CN109086916A - 一种基于多源观测数据的对流天气临近预报方法及装置 - Google Patents

一种基于多源观测数据的对流天气临近预报方法及装置 Download PDF

Info

Publication number
CN109086916A
CN109086916A CN201810778603.2A CN201810778603A CN109086916A CN 109086916 A CN109086916 A CN 109086916A CN 201810778603 A CN201810778603 A CN 201810778603A CN 109086916 A CN109086916 A CN 109086916A
Authority
CN
China
Prior art keywords
data
convection weather
convection
weather
source
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810778603.2A
Other languages
English (en)
Other versions
CN109086916B (zh
Inventor
周康辉
王婷波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN201810778603.2A priority Critical patent/CN109086916B/zh
Publication of CN109086916A publication Critical patent/CN109086916A/zh
Application granted granted Critical
Publication of CN109086916B publication Critical patent/CN109086916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种基于多源观测数据的对流天气临近预报方法及装置，所述方法包括：获取预处理的对流天气的多源观测数据；根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。所述装置执行上述方法。本发明实施例提供的基于多源观测数据的对流天气临近预报方法及装置，通过预报模型获取对流天气的多源观测数据的生消演变特征，并基于该生消演变特征和该预报模型对对流天气进行临近预报，能够有效预测对流天气的生消演变过程，从而对对流天气准确有效地进行临近预报。

