基于卷积UNet和迁移学习的区域月降水预测方法及系统与流程

本发明涉及一种区域月降水预测方法及系统，尤其是基于卷积unet和迁移学习的区域月降水预测方法及系统。

背景技术：

1、降水是全球物质和能量循环的重要因子，并对人们日常生活和经济社会发展产生重要影响。准确及时地掌握降水时间、地点和强度等信息对于了解地球系统运行及改进天气、气候、淡水资源及自然灾害事件的预报至关重要。月降水预报方法可分为以下两种类型：(1)动力模式，应用数学物理方程组针对不同时空尺度的物理过程对不同气候条件进行模拟，以揭示海洋、大气和陆地之间的相互关系。动力预测方法主要优点在于物理机制明确，缺点是模型空间分辨率较粗，缺少详细的区域气候信息，对区域气候要素预测较为局限，且动力模式的降水预报技巧不高，达不到业务应用水平；(2)统计方法，直接应用各种预测变量(如海表温度)与水文气候变量(降水等)之间的统计关系进行建模预报。统计方法是数据驱动模型，其计算负担更小、建模更为简单，但现有统计预测方法多局限于单点单站预测，没有考虑降水的空间信息，不涉及区域尺度的降水预测。同时，目前水文气象数据的观测长度不足百年，这意味着仅有不足上万的数据样本可用于模型的学习训练，这对于一般的深度学习模型来说，可学习的样本量过小。过少的样本数量易导致模型出现过拟合，难以达到预期预测效果。

技术实现思路

1、发明目的：本发明的目的是提供一种实现高精度预测的基于卷积unet和迁移学习的区域月降水预测方法及系统，以解决现有技术中存在的不足。

2、技术方案：本发明所述的基于卷积unet和迁移学习的区域月降水预测方法，包括如下步骤：

3、对区域月降水与降水影响因素进行相关性分析，筛选预报因子；

4、将所述预报因子作为卷积unet网络的输入，未来时刻区域月降水作为输出，构建区域月降水预测模型；

5、以日尺度气象数据采用30天滑窗生成模拟月尺度气象数据，对所述区域月降水预测模型进行预训练，然后以观测的实际月尺度气象数据训练所述区域月降水预测模型进行参数微调；

6、根据当前时刻实测区域月气象数据，利用经过预训练和参数微调后的所述区域月降水预测模型预测未来时刻的区域月降水。

7、进一步地，所述降水影响因素包括气象要素、地形地貌要素及下垫面要素。

8、进一步地，所述对区域月降水与降水影响因素进行相关性分析，筛选预报因子包括，利用分类与回归树对所述降水影响因素进行重要性评分，利用相关性评估方法计算所述降水影响因素与区域月降水的相关性系数，根据所述重要性评分及相关性系数由大到小排序选择所述预报因子。

9、进一步地，所述以日尺度气象数据采用30天滑窗生成模拟月尺度气象数据，对所述区域月降水预测模型进行预训练包括，每组日尺度气象数据采用30天滑窗生成由30个日尺度气象数据组成的模拟月尺度气象数据，采用adam算法对所述区域月降水预测模型进行预训练。

10、进一步地，所述以观测的实际月尺度降水数据对所述区域月降水预测模型进行训练，得到区域月降水预测模型包括，通过迁移学习以所述预训练得到的模型参数作为训练的初始参数，对所述区域月降水预测模型进行参数微调和超参选择。

11、进一步地，所述对区域月降水与降水影响因素进行相关性分析，筛选预报因子之后还包括，统一预报因子数据的空间分辨率，基于空间插值方法将预报因子数据整合至同一空间尺度，对预报因子数据进行标准化处理。

12、本发明所述的基于卷积unet和迁移学习的区域月降水预测系统，包括：

13、预报因子筛选模块，用于对区域月降水与降水影响因素进行相关性分析，筛选预报因子；

14、区域月降水预测模型建立模块，用于将所述预报因子作为卷积unet网络的输入，未来时刻区域月降水作为输出，构建区域月降水预测模型；

15、模型训练模块，用于以日尺度气象数据采用30天滑窗生成模拟月尺度气象数据，对所述区域月降水预测模型进行预训练，然后以观测的实际月尺度气象数据对所述区域月降水预测模型进行参数微调；

