基于深度学习的混合数据同化方法

1.一种基于深度学习的混合数据同化方法，用于天气预报领域，其特征在于，包括以下步骤：建立基于BNN模型的预测模型BNN-FM，所述预测模型BNN-FM包括BNN模型和四阶龙格-库塔积分法；所述BNN模型包括第一卷积层、双线性层和第二卷积层；所述第一卷积层的卷积核的数量为5，所述第二卷积层的卷积核的数量为1；通过所述预测模型BNN-FM获得切线性伴随模型，将所述切线性伴随模型应用于4DVar中，采用ResNet来融合4DVar和EnKF，以减少人为选择经验系数带来的不确定性，具体包括：在时间i，背景x b 和观测值y o 输入到4DVAR和ENKF，之后系统输出同化结果x a var 和x a ens ；x a var 和x a ens 用作ResNet模型的输入，ResNet处理完后，输出x a ；以x a var 、x a ens 和x a 作为初始条件，输入BNN-FM，得到时间i+1的预测 和x f ； 和 分配给x b var 和x b ens ，用观测值y o 开始i+1的分析周期；输出数值预报结果；数值预报结果包括大气中的温度、压力和湿度；其中，采用ResNet来融合4DVar和EnKF的数学表达式如下：在训练BNN-FM时，将特征设置为x i ，标签设置为x i+1 ；在训练ResNet模型时，将特征设置为x a var 和x a ens ，标签设置为x t ；BNN-FM模型的损失函数如下式所示：ResNet模型的损失函数如下式所示：其中W代表模型的参数， 代表BNN-FM，||||代表2-范数。 2.根据权利要求1所述的基于深度学习的混合数据同化方法，其特征在于，所述ResNet模型有6个卷积层，前三个卷积层的卷积核为5，后三个卷积核为3，激活函数为ReLU。 3.根据权利要求1所述的基于深度学习的混合数据同化方法，其特征在于，在训练BNN-FM和ResNet模型时，使用的损失函数是MSE。 4.根据权利要求1所述的基于深度学习的混合数据同化方法，其特征在于，所述切线性伴随模型源自所述预测模型。 5.根据权利要求1所述的基于深度学习的混合数据同化方法，其特征在于，所述四阶龙格-库塔积分法的定义如下：其中 使用神经网络算子，M代表所述预测模型，dt代表积分时间步长，x为输入向量，i代表时刻i。 6.根据权利要求1所述的基于深度学习的混合数据同化方法，其特征在于，所述切线性伴随模型使用pytorch的自动微分工具得到。