Description

一种基于多源观测数据的对流天气临近预报方法及装置
技术领域
本发明实施例涉及天气预报技术领域，具体涉及一种基于多源观测数据的对流天气临近预报方法及装置。
背景技术
强对流天气具有局地性强、发展迅速、天气现象剧烈等特征，往往伴随出现闪电、冰雹、雷暴大风、龙卷、强降水等强烈天气现象，具有极强的致灾性。然而，如何提升其临近预报水平，是天气预报业务领域面临的一大挑战。
国内天气预报业务中，临近预报通常指未来0-2小时预报。目前，基于单一数据源，如雷达、卫星、闪电等实况数据，进行外推预报是临近业务预报的主要手段。现有技术基于天气雷达资料的外推预报算法包括TITAN(Thunderstorm Identification，Track and Nowcasting)、SCIT(Storm Cell Identification and Tracking)、光流法、机器学习外推方法等；基于卫星云图有中尺度对流系统(MCS，Mesoscale Convective System)的识别、追踪和外推的预报方法；基于闪电也有相关的雷暴识别、追踪与外推算法，能够识别雷暴单体的位置，并实现雷暴路径、活动范围的临近预报。外推预报能够一定程度上预报风暴未来移动方向与趋势，然而对流天气随时间和空间范围变化剧烈，现有技术采用的方法无法有效预测对流天气的生消演变过程，从而无法对对流天气进行准确有效地临近预报。
因此，如何避免上述缺陷，能够有效预测对流天气的生消演变过程，从而对对流天气准确有效地进行临近预报，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于多源观测数据的对流天气临近预报方法及装置。
第一方面，本发明实施例提供一种基于多源观测数据的对流天气临近预报方法，所述方法包括：
获取预处理的对流天气的多源观测数据；
根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；
根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
第二方面，本发明实施例提供一种基于多源观测数据的对流天气临近预报装置，所述装置包括：
第一获取单元，用于获取预处理的对流天气的多源观测数据；
第二获取单元，用于根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；
预报单元，用于根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取预处理的对流天气的多源观测数据；
根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；
根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取预处理的对流天气的多源观测数据；
根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；
根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法及装置，通过预报模型获取对流天气的多源观测数据的生消演变特征，并基于该生消演变特征和该预报模型对对流天气进行临近预报，能够有效预测对流天气的生消演变过程，从而对对流天气准确有效地进行临近预报。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于多源观测数据的对流天气临近预报方法流程示意图；
图2为本发明实施例目标时间序列及N×N个格点的说明示意图；
图3为本发明另一实施例基于多源观测数据的对流天气临近预报方法流程示意图；
图4为本发明实施例基于多源观测数据的对流天气临近预报装置结构示意图；
图5为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例基于多源观测数据的对流天气临近预报方法流程示意图，如图1所示，本发明实施例提供的一种基于多源观测数据的对流天气临近预报方法，包括以下步骤：
S101：获取预处理的对流天气的多源观测数据。
具体的，装置获取预处理的对流天气的多源观测数据。该多源观测数据是实时数据。多源观测数据可以包括卫星多通道探测数据、多普勒天气雷达数据、闪电定位数据、自动气象站观测数据等。卫星多通道探测数据可以包括红外通道、可见光通道、水汽通道等通道的探测数据，多普勒天气雷达数据可以包括反射率数据、垂直液态水含量、径向速度等数据；闪电定位数据可以包括闪电位置、闪电强度、闪电极性等数据；自动气象站观测数据可以包括温度、湿度、气压、风场、降水量等数据。预处理的方式可以是归一化处理，即对多源观测数据进行归一化处理，以便于统一量纲进行计算。具体的归一化处理为本领域成熟技术，不再赘述。
需要说明的是：所述卫星多通道探测数据用于观测对流初生的相关特征；所述多普勒天气雷达数据用于观测对流生消演变的结构的相关特征；所述自动气象站观测数据用于观测对流生消演变的环境场的相关特征；所述闪电定位数据用于观测对流云放电活动的相关特征。卫星能够观测对流云形成初级阶段的相关特征，如云体厚度快速增加、云顶温度急剧下降、云顶相态的变化。因此，应用卫星监测数据，能够有效实现对流初生的监测预警。多普勒天气雷达数据是监测对流系统的最常用手段，能够精确观测对流系统结构，反映对流系统不同阶段的对流特征，如强对流系统旺盛阶段，经常伴随出现回波顶高较高、回波悬垂、三体散射等特征。在对流形成的初始阶段，云内就开始有放电的存在，同时在对流天气消散之前，闪电会提前消失，此外在产生冰雹、雷暴大风等强对流天气系统中，经常存在正极性的闪电较多的情况，这些相关特征都能为对流天气的临近预报提供有用的提示。自动气象站能够提供温度、压强、湿度、风场的相关特征，能够反映最基本的对流环境信息，实现对流生消演变的监测预警。
S102：根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征。
