本發明屬于水文氣候變化與人工智能交叉應用，具體涉及一種基于深度殘差網絡的日降雨降尺度模擬方法。
背景技術：
1、在當前氣候變化研究中，全球氣候模型（gcm）提供了重要的大尺度氣候信息，但其空間分辨率通常在0.5°到4°之間，限制了其在城市或區域級別的應用。為滿足區域氣候評估的需求，研究者們開發了多種降尺度技術，包括動力學降尺度和統計降尺度。動力學降尺度依賴區域氣候模型進行數值模擬，而統計降尺度則建立在全球氣候模型預測因子與區域氣候變量之間的統計關系上。
2、近年來，深度學習技術和高性能計算的發展為降尺度研究帶來了新機遇。神經網絡模型，尤其是卷積神經網絡（cnn）和深度殘差網絡（drn），在降尺度研究中顯示出良好的潛力。這些模型能夠捕捉數據中的復雜非線性關系，并在一定程度上克服了傳統方法的局限性。現有技術方法主要包括：將低空間分辨率氣候變量（如降雨、氣溫等）轉化為高分辨率氣候變量的網絡算法；根據氣候預測因子（氣壓、重力勢、風場、濕度等）改善相同空間分辨率的氣候變量；從低空間分辨率預測因子到高分辨率氣候變量的研究，以及從低分辨率預測因子推算地面觀測站或區域平均值的外延預測研究。然而，現有深度學習模型在處理日尺度降雨降尺度時仍面臨挑戰，特別是在缺乏日尺度、高分辨率環境變量數據的未來預測情境中。
3、因此，在氣候變化和極端天氣頻發的背景下，有必要提出并建立一種基于深度殘差網絡的日降雨降尺度模擬方法。
技術實現思路
1、本發明的目的在于克服現有技術中的不足，提供一種基于深度殘差網絡的日降雨降尺度模擬方法，能夠有效提高氣候變化情景下日尺度降雨的空間分辨率和預測精度。
2、為達到上述目的，達到上述技術效果，本發明是采用下述技術方案實現的：
3、第一方面，本發明提供一種基于深度殘差網絡的日降雨降尺度模擬方法，包括以下步驟：
4、獲取待預測區域實時的降雨影響因素；所述降雨影響因素包括氣象預測因子、下墊面數據和區域邊界；
5、將所述降雨影響因素進行預處理，得到預處理后的降雨影響因素；
6、將所述預處理后的降雨影響因素輸入訓練好的降雨深度學習網絡，得到待預測區域的柵格型降雨數據。
7、進一步的，所述氣象預測因子包括海平面壓力、近地表氣溫、500hpa氣壓處的相對濕度、重力勢和800hpa氣壓處的相對濕度、重力勢；
8、所述下墊面數據包括高程模型和土地利用與覆蓋。
9、進一步的，將所述降雨影響因素進行預處理，得到預處理后的降雨影響因素，包括：
10、針對氣象預測因子進行重采樣，轉換為面積相同的投影坐標系數據；
11、針對氣象預測因子、下墊面數據和區域邊界的數據統一采用標準分數（z-score）標準化法，將數據縮放到相同的量級，得到預處理后的降雨影響因素。
12、進一步的，所述降雨深度學習網絡進行降雨預測的方法包括：
13、將氣象預測因子的數據輸入升采樣子模塊進行升采樣，調整到與下墊面數據和區域邊界的數據的分辨率相一致，并且將其與下墊面數據和區域邊界的數據連接，生成初步采樣數據；
14、將初步采樣數據輸入到多個殘差子模塊中，并與多個殘差子模塊的輸出進行跳躍連接和疊加運算，得到預測的降雨數據。
15、所述殘差子模塊包括多個卷積子模塊，并且殘差子模塊的輸入與多個卷積子模塊的輸出進行跳躍連接和疊加運算，得到殘差子模塊的輸出。
16、所述卷積子模塊用于進行卷積運算、非線性化、批量歸一化。
17、進一步的，所述降雨深度學習網絡的訓練方法包括：
18、獲取訓練數據集；所述訓練數據集包括各地區的柵格型降雨數據以及對應的降雨影響因素；
19、預處理所述訓練數據集；
20、基于預處理后的訓練數據集，采用小批量數據方式進行訓練，選擇自適應矩估計（adam）作為訓練優化算法，選擇均方誤差（mse）作為損失函數，對所述降雨深度學習網絡進行訓練，得到訓練好的降雨深度學習網絡。
