本发明涉及气象数值模拟计算领域，特别是一种基于深度学习的热带气旋边界层参数化方法及系统。
背景技术：
1、热带气旋是一种在热带或副热带地区的暖洋面上形成的暖心低压涡旋系统，具有突发性强、破坏力大的特点。沿海地区常因热带气旋登陆而遭受强风、大暴雨和海潮等自然灾害，造成巨大的经济损失和人员伤亡。然而，热带气旋也能为干旱地区带来丰沛的降水。因此，深入研究热带气旋的生成机制具有重要的现实意义。
2、热带气旋边界层在热带气旋的强度演变中扮演着重要角色。在热带气旋发展的理论中，第二类条件不稳定性和合作强化理论指出，热带气旋边界层通过消耗动能，增强了水汽积累，为气旋的发展提供了不稳定的能量。同时，热带气旋发展中的关键物理过程—风致地表热通量交换、海面风与水汽通量的正反馈也主要发生在边界层内。然而，受限于当前的计算能力，中尺度数值模式只能解析千米级的过程。尽管现有的边界层参数化方法在再现对流边界层中的湍流和垂直质量通量扩散方面表现良好，但在应用于热带气旋边界层时存在显著缺陷。例如，不同的边界层参数化方法导致湍流传输系数的不确定性，这可以解释热带气旋的发展、强度和小尺度结构对边界层参数化的高度敏感性。此外，边界层参数化无法解释一些小尺度过程对湍流通量的贡献，如滚涡和眼壁涡度最大值，尽管这些贡献在热带气旋中是不可忽视的。
技术实现思路
1、鉴于现有的传统的边界层参数化方法中存在的问题，提出了本发明。
2、因此，本发明所要解决的问题在于传统边界层参数化方法在热带气旋边界层的应用存在湍流传输系数的不确定性以及对小尺度过程的解释能力不足。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种基于深度学习的热带气旋边界层参数化方法，其包括，
5、对气象地形数据进行数值模拟，获得气旋模拟数据；所述气象地形数据包括静态地形数据和网格化气象数据；
6、将所述气旋模拟数据覆盖至热带气旋边界层的多个特定水平面，获取插值数据；
7、提取并整合所述插值数据中的通量，获取湍流整合通量，并对所述湍流整合通量进行处理；
8、构建湍流预报模型，将经过处理的的所述湍流整合通量输入所述湍流预报模型，获得热带气旋边界层通量参数化结果。
9、作为本发明所述基于深度学习的热带气旋边界层参数化方法的一种优选方案，其中：所述插值数据的获取包括，
10、获取非规则网格点与规则网格点之间的距离，确定规则网格上每个格点的最近邻点；
11、根据最近邻点的距离和相关性信息计算每个非规则网格点对规则网格上待插值点的影响权重；
12、遍历所述规则网格上的每个格点，对于每个格点利用其最近邻点的数据和影响权重进行高阶插值计算，得到所述待插值点的函数值；
13、所述待插值点的函数值的计算如下式所示：
14、q(x,y)＝(1-α)(1-β)q00+α(1-β)q10+(1-α)βq01+αβq11
15、其中，q00、q10、q01和q11为规则网格点周围的四个相邻格点，α和β是水平方向和垂直方向的插值权重，分别由目标点与相邻点的相对距离确定。
16、作为本发明所述基于深度学习的热带气旋边界层参数化方法的一种优选方案，其中：提取所述插值数据中的通量通过确定每个小块中的湍流扰动部分以及每个时间戳的平均变量，使用所述平均变量减去每个小块中的湍流扰动部分得到插值数据中的通量。
17、作为本发明所述基于深度学习的热带气旋边界层参数化方法的一种优选方案，其中：提取所述插值数据中的通量还包括地表通量，对所述地表通量滤波处理并与解析后的湍流通量整合；
18、所述地表通量滤波处理包括，
19、对每个时间点和空间位置数据进行综合处理，并确定当前时间点的最优估计值；
20、根据处理后的空间位置数据，确定邻近点的加权平均值；
21、结合综合处理的结果，确定最终的时空一致性数据。
22、作为本发明所述基于深度学习的热带气旋边界层参数化方法的一种优选方案，其中：所述计算邻近点的加权平均值如下式所示：
23、
24、其中，是滤波后的值，q(i+m,j+n)是邻近点的值，w(m,n)是权重系数。
25、作为本发明所述基于深度学习的热带气旋边界层参数化方法的一种优选方案，其中：对所述湍流整合通量非线性变换包括，
