一种基于时空神经网络的积雪深度预报方法以及系统

技术领域

本发明涉及气象预测领域，具体而言，涉及一种基于时空神经网络的积雪深度预报方法以及系统。

背景技术

雪是冬季常见的降水相态。通常定义24小时日降雪量(融化成水)≥10毫米的天气过程定义为暴雪事件。虽然暴雪的降水量临界值是10毫米，但10毫米降水全部凝结成固态雪，且造成陆面积雪时，其致灾程度显著升高。一场强度较大的降雪过程，不仅会造成交通堵塞、建筑和设备受损、电力和通讯线路中断等直接经济损失，更有可能危害人类的生命安全。

表征降雪程度的量除了雪量和降雪日数，还有雪深、积雪效率。积雪深度的预报也是降雪服务的关键内容。不同雪深对城市运行和农业产生的影响及对应的灾害防御管理措施有显著差异。然而，现有技术中关于雪深及积雪效率的研究多着眼于单一气象要素的定性分析，鲜有对影响雪深的物理过程的更为具体的定量分析；且多为个例研究，结论不一定具有普遍代表性，需要更多的典型个例进行补充验证。

积雪形成与云内、云外以及地面过程等有关，其中云内微物理过程对积雪形成至关重要。可见影响积雪深度的因子不仅要考虑降雪量、气温，还要考虑水汽压、地温等，而且各雪深预报关系式存在地区差异。积雪深度较降雪量的预报更为复杂，每次降雪的雪花含水量可能不同，温度条件也可能不同，这就可能造成相同的降雪量出现不同的积雪深度。

有鉴于此，特提出本发明。

发明内容

有鉴于此，本发明公开了一种积雪深度的预报方法，通过挖掘影响积雪深度的关键因子，建立客观的定量预报关系，为气象一线业务降雪预报和防灾减灾应急服务提供重要的参考信息。

具体地，本发明是通过以下技术方案实现的：

本发明提供了一种基于时空图神经网络的积雪深度预报方法，包括如下步骤：将影响积雪深度的气象因子进行数据预处理，假设共有N天的气象因子向量及其对应的积雪效率，记为：

其中，x(n)表示第n天的气象因子向量，y(n)表示第n天的积雪效率，并且y(n)∈[0，1]；

利用因子注意力机制由所述气象因子向量生成加权气象因子向量，再利用不同尺度的卷积模块，挖掘所述加权气象因子向量中的多尺度特征，采用特征连接的方式将多尺度特征进行融合，利用全连接层输出积雪效率，形成完整的预测模型。

现有技术中，气象预测直接关乎人类社会的生产生活，一直以来是人类重点研究的科学领域之一。传统的天气预报采用非常复杂的数值气象模型，近年来越来越多的机器学习，深度学习方法被应用到这一领域，他们将气象预测抽象成一个时空预测问题，尝试通过多维时间序列、图神经网络(GNN)等方法来解决。在交通流预测领域中，“GNN+RNN”的方法近年来获得了许多成功，其静态切片空间的图结构抽象，到动态时间上的embedding累积，有效解决了时空预测场景下的图动态问题。与交通流预测类似，气象预测也可以抽象为一个时空预测问题。然而，只是简单的套用交通流预测的方法，往往不能取得很好的效果。

气象预测领域的特殊性有：

数据的不规则性：分布各地的各种气象传感器所捕捉的气象数据往往是不规则的，使得经典的CNN无法适用。

高度的时空依赖：不同地形表现出完全不同的风流或温度转移模型，而极端气候事件往往使得数据不符合平稳性条件。

气候预测任务与交通流预测任务的不同在于，每一个局部点受其四面八方的因素影响，局部空间下模式应该基本类似，因为气象学中，热和风是自由扩散的。而交通流预测任务中，两个靠近的交通枢纽之间模式因为交通流向会存在很大差异。积雪作为气象中最为常见的景象，现有技术中研究较多。

