本發(fā)明屬于水文氣候變化與人工智能交叉應(yīng)用，具體涉及一種基于深度殘差網(wǎng)絡(luò)的日降雨降尺度模擬方法。

背景技術(shù)：

1、在當(dāng)前氣候變化研究中，全球氣候模型（gcm）提供了重要的大尺度氣候信息，但其空間分辨率通常在0.5°到4°之間，限制了其在城市或區(qū)域級別的應(yīng)用。為滿足區(qū)域氣候評估的需求，研究者們開發(fā)了多種降尺度技術(shù)，包括動(dòng)力學(xué)降尺度和統(tǒng)計(jì)降尺度。動(dòng)力學(xué)降尺度依賴區(qū)域氣候模型進(jìn)行數(shù)值模擬，而統(tǒng)計(jì)降尺度則建立在全球氣候模型預(yù)測因子與區(qū)域氣候變量之間的統(tǒng)計(jì)關(guān)系上。

2、近年來，深度學(xué)習(xí)技術(shù)和高性能計(jì)算的發(fā)展為降尺度研究帶來了新機(jī)遇。神經(jīng)網(wǎng)絡(luò)模型，尤其是卷積神經(jīng)網(wǎng)絡(luò)（cnn）和深度殘差網(wǎng)絡(luò)（drn），在降尺度研究中顯示出良好的潛力。這些模型能夠捕捉數(shù)據(jù)中的復(fù)雜非線性關(guān)系，并在一定程度上克服了傳統(tǒng)方法的局限性。現(xiàn)有技術(shù)方法主要包括：將低空間分辨率氣候變量（如降雨、氣溫等）轉(zhuǎn)化為高分辨率氣候變量的網(wǎng)絡(luò)算法；根據(jù)氣候預(yù)測因子（氣壓、重力勢、風(fēng)場、濕度等）改善相同空間分辨率的氣候變量；從低空間分辨率預(yù)測因子到高分辨率氣候變量的研究，以及從低分辨率預(yù)測因子推算地面觀測站或區(qū)域平均值的外延預(yù)測研究。然而，現(xiàn)有深度學(xué)習(xí)模型在處理日尺度降雨降尺度時(shí)仍面臨挑戰(zhàn)，特別是在缺乏日尺度、高分辨率環(huán)境變量數(shù)據(jù)的未來預(yù)測情境中。

3、因此，在氣候變化和極端天氣頻發(fā)的背景下，有必要提出并建立一種基于深度殘差網(wǎng)絡(luò)的日降雨降尺度模擬方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種基于深度殘差網(wǎng)絡(luò)的日降雨降尺度模擬方法，能夠有效提高氣候變化情景下日尺度降雨的空間分辨率和預(yù)測精度。

2、為達(dá)到上述目的，達(dá)到上述技術(shù)效果，本發(fā)明是采用下述技術(shù)方案實(shí)現(xiàn)的：

3、第一方面，本發(fā)明提供一種基于深度殘差網(wǎng)絡(luò)的日降雨降尺度模擬方法，包括以下步驟：

4、獲取待預(yù)測區(qū)域?qū)崟r(shí)的降雨影響因素；所述降雨影響因素包括氣象預(yù)測因子、下墊面數(shù)據(jù)和區(qū)域邊界；

5、將所述降雨影響因素進(jìn)行預(yù)處理，得到預(yù)處理后的降雨影響因素；

6、將所述預(yù)處理后的降雨影響因素輸入訓(xùn)練好的降雨深度學(xué)習(xí)網(wǎng)絡(luò)，得到待預(yù)測區(qū)域的柵格型降雨數(shù)據(jù)。

7、進(jìn)一步的，所述氣象預(yù)測因子包括海平面壓力、近地表氣溫、500hpa氣壓處的相對濕度、重力勢和800hpa氣壓處的相對濕度、重力勢；

8、所述下墊面數(shù)據(jù)包括高程模型和土地利用與覆蓋。

9、進(jìn)一步的，將所述降雨影響因素進(jìn)行預(yù)處理，得到預(yù)處理后的降雨影響因素，包括：

10、針對氣象預(yù)測因子進(jìn)行重采樣，轉(zhuǎn)換為面積相同的投影坐標(biāo)系數(shù)據(jù)；

11、針對氣象預(yù)測因子、下墊面數(shù)據(jù)和區(qū)域邊界的數(shù)據(jù)統(tǒng)一采用標(biāo)準(zhǔn)分?jǐn)?shù)（z-score）標(biāo)準(zhǔn)化法，將數(shù)據(jù)縮放到相同的量級，得到預(yù)處理后的降雨影響因素。

12、進(jìn)一步的，所述降雨深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行降雨預(yù)測的方法包括：