具体的，装置根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围变化的生消演变特征。所述预报模型的预先训练，包括：获取历史数据；所述历史数据包括预报区域内的预设时间序列对应的多源观测历史数据和对流天气现象观测历史数据；对流天气现象观测历史数据可以是冰雹、雷暴大风、龙卷、雷电、短时强降水等对流天气现象中的一种或多种。多源观测历史数据的说明可以参照上述多源观测数据，不再赘述。格点化处理所述多源观测历史数据和所述对流天气现象观测历史数据；格点化处理的目的是统一空间与时间分辨率，并采用格点化处理后的对流天气现象观测历史数据标记格点化处理后的多源观测历史数据，以建立训练样本集和测试样本集；具体的，由于对流天气是连续变化的，在时间上具有连续性，为了使预报模型能够提取对流天气的时间演变特征，选取对流天气事件发生前的多源观测数据序列(在所述预设时间序列中截取目标时间序列，其中的预设时间序列可以理解为起始的多源观测数据对应的时间序列)目标时间序列对应的序列长度为Tn，图2为本发明实施例目标时间序列及N×N个格点的说明示意图，如图2所示，T表示对流天气事件发生时刻，以该发生时刻为基准，每间隔一个预报周期依次向所述发生时刻之前获取的Tn次多源观测历史数据，需要说明的是：所述对流天气事件的发生是根据所述对流天气现象观测历史数据确定的，具体方法为本领域成熟技术，不再赘述。提取时间维度上的相关特征(即提取与所述目标时间序列对应的标记的多源观测历史数据的相关特征作为所述时间演变特征)，相关特征可参照上述举例说明。
为了使预报模型能够提取对流天气的空间范围特征，选取对流天气事件发生所在格点周围的N×N个格点(在所述预报区域内获取所述对流天气事件发生所在格点周围的N×N个格点，其中的预报区域可以理解为以对流天气事件发生所在格点为中心所能获取到多源观测数据的最大范围)，并提取N×N个格点对应的空间范围内的标记的多源观测历史数据的相关特征作为所述空间范围特征，相关特征可参照上述举例说明。继续参照图2，N的取值可以采用如下方法计算得到：
例如每个格点的预设分辨率为4公里，且目标时间序列对应的序列长度Tn取6(间隔10分钟，共60分钟)，根据对流天气移动速度统计规律获取的预设对流移动速度为60km/h，在Tn对应的时间段内对流系统移动距离为60km/h×1h＝60km，因此其向某一方向移动的格点60km/4km＝15，由于需要考虑对流系统向各个方向的移动情况，因此N＝15×2+1＝31。
S103：根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
具体的，装置根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。所述对流天气与用来标记多源观测历史数据的对流天气现象观测历史数据中的天气现象相对应。所述预报模型可以为三维卷积神经网络(CNN3D)，相对于二维卷积神经网络，CNN3D引入了时间维度，能够提取时间、空间的特征，CNN3D能够提取对流天气在时间和空间维度上演变规律，进而实现对对流天气的临近预报。该三维卷积神经网络可以包括卷积层、池化层、全连接层和Softmax分类器，进一步可以通过所述Softmax分类器输出的分类概率值作为对流天气的临近预报结果。需要说明的是：对流天气的临近预报，可以看作一个2分类的分类问题，0为对流天气不发生，1为对流天气发生，输出的格点概率预报结果越接近1则表示对流天气发生的可能性越大；输出的格点概率预报结果越接近0则表示对流天气发生的可能性越小。
三维卷积神经网络运算过程中的运算量巨大，与CPU少量的逻辑运算单元相比，GPU具有数以千计的计算核心，支持对深度学习至关重要的并行计算能力，可以比传统处理器更加快速，大大加快了训练过程，如本实施例中，训练与预报过程采用了NVidia CUDA(Compute Unified Device Architecture)库，硬件使用NVidia Gerforece1080Ti显卡。测试表明，在3分钟内能够完成0-1小时中国中东部范围内0.05°×0.05°的格点预报，完全能够满足业务应用的需求。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法，通过预报模型获取对流天气的多源观测数据的生消演变特征，并基于该生消演变特征和该预报模型对对流天气进行临近预报，能够有效预测对流天气的生消演变过程，从而对对流天气准确有效地进行临近预报。
图3为本发明另一实施例基于多源观测数据的对流天气临近预报方法流程示意图，如图3所示，先对多源观测数据(对应图3中雷暴现象历史观测和雷达与卫星历史观测，这些数据都是历史的数据)进行标记，生成标记的训练样本，采用生成标记的训练样本训练预报模型，该预报模型为CNN3D，即三维卷积神经网络；最后，获取实时的多源观测数据(对应图3中的雷达与卫星实时观测)，输入归一化处理后的上述实时的多源观测数据至上述训练好的预报模型，输出分类概率值作为临近预报结果(对应图3中的雷暴概率预报产品)。
在上述实施例的基础上，所述预报模型的预先训练，包括：
获取历史数据；所述历史数据包括预报区域内的预设时间序列对应的多源观测历史数据和对流天气现象观测历史数据。
具体的，装置获取历史数据；所述历史数据包括预报区域内的预设时间序列对应的多源观测历史数据和对流天气现象观测历史数据。可参照上述实施例，不再赘述。
格点化处理所述多源观测历史数据和所述对流天气现象观测历史数据；并采用格点化处理后的对流天气现象观测历史数据标记格点化处理后的多源观测历史数据，以建立训练样本集和测试样本集。
具体的，装置格点化处理所述多源观测历史数据和所述对流天气现象观测历史数据；并采用格点化处理后的对流天气现象观测历史数据标记格点化处理后的多源观测历史数据，以建立训练样本集和测试样本集。可参照上述实施例，不再赘述。
利用所述训练样本集和所述测试样本集对所述预报模型进行训练，以获得训练过的预报模型。
具体的，装置利用所述训练样本集和所述测试样本集对所述预报模型进行训练，以获得训练过的预报模型。可参照上述实施例，不再赘述。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法，通过合理、有效地对预报模型的进行预先训练，保证了预设模型输出结果的正确性，从而对对流天气准确有效地进行临近预报。
在上述实施例的基础上，所述生消演变特征包括反映所述对流天气随时间变化的时间演变特征和反映所述对流天气随空间范围变化的空间范围特征；相应的，所述方法还包括：
在所述预设时间序列中截取目标时间序列；其中，所述目标时间序列是以对流天气事件发生时刻为基准，每间隔一个预报周期依次向所述发生时刻之前获取的Tn次多源观测历史数据；所述对流天气事件的发生是根据所述对流天气现象观测历史数据确定的。