其实积雪深度与降雪量并不完全对应，积雪增量与降雪量的比值—积雪效率—可用于表征相同降雪量条件下雪深受其他多种因素的影响情况(杨琨等,2013；尹东屏等,2009；杨成芳等,2015；白淑英等,2014；李德俊等,2014)。关于积雪深度和积雪效率的研究目前还有所欠缺，目前我国新增积雪深度预报技术支撑相对较薄弱。国际上积雪深度预报技术主要有四大类：数值模式预报、气候学、统计预报模型以及物理预报模型(Alcott andSteenburgh,2010)。以欧洲中期天气预报中心全球预报模式(以下简称为ECMWF IFS)为例，其积雪深度预报是陆面物理过程的一部分，通过地表雪水含量和积雪密度计算得到积雪深度,由于目前模式积雪密度采用一层模式，势必会导致密度偏大、积雪偏小(ECMWF，2020)。Roebber et al(2003；2007)通过分析温度、湿度、地面风场等物理因子与雪水比的统计关系，利用神经网络的方法建立了雪水比的统计预报模型。Cobb and Waldstreicher(2005)利用温度和雪水比的统计关系，以垂直速度作为权重系数建立了雪水比物理预报模型，并结合降雪量预报开发了新增积雪深度预报技术，该技术已在美国气象部门得到了很好应用。杨琨和薛建军(2013)利用加密降雪资料和线性拟合方法分析了降雪量和积雪深度的关系：我国冬季积雪深度变化值和相应降雪量的比值大体为0.75cm·mm

可见现有技术中的上述研究均比较单一，但是影响积雪深度是多方面的，因此本发明的方案恰巧弥补了现有技术的缺陷，从多方面多维度的去探讨影响积雪深度的因素，从而更为准确的对积雪深度进行预报。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了，附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制，而且在整个附图中，用相同的参考符号表示相同的部件，在附图中：

图1为本发明实施例提供的构建加权气象因子向量的具体结构架构图；

图2为本发明实施例提供的预测积雪效率的具体结构架构图；

图3为本发明实施例提供的一种计算机设备的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中，下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素，以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式，相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子，

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开，在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合，

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语，这些术语仅用来将同一类型的信息彼此区分开，例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息，取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”，

本发明的方案的思路是：

首先将分布地全省的积雪深度数据抽象为一个平面数据结构，给予坐标，并将全省待预测区域平均分为多个局部空间，他们与实际地理区域、欧氏距离相关(例如通过网格形式每个网格由最大坐标与最小坐标定义)。通过这样的方式，研究每个小格子区域内的积雪数据。随后将每个格子看作图的一个顶点，用于构建积雪深度预测的图模型。

在空间建模方面，为了更好了模拟气象学中的局部一致性，考虑了地理位置对气象的影响，即使相隔距离很远，具有相似属性的地区在积雪深度上也具有高度相似性。因此将每个网格看作一个图的节点，并在此基础上建立地理结构图来捕获空间特征：将每个网格的中心点视作网格的地理位置中心，中心点的距离视作地理图结构的边权值，距离越近权值则越小，两者间的积雪深度也会有一定的相似性。

在时间建模方面，则考虑历史积雪特征，通过LSTM和注意力机制进行时间特性的捕获，来掌握时间维度上的积雪深度变化，可以预测每对网格间的数据。

网络结构设计采用的是基于因地制宜图卷积核(location-characterizedkernel)的改进MGSTGCN，以满足因地制宜的卷积特征，邻近局部特征相似和地理特性不同下的相邻卷积核共享三个条件。MGSTGCN的时间架构部分与LSTM一样都有LSTM的输入门、忘记门和输出门，但均由图卷积算子而得，且引入了注意力机制，其中时间序列为输入。时间结构与空间结构相结合构成了MGSTGCN网络。

具体地，本发明的方案提供了一种基于时空神经网络的积雪深度预报方法，包括如下步骤：

将影响积雪深度的气象因子进行数据预处理，假设共有N天的气象因子向量及其对应的积雪效率，记为：

其中，x(n)表示第n天的气象因子向量，y(n)表示第n天的积雪效率，并且y(n)∈[0，1]；

利用因子注意力机制由所述气象因子向量生成加权气象因子向量，再利用不同尺度的卷积模块，挖掘所述加权气象因子向量中的多尺度特征，采用特征连接的方式将多尺度特征进行融合，利用全连接层输出积雪效率，形成完整的预测模型。

