一种基于图神经网络的微区域气象数据编码方法与流程

本发明涉及气象领域，更具体地说，它涉及一种基于图神经网络的微区域气象数据编码方法。

背景技术：

1、气象系统是一个典型的时空耦合系统，其中天气现象和气象条件随时间和空间变化而变化，且两者之间存在复杂的相互作用。

2、一个降雨事件在一个地区的发生可能会影响到邻近区域的湿度、温度等气象参数，同时，同一地区不同时间点的气象状态也高度相关，因此，仅考虑空间关系或单独分析时间序列都不能全面捕捉气象系统的动态特性。

技术实现思路

1、本发明提供一种基于图神经网络的微区域气象数据编码方法，解决相关技术中仅考虑空间关系或单独分析时间序列都不能全面捕捉气象系统的动态特性的技术问题。

2、本发明提供了一种基于图神经网络的微区域气象数据编码方法，包括以下步骤：

3、s100：在微区域a内，构建了最大50m分辨率的a-grid结构与嵌套的a-mesh结构，a-grid结构记录地理与气象信息作为起点，a-mesh结构以小正三角形密集布置；

4、s200：将69项气象变量转换为向量形式，并为每个网格节点编制包含历史气象数据的时间序列，创建时空特征向量；

5、s300：通过初始化a-grid与a-mesh间的图结构，结合时空特征向量创建时空混合图，其中a-grid节点与相邻a-mesh节点通过边相连，形成初步的交互网络，构建a-grid与a-mesh的交互图模型，通过在a-grid上初始化编码并经由特定设计的边结构传播至a-mesh进行信息聚合，随后信息反向回传至a-grid；

6、s400：构建st-gnn模型在初始化时纳入时空卷积、图注意力及循环神经网络组件，通过mlp转化数据后，利用历史数据训练；

7、s500：将优化的st-gnn模型部署至云服务器或高性能集群，并通过api接口实现气象数据的处理。

8、进一步地，在步骤s100中，包括a-grid与a-mesh构造：

9、a-grid构造，针对微区域a，依据其空间范围，创建空间分辨率最大为50m的网格结构；每个网格节点记录地理位置、初始气象变量值，作为时空序列的起始点；

10、a-mesh构造，采用边长不超过50m的小正三角形构建a-mesh，紧密嵌入a-grid内部，达到无缝覆盖；

11、三角形顶点作为a-mesh节点，通过边连接形成高度互连的网络。

12、进一步地，在a-grid构造中，设微区域的边界为，空间分辨率为；

13、a-grid构造过程涉及将划分为个矩形网格，其中是沿微区域宽度和长度方向的网格数量，满足总面积覆盖要求且每个网格边长接近a-grid；

14、网格节点表示：每个网格的中心或角落被标记为节点，，其中的地理位置用坐标表示，初始气象变量值集合为，其中表示第个网格在开始时第个气象变量的值。

15、进一步地，在a-mesh构造中，还包括以下内容：

16、小正三角形的定义如下，每个小正三角形的边长设定为，与a-grid的空间分辨率兼容；

17、其中节点与边如下，在a-mesh中，每个小正三角形的顶点作为网络节点，其中是总节点数；

18、节点间若通过三角形边缘相连，则定义为有边相连，记作连接和，形成图；

19、每个a-mesh节点对齐a-grid的网格节点，且小正三角形连续排列，无重叠且覆盖微区域的边界的每一部分。

20、进一步地，创建时空特征向量的步骤如下：

21、s210：对于微区域a中的69个气象变量，记为，进行归一化处理：

22、归一化处理：

23、

24、其中，是归一化后的第个气象变量值，和分别代表该变量在整个数据集中的最小值和最大值；

25、s220：为每个网格节点构建时空序列数据，首先需要整合历史气象观测值；

26、假设每个节点有个时间点的观测记录，每个时间点记录了69个气象变量的状态，将每个时间点的数据组织成一个特征向量：

27、

28、其中，代表在时间点上，网格节点的第个气象变量的观测值，而是对应的时间戳，用于标定时间序列的位置；

29、对于每个节点得到一个时间序列特征矩阵。

30、进一步地，其中气象变量的个数为69个，其中地表变量有4个，不同大气压强的大气变量有65个；其中大气压强的数量为13个，大气变量为5个；

31、其中地表变量包括2米高度温度、10米高度风的u分量、10米高度风的v分量和平均海平面气压；

32、其中不同大气压强中的大气变量，其中大气压强包括1000hpa、925hpa、850hpa、700hpa、600hpa、500hpa、400hpa、300hpa、250hpa、200hpa、150hpa、100hpa和50hpa。