具体的，装置在所述预设时间序列中截取目标时间序列；其中，所述目标时间序列是以对流天气事件发生时刻为基准，每间隔一个预报周期依次向所述发生时刻之前获取的Tn次多源观测历史数据；所述对流天气事件的发生是根据所述对流天气现象观测历史数据确定的。可参照上述实施例，不再赘述。
提取与所述目标时间序列对应的标记的多源观测历史数据的相关特征作为所述时间演变特征。
具体的，装置提取与所述目标时间序列对应的标记的多源观测历史数据的相关特征作为所述时间演变特征。可参照上述实施例，不再赘述。
在所述预报区域内获取所述对流天气事件发生所在格点周围的N×N个格点，并提取N×N个格点对应的空间范围内的标记的多源观测历史数据的相关特征作为所述空间范围特征；其中，所述N的数值是根据每个格点的预设分辨率、所述目标时间序列对应的序列长度和预设对流移动速度计算得到的。
具体的，装置在所述预报区域内获取所述对流天气事件发生所在格点周围的N×N个格点，并提取N×N个格点对应的空间范围内的标记的多源观测历史数据的相关特征作为所述空间范围特征；其中，所述N的数值是根据每个格点的预设分辨率、所述目标时间序列对应的序列长度和预设对流移动速度计算得到的。可参照上述实施例，不再赘述。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法，通过合理、有效地提取时间演变特征和空间范围特征，进一步能够有效预测对流天气的生消演变过程，从而对对流天气准确有效地进行临近预报。
在上述实施例的基础上，所述多源观测数据包括卫星多通道探测数据、多普勒天气雷达数据、自动气象站观测数据和闪电定位数据中的至少两种，其中：
所述卫星多通道探测数据用于观测对流初生的相关特征；所述多普勒天气雷达数据用于观测对流生消演变的结构的相关特征；所述自动气象站观测数据用于观测对流生消演变的环境场的相关特征；所述闪电定位数据用于观测对流云的放电活动的相关特征。
具体的，装置中的所述卫星多通道探测数据用于观测对流初生的相关特征；所述多普勒天气雷达数据用于观测对流生消演变的结构的相关特征；所述自动气象站观测数据用于观测对流生消演变的环境场的相关特征；所述闪电定位数据用于观测对流云的放电活动的相关特征。可参照上述实施例，不再赘述。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法，通过不同类型的多源观测数据观测对流天气的生消演变过程中的各阶段的相关特征，能够进一步有效预测对流天气的生消演变过程，从而对对流天气准确有效地进行临近预报。
在上述实施例的基础上，所述预报模型为三维卷积神经网络，以提取对流天气在时间和空间维度上演变规律。
具体的，装置中的所述预报模型为三维卷积神经网络，以提取对流天气在时间和空间维度上演变规律。可参照上述实施例，不再赘述。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法，通过三维卷积神经网络的预报模型对对流天气进行临近预报，能够使得临近预报过程中的计算更加快捷、高效。
在上述实施例的基础上，所述三维卷积神经网络包括卷积层、池化层、全连接层和Softmax分类器。
具体的，装置中的所述三维卷积神经网络包括卷积层、池化层、全连接层和Softmax分类器。可参照上述实施例，不再赘述。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法，通过使三维卷积神经网络包括卷积层、池化层、全连接层和Softmax分类器，进一步优化了临近预报过程中的计算。
在上述实施例的基础上，所述临近预报结果为通过所述Softmax分类器输出的分类概率值。
具体的，装置中的所述临近预报结果为通过所述Softmax分类器输出的分类概率值。可参照上述实施例，不再赘述。
本发明实施例提供的基于多源观测数据的对流天气临近预报方法，通过将Softmax分类器输出的分类概率值作为临近预报结果，能够方便地对对流天气进行临近预报。
图4为本发明实施例基于多源观测数据的对流天气临近预报装置结构示意图，如图4所示，本发明实施例提供了一种基于多源观测数据的对流天气临近预报装置，包括第一获取单元401、第二获取单元402和预报单元403，其中：
第一获取单元401用于获取预处理的对流天气的多源观测数据；第二获取单元402用于根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围变化的生消演变特征；预报单元403用于根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
具体的，第一获取单元401用于获取预处理的对流天气的多源观测数据；第二获取单元402用于根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围变化的生消演变特征；预报单元403用于根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
本发明实施例提供的基于多源观测数据的对流天气临近预报装置，通过预报模型获取对流天气的多源观测数据的生消演变特征，并基于该生消演变特征和该预报模型对对流天气进行临近预报，能够有效预测对流天气的生消演变过程，从而对对流天气准确有效地进行临近预报。
本发明实施例提供的基于多源观测数据的对流天气临近预报装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，所述电子设备包括：处理器(processor)501、存储器(memory)502和总线503；
其中，所述处理器501、存储器502通过总线503完成相互间的通信；
所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取预处理的对流天气的多源观测数据；根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取预处理的对流天气的多源观测数据；根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取预处理的对流天气的多源观测数据；根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。

