CN108399469B - 一种基于深度学习和数值天气预报的天气现象预报方法 - Google Patents

Abstract

本发明公开了一种基于深度学习和数值天气预报的天气现象预报方法，包括：根据数值天气预报产品和天气现象观测数据，构建训练数据集；根据深度学习网络模型对所述训练数据集进行训练，得到预估预报模型；从所述数值天气预报中提取预报场数据片段；将提取的预报场数据片段作为所述预估预报模型的输入数据，得到天气现象分类结果，将所述天气现象分类结果作为天气现象预报结果进行输出。本发明利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力，基于数值天气预报数据和历史天气现象观测数据，实现对未来天气现象的预报。

Description

一种基于深度学习和数值天气预报的天气现象预报方法

技术领域

本发明属于气象技术领域，尤其涉及一种基于深度学习和数值天气预报的天气现象预报方法。

背景技术

天气现象预报是气象预报员工作中非常重要的一部分，准确的天气现象预报结果不仅有利于我们的出行，更会减少由于自然灾害对国家、人民造成的损失。

目前，根据相关气象规范，气象观测站点观测到的天气现象共编码为100类，实际使用的天气现象代码约为35类。当前气象业务部门对天气现象的预报仍依赖于人工对多种客观资料进行分析，根据预报员经验研判未来可能出现的天气现象。这种预报方法极大的依赖于预报员的经验，且工作量巨大。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于深度学习和数值天气预报的天气现象预报方法，利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力，基于数值天气预报数据和历史天气现象观测数据，实现对未来天气现象的预报。

为了解决上述技术问题，本发明公开了一种基于深度学习和数值天气预报的天气现象预报方法，包括：

根据数值天气预报产品和天气现象观测数据，构建训练数据集；

根据深度学习网络模型对所述训练数据集进行训练，得到预估预报模型；

从所述数值天气预报中提取预报场数据片段；

将提取的预报场数据片段作为所述预估预报模型的输入数据，得到天气现象分类结果，将所述天气现象分类结果作为天气现象预报结果进行输出。

在上述基于深度学习和数值天气预报的天气现象预报方法中，所述根据数值天气预报产品和天气现象观测数据，构建训练数据集，包括：

从所述数值天气预报产品中筛选得到参与计算的要素类别及层次；

选取待预报的天气现象类别；

将实际观测的站点天气现象数据作为对应时次数值天气预报片段的标注信息，获取带标注训练数据，构建训练数据集。

在上述基于深度学习和数值天气预报的天气现象预报方法中，所述根据数值天气预报产品和天气现象观测数据，构建训练数据集，还包括：

对所述训练数据集中各个要素和层次数据进行归一化。

在上述基于深度学习和数值天气预报的天气现象预报方法中，所述根据数值天气预报产品和天气现象观测数据，构建训练数据集，还包括：

对所述训练数据集中的数据进行数据增强。

在上述基于深度学习和数值天气预报的天气现象预报方法中，所述根据深度学习网络模型对所述训练数据集进行训练，得到预估预报模型，包括：

选取深度学习网络模型；

将所述带标注训练数据作为所述深度学习网络模型的输入数据，逐步训练所述深度学习模型的参数，得到模型参数；

根据所述模型参数对所述深度学习网络模型进行赋值，得到预估预报模型。

在上述基于深度学习和数值天气预报的天气现象预报方法中，所述从所述数值天气预报中提取预报场数据片段，包括：

根据指定的预报时间，选取相匹配的预报时次；

将对应预报时次的数值天气预报的预报场作为基础数据；

根据所述基础数据，选取与指定站点或经纬度相匹配的数据段进行数据拼接，得到预报场数据片段。

本发明具有以下优点：

本发明公开了一种基于深度学习和数值天气预报的天气现象预报方法，采用深度学习的方法根据数值天气预报产品预报未来时次的天气现象，开创性的将深度学习技术用于提取数值天气预报产品中的有效信息，将深度学习方法引入天气现象预报领域，对于天气现象的预报具有较高的预报准确率。

其次，本发明可部分代替人工对数值预报产品的分析工作，自动输出未来时次天气现象预报结果，减少人工预报天气现象过程中的主观性和对预报经验的要求，从而减少天气预报员的工作量并为自动化预报提供基础支持。

附图说明

图1是本发明实施例中一种基于深度学习和数值天气预报的天气现象预报方法的步骤流程图；

图2是本发明实施例中一种ResNet的单元结构示意图；

图3是本发明实施例中一种完整深度残差网络示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。

参照图1，示出了本发明实施例中一种基于深度学习和数值天气预报的天气现象预报方法的步骤流程图。在本实施例中，所述基于深度学习和数值天气预报的天气现象预报方法，包括：