13、將氣象預(yù)測因子的數(shù)據(jù)輸入升采樣子模塊進(jìn)行升采樣，調(diào)整到與下墊面數(shù)據(jù)和區(qū)域邊界的數(shù)據(jù)的分辨率相一致，并且將其與下墊面數(shù)據(jù)和區(qū)域邊界的數(shù)據(jù)連接，生成初步采樣數(shù)據(jù)；

14、將初步采樣數(shù)據(jù)輸入到多個(gè)殘差子模塊中，并與多個(gè)殘差子模塊的輸出進(jìn)行跳躍連接和疊加運(yùn)算，得到預(yù)測的降雨數(shù)據(jù)。

15、所述殘差子模塊包括多個(gè)卷積子模塊，并且殘差子模塊的輸入與多個(gè)卷積子模塊的輸出進(jìn)行跳躍連接和疊加運(yùn)算，得到殘差子模塊的輸出。

16、所述卷積子模塊用于進(jìn)行卷積運(yùn)算、非線性化、批量歸一化。

17、進(jìn)一步的，所述降雨深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練方法包括：

18、獲取訓(xùn)練數(shù)據(jù)集；所述訓(xùn)練數(shù)據(jù)集包括各地區(qū)的柵格型降雨數(shù)據(jù)以及對應(yīng)的降雨影響因素；

19、預(yù)處理所述訓(xùn)練數(shù)據(jù)集；

20、基于預(yù)處理后的訓(xùn)練數(shù)據(jù)集，采用小批量數(shù)據(jù)方式進(jìn)行訓(xùn)練，選擇自適應(yīng)矩估計(jì)（adam）作為訓(xùn)練優(yōu)化算法，選擇均方誤差（mse）作為損失函數(shù)，對所述降雨深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的降雨深度學(xué)習(xí)網(wǎng)絡(luò)。

21、進(jìn)一步的，獲取訓(xùn)練數(shù)據(jù)集，包括：

22、采用基于地面雨量計(jì)與衛(wèi)星觀測的降雨融合數(shù)據(jù)集（chirps）作為柵格型降雨數(shù)據(jù)的數(shù)據(jù)源。

23、采用中國氣象局國家氣候中心開發(fā)的氣候系統(tǒng)模型v2-中等分辨率（bcc-csm2-mr）氣候變化數(shù)據(jù)作為氣象預(yù)測因子的數(shù)據(jù)源，將氣象預(yù)測因子數(shù)據(jù)的地理坐標(biāo)與當(dāng)?shù)赝队白鴺?biāo)進(jìn)行匹配，利用最近距離法重采樣為投影坐標(biāo)系。

24、將一組氣象預(yù)測因子、下墊面數(shù)據(jù)和區(qū)域邊界以及對應(yīng)的一組降雨數(shù)據(jù)整理為一個(gè)數(shù)據(jù)樣本，每一個(gè)數(shù)據(jù)樣本是機(jī)器學(xué)習(xí)訓(xùn)練過程的最小單位；

25、將獲取的各種數(shù)據(jù)整理為多個(gè)數(shù)據(jù)樣本，得到訓(xùn)練數(shù)據(jù)集。

26、進(jìn)一步的，預(yù)處理所述訓(xùn)練數(shù)據(jù)集的方法包括全局歸一化和數(shù)據(jù)增強(qiáng)。

27、進(jìn)一步的，數(shù)據(jù)增強(qiáng)的方法包括：

28、對原數(shù)據(jù)按總降雨量排序，選取前20%的數(shù)據(jù)用于數(shù)據(jù)增強(qiáng)，選取了5種常用的數(shù)據(jù)增強(qiáng)方法，分別為左右鏡像、上下鏡像、旋轉(zhuǎn)90°、旋轉(zhuǎn)180°、旋轉(zhuǎn)270°。對強(qiáng)降雨數(shù)據(jù)實(shí)施5次數(shù)據(jù)增強(qiáng)后，形成了一個(gè)與原數(shù)據(jù)相同大小的數(shù)據(jù)集。

29、進(jìn)一步的，深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練過程中，訓(xùn)練子集、驗(yàn)證子集比例設(shè)置為0.8。在網(wǎng)絡(luò)訓(xùn)練中訓(xùn)練子集中原數(shù)據(jù)和增強(qiáng)數(shù)據(jù)按1:1進(jìn)行使用，驗(yàn)證子集僅使用原數(shù)據(jù)。