Claims (10)

1.一种基于多源观测数据的对流天气临近预报方法，其特征在于，包括：
获取预处理的对流天气的多源观测数据；
根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；
根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
2.根据权利要求1所述的方法，其特征在于，所述预报模型的预先训练，包括：
获取历史数据；所述历史数据包括预报区域内的预设时间序列对应的多源观测历史数据和对流天气现象观测历史数据；
格点化处理所述多源观测历史数据和所述对流天气现象观测历史数据；并采用格点化处理后的对流天气现象观测历史数据标记格点化处理后的多源观测历史数据，以建立训练样本集和测试样本集；
利用所述训练样本集和所述测试样本集对所述预报模型进行训练，以获得训练过的预报模型。
3.根据权利要求2所述的方法，其特征在于，所述生消演变特征包括反映所述对流天气随时间变化的时间演变特征和反映所述对流天气随空间范围变化的空间范围特征；相应的，所述方法还包括：
在所述预设时间序列中截取目标时间序列；其中，所述目标时间序列是以对流天气事件发生时刻为基准，每间隔一个预报周期依次向所述发生时刻之前获取的Tn次多源观测历史数据；所述对流天气事件的发生是根据所述对流天气现象观测历史数据确定的；
提取与所述目标时间序列对应的标记的多源观测历史数据的相关特征作为所述时间演变特征；
在所述预报区域内获取所述对流天气事件发生所在格点周围的N×N个格点，并提取N×N个格点对应的空间范围内的标记的多源观测历史数据的相关特征作为所述空间范围特征；其中，所述N的数值是根据每个格点的预设分辨率、所述目标时间序列对应的序列长度和预设对流移动速度计算得到的。
4.根据权利要求1或2或3所述的方法，其特征在于，所述多源观测数据包括卫星多通道探测数据、多普勒天气雷达数据、自动气象站观测数据和闪电定位数据中的至少两种，其中：
所述卫星多通道探测数据用于观测对流初生的相关特征；
所述多普勒天气雷达数据用于观测对流生消演变的结构的相关特征；
所述自动气象站观测数据用于观测对流生消演变的环境场的相关特征；
所述闪电定位数据用于观测对流云放电活动的相关特征。
5.根据权利要求1或2或3所述的方法，其特征在于，所述预报模型为三维卷积神经网络，以提取对流天气在时间和空间维度上演变规律。
6.根据权利要求5所述的方法，其特征在于，所述三维卷积神经网络包括卷积层、池化层、全连接层和Softmax分类器。
7.根据权利要求5所述的方法，其特征在于，所述临近预报结果为通过所述Softmax分类器输出的分类概率值。
8.一种基于多源观测数据的对流天气临近预报装置，其特征在于，包括：
第一获取单元，用于获取预处理的对流天气的多源观测数据；
第二获取单元，用于根据所述多源观测数据和预先训练过的预报模型，获取反映所述对流天气随时间和空间范围实时变化的生消演变特征；
预报单元，用于根据所述生消演变特征和所述预报模型，获取所述对流天气的临近预报结果。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201810778603.2A 2018-07-16 2018-07-16 一种基于多源观测数据的对流天气临近预报方法及装置 Active CN109086916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810778603.2A CN109086916B (zh) 2018-07-16 2018-07-16 一种基于多源观测数据的对流天气临近预报方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810778603.2A CN109086916B (zh) 2018-07-16 2018-07-16 一种基于多源观测数据的对流天气临近预报方法及装置

