本技术涉及气象数据降尺度，具体而言，涉及一种基于时空图神经网络的气象数据降尺度方法及装置。
背景技术：
1、在气象研究中，高分辨率气象数据对天气预报、气候变化分析和农业生产等领域至关重要。现有的气象数据通常来源于气象站点观测、卫星遥感和再分析产品，其空间分辨率较低，通常在数十至数百公里范围内。为满足区域和局部地区研究需求，降尺度技术成为提升气象数据空间分辨率的重要手段。
2、目前，气象数据降尺度主要包括动态降尺度、统计降尺度和耦合降尺度三类方法。其中，动态降尺度通过数值模拟捕捉气象变量的物理过程，生成高分辨率气象数据，但计算复杂度高、耗时久，且容易受到输入数据和数值模式的影响；统计降尺度通过统计模型建立高分辨率和低分辨率气象数据之间的映射关系，计算成本低、易于应用，但依赖高时空分辨率的长期观测数据；耦合降尺度结合动态降尺度和统计降尺度方法的优点，提供高精度且物理一致的结果，但仍面临计算复杂度和数据依赖等问题，应用较少。
3、在统计降尺度中，卷积神经网络(cnn)、循环神经网络(rnn)和生成对抗网络(gan)已被成功应用于图像超分辨率任务，并逐步引入气象数据降尺度领域。然而，目前的这些网络模型在气象数据降尺度的应用仍存在不足，难以准确地捕捉局部地区气象现象的细节，影响了降尺度后气象数据的分辨率和精度。
技术实现思路
1、本技术的目的是：提供一种基于时空图神经网络的气象数据降尺度方法、装置、电子设备及存储介质，以更准确地捕捉局部地区气象现象的细节，提高降尺度后气象数据的分辨率和精度。
2、为了实现上述目的，第一方面，本技术提供了一种基于时空图神经网络的气象数据降尺度方法，包括：
3、获取研究区域内气象站点的气象观测数据集及网格化数据集，所述网格化数据集包括低分辨率气象网格数据、高分辨率气象网格数据及高分辨率土地静态网格数据；
4、对所述气象观测数据集及所述网格化数据集进行数据预处理，并利用预设的相关性分析算法确定对应的特征变量；
5、根据所述气象观测数据集、所述网格化数据集及对应的特征变量，构建得到用于降尺度的数据集；
6、将所述用于降尺度的数据集输入至已训练的第一时空图神经网络，利用所述第一时空图神经网络对所述低分辨率气象网格数据进行降尺度处理，得到预测的高分辨率气象网格数据。
7、在本技术较佳的实施方式中，所述获取研究区域内气象站点的气象观测数据集及网格化数据集，包括：
8、获取研究区域内气象站点的气象观测数据集，以及低分辨率气象数据、高分辨率土地静态数据；
9、对所述研究区域进行网格划分，得到对应的划分网格；
10、根据所述划分网格、所述低分辨率气象数据及所述高分辨率土地静态数据，得到低分辨率气象网格数据、高分辨率土地静态网格数据及高分辨率气象网格数据，所述低分辨率气象网格数据、所述高分辨率气象网格数据及所述高分辨率土地静态网格数据作为网格化数据集。
11、在本技术较佳的实施方式中，所述根据所述划分网格、所述低分辨率气象数据及所述高分辨率土地静态数据，得到低分辨率气象网格数据、高分辨率土地静态网格数据及高分辨率气象网格数据，包括：
12、将所述低分辨率气象数据插值到所述划分网格，得到低分辨率气象网格数据；
13、根据所述划分网格及所述高分辨率土地静态数据，计算得到高分辨率土地静态网格数据；将所述高分辨率土地静态网格数据及所述低分辨率气象网格数据输入至预设的气象研究与预报建模系统，得到高分辨率气象网格数据。
14、在本技术较佳的实施方式中，所述根据所述气象观测数据集、所述网格化数据集及对应的特征变量，构建得到用于降尺度的数据集，包括：
15、根据确定的滞后步数，获得当前时间对应的时间滞后变量；
16、根据所述气象观测数据集、所述网格化数据集、对应的特征变量及对应的时间滞后变量，构建得到滞后时间特征数据集作为用于降尺度的数据集。
17、在本技术较佳的实施方式中，所述第一时空图神经网络包括嵌入层、图结构构建模块、时空卷积模块、注意力模块和输出层，
18、所述第一时空图神经网络的嵌入层具有时空编码、平均编码和特征嵌入的功能，所述第一时空图神经网络的输出层包括时间及空间维度上的二维卷积层和全连接层。
19、在本技术较佳的实施方式中，在所述将所述用于降尺度的数据集输入至已训练的第一时空图神经网络，利用所述第一时空图神经网络对所述低分辨率气象网格数据进行降尺度处理，得到预测的高分辨率气象网格数据之后，所述方法还包括：
