欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2026100030211
申请人: 南京信息工程大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,按如下步骤S1至步骤S4构建用于订正风场数据的层级化多尺度时空融合网络,按步骤A生成高分辨率的风场订正场:步骤S1,基于预设时间分辨率和空间分辨率,以全球气候数据集为初始场与侧边界条件,利用区域气候模拟工具执行动力降尺度模拟,获得目标区域在目标时段内对应各个目标候补气候变量的气候数据,进而由各个目标候补气候变量分别对应的变量场构成多维候选变量场;

步骤S2,获取目标区域关于目标时段的ERA5风速数据,并将ERA5风速数据与多维候选变量场进行时间分辨率、空间分辨率的对齐处理;进一步依据ERA5风速数据,针对多维候选变量场,经空间显示关联排序,筛选出预设数量的目标候补气候变量,即各个关键变量,并拼接各个关键变量的变量场形成多维关键变量场;

步骤S3,基于预设时间序列长度,利用滑动时间窗口对多维关键变量场进行时间片划分,形成各个时间段对应的各个子多维关键变量场,并对各个子多维关键变量场进行标准化处理,形成多通道输入数据集,进一步形成以目标区域关于各时间段的多通道输入数据、各时间段下最后一个时间步对应的ERA5风速数据为样本的样本集;

步骤S4,构建包含多尺度空间特征提取模块、时间动态特征提取模块、多尺度时空特征融合、输出模块的待训练模型;基于样本集,结合预设批量大小,以样本中各时间段下的多通道输入数据、各时间段下最后一个时间步对应的ERA5风速数据为输入,以各时间段下最后一个时间步对应的风场订正场为输出,针对待训练模型进行训练,获得层级化多尺度时空融合网络;

步骤A,利用步骤S1至步骤S3生成待订正输入数据,并将待订正输入数据输入到训练后的层级化多尺度时空融合网络,获得其对应的风场订正场,并以该风场订正场为边界条件,利用复杂地形微尺度流场精修求解器生成高分辨率的风场订正场。

2.根据权利要求1所述的基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,步骤S2中所述的空间显示关联排序具体为:步骤S21,针对多维候选变量场在预设空间分辨率下的空间网格中每一空间格点,获取各个目标候补气候变量在该空间格点上的时间序列数据,同时获取该空间格点对应的ERA5风速数据,并按如下公式分别计算每一目标候补气候变量的皮尔逊相关系数、归一化均方根误差:;

其中,为皮尔逊相关系数,i为时间步,Xi为目标候补气候变量在第i个时间步的时间序列数据,Yi为第i个时间步的ERA5风速数据,N为时间步总数,为空间网格中目标候补气候变量的时间序列均值,为空间网格中ERA5风速数据均值;

;

其中,为归一化均方根误差;

步骤S22,基于目标候补气候变量在每一空间格点的皮尔逊相关系数和归一化均方根误差计算结果,为每个目标候补气候变量生成基于空间分布特征的综合指标;进一步针对每一目标候补气候变量,通过对各个综合指标进行归一化处理、加权求和,得到对应的综合分数;基于各个目标候补气候变量的综合分数,对各个候补变量进行降序排列,生成量化排序列表。

3.根据权利要求2所述的基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,步骤S22中所述目标候补气候变量基于空间分布特征的综合指标包括高相关区域面积占比指标、关键区加权平均相关性指标、高相关区域空间聚集度指标、关键区加权归一化均方根误差指标,所述各个指标具体为:高相关区域面积占比指标:基于预设高相关阈值,统计所有空间格点中皮尔逊相关系数绝对值大于高相关阈值的空间格点数量,即高相关格点数量,并计算其占总格点数量的百分比;

关键区加权平均相关性指标:将ERA5风速数据均值作为空间权重图,将空间网格中各个空间格点的皮尔逊相关系数的绝对值与空间权重图进行加权平均;

高相关区域空间聚集度指标:利用连通域分析算法,生成各个高相关格点在空间上形成的连通簇,并计算最大连通簇所含空间格点数占总高相关格点数的比例;

关键区加权归一化均方根误差指标:将空间网格中各个空间格点的归一化均方根误差与空间权重图进行加权平均。

4.根据权利要求1所述的基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,所述多尺度空间特征提取模块的输入端构成层级化多尺度时空融合网络的输入端,所述多尺度空间特征提取模块的输出端依次串联时间动态特征提取模块、多尺度时空特征融合模块、输出模块,所述输出模块的输出端构成层级化多尺度时空融合网络的输出端;

