基于深度学习的网格化气象预报研究

作     者：张璞 

作者单位：海南大学 

学位级别：硕士

导师姓名：唐荣年

授予年度：2023年

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 0706[理学-大气科学] 0811[工学-控制科学与工程] 

主      题：深度学习 时空预测 多模式数据 PredRNN-V2 Pred-SF 

摘      要：高效且准确的气象预报系统可以在社会生产生活、灾害预防治理等领域提供强大的保障能力,传统主流的气象预报方式主要有数值天气预报和雷达回波外推,这两种方法都有其适用范围的局限性和现有技术难以克服的缺陷。同时,随着深度学习的崛起,这种使用高质量数据集训练预测模型的方式不会受到应用场景的限制,预测效果只与数据质量和模型搭建方式有关,因此基于深度学习的气象预报方式为气象领域带来了一个新的发展方向。本文将时空预测问题和网格化气象数据预测问题相联系,基于时空序列数据和网格化气象数据在数据结构上的相似性,本文认为网格化气象数据预测问题本质上是一种时空预测问题,因此选择将气象预测问题转化为基于深度学习的时空预测问题来进行处理。同时,本文对网格化气象数据进行了分析,总结出时间序列连续性、时间序列周期性、空间特征多元性和空间区域相关性等四个特点,并基于这些特点在输入数据的选择和处理方式上进行了对应的调整。本文主要研究内容如下:(1)针对地面温度和风速预报问题,本文使用多模式数据融合搭配自回归循环网络对其进行了未来72小时的预报,此处选用了ERA5数据。其中多模式数据融合是指将目标预测区域包含地面温度和风速在内的多种气象数据、大范围区域的地面温度和风速数据、月日时的时间编码进行多源特征提取和融合,自回归循环网络采用了矩阵变维和PredRNN-V2时空预测网络相结合的结构。本文也通过该模型分析了ZSCORE标准化和归一化两种数据预处理方式和Diceloss损失函数的特点。实验表明,该模型可以有效对未来72小时的地面温度和风速进行预报,选用Z-SCORE标准化和使用加入Diceloss的损失函数更有助于该模型对自身参数进行调整和优化。(2)针对降水量预报问题,本文使用多模式数据融合搭配Pred-SF网络对其进行未来4小时的预报,此处选用了ERA5和GPM数据。降水预测问题中的多模式数据融合是将目标区域的降水量、大范围区域的降水量、大范围区域多种气象数据、月日时的时间编码进行多源特征提取和特征融合,Pred-SF网络则为本文提出的一种分步运行时空预测模型,相比传统模型增加了对初步预测结果进行二次预测的结构。其中,Pred是对多模式数据进行循环预测,SF是在Pred基础上使用空间信息融合结构对多模式数据预测值的空间特征进行融合,最终输出目标区域的降水量预测值。实验表明,Pred-SF网络相比传统时空预测网络可以提高降水预报准确率。本文提出的两种基于深度学习的网格化气象预报方法都能够对相应的气象要素进行有效预测,并且相比传统模型在预测准确率上都有所提升,这为气象预报业务的发展提供了理论和方法参考。