基于LSTM模型的区域加权平均温度信息获取方法和设备

技术领域

本发明涉及全球导航卫星系统与气象学领域技术领域，具体涉及一种基于LSTM模型的区域加权平均温度信息获取方法和设备。

背景技术

水汽是大气的一种重要成分，也是大气中最为活跃的气象参数，水汽的变化直接影响着降水量的大小，在气候变化方面有着十分重要的影响。大气中水汽含量获取可通过地基GNSS技术反演大气可降水(PWV)实现。PWV由天顶对流层湿延迟(ZWD)和ZWD转换为PWV的水汽转换系数(Π)计算得到，关系式为PWV＝Π·ZWD。PWV的精度主要包括GNSS观测数据解算ZWD的精度以及Π的精度。而大气加权平均温度Tm是计算Π的一个关键参数，因此Π的精度主要取决于大气加权平均温度Tm的精度。

获取加权平均温度Tm计算方法一般是使用探空观测站获得的气象资料进行积分求解大气加权平均温度，但该方法在探空数据获取困难的区域精度较低，适用性较差。计算加权平均温度Tm的方法中，普遍使用的是Bevis建立的关于大气加权平均温度Tm与地表温度Ts的线性回归模型，该方法是将地面温度Ts带入公式Tm＝0.72·Ts+70.2计算大气加权平均温度Tm。由于Bevis公式是利用北美地区探空数据建立的，在其它地区使用时精度较低。因而亟需一种适用性强、准确性高的区域加权平均温度信息获取方法以改变上述问题。

发明内容

为解决上述现有技术的中的不足，本发明的目的在于克服现有不足，提供一种基于LSTM模型的区域加权平均温度信息获取方法，包括：

S01，采集区域的ERA5再分析数据，所述数据类型包含区域各格网点多气压的重力势、温度和比湿；针对再分析数据进行数据预处理；

S02，构建与年周期、半年周期和日周期有关的大气加权平均温度T

S03，获取大气加权平均温度T

S04，构建LSTM神经网络误差补偿模型，获取大气加权平均温度T

S05，基于所述大气加权平均温度T

作为上述方案的进一步优化，所述再分析数据的数据预处理操作包括：

将所述重力势转换为该气压分层的高度，比湿转换为大气水汽压；

基于离散积分方法计算加权平均温度T

式(1)中，

作为上述方案的进一步优化，所述加权平均温度T

式(2)中，q，p分别表示为同一气压层的比湿和大气压强；

所述加权平均温度T

h＝GP/g (3)

式(3)中，h表示为位势高度；GP表示为重力势；g表示为重力加速度。

作为上述方案的进一步优化，所述大气加权平均温度T

式(4)中，A

作为上述方案的进一步优化，所述大气加权平均温度T

ΔT

作为上述方案的进一步优化，所述LSTM神经网络误差补偿模型为5×P×Q×4的四层网络结构：

补偿模型的输入层参数包括ΔT

补偿模型的输出层参数包括未来6小时、12小时、18小时和24小时四个时段的大气加权平均温度T

作为上述方案的进一步优化，将所述大气加权平均温度T

T

作为上述方案的进一步优化，所述区域的ERA5再分析数据为采集自水平分辨率为0.25°×0.25°、时间分辨率为6小时的ERA5再分析数据。

作为上述方案的进一步优化，一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现如权利要求1-8中任一项所述的基于LSTM模型的区域加权平均温度信息获取方法。

作为上述方案的进一步优化，一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如权利要求1-8中任一项所述基于LSTM模型的区域加权平均温度信息获取方法的步骤。

本发明采用上述的技术方案，与现有技术相比，本发明技术基于现有的数据系统进行数据的归结、分析等预处理，得到本技术方案待使用的模型参数，结合最小二乘法等数学计算方法，构建大气加权平均温度模型；并针对构建的大气加权平均温度模型进行进一步处理，得到大气加权平均温度模型残差值，再根据计算的结果构建LSTM神经网络误差补偿模型，从而处理后得到大气加权平均温度；本发明技术通过构建误差补偿模型，有效弥补现有技术中对大气加权平均温度数值获取计算难度高、精度低等难题，能够进行广泛应用，且具备明显的精确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本发明一种基于LSTM模型的区域加权平均温度信息获取方法的流程示意图；

图2为本发明一种基于LSTM模型的区域加权平均温度信息获取方法的另一幅流程示意图；

图3为本发明的一种基于LSTM模型的区域加权平均温度信息获取方法的两种模型RMS分布概率折线图。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1-3所示，本发明实施例公开了一种基于LSTM模型的区域加权平均温度信息获取方法，该方法具体流程参照如下：