所述多尺度空间特征提取模块用于基于预设批量大小,沿时间维度合并各个多通道输入数据,形成多通道重塑输入数据,利用残差卷积操作和下采样操作,逐步生成不同尺度分别对应的多层级空间特征;所述时间动态提取模块用于生成不同尺度分别对应的多层级时空特征;所述多尺度时空特征融合模块通过融合多层级空间特征和多层级时空特征,结合上采样操作,生成目标尺度的时空融合特征;所述输出模块用于接收时空融合特征,并利用卷积操作生成目标时间段在最后一个时间步对应的风场订正场。

5.根据权利要求4所述的基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,所述多尺度空间特征提取模块包括残差卷积模块、第一下采样模块、第二下采样模块;

所述残差卷积模块的输入端构成多尺度空间特征提取模块的输入端,所述残差卷积模块的输出端依次串联第一下采样模块、第二下采样模块,所述第二下采样模块的输出端构成多尺度空间特征提取模块的输出端;

所述残差卷积模块包括两个3x3卷积层、批量归一化层,用于将多通道重塑输入数据的通道数映射为32个通道,并生成第一层级空间特征;所述第一下采样模块用于接收第一层级空间特征,并通过步长为2的最大池化层和一个残差卷积模块,将通道数提升为64个通道,并生成第二层级空间特征;所述第二层级空间特征经丢弃操作后输入第二下采样模块,并通过步长为2的最大池化层和一个残差卷积模块将通道数提升为128个通道,并生成第三层级空间特征。

6.根据权利要求5所述的基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,所述时间动态特征提取模块包括第一卷积长短期记忆网络和第二卷积长短期记忆网络,且所述第一卷积长短期记忆网络的输入端和第二卷积长短期记忆网络的输入端共同构成时间动态特征提取模块的输入端,所述第一卷积长短期记忆网络的输出端和第二卷积长短期记忆网络的输出端共同构成时间动态特征提取模块的输出端;

利用重塑操作恢复第二层级空间特征和第三层级空间特征的时间序列维度后,将第三层级空间特征和第二层级空间特征分别输入第一卷积长短期记忆网络和第二卷积长短期记忆网络,并分别生成第三层级空间特征在最后一个时间步的第三层级时空特征、第二层级空间特征在最后一个时间步的第二层级时空特征。

7.根据权利要求6所述的基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,所述多尺度时空特征融合模块包含跳跃连接模块、第一上采样模块、第二上采样模块由跳跃连接模块提取第二层级空间特征在最后一个时间步的第二层级特征,并与第二层级时空特征在通道维度上进行拼接,得到通道数为96的拼接张量,并通过1x1卷积层将拼接张量的通道数降至64,生成融合后的跳跃连接特征;由第一上采样模块利用2x2转置卷积扩大第三层级时空特征的空间分辨率,并与跳跃连接特征进行拼接,进一步利用残差卷积操作进行特征融合,生成第一解码器层级输出,并与第一层级空间特征在最后一个时间步的第一层级特征进行拼接,生成第一解码器层级拼接特征;由第二上采样模块利用2x2转置卷积恢复第一解码器层级输出的空间分辨率,即通道数恢复至32,并与第一解码器层级拼接特征进行拼接,进一步利用残差卷积操作,生成第二解码器层级输出,即目标尺度的时空融合特征。

8.根据权利要求7所述的基于多阶段混合物理-数据驱动的风场订正方法,其特征在于,所述对层级化多尺度时空融合网络进行训练时基于两阶段训练策略,通过物理感知残差驱动损失的损失函数进行优化,且物理感知残差驱动损失包括均方误差损失函数、空间梯度损失函数、订正量均方误差损失函数和订正量空间梯度损失函数:;;

;

;

;

其中,为物理感知残差驱动损失的损失函数,即总损失函数;为均方误差损失函数,为空间梯度损失函数,为订正量均方误差损失函数,为订正量空间梯度损失函数,为均方误差损失函数的权重系数,为空间梯度损失函数的权重系数,为订正量均方误差损失函数的权重系数,为订正量空间梯度损失函数的权重系数;i为时间步,N为样本总数,为第i个时间步的预测风速,为第i个时间步的ERA5风速数据;为层级化多尺度时空融合网络输出结果的空间梯度图,为ERA5风速数据的空间梯度图,为利用动力降尺度模拟生成的第i个时间步的风速。