[發明專利]基于特征交叉融合的短時強降水分型方法

在審

• 申請號: 202310726072.3
• 申請日: 2023-06-19
• 公開（公告）號: CN116628626A
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 李孝杰;敬林果;鐘琦;吳錫;周激流
• 申請（專利權）人: 成都信息工程大學
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/214;G06F18/24;G06N20/20
• 代理公司: 成都智涌知識產權代理事務所(普通合伙) 51313
• 代理人: 蔡福林

1.基于特征交叉融合的短時強降水分型方法，其特征在于，所述方法構建了一個基于特征交叉融合的網絡模型，采用歐洲中期天氣預報中心再分析數據ERA5的500百帕位勢高度的氣象數據作為訓練集進行學習，學習不同天氣類型的環流特征，通過交叉融合學習到的特征來進行分類預測，根據分類結果繪制降水平面圖，具體包括：

步驟1：獲取歐洲中期天氣預報中心再分析數據ERA5的位勢高度的數據集，將數據預處理成環流場圖像，具體包括：

步驟11：將獲取到的ERA5的數據集按照6:4的比例分為訓練集和測試集，同時，提取ERA5數據集中500百帕位勢高度的數據，構成位勢高度數據集；

步驟12：對所述位勢高度數據集中的數據進行處理，500百帕的位勢高度數據集，是以每小時為單位的數據集，將其處理為以每天為單位的數據集，將24小時數據相加再除以24得到一天的平均值；

步驟13：將步驟12得到的數據集按照區域范圍取（112°-122°E，35°-45°N），分辨率為0.05°的要求進行截取，再將數據集轉換成環流場圖像；

步驟2：構建特征交叉融合ConvNeXt網絡，下載預訓練模型，將所述環流場圖像處理為RGB通道格式；

步驟3：將步驟2的RGB通道格式的環流場圖像送入所述特征交叉融合ConvNeXt網絡進行訓練，所述特征交叉融合ConvNeXt網絡包括ConvNeXt網絡和特征交叉融合網絡，具體包括：

步驟31：所述環流場圖像輸入所述ConvNeXt網絡，在所述ConvNeXt網絡中的操作主要包括五個階段，第一階段，環流場圖像經過卷積神經網絡和層歸一化后得到第一向量v1，第二階段和第五階段為第一向量v1依次進入四個串聯的ConvNeXt模塊組，除第一個ConvNeXt模塊組外，其余三個ConvNeXt模塊組均會首先進行下采樣處理，四個ConvNeXt模塊組分別由3個、3個、9個、3個ConvNeXt模塊構成，第一向量v1經過4個ConvNeXt模塊組的處理后得到第五向量v5；

步驟32：所述環流場圖像輸入特征交叉融合網絡模塊，所述特征交叉融合網絡模塊由特征交叉融合模塊和卷積神經網絡組成；

步驟321：環流場圖像輸入第一卷積模塊、第二卷積模塊和第三卷積模塊，分別提取出第一特征向量F1、第二特征向量F2和第三特征向量F3，并將這三個特征向量兩兩進行交叉特征融合得到三個融合特征；

具體的，第一特征向量F1和第二特征向量F2融合得到第一融合特征F4，第一特征向量F1和第三特征向量F3融合得到第二融合特征F5，第二特征向量F2和第三特征向量F3融合得到第三融合特征F6，三個融合特征進行二次融合得到第四融合特征F7；

步驟322：第四融合特征F7輸入所述卷積神經網絡，經過卷積核池化操作得到第五融合特征；

步驟34：所述第五融合特征和所述第五向量v5進行特征融合，然后進行一個平均池化和歸一化的操作，最后經過線性層進行分類，得到分類結果，根據分類結果繪制降水平面圖；

步驟4：取出驗證過程中表現最佳的模型，然后將測試集依次送入該網絡進行測試，得到最終分類結果。