基于深度学习的短时降水订正方法研究.pdfVIP

基于深度学习的短时降水订正方法研究

摘要

短时降水对水资源管理、灾害防控、农业生产和生态系统稳定性等影响重大，但由

于其生命周期短且变化速度快，精准预报短时降水面临很大困难。传统的短时降水预报

主要依赖于数值天气预报，数值模式预报产品由大量的物理学和动力学方程进行计算得

到。在实际的预报工作中，尽管数值模式的动力框架和物理过程描述日臻完善，预报精

度不断提高，但降水预报值与实际值之间始终存在较大偏差，这给降水预报准确率的进

一步提高带来一定的困难。针对这一问题，目前常用的解决方案就是通过引入历史资料

订正来提高数值天气预报水平。随着深度学习技术的快速发展，利用深度学习技术对数

值预报降水数据进行订正已成为提高降水预报准确率的重要途径。

因此，本课题基于深度学习进行短时降水订正方法研究。着重探讨如何基于短时降

水的时空分布不确定性和样本不平衡特点，有效融合多种气象要素数据信息构建深度学

习模型并实现降水订正，进一步提高短时降水预报的准确性。本文具体研究内容和主要

工作如下：

（1）分析降水预报数据偏差并构建训练数据集。首先，介绍本文的原始数据集：全

球降水量测量（GlobalPrecipitationMeasurement，GPM）的降水观测数据和全球预报系

统（GlobalForecastSystem，GFS）降水预报数据；然后，选用降水预报常用的评价指标，

以GPM降水数据为标签，对GFS降水预报数据进行偏差分析；最后，分析降水数据

集中存在的样本不平衡问题，根据数据集样本不平衡相关解决措施构建训练数据集。

（2）基于短时降水时空分布不稳定、样本不平衡特点，本文提出一种包含残差卷积

块注意力模块和门控时空注意力模块的短时降水订正模型PF-UNet。模型通过对称的网

络结构、注意力模块和有效的下采样策略使其在训练过程中更加侧重降水事件，有效捕

捉观测数据和预报数据之间的联系。实验结果表明，相比于其他模型，PF-UNet模型在

订正过程中拥有更好的表现，降水量与降水区域预报均更加准确。然而，与观测数据相

比，订正后的降水量仍然存在一定的偏差。

（3）针对单要素短时降水订正实验结果中存在的降水量偏差问题，构建气象要素

消融实验，分析和评估不同气象要素反映短时降水的能力和相互关系。消融实验结果表

明，单要素种类中水文要素对降水预报的影响最高，综合多种气象要素能够更好地反映

降水事件的发生与演变过程。

哈尔滨工程大学硕士学位论文

（4）引入多种气象要素作为辅助进行多要素短时降水订正，并提出一种结合空洞

卷积和门控生成网络的改进PF-UNet模型。改进PF-UNet模型可以实现降水预报数据

和气象要素预报数据的加权融合、提取更大感受野范围内的特征信息、控制并调整特征

的生成过程，从而实现数据信息的充分利用。结果表明，直接融合气象要素预报数据和

降水预报数据会在一定程度上干扰订正效果，而改进PF-UNet模型可以有效融合气象

要素数据信息，减少偏差干扰，进而大幅提升订正效果。基于改进PF-UNet模型的多

要素短时降水订正的降水区域与降水量大小最贴近GPM标签数据，表现最佳。

关键词：深度学习；数值天气预报；短时降水；预报订正；UNet

基于深度学习的短时降水订正方法研究

ABSTRACT

Short-termprecipitationhasasignificantimpactonwaterresourcemanagement,disaster

preventionandcontrol,agriculturalproduction,andecosystemstability.However,duetoits

shortlifecycleandfastchangerate,accuratepredictionofshort-termprecipitationfacesgreat

difficulties.Traditionalshort-termprecipitationforecastingm