30、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果：

31、1、本發(fā)明構(gòu)建的降雨降尺度深度學(xué)習(xí)網(wǎng)絡(luò)考慮了土地利用變化。與傳統(tǒng)方法利用偏差校正函數(shù)直接對全球氣候模型數(shù)據(jù)中降雨數(shù)據(jù)進(jìn)行空間降尺度，對降雨空間分布的高偏差性以及下墊面條件的影響考慮不足。本發(fā)明通過重采樣對全球氣候模型數(shù)據(jù)中降雨相關(guān)的氣象預(yù)測因子進(jìn)行降尺度，與土地利用數(shù)據(jù)進(jìn)行結(jié)合，作為殘差網(wǎng)絡(luò)的輸入，構(gòu)成降尺度深度殘差網(wǎng)絡(luò)框架，以輸出高分辨率的中小尺度降雨空間分布，整體提高降尺度降雨空間分布數(shù)據(jù)的適配性，能夠模擬氣候變化和城市化對區(qū)域降雨變化的影響。

32、2、本發(fā)明設(shè)計(jì)了在降雨降尺度深度學(xué)習(xí)網(wǎng)絡(luò)中引入了深度殘差結(jié)構(gòu)。與現(xiàn)有的降雨降尺度神經(jīng)網(wǎng)絡(luò)模型相比，本發(fā)明綜合采用殘差網(wǎng)絡(luò)結(jié)構(gòu)、卷積神經(jīng)網(wǎng)絡(luò)、轉(zhuǎn)置卷積、基于relu的非線性化激活函數(shù)等神經(jīng)網(wǎng)絡(luò)技術(shù)，更好地反映降雨空間分布上的連續(xù)性。relu（整流線性單元）非線性化在卷積子模塊、升采樣子模塊中均有使用。轉(zhuǎn)置卷積是本方法中升采樣子模塊?的核心運(yùn)算。

33、3、本發(fā)明在tensorflow機(jī)器學(xué)習(xí)平臺中，采用keras框架，設(shè)計(jì)了卷積子網(wǎng)絡(luò)、升采樣子網(wǎng)絡(luò)、殘差子網(wǎng)絡(luò)3個(gè)可直接調(diào)用的神經(jīng)網(wǎng)絡(luò)子模塊，這三個(gè)子模塊編寫成獨(dú)立的函數(shù)，形成可重復(fù)利用的函數(shù)庫，既能在所構(gòu)建的深度殘差網(wǎng)絡(luò)框架在實(shí)際應(yīng)用過程中增加網(wǎng)絡(luò)深度調(diào)整的便捷性，也為用于其他深度學(xué)習(xí)模型開發(fā)。

34、4、本發(fā)明對原訓(xùn)練數(shù)據(jù)按總降雨量排序，選取前20%的數(shù)據(jù)形成強(qiáng)降雨過程，利用鏡像、旋轉(zhuǎn)等圖像重構(gòu)技術(shù)對強(qiáng)降雨過程進(jìn)行了數(shù)據(jù)增強(qiáng)，提高深度學(xué)習(xí)網(wǎng)絡(luò)對降雨數(shù)據(jù)的敏感度。

35、5、本發(fā)明在降雨深度殘差網(wǎng)絡(luò)訓(xùn)練過程中設(shè)計(jì)了一種原始訓(xùn)練數(shù)據(jù)集和增強(qiáng)數(shù)據(jù)集的使用策略，利用80%的原始數(shù)據(jù)和80%增強(qiáng)數(shù)據(jù)做最有模型訓(xùn)練，再利用20%的原始數(shù)據(jù)將進(jìn)行驗(yàn)證，驗(yàn)證后利用全部原始數(shù)據(jù)和增強(qiáng)數(shù)據(jù)進(jìn)行加強(qiáng)訓(xùn)練，形成了“訓(xùn)練-驗(yàn)證-訓(xùn)練”的模式，即保證了網(wǎng)絡(luò)參數(shù)得到有效的驗(yàn)證，又加強(qiáng)了全部訓(xùn)練數(shù)據(jù)的利用率。

36、6、本方法不僅具有較好的實(shí)用價(jià)值，還具備較高的普適性。本發(fā)明旨在提出一種基于深度殘差網(wǎng)絡(luò)的日降雨降尺度模擬方法，以解決現(xiàn)有技術(shù)的不足。該方法利用深度殘差網(wǎng)絡(luò)強(qiáng)大的特征提取能力和對復(fù)雜關(guān)系的建模能力，提高了日降雨降尺度的精度和可靠性。與傳統(tǒng)的統(tǒng)計(jì)降尺度方法相比，該方法在模擬極端降水事件和捕捉局部氣候特征方面具有明顯優(yōu)勢。此外，該方法還能夠適應(yīng)不同的氣候條件和地形特征，為區(qū)域氣候評估和決策提供更為精細(xì)的降水預(yù)測。通過這種方法，可以更好地理解和預(yù)測氣候變化對地區(qū)天氣模式的影響，從而為應(yīng)對氣候變化提供科學(xué)依據(jù)。