[發(fā)明專利]一種基于深度學習的全球?qū)α鲗友舆t建模方法

有效

• 申請?zhí)枺?/td>: 202010142840.7
• 申請日: 2020-03-04
• 公開（公告）號: CN111382507B
• 公開（公告）日: 2021-06-01
• 發(fā)明（設計）人: 徐天河;王帥民;聶文鋒;江楠
• 申請（專利權(quán)）人: 山東大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/06;G06F119/02;G06F119/14
• 代理公司: 廈門一創(chuàng)聯(lián)智知識產(chǎn)權(quán)代理事務所(普通合伙) 35252
• 代理人: 楊玉蓉

1.一種基于深度學習的全球?qū)α鲗友舆t建模方法，其特征在于，包括以下步驟：

步驟S1、水汽遞減因子和加權(quán)平均溫度生成

使用ERA5每小時剖面水汽壓、剖面氣壓數(shù)據(jù)并利用水汽遞減因子公式(1)生成小時水汽遞減因子；使用ERA5每小時剖面溫度、剖面氣壓數(shù)據(jù)并利用加權(quán)平均溫度公式(2)生成小時加權(quán)平均溫度；

其中，λ水汽遞減因子，e_s表面水汽壓，p_s表面氣壓，e和p某一層的水汽壓和氣壓；

其中，Tm表示加權(quán)平均溫度，T表示某一層的溫度，z表示垂直距離；

步驟S2、建立深度學習對流層大氣延遲氣象參數(shù)模型

坐標值和時間參數(shù)作為訓練樣本的輸入層，所述坐標值包括緯度lat、經(jīng)度lng和大地高hs，所述時間參數(shù)包括年積日year0和小時t；

利用生成的小時水汽遞減因子、加權(quán)平均溫度、ERA5再分析資料提供的小時表面氣壓和ERA5提供的小時表面水汽壓作為訓練樣本輸出層，使用自動編碼器的深度學習方法建立提供大氣參數(shù)的大氣延遲模型；

步驟S3、生成對流層延遲計算需要的氣象參數(shù)

通過所述輸入時間參數(shù)和所述坐標值獲得任意地點的小時水汽遞減因子、小時加權(quán)平均溫度、小時表面水汽壓和小時表面氣壓；

步驟S4、天頂對流層延遲的生成

利生成的加權(quán)平均溫度、水汽壓和水汽遞減因子使用Askne and Nordius提出的濕延遲模型獲得小時對流層濕延遲值；利用生成的氣壓值結(jié)合緯度和大地高，使用Saastamoinen模型獲得小時對流層靜力學延遲值；把生成的小時對流層濕延遲值和小時對流層靜力學延遲值相加得到小時天頂對流層延遲值。

2.根據(jù)權(quán)利要求1所述的一種基于深度學習的全球?qū)α鲗友舆t建模方法，其特征在于：所述步驟S2中自動編碼器是一種無監(jiān)督的神經(jīng)網(wǎng)絡模型，學習到輸入數(shù)據(jù)的隱含特征，同時用學習到的新特征重構(gòu)出原始輸入數(shù)據(jù)；編碼過程具體如下：坐標值參數(shù)、時間參數(shù)、水汽遞減因子、加權(quán)平均溫度、表面氣壓和表面水汽壓作為訓練樣本，其中坐標值參數(shù)和時間參數(shù)作為輸入層，水汽遞減因子、加權(quán)平均溫度、表面氣壓和表面水汽壓作為輸出層，確定輸入神經(jīng)元個數(shù)、輸出神經(jīng)元個數(shù)和隱含層的個數(shù)，建立提供大氣參數(shù)的大氣延遲模型。

3.根據(jù)權(quán)利要求1所述的一種基于深度學習的全球?qū)α鲗友舆t建模方法，其特征在于：所述步驟S4中Askne and Nordius提出的濕延遲模型采用的公式為：

其中，式中ZWD為小時對流層濕延遲值；g_m為全球平均重力加速度；k'₂、k₃以及R_d均為模型中的經(jīng)驗常數(shù)。

4.根據(jù)權(quán)利要求1所述的一種基于深度學習的全球?qū)α鲗友舆t建模方法，其特征在于：所述步驟S4中Saastamoinen模型采用的公式為：

其中，式中ZHD為小時對流層靜力學延遲值；lat為緯度，hs為大地高。

5.根據(jù)權(quán)利要求1所述的一種基于深度學習的全球?qū)α鲗友舆t建模方法，其特征在于：所述步驟S4中小時天頂對流層延遲值為小時對流層濕延遲值和小時對流層靜力學延遲值之和，即ZTD＝ZHD+ZWD。