20、将所述用于降尺度的数据集及所述预测的高分辨率气象网格数据输入至已训练的第二时空图神经网络，利用所述第二时空图神经网络对所述预测的高分辨率气象网格数据进行偏差订正，得到修正的高分辨率气象网格数据。
21、在本技术较佳的实施方式中，所述第二时空图神经网络包括数据处理模块、时空表示学习模块、不确定性建模模块及外推生成模块。
22、第二方面，本技术提供了一种基于时空图神经网络的气象数据降尺度装置，包括：数据获取单元，用于获取研究区域内气象站点的气象观测数据集及网格化数据集，所述网格化数据集包括低分辨率气象网格数据、高分辨率气象网格数据及高分辨率土地静态网格数据；数据预处理单元，用于对所述气象观测数据集及所述网格化数据集进行数据预处理，并利用预设的相关性分析算法确定对应的特征变量；
23、数据集构建单元，用于根据所述气象观测数据集、所述网格化数据集及对应的特征变量，构建得到用于降尺度的数据集；
24、数据降尺度单元，用于将所述用于降尺度的数据集输入至已训练的第一时空图神经网络，利用所述第一时空图神经网络对所述低分辨率气象网格数据进行降尺度处理，得到预测的高分辨率气象网格数据。
25、第三方面，本技术提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的基于时空图神经网络的气象数据降尺度方法。
26、第四方面，本技术提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于时空图神经网络的气象数据降尺度方法。
27、本技术提出一种基于时空图神经网络的气象数据降尺度方法、装置、电子设备及存储介质，与现有技术相比，其有益效果在于：
28、本技术获取了研究区域内气象站点的气象观测数据集及网格化数据集，其中，网格化数据集包括低分辨率气象网格数据、高分辨率气象网格数据及高分辨率土地静态网格数据，并利用预设的相关性分析算法确定对应的特征变量，提升了数据源的多样性和丰富程度，涵盖了不同分辨率和数据类型，可以提高神经网络模型的预测准确性；同时，采用了已训练的第一时空图神经网络对低分辨率气象网格数据进行降尺度处理，可以更为快速地得到预测的高分辨率气象网格数据，显著提高效率，且第一时空图神经网络能够提供更高的空间和时间分辨率，可以增强气象数据的细节表现和准确性，从而更准确地捕捉局部地区气象现象的细节，提高降尺度后气象数据的分辨率和精度；此外，第一时空图神经网络也具有更高的泛化能力，还可以用以处理不同局部地区、不同时间尺度或者不同气象类型。
1.一种基于时空图神经网络的气象数据降尺度方法，其特征在于，包括：
2.根据权利要求1所述的基于时空图神经网络的气象数据降尺度方法，其特征在于，所述获取研究区域内气象站点的气象观测数据集及网格化数据集，包括：
3.根据权利要求2所述的基于时空图神经网络的气象数据降尺度方法，其特征在于，所述根据所述划分网格、所述低分辨率气象数据及所述高分辨率土地静态数据，得到低分辨率气象网格数据、高分辨率土地静态网格数据及高分辨率气象网格数据，包括：
4.根据权利要求1所述的基于时空图神经网络的气象数据降尺度方法，其特征在于，所述根据所述气象观测数据集、所述网格化数据集及对应的特征变量，构建得到用于降尺度的数据集，包括：
5.根据权利要求1所述的基于时空图神经网络的气象数据降尺度方法，其特征在于，所述第一时空图神经网络包括嵌入层、图结构构建模块、时空卷积模块、注意力模块和输出层，
6.根据权利要求1所述的基于时空图神经网络的气象数据降尺度方法，其特征在于，在所述将所述用于降尺度的数据集输入至已训练的第一时空图神经网络，利用所述第一时空图神经网络对所述低分辨率气象网格数据进行降尺度处理，得到预测的高分辨率气象网格数据之后，所述方法还包括：
7.根据权利要求6所述的基于时空图神经网络的气象数据降尺度方法，其特征在于，所述第二时空图神经网络包括数据处理模块、时空表示学习模块、不确定性建模模块及外推生成模块。
8.一种基于时空图神经网络的气象数据降尺度装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的基于时空图神经网络的气象数据降尺度方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于时空图神经网络的气象数据降尺度方法。