步骤101，根据数值天气预报产品和天气现象观测数据，构建训练数据集。

在本实施例中，一种可行的构建训练数据集的具体流程可以如下：

子步骤1011，从所述数值天气预报产品中筛选得到参与计算的要素类别及层次，以及待预报的天气现象类别。

在本实施例中，参与计算的要素类别及层次可以由专家基于需要预报的天气现象根据经验选定。

例如，数值天气预报产品可选用欧洲气象中心发布的细网格数值天气预报，格距为0.25度×0.25度，覆盖范围为南纬10度～北纬60度、东经60度～东经150度。其中，欧洲气象中心发布的细网格数值天气预报中选取的用于预报的气象要素如表1所示：

表1，欧洲细网格数值天气预报中用于预报的气象要素示意表

子步骤1012，选取待预报的天气现象类别。

在本实施例中，选取的待预报的天气现象类别可以是任意一种或多种适当的天气现象代码或多种代码的组合。

例如，可以选择中国国家气象局CMACAST广播的全国自动站逐小时观测数据作为天气现象观测数据，该数据中每个整点时次约有1000个左右站点数据带有天气现象信息。部分天气现象信息代码含义如下表2所示：

表2，天气现象代码示意表

子步骤1013，将实际观测的站点天气现象数据作为对应时次数值天气预报片段的标注信息，获取带标注训练数据，构建训练数据集。

在本实施例中，可以通过人工观测和/或器测方式，得到实际观测的站点天气现象数据；通过将实际观测的站点天气现象数据作为对应时次数值天气预报分析场片段的标注信息获取带标注训练数据。具体的：

首先，根据数值天气预报产品的存放方式，计算特定气象要素及层次在数值天气预报产品中对应于站点经纬度坐标的数据存放位置。其次，提取以该数据存放位置为中心，向经度东西方向、纬度南北方向各延展若干个数据点的数据片段。再次，将各个要素及层次的数据片段进行拼接组合，形成数值天气预报产品片段数据。最后，以该站点天气现象作为数值天气预报产品片段的标注，形成带标注的数值天气预报产品片段数据，即带标注训练数据。

其中，需要说明的是，本实施例中所提到的站点可为单一站点的历史数据集或多个站点的历史数据集的集合。

在本发明的一优选实施例中，设需要截取的欧洲细网格数值预报片段范围为(crange＝9)×(crange＝9)，欧洲中心细网格数值天气预报覆盖的纬度范围为(LatMin＝-10)～(LatMax＝60)，纬度网格密度LatDense＝0.25，覆盖的经度范围为(LonMin＝60)～(LonMax＝150)，经度网格密度为LonDense＝0.25。

对于世界时2017年11月27日0点0分，CMACAST广播中站点号为54511的经纬度为(39.8,116.5)的地点，根据报文该站点的天气现象为05(霾)，解码出2017年11月27日0点的数值天气预报分析场要素T(温度)的高度层100的经纬度栅格数据G，站点54511经纬度坐标对应的G中最临近数据点位置为Index＝29467(共有281×361＝101441个数据点)，则要素T的高度层100对应该站点的数值天气预报片段计算方法Python伪代码可以如下：

#计算经纬网纬度方向上格点总数

LatRange＝[LatMin,LatMax]＝[-10,60]

Latdense＝0.25

Latcount＝(latRange[1]-latRange[0])/latdense+1

#计算经纬网经度方向上格点总数

LonRange＝[LonMin,LonMax]＝[60,150]

Londense＝0.25

Loncount＝(LonRange[1]-LonRange[0])/Londense+1

#设定截取的范围大小

crange＝9

#计算截取半径

radius＝(crange-1)/2

#开始逐行截取数据片段

#G为上文中的栅格数据，output_file为追加模式的输出文件

#开始第r行截取

for r in range(-1*radius,radius+1):

#第r行最小数据索引

cur_min＝int(Index+r*Loncount-radius)

#第r行最大数据索引

cur_max＝int(Index+r*Loncount+radius)

#从G中截取索引的数据

curdata＝G[cur_min:cur_max+1]

#以追加形式输出到文件中

output_file.write(curdata)

依照上述方法可依次得到数值天气预报产品中参与计算的所有要素类别及层次的数据片段，可将其组合成单一文件后形成数值天气预报产品数据片段，置入名称为“05”的文件夹中，形成一个带标注的训练数据，用同样的方法可得到多个站点、多个时次带标注的训练数据，从而构建训练数据集。