21、進一步的，獲取訓練數據集，包括：
22、采用基于地面雨量計與衛星觀測的降雨融合數據集（chirps）作為柵格型降雨數據的數據源。
23、采用中國氣象局國家氣候中心開發的氣候系統模型v2-中等分辨率（bcc-csm2-mr）氣候變化數據作為氣象預測因子的數據源，將氣象預測因子數據的地理坐標與當地投影坐標進行匹配，利用最近距離法重采樣為投影坐標系。
24、將一組氣象預測因子、下墊面數據和區域邊界以及對應的一組降雨數據整理為一個數據樣本，每一個數據樣本是機器學習訓練過程的最小單位；
25、將獲取的各種數據整理為多個數據樣本，得到訓練數據集。
26、進一步的，預處理所述訓練數據集的方法包括全局歸一化和數據增強。
27、進一步的，數據增強的方法包括：
28、對原數據按總降雨量排序，選取前20%的數據用于數據增強，選取了5種常用的數據增強方法，分別為左右鏡像、上下鏡像、旋轉90°、旋轉180°、旋轉270°。對強降雨數據實施5次數據增強后，形成了一個與原數據相同大小的數據集。
29、進一步的，深度學習網絡訓練過程中，訓練子集、驗證子集比例設置為0.8。在網絡訓練中訓練子集中原數據和增強數據按1:1進行使用，驗證子集僅使用原數據。
30、與現有技術相比，本發明所達到的有益效果：
31、1、本發明構建的降雨降尺度深度學習網絡考慮了土地利用變化。與傳統方法利用偏差校正函數直接對全球氣候模型數據中降雨數據進行空間降尺度，對降雨空間分布的高偏差性以及下墊面條件的影響考慮不足。本發明通過重采樣對全球氣候模型數據中降雨相關的氣象預測因子進行降尺度，與土地利用數據進行結合，作為殘差網絡的輸入，構成降尺度深度殘差網絡框架，以輸出高分辨率的中小尺度降雨空間分布，整體提高降尺度降雨空間分布數據的適配性，能夠模擬氣候變化和城市化對區域降雨變化的影響。
32、2、本發明設計了在降雨降尺度深度學習網絡中引入了深度殘差結構。與現有的降雨降尺度神經網絡模型相比，本發明綜合采用殘差網絡結構、卷積神經網絡、轉置卷積、基于relu的非線性化激活函數等神經網絡技術，更好地反映降雨空間分布上的連續性。relu（整流線性單元）非線性化在卷積子模塊、升采樣子模塊中均有使用。轉置卷積是本方法中升采樣子模塊?的核心運算。
33、3、本發明在tensorflow機器學習平臺中，采用keras框架，設計了卷積子網絡、升采樣子網絡、殘差子網絡3個可直接調用的神經網絡子模塊，這三個子模塊編寫成獨立的函數，形成可重復利用的函數庫，既能在所構建的深度殘差網絡框架在實際應用過程中增加網絡深度調整的便捷性，也為用于其他深度學習模型開發。
34、4、本發明對原訓練數據按總降雨量排序，選取前20%的數據形成強降雨過程，利用鏡像、旋轉等圖像重構技術對強降雨過程進行了數據增強，提高深度學習網絡對降雨數據的敏感度。
35、5、本發明在降雨深度殘差網絡訓練過程中設計了一種原始訓練數據集和增強數據集的使用策略，利用80%的原始數據和80%增強數據做最有模型訓練，再利用20%的原始數據將進行驗證，驗證后利用全部原始數據和增強數據進行加強訓練，形成了“訓練-驗證-訓練”的模式，即保證了網絡參數得到有效的驗證，又加強了全部訓練數據的利用率。
36、6、本方法不僅具有較好的實用價值，還具備較高的普適性。本發明旨在提出一種基于深度殘差網絡的日降雨降尺度模擬方法，以解決現有技術的不足。該方法利用深度殘差網絡強大的特征提取能力和對復雜關系的建模能力，提高了日降雨降尺度的精度和可靠性。與傳統的統計降尺度方法相比，該方法在模擬極端降水事件和捕捉局部氣候特征方面具有明顯優勢。此外，該方法還能夠適應不同的氣候條件和地形特征，為區域氣候評估和決策提供更為精細的降水預測。通過這種方法，可以更好地理解和預測氣候變化對地區天氣模式的影響，從而為應對氣候變化提供科學依據。