申请/专利权人：哈尔滨工程大学

申请日：2024-02-27

公开（公告）日：2024-06-21

公开（公告）号：CN118228573A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0464;G06N3/045;G06N3/08;G06F119/08;G06F111/10

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明公开了一种融合Simvp模型和ADUnet模型的温度数值预报订正方法，属于数值模式预报订正领域；具体为：首先，收集GFS预报数据，处理并构建训练数据集；针对指定区域的GFS预报数据，融合密集链接模块和注意力机制改进Unet模型形成ADUnet模型，并构建融合了Simvp模型和ADUnet模型的深度学习模型；然后，使用深度学习模型对训练数据集进行训练，得到数值模式预报订正模型；最后，待测时刻新采集GFS预报数据，输入到训练好的数值模式预报订正模型中，直接输出数值模式48h温度预报订正之后的结果。本发明通过使用GFS模式预报数据和ERA5再分析数据进行融合深度学习模型的训练，将目标区域的温度数值预报结果进行订正，提高了温度数值模式预报结果的准确性。

主权项：1.一种融合Simvp模型和ADUnet模型的温度数值预报订正方法，其特征在于，具体步骤如下：步骤一，收集GFS预报数据，处理并构建训练数据集；步骤二，针对指定区域的GFS预报数据，融合密集链接模块和注意力机制改进Unet模型形成ADUnet模型，并构建融合了Simvp模型和ADUnet模型的深度学习模型；构建ADUnet模型的具体过程为：首先，将现有Unet网络模型的编码器中的卷积块替换成稠密卷积，构成密集链接模块；稠密卷积的输入是该层之前所有卷积块的特征图进行拼接的结果，而该层自己的特征图与会传递给之后的所有层；然后，在稠密卷积后的跳跃连接加入注意力机制，对跳跃连接的特征图进行加权，并赋予权重矩阵；注意力机制具体为：将下采样矩阵和下一层上采样矩阵作为两个输入，分别通过1*1卷积得到两个N维矩阵，相加后通过Relu函数降维得到1维的特征图，进行sigmoid使得矩阵的值落在0，1之间，得到权重矩阵，将其和下采样矩阵相乘，得到最终的结果；步骤三，使用深度学习模型对训练数据集进行训练，得到数值模式预报订正模型；具体为：首先，将训练数据集中的训练样本一和样本真值数据集进行两折交叉验证，即将训练样本一和样本真值重新两等分为样1和样2；将样1和样2分别输入两个Simvp模型中进行训练，得到对应的最优模型Simvp1和最优模型Simvp2；将样2再次输入到最优Simvp1模型中，保存第一输出结果；同时，将样1再次输入到最优Simvp2模型中，保存第二输出结果，并将第一输出结果和第二输出结果进行拼接作为时序特征图，确保样本数量不减少；然后，将时序特征图和训练样本二拼接，与样本真值数据集一起作为ADUnet模型的输入，进行训练得到最优的ADUnet模型；步骤四，待测时刻新采集GFS预报数据，输入到训练好的数值模式预报订正模型中，直接输出数值模式48h温度预报订正之后的结果。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种融合Simvp与ADUnet模型的温度数值预报订正方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD