(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211272422.5 (22)申请日 2022.10.18 (71)申请人 南京信息 工程大学 地址 210000 江苏省南京市宁六路219号 (72)发明人 田伟　张敬国　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 陈国强 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G01W 1/14(2006.01) G06F 111/10(2020.01) (54)发明名称 基于深度学习的数值模式降水偏差校正方 法 (57)摘要 本发明公开了基于深度学习的数值模式降 水产品的偏差校正方法， 包括如下具体步骤： 获 取ERA5陆面再分析数据、 ECMWF日降水预测数据 和地面站日降水观测数据； 通过皮尔逊相关系数 利用气象因子和地面观测降水值之间的相关性 选取有效特征； 获得较为准确的日降水标签； 建 立基于深度学习的模式降水产品偏 差校正模型， 设计权重损失函数更新模型参数； 训练获得最佳 模型。 本发 明的优点在于深度学习模 型加入历史 气象序列且模型设计双分支结构既关注到局部 降水又能兼顾整体降水， 使用权重损失函数环境 降水量跨度大且极不平衡的问题， 模 型能够很好 的学习到 数值模式中降水误差， 达到降水偏差校 正的效果。 权利要求书2页 说明书6页 附图4页 CN 115544889 A 2022.12.30 CN 115544889 A 1.基于深度学习的数值模式降水产品偏差校正方法， 其特 征在于， 包括以下步骤： 1） 首先， 利用ERA5再分析气象数据和地面观测降水量之间的相关性， 选择对降水存在 潜在关系的影响因子作为模型有效特 征； 2） 对步骤1） 选择的对降水存在潜在 关系的影响因子切割至研究区域范围 （包含上下文 信息） 构成特 征区域， 并将该 特征空间进行归一 化处理， 构成训练样本集； 3） 采用步骤2） 所述的训练样本集， 输入空间特征提取中将特征范围放缩至研究区域大 小， 然后将气象特征输入时空预测网络中提取预测未来时间内气象特征 的变化趋势， 并通 过反卷积 将特征空间分辨 率与数值预报分辨 率保持一 致； 4） 将步骤3） 所述的预测结果与数值预报降水产品和DEM等先验知识进行叠加， 输入空 间订正模块中， 使用自定义的权重损失函数更新模型参数， 选择最优模型在测试集中验证 模型偏差校正的效果； 5） 对偏差校正后的降水 结果进行检验评估。 2.根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法， 其特征在于， 步 骤1） 所述的选取有效的气象特征信息， 利用皮尔逊相关系数来计算各气象特征与地面站观 测降水之间的相关性， 设定一个阈值将所有气象特征大于该阈值的特征认定为有效特征， 皮尔逊相关系数的计算方法为： 式中 为特征值 的协方差， 分别表示特 征 的方差。 3.根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法， 其特征在于， 步 骤2） 所述的数据集的制作 与特征归一化的步骤为： （a） 将所选的有效特征切分至研究区域并向四周扩散考虑周围环境对目标区域降水的 影响。 4. （b） 在切分后的特征中进行归一化操作， 其中 除降水特征外均使用Z ‑SCORE归一化方 法， 计算公式为： 数据特征就归一化到同一维度上， 其中 是每个要素的总体均 值， 是总体数据的标准差； 而由于降水成离散型分布， 且降水在量级上扩大较大故采用log归一化的方式， 缓解降 水相差较大的情况计算公式为： 根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法， 其特征在于， 步骤 3） 所述的时空预测网络先考虑周围气象环境信息对目标区域的影响然后对构建的气象历 史序列信息使用Mot ionRNN用于提取过去一段时间内气象特征的变化推断在未来该目标区 域的变化趋势， 并将变化趋势使用反卷积得到与数值模式降水一 致的空间分辨 率。 5.根据权利要求1所述的基于深度学习的数值模式降水偏差校正方法， 其特征在于， 步 骤4） 所述的将未来气象变化趋势与数值预报降水和D EM等先验知识进 行融合并输入值空间 订正模块， 该模块分为两个分支即： 全局分支与局部分支 兼顾局部降水与全局降水， 整个模型的训练使用权重损失函数来权　利　要　求　书 1/2 页 2 CN 115544889 A 2优化参数， 缓解降水分布极不平衡问题， 表达式为： 其中N代表区域内雨量 计个数， 和 分别表示相对应经纬度实际和订正后降水量， 为第i个站点雨量强 度对应的权 重， 大雨的权 重要大于小雨的权 重， 具体如下 所示： 最后使用最优 模型使用验证集评估 模型性能。权　利　要　求　书 2/2 页 3 CN 115544889 A 3