本发明涉及气象数据处理，特别是一种基于深度学习的多气象因子模式预报温度订正方法。
背景技术：
1、近年来，气象预报温度订正技术逐步向多因子协同与深度学习融合方向演进。主流方案基于数值模式输出的多气象因子（如气压、湿度、风场）数据，采用卷积神经网络（cnn）或长短期记忆网络（lstm）进行特征提取与误差修正，其中多源数据融合框架逐步引入注意力机制优化因子权重分配，图神经网络（gnn）初步应用于气象要素的空间关系建模，对抗生成网络（gan）尝试用于温度场分布重构，端到端训练范式显著提升订正效率。深度学习模型通过非线性映射能力逐步替代传统统计订正方法，为高精度温度预报提供技术基础。
2、然而，现有技术在因子耦合机理建模与模型质量高效评估方面存在局限。传统多因子处理方法多依赖静态特征拼接或简单加权融合，未能显式构建气象因子间的物理关联拓扑，导致模型对因子间非线性相互作用的学习能力不足，动态天气场景下因子贡献度的自适应调节机制缺失，且模型评估完全依赖计算密集的后验验证，缺乏基于元特征的快速质量筛选范式，导致业务部署的时效性与模型优选可靠性难以兼顾。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种基于深度学习的多气象因子模式预报温度订正方法解决因子耦合机理建模与模型质量高效评估方面存在局限问题。
3、为解决上述技术问题，本发明提供如下技术方案：
4、本发明提供了一种基于深度学习的多气象因子模式预报温度订正方法，其包括，采集多气象因子数据和观测温度场数据，并进行预处理；将多气象因子数据中的各气象因子作为因子节点，将各气象因子之间的耦合关系作为因子关联边，并为因子关联边赋予关联边权重；将因子节点、因子关联边和关联边权重整合，输出气象图结构；将气象图结构输入图卷积网络进行深度特征提取，输出多气象因子特征张量；通过动态门控融合网络对多气象因子特征张量进行全局和局部时空特性分析，生成动态权重系数；将动态权重系数和多气象因子特征张量进行加权融合，输出融合特征张量；将融合特征张量输入全连接神经网络进行非线性变换与维度映射，输出订正温度场数据；将订正温度场数据与观测温度场数据对比，输出温度订正值；基于温度订正值，通过反向传播算法对图卷积网络、动态门控融合网络和全连接神经网络进行网络参数优化，形成深度学习的温度订正模型；对温度订正模型进行不同的模型参数扰动，输出订正模型集；对订正模型集中的各温度订正模型进行质量验证，生成准确率指数；将准确率指数与各温度订正模型的模型元特征作为训练集，输入到质量检测模型进行训练，判断各温度订正模型的质量。
5、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述将气象图结构输入图卷积网络进行深度特征提取，输出多气象因子特征张量，具体步骤为，
6、将气象图结构输入图卷积网络，通过图卷积网络的消息传递机制聚合因子节点的邻域信息，输出节点特征张量；
7、对节点特征张量进行特征变换和非线性激活，输出多气象因子特征张量。
8、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述通过动态门控融合网络对多气象因子特征张量进行全局和局部时空特性分析，生成动态权重系数，具体步骤为，
9、通过动态门控融合网络对多气象因子特征张量进行时空卷积，输出局部时空特征；
10、对多气象因子特征张量进行全局池化，输出全局统计特性；
11、将局部时空特征和全局统计特性进行特征拼接，生成综合特征向量；
12、对综合特征向量进行线性变换与归一化，生成动态权重系数。
13、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述将动态权重系数和多气象因子特征张量进行加权融合，输出融合特征张量，具体步骤为，
14、将动态权重系数和多气象因子特征张量进行系数加权，输出加权特征张量；
15、将加权特征张量沿气象因子的特征维度进行分类聚合，输出聚合特征张量；
16、对聚合特征张量进行维度和表征调整，输出融合特征张量。
17、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述将融合特征张量输入全连接神经网络进行非线性变换与维度映射，输出订正温度场数据，具体步骤为，
18、将融合特征张量输入全连接神经网络，全连接神经网络的第一全连接层对融合特征张量进行线性变换，生成中间特征表示；
19、通过relu激活函数对中间特征表示进行非线性变换，生成非线性特征表示；
20、通过第二全连接层对非线性特征表示进行温度场维度映射，输出订正温度场数据。
21、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述将订正温度场数据与观测温度场数据对比，输出温度订正值，具体步骤为，
22、将订正温度场数据与观测温度场数据进行空间和时间对齐；
23、将对齐后的订正温度场数据与观测温度场数据进行逐元素差值统计，输出温度订正值。
24、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述基于温度订正值，通过反向传播算法对图卷积网络、动态门控融合网络和全连接神经网络进行网络参数优化，形成深度学习的温度订正模型，具体步骤为，
25、对各温度订正值进行均方误差统计，输出损失函数值；
26、将损失函数值作为反向传播算法的起点，通过链式法则求解损失函数值对应的图卷积网络、动态门控融合网络和全连接神经网络的梯度信息；
27、采用adam优化器按照梯度信息对图卷积网络、动态门控融合网络和全连接神经网络的网络参数进行迭代更新，输出更新后的网络参数；
28、将更新后的网络参数载入到图卷积网络、动态门控融合网络和全连接神经网络的架构中进行优化调整，并整合形成深度学习的温度订正模型。
29、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述对温度订正模型进行不同的模型参数扰动，输出订正模型集，具体步骤为，
30、对温度订正模型进行参数敏感性分析，确定需要扰动的网络参数范围；
31、基于网络参数范围，设置多组不同的参数配置组合；
32、通过参数配置组合分别对温度订正模型进行模型副本初始化，输出订正模型集。
33、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述对订正模型集中的各温度订正模型进行质量验证，生成准确率指数是指将多气象因子数据和观测温度场数据分别作为训练集和验证集，使用训练集对订正模型集中每个温度订正模型进行温度订正预测，将温度订正预测的结果与验证集进行差值对比，并对差值对比结果进行量化分析，生成准确率指数。
34、作为本发明所述基于深度学习的多气象因子模式预报温度订正方法的一种优选方案，其中：所述将准确率指数与各温度订正模型的模型元特征作为训练集，输入到质量检测模型进行训练，判断各温度订正模型的质量，具体步骤为，
35、基于scikit-learn机器学习框架构建质量检测模型；
36、对各温度订正模型的模型元特征进行标准化处理，生成标准化特征向量；
37、将标准化特征向量与准确率指数进行特征标签配对，形成检测训练样本；
38、利用检测训练样本对质量检测模型进行监督学习训练，使用训练完成的质量检测模型对温度订正模型进行质量检测，输出质量判断结果。
39、本发明有益效果为：通过气象图结构构建与动态门控融合双机制协同，实现多气象因子的深度特征提取与自适应权重融合。通过将气象因子作为因子节点并构建关联边权重整合成气象图结构，利用图卷积网络的消息传递机制聚合邻域信息，实现对多因子间复杂耦合关系的显式建模，为温度订正提供富含空间关联的特征表征，动态门控融合网络对多气象因子特征张量进行时空卷积与全局池化，实现多因子贡献度的自适应校准，提升特征融合的判别能力，通过端到端的网络优化与质量验证体系，形成高精度且泛化能力强的温度订正模型。