一步的，所述降水潜热反演网络采用反向传播算法训练。
28.(三)有益效果
29.本发明提供了一种基于全连接神经网络的反演降水潜热垂直廓线的方法。与现有技术相比，具备以下有益效果：
30.1)本发明选用降水率的垂直梯度和温度的组合作为输入变量，并通过利用全连接神经网络强大的非线性映射能力进行降水潜热反演，可以更加准确的获取复杂大气环境下，降水率的垂直梯度和温度与潜热之间的函数表达，从而获得更加精确的降水潜热反演结果。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明实施例的流程图；
33.图2为本发明实施例的网络结构示意图。
具体实施方式
34.为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的
实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.本技术实施例通过提供一种基于全连接神经网络的反演降水潜热垂直廓线的方法，解决了现有的基于vph算法的潜热反演方法误差较大的问题。
36.本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
37.本发明选用降水率的垂直梯度和温度的组合作为输入变量，并通过利用全连接神经网络强大的非线性映射能力进行降水潜热反演，可以更加准确的获取复杂大气环境下，降水率的垂直梯度和温度与潜热之间的函数表达，从而获得更加精确的降水潜热反演结果。
38.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
39.实施例1：
40.如图1所示，本发明提供了一种基于全连接神经网络的反演降水潜热垂直廓线的方法(简称fcnh方法)，该方法由计算机执行，该方法包括：
41.s1、获取降水率垂直梯度数据和对应的温度数据；
42.s2、对降水率垂直梯度数据和温度数据进行预处理；
43.s3、基于降水率垂直梯度数据γ和温度数据t构建数据集，并基于数据集训练基于全连接神经网络的反演降水潜热垂直廓线的网络，得到训练好的降水潜热反演网络；
44.s4、将待反演的降水率垂直梯度数据γ和温度数据t进行预处理，再将预处理后的待反演的降水率垂直梯度数据γ和温度数据t输入训练好的降水潜热反演网络，得到降水潜热反演结果。
45.进一步的，降水率垂直梯度数据和对应的温度数据的获取方法包括：
46.利用wrf模式模拟获得包含降水率、温度、高度、潜热数据的输出变量，进而计算得到降水率垂直梯度数据γ和温度t。
47.进一步的，预处理包括：
48.s2.1、将地表以下的降水率垂直梯度和潜热赋值为0，异常值和缺省值利用其四周相邻数据的均值进行填充；
49.s2.2、对数据进行归一化处理。
50.进一步的，所述降水潜热反演网络包括：
51.两个特征表征网络rp-net，用于分别对降水率垂直梯度数据γ和温度数据进行特征提取；
52.特征融合模块fu-module，用于将两个特征表征网络rp-net的特征提取结果进行特征融合和提取；
53.决策网络dec-net，用于根据特征融合模块fu-module输出的特征进行对降水潜热垂直廓线预测，得到降水潜热垂直廓线。
54.进一步的，特征表征网络rp-net由三个依次连接的模块构成，且每个模块均由一个全连接层fc和一个非线性激活层relu组成；
55.特征融合模块fu-module由一个concatenate层、一个全连接层和一个relu非线性激活函数组成；首先通过concatenate层将不同变量表征的特征进行拼接，然后经过全连接
层和非线性激活层对拼接后的特征进行特征融合和提取。
56.决策网络dec-net由三个依次连接的模块构成，前两个模块均由一个全连接层和一个非线性激活层relu组成，最后一个模块仅有一个全连接层。
57.进一步的，降水潜热反演网络采用mse损失函数计算潜热反演损失loss。
58.进一步的，降水潜热反演网络采用反向传播算法训练。
59.本实施例的有益效果为：
60.1)本发明实施例选用降水率的垂直梯度和温度的组合作为输入变量，并通过利用全连接神经网络强大的非线性映射能力进行降水潜热反演，可以更加准确的获取复杂大气环境下，降水率的垂直梯度和温度与潜热之间的函数表达，从而获得更加精确的降水潜热反演结果。
61.2)在训练全连接神经网络时，通过特征级融合的方式获取决策网络的输入，相比其他融合方式效果更优。
62.3)在构建特征表征网络时，三个依次连接的模块构成，且每个模块均由一个全连接层和一个非线性激活层relu依次连接组成，使得网络性能取得最优。
63.下面对本发明实施例的实现过程进行详细说明：