16、区域月降水预测模块，用于根据当前时刻预报因子的实测月尺度数据，利用经过预训练和参数微调后的所述区域月降水预测模型预测未来时刻的区域月降水。

17、本发明所述电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的基于卷积unet和迁移学习的区域月降水预测方法。

18、本发明所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于卷积unet和迁移学习的区域月降水预测方法。

19、有益效果：与现有技术相比，本发明的优点在于：(1)利用卷积unet网络实现降水的区域预测；与以往基于单点单站预测方法不同，本发明应用卷积神经网络考虑降水、气温等气象要素的空间关联性，刻画降水的空间结构，反映降水要素的空间差异性，使得在降水预测过程中能够更充分地利用气象要素的空间信息特征，并输出区域月降水的高精度预测结果；(2)本发明利用迁移学习，利用日尺度气象数据通过滑窗的方法生成大量月尺度气象数据，对预测模型进行预训练，实现小样本情景的深度学习预测，并提升其预测性能；(3)本发明在预测模型构建中同时考虑气象条件、地形地貌特征、下垫面状况等对降水预测的影响，基于分类与回归树的重要性评分、互信息、自相关/偏自相关等方法，综合比选出影响区域月降水预测的主要预报因子，提升月降水预测的准确度。

技术特征：

1.一种基于卷积unet和迁移学习的区域月降水预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于卷积unet和迁移学习的区域月降水预测方法，其特征在于，所述降水影响因素包括气象要素、地形地貌要素及下垫面要素。

3.根据权利要求1所述的基于卷积unet和迁移学习的区域月降水预测方法，其特征在于，所述对区域月降水与降水影响因素进行相关性分析，筛选预报因子包括，利用分类与回归树对所述降水影响因素进行重要性评分，利用相关性评估方法计算所述降水影响因素与区域月降水的相关性系数，根据所述重要性评分及相关性系数由大到小排序选择所述预报因子。

4.根据权利要求1所述的基于卷积unet和迁移学习的区域月降水预测方法，其特征在于，所述以日尺度气象数据采用30天滑窗生成模拟月尺度气象数据，对所述区域月降水预测模型进行预训练包括，每组日尺度气象数据采用30天滑窗生成由30个日尺度气象数据组成的模拟月尺度气象数据，采用adam算法对所述区域月降水预测模型进行预训练。

5.根据权利要求1所述的基于卷积unet和迁移学习的区域月降水预测方法，其特征在于，所述以观测的实际月尺度气象数据对所述区域月降水预测模型进行训练，得到区域月降水预测模型包括，通过迁移学习以所述预训练得到的模型参数作为训练的初始参数，对所述区域月降水预测模型进行参数微调和超参选择。

6.根据权利要求1所述的基于卷积unet和迁移学习的区域月降水预测方法，其特征在于，所述对区域月降水与降水影响因素进行相关性分析，筛选预报因子之后还包括，统一预报因子数据的空间分辨率，基于空间插值方法将预报因子数据整合至同一空间尺度，对预报因子数据进行标准化处理。

7.一种基于卷积unet和迁移学习的区域月降水预测系统，其特征在于，包括：

8.根据权利要求7所述的基于卷积unet和迁移学习的区域月降水预测系统，其特征在于，所述降水影响因素包括气象要素、地形地貌要素及下垫面要素。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的基于卷积unet和迁移学习的区域月降水预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-6任一项所述的基于卷积unet和迁移学习的区域月降水预测方法。

技术总结
本发明公开了一种基于卷积UNet和迁移学习的区域月降水预测方法及系统，所述方法通过对区域月降水与降水影响因素进行相关性分析筛选预报因子，建立基于卷积UNet网络的区域月降水预测模型，以日尺度气象数据采用30天滑窗生成模拟月尺度气象数据，对所述区域月降水预测模型进行预训练，然后以观测的实际月尺度数据训练所述区域月降水预测模型，进行参数微调；训练后的模型用于预测未来时刻的区域月降水；本发明充分考虑了影响降水的气象条件、地形地貌特征、下垫面状况等因素，同时在日尺度气象数据的基础上用滑动时间窗口获取模拟月尺度气象数据，以扩充预训练样本，提升预测模型在小样本学习情景下的应用价值，提升区域月降水的准确度。

技术研发人员：倪玲玲,杨苗,古子琛
受保护的技术使用者：水利部交通运输部国家能源局南京水利科学研究院
技术研发日：
技术公布日：2024/1/13