33、其中大气变量包括位势、比湿、温度、风的u分量和风的v分量。

34、进一步地，在步骤s300中，包括以下内容：

35、其中a-grid与a-mesh间的图结构的初始化的步骤如下：

36、构建过程：定义两个节点集合和分别代表a-grid中的节点和a-mesh中的节点，其中，且，每个节点包含空间坐标；

37、图的边包括两部分：表示a-grid到a-mesh的连接，表示a-mesh内部的连接；

38、初始图构成了时空混合图的基础框架；

39、其中通过在a-grid上初始化编码并经由特定设计的边结构传播至a-mesh进行信息聚合的具体步骤如下：

40、a-grid初次编码：对于每个a-grid节点，其携带的气象变量向量，利用多层感知机进行编码得到高维特征向量，其中mlp的参数集为；

41、设计连接方式：为每个选择最近的个，建立连接，确保编码信息可以从a-grid传播到对应的a-mesh节点；

42、a-mesh信息聚合：定义信息聚合函数，使用图卷积、图注意力机制；

43、其中是a-mesh内部的邻接矩阵，表示上一层a-mesh节点的特征矩阵；

44、新的特征向量通过更新；

45、反向传播：设计从a-mesh到a-grid的反向连接，允许信息流更新，可以表示为，其中是反向传播的融合函数，表示与相连的所有a-mesh节点的集合；

46、agm-gnn图定义：整个过程形成了一种时空信息传播和融合的机制，记作微区域气象编码图神经网络，表示为一个迭代过程；

47、其中表示第步的节点特征矩阵，通过多次迭代传播和信息融合，最终达到时空特征的深度编码与融合。

48、进一步地，其中构建st-gnn模型的步骤如下：

49、模型初始化：设计st-gnn模型，结合时空卷积层、图注意力机制，以及专为处理时间序列设计的循环神经网络或lstm单元，以捕获时空动态特征；

50、时空特征编码与传播：初始使用mlp对a-grid中的气象数据进行特征映射；

51、通过st-gnn模型，在时空混合图中进行特征传播，利用图卷积捕获空间依赖性，rnn/lstm单元捕捉时间序列特征，实现时空特征的深度融合；

52、训练与优化：利用历史时空序列气象数据集进行训练，采用均方误差作为损失函数，评估预测值与实际值的差异。

53、一种基于图神经网络的微区域气象数据编码系统，包括：

54、时空结构构建模块：负责创建微区域内的时空基础架构；

55、数据预处理与特征工程模块：将原始气象数据进行标准化处理，转化为适合模型输入的格式；

56、时空混合图构造与编码传播模块：初始化a-grid与a-mesh之间的图结构，定义节点间的连接方式，实现信息在网格与网格式结构中的双向传播；

57、st-gnn模型设计与训练模块：设计并实现st-gnn模型，整合时空卷积层、图注意力机制及循环神经网络组件，对预处理后的数据进行深度学习训练；

58、模型部署与服务接口模块：将训练好的st-gnn模型部署到云端服务器或高性能计算集群上，确保模型在实际环境中高效运行。

59、一种存储介质，存储有非暂时性计算机可读指令，用于执行上述的基于图神经网络的微区域气象数据编码方法中的一个或多个步骤。

60、本发明的有益效果在于：

61、在gnn基础上融入时间序列处理能力，可以更有效地在时空混合图中传播信息，使得模型不仅能捕捉到当前时刻的局部空间特征，还能考虑到历史时刻的影响，以及这些特征如何随着时间推移而变化，从而促进信息在时空维度上的有效融合与传播，使模型能够更加全面和深入地理解和模拟现实世界中的气象系统行为。