64.本发明在设计方案时，特征的选择是首先面对的技术问题，发明人通过对不同输入组合进行实验对比，结果如表1所示。
65.表1
66.输入选择biasmaermseccr-drr/dz-0.080.422.600.65-drr/dz raintop-0.110.422.610.65-drr/dz rr-0.190.523.100.48-drr/dz t-0.040.402.500.68
67.如表1所示，当模型输入仅为-drr/dz时，模型反演潜热与模式输出潜热之间的平均绝对误差(mae)、均方根误差(rmse)和偏差(bias)分别为0.42k/hr、2.60k/hr和-0.08k/hr，两者之间的空间相关系数ccr为0.65，表明-drr/dz与潜热之间具有强相关性。
68.当输入为-drr/dz和雨顶高度时，算法反演潜热与输入为-drr/dz时取得相同的mae和ccr，但rmse和bias指标变差。这可能是因为降水廓线上的所有格点共享相同的雨顶高度，影响了模型的学习效果。
69.当在-drr/dz的基础上增加降水率rr为输入时，mae、rmse、bias指标增大，ccr显著减小，降水率rr降低了模型的反演效果，这主要是因为具有相同降水率rr的格点可能对应潜热吸收或释放，干扰模型学习，影响模型性能。
70.当在-drr/dz的基础上添加温度t为输入时，各指标均有所提升，这是因为在降水云内部，潜热是气块温度变化的主导因素。
71.综上可知，-drr/dz和温度t的组合输入取得最佳潜热反演效果，因此，本发明选择-drr/dz和t作为神经网络模型的输入进行潜热反演。
72.因此，本发明采用如下步骤实现反演降水潜热垂直廓线：
73.s1、获取降水率垂直梯度数据和对应的温度数据。
74.在具体实施时，降水率垂直梯度数据和对应的温度数据可通过以下步骤获取：
75.利用wrf模式(the weather research and forecasting model)模拟获得降水率、温度、高度、潜热等模式输出变量，进而计算得到降水率垂直梯度数据γ和温度t。
76.γ＝drr/dz
77.其中，γ表示降水率rr对高度z的垂直微分。
78.s2、对降水率垂直梯度数据和温度数据进行预处理。
79.在具体实施时，主要包括以下2个步骤：
80.s2.1、数据质量控制：将地表以下的降水率垂直梯度和潜热赋值为0，异常值和缺省值利用其四周相邻数据的均值进行填充。
81.s2.2、归一化：为了消除数据之间的量纲影响，需要进行数据标准化处理，即对所有变量分别进行了min-max标准化(min-max normalization)归一化：
[0082][0083]
x表示原始数据，x
*
表示归一化后的数据，min表示数据的最小值，max表示数据的最大值。
[0084]
在确定输入数据后，发明人还进一步考虑了不同特征融合方式的影响，在选择-drr/dz和t作为输入变量的基础上，进行三种融合方式的实验比较：
[0085]
(1)数据级融合，在输入时将两种变量进行合并(concat)，然后输入网络中。
[0086]
(2)特征级融合，网络由3部分组成：表征网络(rp-net)，融合网络(fu-net)和决策网络(dec-net)。表征网络(rp-net)用于特征提取，融合网络(fu-net)进行特征融合，决策网络(dec-net)进行潜热反演。在特征级融合时，两个输入变量采用2个表征网络rp-net分支分别进行特征提取后，再合并输入到融合网络fu-net，最后输入到决策网络dec-net。决策级融合，网络由2部分组成：表征网络(rp-net)和决策网络(dec-net)。
[0087]
(2)决策级融合，在网络中，两个输入变量采用2个表征网络rp-net分支分别进行特征提取后直接合并输入到决策网络dec-net中。
[0088]
三种融合方式的比较结果如表2所示：
[0089]
表2
[0090]
输入选择biasmaermseccr数据级融合-0.100.452.620.64特征级融合-0.040.402.500.68决策级融合-0.130.482.720.62
[0091]
数据级融合由于没有充分提取两种变量的特征，性能上弱于特征级融合。决策级融合由于缺少特征融合，在性能上相较于数据级融合和特征级融合出现了显著下降。
[0092]
因此，本发明采用特征级融合的设计，充分考虑了不同输入变量的差异和特征融合所需要的网络容量。
[0093]
s3、基于降水率垂直梯度数据γ和温度数据t构建数据集，并基于数据集训练基于全连接神经网络的反演降水潜热垂直廓线的网络，得到训练好的降水潜热反演网络；
[0094]
在本实施例中，降水潜热反演网络包括：
[0095]