具体地，按照如下步骤进行操作：

步骤1：数据预处理

记气象因子向量为

x＝{x

其中，x

表1气象因子

假设共有N天的气象因子向量及其对应的积雪效率，可以记为：

其中，x(n)表示第n天的气象因子向量，y(n)表示第n天的积雪效率，并且y(n)∈[0，1]。为了方便后续神经网络根据气象因子向量预测积雪效率，需要对气象因子向量中的每个因子进行归一化，归一化公式可以表示为

其中，x

步骤2：构建基于特征注意力机制与多尺度卷积神经网络积雪效率预测模型

2-1：利用因子注意力机制生成加权气象因子向量

由于不同气象因子与积雪效率的关联程度不同，该实施例采用因子注意力机制为每个气象因子赋予不同的权重，构建加权气象因子向量，如附图1所示。

(1)生成权重向量

采用注意力机制的方法生成权重向量，其过程如下：

其中λ(n)表示第n天的气象因子向量对应的权重向量；f

其中

(2)生成加权气象因子

将归一化后的气象因子向量与权重向量对应相乘即可得到加权气象因子向量，具体如下所示：

2-2：基于加权气象因子向量与多尺度卷积神经网络预测积雪效率

该步骤采用多尺度卷积神经网络预测积雪效率。首先，利用不同尺度的卷积模块，挖掘气象因子向量中的多尺度特征；再采用特征连接的方式将多尺度特征进行融合；最后，利用全连接层输出积雪效率，具体如附图2所示。

(1)构建多尺度卷积模块

本专利采用四组一维卷积(卷积核尺度分别为3/5/7，神经元数量均为128，激活函数均为ReLU)并行挖掘气象因子向量中的特征。该过程可以表示为：

其中

(2)融合多尺度特征

本专利采用特征拼接的方式融合四组一维卷积输出的特征。首先，利用全局最大池化将v

其中，转化得到的一维特征向量

(3)输出积雪效率

基于多尺度融合特征，利用3层全连接层(神经元数量依次为128/64/1，前两者激活函数为ReLU，后者为Sigmoid)，输出预测的积雪效率。

步骤3：训练特征注意力机制与多尺度卷积神经网络积雪效率预测模型

为了提高预测精度，本专利采用端到端的方式联合优化因子注意力机制与多尺度卷积神经网络，而非分开单独优化。

3-1级联因子注意力机制模型与多尺度卷积神经网络

将因子注意力机制模型的输出作为多尺度卷积神经网络的输入，该过程可以表示为：

其中，f

3-2划分训练验证数据、设置目标函数

将

3-3选取优化算法

采用随机梯度下降优化上述目标函数，其迭代公式如下：

其中，η

设定初始学习率η

步骤4：预测第N+P天的积雪效率

首先，将第N+P天的气象因子向量为x(N+P)＝{x

其次，将归一化后的第N+P天的气象因子向量，输入至权重为W

本发明除了提供一种积雪深度预报方法，还提供了一种积雪深度预报系统，具体包括：

预处理模块：用于将影响积雪深度的气象因子进行数据预处理，假设共有N天的气象因子向量及其对应的积雪效率，记为：

其中，x(n)表示第n天的气象因子向量，y(n)表示第n天的积雪效率，并且y(n)∈[0，1]；

积雪预报模块：利用因子注意力机制由所述气象因子向量生成加权气象因子向量，再利用不同尺度的卷积模块，挖掘所述加权气象因子向量中的多尺度特征，采用特征连接的方式将多尺度特征进行融合，利用全连接层输出积雪效率。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

图3为本发明公开的一种计算机设备的结构示意图。参考图3所示，该计算机设备400，至少包括存储器402和处理器401；所述存储器402通过通信总线403和处理器连接，用于存储所述处理器401可执行的计算机指令，所述处理器401用于从所述存储器402读取计算机指令以实现上述任一实施例所述的积雪深度预报方法的步骤。

对于上述装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部磁盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。

最后应说明的是：虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。

类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。

由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。