CN120216886A 一种基于生成式深度学习的气候模式预估降尺度校正方法

(19)国家知识产权局(71)申请人河海大学号GO6N3/0475(2023.01)黄生志冯凯郭辉陈新国(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204(54)发明名称一种基于生成式深度学习的气候模式预估降尺度校正方法本发明公开了一种基于生成式深度学习的气候模式预估降尺度校正方法，该方法通过无监督的生成对抗网络识别全球气候模式水文气象变量预估偏差，利用生成器与判别器的对抗训练，不断减小对抗损失，从而使得训练好的生成式深度学习网络具有处理复杂的非线性关系的能力，以达到降尺度与偏差校正的综合最佳。此方法可以用于校正多模式各变量(降水，温度等)集合预估的平均偏差并提高其分辨率。发明实例表明该方法能够有效的对多模型集合预估降尺器绝对误差相关系数等21.一种基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于，包括：对全球气候模式输出的气候模式预估数据进行预处理，预处理后的气候模式预估数据通过生成对抗网络降尺度校正模型进行降尺度偏差校正；所述生成对抗网络降尺度校正模型包括生成器和判别器，生成器的输入是预处理后的气候模式预估数据，生成器的目标是生成器的输出数据与参考数据的分布差异最小；生成器中上采样层的输出数据作为判别器的输入，判别器用于区分生成器中上采样层的输出数据与参考数据的分布差异，并根据判定结果计算降尺度损失函数，根据降尺度损失函数的结果调整生成器与判别器的参数；对生成器的输出数据进行下采样，通过偏差校正损失函数量化下采样后的生成器输出数据与参考数据的差异，根据偏差校正损失函数的结果调整生成器的参数。2.根据权利要求1所述的基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于：所述预处理包括：利用双线性插值将气候模式预估数据的时间分辨率调整为与参考数据的时间分辨率一致，并检查数据中的缺失值和异常值；对于缺失值，采用插值法进行3.根据权利要求1所述的基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于：所述的气候模式预估数据为水文气象变量逐月格点数据，所述参考数据为相应的4.根据权利要求1所述的基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于，所述降尺度损失函数的计算式为：比较计划CMIP6的逐月数据，z代表参考数据，Ex~Paata(x)表示对数据x来自参考数据分布5.根据权利要求1所述的基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于，所述偏差校正损失函数的计算式为：Lbiascorrection(x,x')式中，Lbiascorrection(x,x')表示偏差校正损失，x代表第六次耦合模式比较计划的逐月数据，x′表示下采样后的生成器输出数据，IIx′-xll₁表示下采样后的生成器输出数据x'与CMIP6的逐月数据x的L1范数。6.根据权利要求1所述的基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于：训练所述生成对抗网络降尺度校正模型，包括：将预处理后的多个全球气候模式月尺度水文气象变量数据及相应的ERA5-Land再分析数据输入至所述生成对抗网络降尺度校正模型中，计算降尺度损失以及降尺度损失对于生成器和判别器中每个参数的梯度，调整生成器和判别器的参数，再计算偏差校正损失，当降尺度损失和偏差校正损失均不再下降，即生成对抗网络降尺度校正模型训练完毕。7.根据权利要求6所述的基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于：对训练完成的生成对抗网络降尺度校正模型进行评估，包括计算平均绝对误差、相3关系数和Kling-Gupta效率系数表示气象要素经过生成对抗网络降尺度校正模型降尺度校正后输出的气象要素校正值，var₀b代表的气象要素观测值，n表示样本数，varcorr表示降尺度校正后输出的气象要素的气象要素观测值的方差。