两个特征表征网络rp-net，用于分别对降水率垂直梯度数据γ和温度数据进行特征提取；
[0096]
特征融合模块fu-module，用于将两个特征表征网络rp-net的特征提取结果进行特征融合和提取；
[0097]
决策网络dec-net，用于根据融合后的特征进行对降水潜热垂直廓线预测，得到降水潜热垂直廓线。
[0098]
在具体实施时，发明人进一步考虑了超参数的选择，为了检验本发明算法的输入变量选择的有效性，我们对表征网络(rp-net)的深度进行了探究。实验结果如表3所示。当模块数量为3时，网络取得最优的性能。
[0099]
表3
[0100]
输入选择biasmaermseccr2-0.160.502.760.593-0.040.402.500.684-0.050.412.580.68
[0101]
因此，本实施例的网络结构具体如图2、表4所示：
[0102]
特征表征网络rp-net由三个依次连接的模块构成，且每个模块均由一个全连接层fc和一个非线性激活层relu依次连接组成；
[0103]
特征融合模块fu-module由一个concatenate层、一个全连接层和一个relu非线性激活函数依次连接组成；首先通过concatenate层将不同变量表征的特征进行拼接，然后经过全连接层和非线性激活层对拼接后的特征进行特征融合和提取。
[0104]
决策网络dec-net由三个依次连接的模块构成，前两个模块均由一个全连接层fc和一个非线性激活层relu依次连接组成，最后一个模块仅有一个全连接层fc。
[0105]
表4
[0106][0107]
n表示输入/输出维度，每个模块的最后一个组数据表示输出大小。
[0108]
且本发明实施例中采用mse损失函数计算潜热反演损失loss，损失计算公式为：
[0109][0110]
其中，lh
ret
表示网络反演得到的降水潜热，lh
wrf
表示wrf模式模拟获得的降水潜热。
[0111]
将计算获得的损失值进行反向传播，更新网络参数，直到预测网络收敛，获得训练好的降水潜热反演网络。
[0112]
s4、将待反演的降水率垂直梯度数据γ和温度数据t进行预处理，再将预处理后的待反演的降水率垂直梯度数据γ和温度数据t输入训练好的降水潜热反演网络，得到降水潜热垂直廓线。
[0113]
有效性验证实验：
[0114]
本实施例的代码基于python 3.8和pytorch 1.10.2的深度学习框架实现。实验配置为intel(r)core(tm)i7-12700k cpu@3.60ghz、128gb ram和2nvidia geforce rtx 3090gpu，以及windows 10系统的工作站上进行。采用l2损失函数训练模型，学习率为lr＝0.001，epoch设置为1000，batchsize设置为100，采用adam优化器，全连接神经网络采用随机初始化方式进行参数初始化。
[0115]
实验结果如表5所示：
[0116]
在1个月的模拟过程中，本技术的fcnh方法反演潜热lh_fcnh和现有的vph方法反演潜热lh_vph对模式真值潜热lh_wrf的平均bias呈正态分布，总的平均bias分别为-0.04k/hr和-0.09k/hr。
[0117]
lh_fcnh和lh_vph对lh_wrf的平均mae分别为0.4k/hr和0.5k/hr，平均rmse分别为2.50k/hr和2.73k/hr，平均ccr分别为0.68和0.56。
[0118]
在所有模式输出时刻，本发明提出的fcnh方法的mae、rmse和ccr指标均优于vph算法。
[0119]
表5
[0120]
方法biasmaermseccrvph-0.090.502.730.56fcnh-0.040.402.500.68
[0121]
综上所述，与现有技术相比，本发明具备以下有益效果：
[0122]
1)本发明实施例选用降水率的垂直梯度和温度的组合作为输入变量，并通过利用全连接神经网络强大的非线性映射能力进行降水潜热反演，可以更加准确的获取复杂大气环境下，降水率的垂直梯度和温度与潜热之间的函数表达，从而获得更加精确的降水潜热反演结果。
[0123]
2)在训练全连接神经网络时，通过特征级融合的方式获取决策网络的输入，相比其他融合方式效果更优。
[0124]
3)在构建特征表征网络时，三个依次连接的模块构成，且每个模块均由一个全连接层fc和一个非线性激活层relu依次连接组成，使得网络性能取得最优。
[0125]
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0126]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。