S01，采集区域的ERA5再分析数据，所述数据类型包含区域各格网点多气压的重力势、温度和比湿；针对再分析数据进行数据预处理；

S02，构建与年周期、半年周期和日周期有关的大气加权平均温度T

S03，获取大气加权平均温度T

S04，构建LSTM神经网络误差补偿模型，获取大气加权平均温度T

S05，基于所述大气加权平均温度T

本发明技术基于现有的数据系统进行数据的归结、分析等预处理，得到本技术方案待使用的模型参数，结合最小二乘法等数学计算方法，构建大气加权平均温度模型；并针对构建的大气加权平均温度模型进行进一步处理，得到大气加权平均温度模型残差值，再根据计算的结果构建LSTM神经网络误差补偿模型，从而处理后得到大气加权平均温度；本发明技术通过构建误差补偿模型，有效弥补现有技术中对大气加权平均温度数值获取计算难度高、精度低等难题，能够进行广泛应用，且具备明显的精确性。

在此需要特别说明的是，区域的ERA5再分析数据为采集自2014-2021年份中国区域的数据，即水平分辨率为0.25°×0.25°、时间分辨率为6小时的ERA5再分析数据；本发明技术方案采用自水平分辨率为0.25°×0.25°、时间分辨率为6小时的ERA5再分析数据，且将2014-2019年数据作为训练数据使用，2020-2021年数据作为验证数据使用；且，本技术方案选取的区域的部分数据为方案研究，本发明技术成果包括但不限于该图示区域的部分数据，即基于本技术方案公开的技术，本领域技术人员应当容易得知在进行本方案应用时，采取收录于ERA5数据库内的其它经纬度地区数据，如该地区多气压的重力势、温度和比湿等参数，结合参评专利技术方案，即可获取对应区域的一种基于LSTM模型加权平均温度计算方法，有效提升计算结果精度，因而本技术方案具备良好的适应性，能够应用于多地区。

更具体的，再分析数据的数据预处理操作包括：

将重力势转换为该气压分层的高度，比湿转换为大气水汽压；在此需要特别说明的是，本技术方案的数据类型包含各格网点从1000hPa到100hPa的以25hPa为间隔的多气压的重力势、温度和比湿；

基于离散积分方法计算加权平均温度T

式(1)中，

加权平均温度T

式(2)中，q，p分别表示为同一气压层的比湿和大气压强；

加权平均温度T

h＝GP/g (3)

式(3)中，h表示为位势高度；GP表示为重力势；g表示为重力加速度。

更具体的，大气加权平均温度T

式(4)中，A

本申请实施例还提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现上述实施例提供的基于LSTM模型的区域加权平均温度信息获取方法。

可以理解，该电子设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境，该计算机程序被处理器执行时以实现上述的基于LSTM模型的区域加权平均温度信息获取方法。进一步的，该电子设备还具有网络接口，用于与外部的终端通过网络连接通信。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如上述实施例提供的基于LSTM模型的区域加权平均温度信息获取方法的步骤。该计算机可读存储介质包括：永久性和非永久性、可移动和非可移动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。具体来说，计算机可读存储介质包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、只读光盘(CD-ROM)、相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)等。

本发明提供了一个具体实施例，将本技术方案的大气加权平均温度T

表1：Bevis模型与大气加权平均温度T

更具体的，本发明实施例为进一步比较大气加权平均温度T

更具体的，大气加权平均温度T

ΔT

更具体的，LSTM神经网络误差补偿模型为5×P×Q×4的四层网络结构：

补偿模型的输入层参数包括ΔT

补偿模型的输出层参数包括未来6小时、12小时、18小时和24小时四个时段的大气加权平均温度T

将大气加权平均温度T

T

作为本发明的另一个实施例，为比较大气加权平均温度模型与经LSTM神经网络残差补偿后的大气加权平均温度模型的性能，用中国区域内2020-2021年ERA5再分析资料作为检测样本，并利用均方根(RMS)作为评价指标，两种模型的精度对比参见表2：

表2给出LSTM神经网络误差补偿模型对大气加权平均温度T

表2：大气加权平均温度T

通过对表1、表2以及图3的综合分析可得如下：

(1)大气加权平均温度T

(2)经LSTM神经网络残差补偿后的大气加权平均温度T

(3)经LSTM神经网络残差补偿后的大气加权平均温度T

基于上述的技术方案及实施例，本发明技术的一种基于LSTM模型的区域加权平均温度信息获取方法，通过构建LSTM神经网络误差补偿模型，有效弥补现有技术中对大气加权平均温度数值获取计算难度高、精度低等难题，能够进行广泛应用，且具备明显的精确性。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。