在本发明的一优选实施例中，上述步骤101还可以包括：对所述训练数据集中各个要素和层次数据进行归一化。

在本实施例中，为排除不同气象要素数据范围的影响，需所述训练数据集中各个要素和层次数据进行归一化处理。

例如，可采用线性函数归一化方法进行归一化处理：

其中，X表示当前数据点的值、X_norm表示归一化后的当前数据值、X_min表示当前数据集的最小值、X_max表示当前数据集的最大值。

又例如，可采用0均值归一化方法进行归一化处理：

其中，μ和σ分别表示原始训练数据集的均值和方差。

在本发明的一优选实施例中，上述步骤101还可以包括：对所述训练数据集中的数据进行数据增强。

在本实施例中，可以通过裁剪、增加噪声等方式进行数据增强。使用数据增强技术，主要是在训练数据上增加微小的扰动或者变化，一方面可以增加训练数据，从而提升模型的泛化能力，另一方面可以增加噪声数据，从而增强模型的鲁棒性。

在本发明的一优选实施例中，可以对数值天气预报片段集合进行裁剪，将(crange＝9)×(crange＝9)的片段裁剪为(crange＝8)×(crange＝8)的片段，相关python伪代码可以为：

#定义新的片段集合

new_segments＝[]

#开始逐一片段处理,old_segments第一维度中存放不同的片段

#shape[0]存放新片段宽度，实施例中为8

#shape[1]存放新片段高度，实施例中为8

for i in range(old_segments.shape[0]):

#提取第一个片段

old_segment＝old_segments[i,:,:,:]

#计算新片段左端在旧片段中的索引位置，shape[0]为片段宽度

left＝numpy.random.randint(old_segment.shape[0]-shape[0]+1)

#计算新片段上端在旧片段中的索引位置，shape[0]为片段高度

top＝numpy.random.randint(old_segments.shape[1]-shape[1]+1)

#得到裁剪后的新片段

new_segment＝old_segment[left:left+shape[0],

top:top+shape[1],:]

#得到裁剪后的新片段集合

new_segments.append(new_segment)

此外，为降低过拟合，可为数据添加噪声，相关python伪代码可以为：

#开始逐一片段处理,segments第一维度中存放不同的片段

for i in range(segments.shape[0]):

#提取第一个片段

old_segment＝segments[i,:,:,:]

new_segment＝old_segment

#shape[0]、shape[1]、shape[2]

#分别表示数据片段的宽、高及要素类的维度

for i in range(segment.shape[0]):

for j in range(segment.shape[1]):

for k in range(segment.shape[2]):

#添加高斯分布的噪声

new_segment[i,j,k]+＝random.gauss(mean,std)

#得到新片段集合

segments[i,:,:,:]＝new_segment

步骤102，根据深度学习网络模型对所述训练数据集进行训练，得到预估预报模型。

在本实施例中，上述步骤102具体可以包括：

子步骤1021，选取深度学习网络模型。

在本实施例中，深度学习模型可但不限于采用LeNet、AlexNet、VGG、GoogleLeNet、ResNet、DenseNet、CapsNet等公知结构的用于处理栅格数据(如图像数据)的深度学习模型及其基础上的变种模型。

子步骤1022，将所述带标注训练数据作为所述深度学习网络模型的输入数据，逐步训练所述深度学习模型的参数，得到模型参数。

在本实施例中，将所述带标注训练数据作为所述深度学习网络模型的输入数据，采用反向传播结合梯度下降等方法逐步训练所述深度学习模型的参数，经多轮迭代循环后得到较优的模型参数。

子步骤1023，根据所述模型参数对所述深度学习网络模型进行赋值，得到预估预报模型。

在本发明的一优选实施例中，以深度残差卷积神经网络ResNet进行说明。参照图2，示出了本发明实施例中一种ResNet的单元结构示意图。

如图2，ResNet的单元结构有两层，表达式如下：

F＝W₂σ(W₁x)

其中，W₁和W₂分别表示单元结构中第一层的权值参数和第二层的权值参数；σ表示非线性函数ReLU。

之后，通过一个短接链路，与第2个非线性函数ReLU相加，获得输出y：

y＝F(x，{W_i})+x

其中，W_i表示第i层的权值参数，i的取值为1，2。

其中，需要说明的是，残差块往往需要两层以上，单单一层的残差块并不能起到提升作用。残差网络解决深层网络中梯度衰减的问题。在本实施例中，使用的完整残差网络如图3所示，样例网络每隔两层加入残差，其中conv为卷积层，pool为池化层，fc为全连接层，最后，该网络的输出接入一个softmax分类层进行天气现象的分类。

进一步的，将带标注训练数据作为深度学习模型的输入，采用Adam梯度下降法作为模型优化器，代价函数设定为交叉熵函数，采用变长学习率方法，逐步训练深度学习模型的参数，经5000轮迭代循环后得到较优的模型参数。