26、确定湍流通量数据的均值和标准差，根据所述均值确定所述湍流通量数据的中心点，并根据所述标准差评估数据的分散程度；
27、获取湍流通量数据中每一个元素标准化偏差，根据所述标准化偏差确定湍流通量极值指数；
28、将湍流整合通量数据通过非线性对数变换函数，调整数据的分布形态；
29、所述湍流通量极值指数的计算如下式所示：
30、
31、其中，m是行数，h是列数，每个元素turflux(j,k)代表第j行第k列的湍流通量值，σ为标准差，μ为均值。
32、作为本发明所述基于深度学习的热带气旋边界层参数化方法的一种优选方案，其中：所述湍流预报模型如下式所示：
33、
34、其中，f是深度学习的参数化模型，u,v,w为速度的三个分量，θ为位温，q为水汽混合比，qc为云水混合比，为湍流输出通量。
35、第二方面，本发明实施例提供了一种基于深度学习的热带气旋边界层参数化系统，其包括：
36、数据获取模块，用于获取静态地形数据和网格化ncep再分析气象数据，对理想化的热带气旋进行大涡模拟，复现热带气旋的演化过程，获得气旋模拟数据；
37、数据插值模块，用于将理想热带气旋模拟数据插值到边界层的特定水平面，确保气象数据在空间上的充分覆盖；
38、通量整合模块，用于从插值数据中获取直接解析的湍流通量和解析变量，从插值数据中提取地表通量，并引入一致性约束的滤波处理将其与已解析的湍流通量整合，得到湍流地表整合通量，从插值数据中获取次网格尺度湍流通量，将其与湍流地表整合通量整合，得到最终的湍流整合通量；
39、模型构建预报模块，用于构建湍流预报模型，通过训练获得热带气旋边界层通量参数化结果。
40、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于深度学习的热带气旋边界层参数化方法的任一步骤。
41、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于深度学习的热带气旋边界层参数化方法的任一步骤。
42、本发明有益效果为利用深度学习模型来解释复杂的边界层过程，解决了传统边界层参数化方法在热带气旋边界层的应用存在湍流传输系数的不确定性以及对小尺度过程的解释能力不足等问题。对湍流整合通量进行非线性变换，通过非线性变换和归一化处理，抑制极端值的影响，使得湍流通量数据更加平滑和稳定，提高了模型对实际情况的模拟能力。构建的vt-bl自注意力机制实现了并行计算，相比于传统的参数化方法，能够更快速地进行数据处理和预测，在天气研究和预报模式中提供了更高的计算效率。
1.一种基于深度学习的热带气旋边界层参数化方法，其特征在于：包括，
2.如权利要求1所述的基于深度学习的热带气旋边界层参数化方法，其特征在于：所述插值数据的获取包括，
3.如权利要求2所述的基于深度学习的热带气旋边界层参数化方法，其特征在于：提取所述插值数据中的通量通过确定每个小块中的湍流扰动部分以及每个时间戳的平均变量，使用所述平均变量减去每个小块中的湍流扰动部分得到插值数据中的通量。
4.如权利要求1或3任一所述的基于深度学习的热带气旋边界层参数化方法，其特征在于：提取所述插值数据中的通量还包括地表通量，对所述地表通量滤波处理并与解析后的湍流通量整合；
5.如权利要求4所述的基于深度学习的热带气旋边界层参数化方法，其特征在于：所述计算邻近点的加权平均值如下式所示：
6.如权利要求1所述的基于深度学习的热带气旋边界层参数化方法，其特征在于：对所述湍流整合通量非线性变换包括，
7.如权利要求6所述的基于深度学习的热带气旋边界层参数化方法，其特征在于：所述湍流预报模型如下式所示：
8.一种基于深度学习的热带气旋边界层参数化系统，基于权利要求1～7任一所述的基于深度学习的热带气旋边界层参数化方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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1～7任一所述的基于深度学习的热带气旋边界层参数化方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于深度学习的热带气旋边界层参数化方法的步骤。