8.根据权利要求1所述的基于生成式深度学习的气候模式预估降尺度校正方法，其特征在于：生成器包括顺次连接的输入层、残差层和上采样层；残差层包括多个卷积层，用于9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的基于生成式深度学习的气候模式预估降尺度校正方法。10.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现权利要求1至8中任一项所述的基于生成式深度学习的气候模式预估降尺度校正方法。4一种基于生成式深度学习的气候模式预估降尺度校正方法技术领域[0001]本发明属于气候模式预测方法，具体涉及是一种基于生成式深度学习的气候模式预估降尺度校正方法。背景技术[0002]随着全球气候变化问题的日益严重，气候模式成为研究气候变化趋势和预测极端天气事件的关键工具。然而，GCMs由于空间分辨率较低，难以准确表征区域尺度上水文气象变量的细微变化，特别是在地形复杂、气候变化剧烈的地区，其模拟结果往往难以满足精细化应用的需求。因此，气候模式降尺度(Downscaling)技术成为提高气候数据适用性的重要手段。目前，降尺度方法主要分为动力降尺度和统计降尺度。动力降尺度通过区域气候模式(RCMs)对GCMs进行嵌套模拟，能够捕捉局地气候特征，但计算成本较高；统计降尺度则利用历史观测数据与GCMs之间的统计关系，将低分辨率气候模拟数据转换为高分辨率数传统统计降尺度方法往往难以全面捕捉气候系统的非线性特征，在处理高维复杂气候数据时结果偏差较大。发明内容[0003]发明目的：为了克服上述不足，本发明公开了一种基于生成式深度学习的气候模式预估降尺度校正方法，能够生成足够精确可信的水文气象变量降尺度数据，从而提高气候模式预测在区域的适应性。[0004]技术方案：本发明所述的基于生成式深度学习的气候模式预估降尺度校正方法，包括：对全球气候模式输出的气候模式预估数据进行预处理，预处理后的气候模式预估数据通过生成对抗网络降尺度校正模型进行降尺度偏差校正；所述生成对抗网络降尺度校正模型包括生成器和判别器，生成器的输入是预处理后的气候模式预估数据，生成器的目标是生成器的输出数据与参考数据的分布差异最小；生成器中上采样层的输出数据作为判别器的输入，判别器用于区分生成器中上采样层的输出数据与参考数据的分布差异，并根据判定结果计算降尺度损失函数，根据降尺度损失函数的结果调整生成器与判别器的参数；对生成器的输出数据进行下采样，通过偏差校正损失函数量化下采样后的生成器输出数据与参考数据的差异，根据偏差校正损失函数的结果调整生成器的参数。[0005]所述预处理包括：利用双线性插值将气候模式预估数据的时间分辨率调整为与参考数据的时间分辨率一致，并检查数据中的缺失值和异常值；对于缺失值，采用插值法进行[0006]所述的气候模式预估数据为水文气象变量逐月格点数据，所述参考数据为相应的[0007]所述降尺度损失函数的计算式为：5模式比较计划CMIP6的逐月数据，z代表参考数据，Ex~Pdata(x)表示对数据x来自参考数据分[0008]所述偏差校正损失函数的计算式为：Lbiascorrection(x,x')=代表第六次耦合模式比较计划CMIP6的逐月数据，x'表示下采样后的生成器输出数据，I|x'-xll₁表示下采样后的生成器输出数据x'与CMIP6的逐月数据x的L1范数。[0009]训练所述生成对抗网络降尺度校正模型，包括：将预处理后的多个全球气候模式月尺度水文气象变量数据及相应的ERA5-Land再分析数据输入至所述生成对抗网络降尺度校正模型中，计算降尺度损失以及降尺度损失对于生成器和判别器中每个参数的梯度，调整生成器和判别器的参数，再计算偏差校正损失，当降尺度损失和偏差校正损失均不再下[0010]对训练完成的生成对抗网络降尺度校正模型进行评估，包括计算平均绝对误差、varcorr表示气象要素经过生成对抗网络降尺度校正模型降尺度校正后输出的气象要素校正值，var。