其中，交叉熵代价函数的表达式为：

式中，n表示一个批次的带标注训练数据的个数，a表示网络输出结果，x表示输入数据，y表示期望输出值。

步骤103，从所述数值天气预报中提取预报场数据片段。

在本实施例中，可根据指定的预报时间，选取相匹配的预报时次；然后，将对应预报时次的数值天气预报的预报场作为基础数据，根据所述基础数据，选取与指定站点或经纬度相匹配的数据段进行数据拼接，得到预报场数据片段。其中，预报场数据片段的具体获取流程可以参照上述子步骤1013中的描述，本实施例在此不再赘述，与子步骤1013所不同的是，该步骤中提取的预报场数据片段是不带标注的、且不需要除裁剪外的数据增强。

例如，指定需要预报的时间为世界时2017年11月27日03点，选取欧洲细网格数值天气预报世界时2017年11月27日0点发布的世界时2017年11月27日03点的预报场数据作为基础数据，指定站点54522，经纬度坐标(39.9,117.7)，参照上述子步骤1013中的描述的方法得到预报场数据片段。

步骤104，将提取的预报场数据片段作为所述预估预报模型的输入数据，得到天气现象分类结果，将所述天气现象分类结果作为天气现象预报结果进行输出。

如前所述，将预报场数据片段作为预估预报模型的输入数据，运行训练后的残差网络模型，得到世界时2017年11月27日03点站点54522，经纬度坐标(39.9,117.7)的天气现象分类结果“轻雾”(10)，作为天气现象预报结果进行输出。

其中，需要说明的是，在本实施例中，可以分别得到多个待预报的指定地点的预报场数据片段，进而将多个预报场数据片段作为预估预报模型的输入数据，同时预报世界时2017年11月27日03点多个站点或地理坐标位置的天气现象，在指定的多个预报地点地理位置为网格状排列时可形成该时次的预报结果场产品。

综上所述，本发明采用深度学习方法可根据数值天气预报产品自动预报未来时次的天气现象，开创性的将深度学习技术用于提取数值天气预报产品中的有效信息，将深度学习方法引入天气现象预报领域，对于天气现象的预报具有较高的预报准确率。可部分代替人工对数值预报产品的分析工作，自动输出未来时次天气现象预报结果，减少人工预报天气现象过程中的主观性和对预报经验的要求，从而减少天气预报员的工作量并为自动化预报提供基础支持。

本说明中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

以上所述，仅为本发明最佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (5)

1.一种基于深度学习和数值天气预报的天气现象预报方法，其特征在于，包括：

根据数值天气预报产品和天气现象观测数据，构建训练数据集；包括：从所述数值天气预报产品中筛选得到参与计算的要素类别及层次；选取待预报的天气现象类别；将实际观测的站点天气现象数据作为对应时次数值天气预报片段的标注信息，获取带标注训练数据，构建训练数据集；

根据深度学习网络模型对所述训练数据集进行训练，得到预估预报模型；

从所述数值天气预报中提取预报场数据片段；

将提取的预报场数据片段作为所述预估预报模型的输入数据，得到天气现象分类结果，将所述天气现象分类结果作为天气现象预报结果进行输出，以实现根据数值天气预报产品预报未来时次的天气现象。

2.根据权利要求1所述的基于深度学习和数值天气预报的天气现象预报方法，其特征在于，所述根据数值天气预报产品和天气现象观测数据，构建训练数据集，还包括：

对所述训练数据集中各个要素和层次数据进行归一化。

3.根据权利要求1所述的基于深度学习和数值天气预报的天气现象预报方法，其特征在于，所述根据数值天气预报产品和天气现象观测数据，构建训练数据集，还包括：

对所述训练数据集中的数据进行数据增强。

4.根据权利要求1所述的基于深度学习和数值天气预报的天气现象预报方法，其特征在于，所述根据深度学习网络模型对所述训练数据集进行训练，得到预估预报模型，包括：

选取深度学习网络模型；

将所述带标注训练数据作为所述深度学习网络模型的输入数据，逐步训练所述深度学习模型的参数，得到模型参数；

根据所述模型参数对所述深度学习网络模型进行赋值，得到预估预报模型。

5.根据权利要求1所述的基于深度学习和数值天气预报的天气现象预报方法，其特征在于，所述从所述数值天气预报中提取预报场数据片段，包括：

根据指定的预报时间，选取相匹配的预报时次；

将对应预报时次的数值天气预报的预报场作为基础数据；

根据所述基础数据，选取与指定站点或经纬度相匹配的数据段进行数据拼接，得到预报场数据片段。

Images