Publications (2)

Publication Number Publication Date
CN109086916A true CN109086916A (zh) 2018-12-25
CN109086916B CN109086916B (zh) 2021-04-02

Family

ID=64838014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810778603.2A Active CN109086916B (zh) 2018-07-16 2018-07-16 一种基于多源观测数据的对流天气临近预报方法及装置

Country Status (1)

Country Link
CN (1) CN109086916B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110161506A (zh) * 2019-07-01 2019-08-23 江苏省气象科学研究所 一种基于多源气象观测资料的分类型冰雹落区识别方法
CN110942020A (zh) * 2019-11-25 2020-03-31 上海眼控科技股份有限公司 初生对流识别方法、装置、计算机设备和存储介质
CN111428862A (zh) * 2020-03-17 2020-07-17 中国电子科技集团公司第十四研究所 一种极类不平衡时空联合对流初生短临预报方法
CN111913236A (zh) * 2020-07-13 2020-11-10 上海眼控科技股份有限公司 气象数据处理方法、装置、计算机设备和存储介质
CN111966962A (zh) * 2020-08-27 2020-11-20 山东省气象台(山东省海洋气象台) 一种对流天气的触发条件判断方法及装置
CN112731564A (zh) * 2020-12-26 2021-04-30 安徽省公共气象服务中心 一种基于多普勒天气雷达数据的雷电智能预报方法
CN113011106A (zh) * 2021-04-15 2021-06-22 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN113376711A (zh) * 2020-08-19 2021-09-10 兰州大学 基于卷积神经网络的闪电频数预报方法
CN114578456A (zh) * 2022-01-30 2022-06-03 中国科学院大气物理研究所 应用于雷达预报强对流天气的数据处理方法、装置、设备以及介质
CN115542431A (zh) * 2022-11-25 2022-12-30 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法
CN117148360A (zh) * 2023-10-31 2023-12-01 中国气象局公共气象服务中心(国家预警信息发布中心) 雷电临近预报方法、装置、电子设备及计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182450A (zh) * 2015-10-15 2015-12-23 成都信息工程大学 一种强对流天气短时预警系统
US20170131435A1 (en) * 2015-11-05 2017-05-11 Heriot-Watt University Localized weather prediction
CN107507097A (zh) * 2017-07-03 2017-12-22 上海电力学院 一种风电功率短期预测方法
CN107991722A (zh) * 2017-12-25 2018-05-04 北京墨迹风云科技股份有限公司 天气预测模型的建立方法、预测方法和预测装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182450A (zh) * 2015-10-15 2015-12-23 成都信息工程大学 一种强对流天气短时预警系统
US20170131435A1 (en) * 2015-11-05 2017-05-11 Heriot-Watt University Localized weather prediction
CN107507097A (zh) * 2017-07-03 2017-12-22 上海电力学院 一种风电功率短期预测方法
CN107991722A (zh) * 2017-12-25 2018-05-04 北京墨迹风云科技股份有限公司 天气预测模型的建立方法、预测方法和预测装置