代表的气象要素观测值，n表述样本数，varcorr表示降尺度校正后输出的气象要表示气象要素观测值的方差。[0011]生成器包括顺次连接的输入层、残差层和上采样层；残差层包括多个卷积层，用于特征提取；上采样层用于调整数据的分辨率；判别器包括顺次连接的输入层、残差层、下采样层和非线性层，其中残差层用于特征提取，非线性层用于提升模型的非线性能力；生成器和判别器之间通过对抗性训练机制进行优化，最终达到动态平衡。[0012]本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于生成式深度学习的气候模式预估降尺度校正方法。[0013]本发明提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令6被处理器执行时实现所述的基于生成式深度学习的气候模式预估降尺度校正方法。[0014]有益效果：相比于现有技术，本发明具有以下优点：本发明基于生成对抗网络(GAN),提出了一种新的融合降尺度与偏差校正的方案。本发明所提出的GAN架构，融合了降尺度与偏差校正，能够有效捕捉气候模式和参考数据之间的高阶特征和复杂非线性关系，同时进行偏差校正，以提供准确的降尺度结果。相较于常用的分位数映射及卷积神经网络方法，GAN降尺度的表现更为出色。本发明方法具有较强的泛化能力，能够适应不同地区、不同气候因子的气候模式降尺度需求，具有广泛的应用前景。附图说明[0015]图1为本发明所述的生成对抗网络降尺度校正模型的训练流程图；图2为本发明所述的生成对抗网络降尺度校正模型结构图；图3为实施例中生成对抗网络、卷积神经网络及分位数映射多模式平均全球陆地气温降尺度结果空间分布对比图。具体实施方式[0016]下面结合附图和实施例对本发明做进一步的解释说明。[0017]本发明所述的基于生成式深度学习的气候模式预估降尺度校正方法，包括：对全球气候模式输出的气候模式预估数据进行预处理，预处理后的气候模式预估数据通过生成对抗网络降尺度校正模型进行降尺度偏差校正；所述生成对抗网络降尺度校正模型包括生成器和判别器，生成器的输入是预处理后的气候模式预估数据，生成器的目标是生成器的输出数据与参考数据的分布差异最小；生成器中上采样层的输出数据作为判别器的输入，判别器用于区分生成器中上采样层的输出数据与参考数据的分布差异，并根据判定结果计算降尺度损失函数，根据降尺度损失函数的结果调整生成器与判别器的参数；对生成器的输出数据进行下采样，通过偏差校正损失函数量化下采样后的生成器输出数据与参考数据的差异，根据偏差校正损失函数的结果调整生成器的参数。[0018]本实施例中，生成器包括1个卷积层(输入),6个残差层，2个上采样层。判别器包括2个卷积层，3个残差层，3个下采样层，以及非线性层。这些由pytorch内置的模型搭建库Module管理。生成器后面连接2个下采样层。[0019]采用的降尺度损失函数的计算式为：模式比较计划CMIP6的逐月数据，z代表参考数据，Ex~Paata(x)表示对数据x来自参考数据分[0020]采用的偏差校正损失函数的计算式为：Lbiascorrection(x,x')=|代表第六次耦合模式比较计划7CMIP6的逐月数据，x'表示下采样后的生成器输出数据，Ilx'-xll₁表示下采样后的生成器输[0021]生成对抗网络降尺度校正模型的训练过程如图1所示的，包括以下步骤：S1:在全球陆地区域(南极洲除外),将全球气候模式的10个模型作为待降尺度的模型，模型的分辨率为1°×1°。采用ERA5-Land数据作为参考数据，参数数据的分辨率为0.1°×0.1°,该分辨率的参考数据用于降尺度，同时将其双线性插值至分辨率为1°×1°,该分辨率的数据作为偏差校正的参考数据。利用python的pytorch库，首先将数据从数组格式转换为torch格式。如表1所示为实施例中所采用全球气候模式的10个模型的详细信[0022]表1全球气候模式10个模型的详细信息分辨率()式中：t代表时间(此实施例中为1950-2014年的月数),m代表模型(此实施例中为10,代表10个模型),x代表纬度(此实施例中为12),y代表经度(此实施例中为33)。[0024]同时，我们也对ERA5-Land参考数据进行分割以及维度的变换。将数据维度转换式中，t代表时间(此实施例中为1950-2014年的月数),x代表纬度(此实施例中为120),y代表经度(此实施例中为330)。[0025]采用torch.utils.data.DataLoader将模型数据与观测数据制作成迭代器。[0026]S2:运用torch.nn库以及torch.nn.Module搭建生成对抗网络降尺度校正模型(包括torch.nn.Conv2d,torch.nn.Maxpool2D,torch.nn.ReLu,torch.nn.Linear,torch.nn.ConvTranspose2d)。生成对抗网络降尺度校正模型如图2所示；对于生成器，初始8层由torch.nn.Conv2d实现(卷积核尺寸为3,步长为3,填充为0,通道为64)。残差层由两层卷积层与激活函数组成，即torch.nn.Conv2d与torch.nn.ReLu组成，最后将输入直接与经过两层卷积与激活后的输出相加(其中卷积核的尺寸为3,步长为3,填充为0,通道分别设置为128与256)。同时每三个残差层后添置下采样层(即torch.nn.Maxpool2D,卷积核为2,步长为2),最后进行2次上采样(torch.nn.ConvTranspose2d,卷积核为2)。而对于判别器，初始卷积层同样利用torch.nn.Conv2d构建，之后连接3个残差层与3个下采样层，参数与生成器中的参数一致。最后在连接一个卷积层(通道设置为1)。[0027]S3:从S1所构造的数据迭代器随机抽取样本batch0,在该例中，气候模式的样本的形状大小为[16,1,12,33],ERA5-Land参考数据的样本形状大小为[16,1,120,330]。将气候模式样本生成器，上采样后，得到形状为[16,1,120,330]的结果，将该结果与对应的参考数据输入判别器，得到2个判别结果，形状都为[16,1,30,55]。将两者输入至公式Laownscaling,从而计算降尺度损失。之后，将上采样的结果进行下采样，从而得到与原始形状相似的结果([16,1,12,33]),将其与分辨率为[16,1,12,33]的参考数据进行比较，计算偏差校正损失，通过公式Lcorrected,计算偏差校正损失。我们将上述两个损失相加得到总损失，计算总损失对于两个生成器参数的梯度，只利用降尺度损失来计算两个判别器参数的梯度。并利用Adam优化器同时对生成器判别器进行梯度下降，从而更新生成器与判别器的梯度。更新梯度后，我们在此从S1所构造的数据迭代器随机抽取样本batch1,重复上述的操作，直到总损失趋于稳定，此时我们可以认为生成器与判别器优化完成。[0028]S4:利用平均绝对误差(MSE)、相关系数(CC)、Kling-Gupta效率系数(KGE)等指标评估降尺度后的多模式平均气温预估与气温参考数据的差异结果如表2所示，本发明对多模式集合平均降尺度的结果在各个指标上都优于传统的卷积神经网络以及分位数映射方[0029]表2三种降尺度方法对气温降尺度校正的多指标结果[0030]如图3所示，为生成对抗网络(生成对抗网络降尺度校正模型)、卷积神经网络及分位数映射多模式平均全球陆地气温降尺度结果空间分布对比图。[0031]通过以上分析可知，本发明使用生成式深度学习方法进行气候模式预估降尺度融合偏差校正能够有效提升多模型预测的准确性与可靠性。与其它技术相比，该方法能够有效捕捉气候模式和参考数据之间的复杂非线性关系，具有较强的泛化能力，计算的精度和[0032]在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于生成式深度学习的气候模式预估降尺度校正方法。[0033]在一个实施例中，提供了一种计算机程序产品，包括计算机程序/指令，该计算机9程序/指令被处理器执行时实现所述的基于生成式深度学习的气候模式预估降尺度校正方[0034]本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。[0035]本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或