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110161506A (zh) * 2019-07-01 2019-08-23 江苏省气象科学研究所 一种基于多源气象观测资料的分类型冰雹落区识别方法
CN110161506B (zh) * 2019-07-01 2023-03-31 江苏省气象科学研究所 一种基于多源气象观测资料的分类型冰雹落区识别方法
CN110942020A (zh) * 2019-11-25 2020-03-31 上海眼控科技股份有限公司 初生对流识别方法、装置、计算机设备和存储介质
CN111428862A (zh) * 2020-03-17 2020-07-17 中国电子科技集团公司第十四研究所 一种极类不平衡时空联合对流初生短临预报方法
CN111428862B (zh) * 2020-03-17 2024-03-22 中国电子科技集团公司第十四研究所 一种极类不平衡时空联合对流初生短临预报方法
CN111913236A (zh) * 2020-07-13 2020-11-10 上海眼控科技股份有限公司 气象数据处理方法、装置、计算机设备和存储介质
CN113376711B (zh) * 2020-08-19 2022-11-04 兰州大学 基于卷积神经网络的闪电频数预报方法
CN113376711A (zh) * 2020-08-19 2021-09-10 兰州大学 基于卷积神经网络的闪电频数预报方法
CN111966962A (zh) * 2020-08-27 2020-11-20 山东省气象台(山东省海洋气象台) 一种对流天气的触发条件判断方法及装置
CN111966962B (zh) * 2020-08-27 2023-11-24 山东省气象台(山东省海洋气象台) 一种对流天气的触发条件判断方法及装置
CN112731564A (zh) * 2020-12-26 2021-04-30 安徽省公共气象服务中心 一种基于多普勒天气雷达数据的雷电智能预报方法
CN112731564B (zh) * 2020-12-26 2023-04-07 安徽省公共气象服务中心 一种基于多普勒天气雷达数据的雷电智能预报方法
CN113011106B (zh) * 2021-04-15 2021-12-03 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN113011106A (zh) * 2021-04-15 2021-06-22 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN114578456B (zh) * 2022-01-30 2023-02-21 中国科学院大气物理研究所 应用于雷达预报强对流天气的数据处理方法及装置
CN114578456A (zh) * 2022-01-30 2022-06-03 中国科学院大气物理研究所 应用于雷达预报强对流天气的数据处理方法、装置、设备以及介质
CN115542431A (zh) * 2022-11-25 2022-12-30 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法
CN115542431B (zh) * 2022-11-25 2023-03-10 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法
CN117148360A (zh) * 2023-10-31 2023-12-01 中国气象局公共气象服务中心(国家预警信息发布中心) 雷电临近预报方法、装置、电子设备及计算机存储介质
CN117148360B (zh) * 2023-10-31 2024-01-19 中国气象局公共气象服务中心(国家预警信息发布中心) 雷电临近预报方法、装置、电子设备及计算机存储介质

Also Published As

Publication number Publication date
CN109086916B (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN109086916A (zh) 一种基于多源观测数据的对流天气临近预报方法及装置
CN110135654B (zh) 用于预测强对流天气的方法和装置
US11527062B2 (en) Method and system for crop recognition and boundary delineation
CN108732550B (zh) 用于预测雷达回波的方法和装置
US20230194756A1 (en) Weather-driven multi-category infrastructure impact forecasting
CN107730515B (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
CN109738970A (zh) 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质
CN107330731B (zh) 一种识别广告位点击异常的方法和装置
CN108537368A (zh) 一种闪电预警方法、装置及系统
CN110443266A (zh) 对象预测方法及装置、电子设备和存储介质
CN107193060B (zh) 一种多路径台风风暴潮快速预测方法及系统
CN113204903B (zh) 一种预测雷电的方法
Mostajabi et al. Single-sensor source localization using electromagnetic time reversal and deep transfer learning: application to lightning
EP4256477A1 (en) Nowcasting using generative neural networks
CN108345857A (zh) 一种基于深度学习的区域人群密度预测方法及装置
CN117808708A (zh) 云雾遥感影像的处理方法、装置、设备和介质
Wang et al. A hybrid multi-step storm surge forecasting model using multiple feature selection, deep learning neural network and transfer learning
CN118038153A (zh) 配电架空线路的防外破识别方法、装置、设备和介质
Li et al. Super-resolution probabilistic rain prediction from satellite data using 3d u-nets and earthformers
CN116263735A (zh) 神经网络的鲁棒性评估方法、装置、设备及存储介质
US20220198641A1 (en) Tree fall management
CN117392558A (zh) 基于DAM-EfficientNet模型的冰雹天气识别及预测方法
CN117054997A (zh) 基于cfar和cnn的毫米波雷达高压塔点和线点检测方法
Colak et al. Automatic sunspot classification for real-time forecasting of solar activities
Mostajabi Augmenting the performance of impoverished sensor networks using machine learning and time reversal: Application to lightning nowcasting and location

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant