CN111489525A - 多数据融合的气象预测预警方法 - Google Patents

多数据融合的气象预测预警方法 Download PDF

Info

Publication number
CN111489525A
CN111489525A CN202010234969.0A CN202010234969A CN111489525A CN 111489525 A CN111489525 A CN 111489525A CN 202010234969 A CN202010234969 A CN 202010234969A CN 111489525 A CN111489525 A CN 111489525A
Authority
CN
China
Prior art keywords
data
early warning
prediction
network
level
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.)
Pending
Application number
CN202010234969.0A
Other languages
English (en)
Inventor
陈苏婷
马文妍
张闯
王军
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202010234969.0A priority Critical patent/CN111489525A/zh
Publication of CN111489525A publication Critical patent/CN111489525A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种多数据融合的气象预测预警方法，利用多源4D‑WRF‑EnSRF资料同化系统对气象观测数据进行同化，作为DeepConvLSTMs人工智能预测网络的输入，实现该网络的训练、多数据源的实时降雨量预测；精细化划分降雨量区间，设置预警等级；无缝隙划分各移动气象台的覆盖区域；规划移动气象台、气象监控中心、多手段发布平台、预测预警信息发布系统，保证系统架构的实时联动。本发明实现多数据采集融合、实时上传和发布预测预警结果、快速锁定待救援区域、下发救援方案、保证救援现场通信，提高气象预测预警的时效性和准确性，提高预警信息发布的覆盖率，增强气象防灾减灾服务能力和救援能力，有效减少暴雨灾害及其次生衍生灾害造成的生命财产损失。

Description

多数据融合的气象预测预警方法
技术领域
本发明属于气象预报和人工智能技术领域，尤其涉及一种多数据融合的气象预测预警方法。
背景技术
近年来，自然原始生态逐渐被破坏，导致暴雨更容易带来巨大的衍生灾害，包括塌方、滑坡、泥石流、城市渍涝，进而引发航空、海运、交通等方面的次生事故。降水情况的准确实时预测、现场救援的准确实时通信一直是气象预报预警领域的一个重要任务，是为居民出行、农业生产、飞行安全等方面提供防洪防汛信息、确保救援现场通信的有力保障。如果能做到有效地预测预警、及时地发布信息、良好的救援通信，则可以大大减小损失。
现有的传统强对流降水预报方法可大致分为两类，一种是基于数值天气预报方法，另一种是基于雷达回波图外推方法。数值天气预报法是对描述天气变化过程的流体力学和热力学的相关方程组进行求解，预测出未来时间段大气运动状态。这种方法在实时预报方面精确度不够高、计算量很大，难以满足时效性和准确性的要求。雷达回波图外推方法，一是单体质心法，对某一雷暴回波相邻两个时刻的质心位置进行最小二乘拟合后外推预测，但当回波发生分裂或合并时，跟踪预测准确率较低；二是交叉相关法，通过分析计算出连续两个时刻的空间相关性，为强对流轨迹作短时外推预测，但相对来说对于移动变化较快的雷暴型天气预测准确度较低；三是基于光流的方法，是对于雷达回波变分方法的实时光流算法(ROVER)[1]，利用图像序列中像素在实际域上的变化以及相邻帧之间的相关性，结合气候等因素完成预测。但光流估计步骤和雷达回波外推步骤是分开的，确定模型参数十分困难，并且随着光谱值的快速减少和消失，对区域内实时降雨的预测有一定局限性。
气候事件的出现本身具有一定的偶然性，降水的过程受到区域的大气环流、气候带和潮汐等气候因素的影响，所以在这些随机因素的影响下，区域内的短时间降水的分布情况呈现复杂的变化趋势，需要多特征融合大量气象样本数据资料来对人工智能识别模型进行训练。相对于传统的强对流降雨预测预报方法，结合机器学习技术能更好地针对大数据进行深度挖掘和分析，提高预测模型性能，已在诸多领域得到了很好的实际应用。
参考文献：
[1]W.C.Woo and W.K.Wong.Application of optical flow techniques torainfall nowcasting.In the 27th Conference on Severe Local Storms,2014.
发明内容
发明目的：针对以上问题，本发明提出一种多数据融合的气象预测预警方法，以资料同化系统对多类型数据进行融合同化，精细化划分降雨量区间，提出新的人工智能编码预测网络，无缝隙划分各移动气象台的控制区域，规划移动气象台、气象监控中心、多手段发布平台、预测预警信息发布系统，保证系统架构的实时联动，提高了实时气象预测的准确性、信息发布的及时性和现场救援的效率。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种多数据融合的气象预测预警方法，包括以下步骤：
步骤一，利用资料同化系统对获取的历史气象观测数据进行多类型数据的融合同化，得到多特征融合气象样本数据，作为预测网络模型的输入；
步骤二，根据往年降雨量分布，划分降雨量区间，并设置相应的预警等级，将降雨量等级和对应的预警等级作为预测网络模型的输出；
步骤三，构建深度卷积长短期记忆网络作为预测网络模型，构建损失函数和代价函数，利用同化后的历史气象观测数据训练模型，得到训练好的预测网络模型；
步骤四，将同化后的实时气象观测数据输入训练好的预测网络模型，实时预测降水情况，捕获降水运动走势的时空关联性，输出降雨量等级和对应的预警等级；
步骤五，根据降雨量等级和对应的预警等级，通过移动气象台实时上传预测预警信号至气象监控中心，进行数据的处理、存储、显示、发布；
步骤六，根据降雨量等级和对应的预警等级，通过预测预警信息发布系统，启动多手段发布、灾害预警处理系统和现场应急救援任务。
进一步地，所述步骤一，所述资料同化系统采用拓展时间维度的4D-WRF-EnSRF资料同化系统，包括WRF预报、EnKF分析和4D-EnSRF同化；所述气象观测数据包括城市视频监控网络图像数据、地面气象观测网络数据、雷达探空数据和人工采集气象观测记录数据；
基于WRF数值天气预报模式对获取到的背景场数据和观测场数据进行内部、时间和水平一致性的分析处理；采用集合卡尔曼滤波算法通过模式积分和同化一个时间窗内的气象观测数据估计大气状态，得到大气状态的期望值；通过4D-EnSRF算法对不同时刻的观测数据使用各自的模式背景场计算相应的观测先验，并在分析时刻通过这些先验同化相应的观测数据；得到的分析场数据，即同化数据。
进一步地，所述步骤二，设置十一个降雨量等级和五个预警等级，分别为：
V级蓝色预警：1级降水，降水深度x≤2.5，2级降水，降水深度2.5<x≤5；
IV级绿色预警：3级降水，降水深度5<x≤7.5，4级降水，降水深度7.5<x≤10；
III级黄色预警：5级降水，降水深度10<x≤12.5，6级降水，降水深度12.5<x≤15；
II级橙色预警：7级降水，降水深度15<x≤20，8级降水，降水深度20<x≤30；
I级红色预警：9级降水，降水深度30<x≤45，10级降水，降水深度45<x≤65，11级降水，降水深度x>65；6小时内单位面积上的降水深度以毫米计量。
进一步地，所述步骤三，构建深度卷积长短期记忆网络(DeepConvLSTMs)作为预测网络模型，构建损失函数和代价函数，利用同化后的历史气象观测数据训练模型，具体包括：
(3.1)根据资料同化系统的输出，设计预测网络输入层的输入方式；每间隔固定时间，DeepConvLSTMs网络取资料同化系统的一个输出，作为其一个时间步的输入，即新增一个输入变量；设k时刻输入序列的新增变量为
Figure BDA0002430670630000031
序列的长度为Tx，则网络在k时刻的输入更新为：时间步1输入：
Figure BDA0002430670630000032
时间步t输入：
Figure BDA0002430670630000033
t∈[2,Tx]；其中，(·)<t>表示输入序列中的第t个变量；
(3.2)设计DeepConvLSTMs网络中隐藏层的计算方式，隐藏层的数据计算是对一个tanh层、三个gate层以及记忆值和激活值的计算过程；
将k时刻输入数据
Figure BDA0002430670630000034
简化为x<t>,t∈[1,Tx]，根据当前时间步输入数据x<t>、上一个时间步的激活值a<t-1>和记忆值c<t-1>计算当前时间步网络的门值、记忆值和激活值；
(3.3)在LSTM网络的基础上增加一层隐藏层，并保持该双层隐藏层在时间维度上的水平连接，构建堆叠的DeepConvLSTMs网络模型；
(3.4)增加softmax激活函数作为分类输出函数，实现网络输出不同种类的降雨量等级和对应的预警等级；
(3.5)构建损失函数和代价函数参与BPTT反向传播算法，利用同化后的历史气象观测数据训练网络，将网络预测输出与实际的历史气象观测数据相比较，对网络的参数进行更新和调整，最小化代价函数，使网络参数达到最优。
进一步地，所述步骤(3.2)，隐藏层的数据计算过程如下：
tanh层：每一个时间步，计算出一个记忆值的新候选值
Figure BDA0002430670630000035
Figure BDA0002430670630000036
其中，tanh(·)表示激活函数tanh函数；(·)[1]表示第一层隐藏层；W和b表示权重矩阵和偏置参数；[a,x]表示向量a和向量x的纵向堆叠；
更新门：输出门值
Figure BDA0002430670630000037
决定在时间步t，更新时间步t-1记忆值中哪些维度的信息；
遗忘门：输出门值
Figure BDA0002430670630000038
决定在时间步t，维持时间步t-1记忆值中哪些维度的信息；
输出门：输出门值
Figure BDA0002430670630000039
决定在时间步t，输出时间步t-1记忆值中哪些维度的信息；
Figure BDA00024306706300000310
Figure BDA00024306706300000311
Figure BDA0002430670630000041
其中，
Figure BDA0002430670630000042
表示更新门的门值，
Figure BDA0002430670630000043
表示遗忘门的门值，
Figure BDA00024306706300000415
表示输出门的门值；g(·)表示二分类激活函数sigmoid函数；W和b表示权重矩阵和偏置参数；[c,a,x]表示向量c、向量a和向量x的纵向堆叠；
记忆值计算：通过更新门和遗忘门选择更新部分信息和保留部分信息，并结合形成新的记忆值；计算表达式如下：
Figure BDA0002430670630000044
激活值计算：生成经一系列权值计算后的激活值，激活下一时间步和下一层的计算；
Figure BDA0002430670630000045
其中，运算*表示元素对应的相乘。
进一步地，所述步骤(3.3)，在LSTM网络的基础上增加一层隐藏层，并保持该双层隐藏层在时间维度上的水平连接，构建堆叠的DeepConvLSTMs网络模型，方法如下：
将第一层隐藏层的激活值作为第二层的输入；第二层隐藏层的对应公式如下：
Figure BDA0002430670630000046
Figure BDA0002430670630000047
Figure BDA0002430670630000048
Figure BDA0002430670630000049
Figure BDA00024306706300000410
Figure BDA00024306706300000411
其中，(·)[1]表示第一层隐藏层；(·)[2]表示第二层隐藏层。
进一步地，所述步骤(3.4)中softmax激活函数表达式如下：
Figure BDA00024306706300000412
其中，
Figure BDA00024306706300000413
表示网络的预测输出。
进一步地，所述步骤(3.5)中损失函数和代价函数表达式如下：
第i个同化后的历史气象观测数据的损失函数：
Figure BDA00024306706300000414
同化后的历史气象观测数据的总代价函数：
Figure BDA0002430670630000053
其中，
Figure BDA0002430670630000051
表示第i个预测输出，y(i)表示第i个实际输出，j表示第j个降雨量等级，n表示降雨量等级数量，m表示同化后的历史气象观测数据训练样本数量。
进一步地，所述步骤五，移动气象台包括4D-WRF-EnSRF系统和DeepConvLSTMs人工智能预测网络和预测预警信息发布系统，采集地面气象观测网络数据，接收城市视频监控网络图像数据、雷达探空数据和人工采集气象观测记录数据，进行数据存储同化和计算预测，并实时上传预测预警信号至气象监控中心；预警状况下，移动气象台连接控制平台，保证现场救援的网络通信、对讲机通讯；所述控制平台包括广播、控制塔台；
根据无线网络基站辐射划分原理，无缝隙划分各移动气象台的覆盖区域呈现蜂窝状，即蜂窝状网格化预警地域，达到最少重复覆盖的标准；划分过程包括设置区域中心、建立划分依据、确定区域大小；
设置区域中心：以移动气象台为正六边形区域的中心传感节点，移动气象台在其区域内实时采集数据、融合数据和预测气象，并及时发送结果到信息发布系统；
建立划分依据：以气象监控中心所在区域的移动气象台为坐标原点，建立坐标系，无缝隙划分各移动气象台控制的区域呈现蜂窝状；
确定区域大小：
Figure BDA0002430670630000052
其中，r表示正六边形区域外接圆的半径；rs,rc分别表示移动气象台的覆盖半径和传输半径；αs为覆盖半径应用系数；αc为传输半径应用系数；
设置省、市级气象监控中心，处理、存储、显示、发布移动气象台的上传数据，以城市地图为背景，显示蜂窝状的划分结果，在各划分区域内呈现区域信息、降水类别、降雨量等级和预警等级；地图可缩放、可拖动显示，展示在气象监控中心的大屏和各控制电脑上；对接气象指挥中心，提供相关统计数据，供指挥者查看和辅助决策。
进一步地，所述步骤六，预测预警信息发布系统操作步骤如下：
当预测等级达到V级、IV级预警时，系统通过多手段发布平台，应用显示屏、APP、网络、广播，实时发布预测信息和地图；当预测等级达到III级、II级、I级预警时，系统在发布预测信息的同时，调出灾害预警处理系统中的预警处理方案下发相关移动气象台，并使其连接广播、网络、控制塔台、雷达、对讲机，实现救援人员对群众的救援疏散，实现救援人员之间的通信协作、现场的数据采集；当设备出现故障时，调出设备维护系统中的维护方案，下传相关移动气象台，通知维修人员。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
本发明同化融合多类型的实时监测数据；结合卷积神经网络和循环神经网络的共同优点，不仅可以刻画图像空间特征，还可以建立时序关系，保持网络模型在时间上的关联和记忆；准确实时地预测蜂窝网格区域内的降雨量等级；通过预测预警信息发布系统对预测信息地图进行有效的大屏展示和公众发布；当到达预警等级时，系统在发布准确信息的同时，保证救援区域的实时通信和数据采集；当设备故障时，保证快速协同的维护维修。
本发明提高了气象预测预警的时效性和准确性，提高预警信息发布的覆盖率，保障了数据采集分析的时效性和救援行动中信息的互联互通，为及时发布预测信息、快速进行救援联络、准确维护维修设备提供了有力保障。增强了气象防灾减灾服务能力和救援能力，有效减少暴雨灾害及其次生衍生灾害造成的生命财产损失，具有较好的经济效益。并从根本上扭转当前气象业务对传统数值预报的依赖性。
附图说明
图1是本发明方法的实现流程图；
图2是多数据融合4D-WRF-EnSRF同化系统示意图；
图3是时间记忆DeepConvLSTMs预测网络示意图；
图4是DeepConvLSTMs预测网络的一个时间步示意图；
图5是无缝隙划分移动气象台覆盖区域示意图；
图6是多手段发布平台和预测预警信息发布系统。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种多数据融合的气象预测预警方法，流程如图1所示，步骤如下：
步骤一，利用资料同化系统对获取的历史气象观测数据进行多类型数据的融合同化，得到多特征融合气象样本数据，作为预测网络模型的输入；具体包括：
本实施例中，所述资料同化系统采用拓展时间维度的4D-WRF-EnSRF资料同化系统，包括WRF预报、EnKF分析和4D-EnSRF同化，如图2所示；有效提高对雷达和卫星多种观测资料的同化能力，解决传统单一数据预测关联度、预测准确度不高的问题；
所述气象观测数据包括城市视频监控网络图像数据、地面气象观测网络数据、雷达探空数据和人工采集气象观测记录数据；
基于WRF数值天气预报模式对获取到的背景场数据和观测场数据进行内部、时间和水平一致性的分析处理；采用集合卡尔曼滤波算法通过模式积分和同化一个时间窗内的气象观测数据估计大气状态，得到大气状态的期望值；通过4D-EnSRF算法对不同时刻的观测数据使用各自的模式背景场计算相应的观测先验，并在分析时刻通过这些先验同化相应的观测数据；得到的分析场数据，即同化数据。
步骤二，根据往年降雨量分布，划分降雨量区间，并设置相应的预警等级，将降雨量等级和对应的预警等级作为预测网络模型的输出。
本实施例中，根据我国往年降雨量分布，重新划分降水等级区间，设置十一个降雨量等级和五个预警等级，分别为：V级蓝色(1-2级降水)，IV级绿色(3-4级降水)，III级黄色(5-6级降水)，II级橙色(7-8级降水)，I级红色(9-11级降水)。设6小时内单位面积上的降水深度以毫米计量，降雨量等级和预警等级划分明细如表1所示。根据细化的分区，更容易计算本区域内的降水深度。
表1
降雨量等级 降水深度x(mm) 降水类别 预警等级
1 x≤2.5 小雨 V级
2 2.5<x≤5 小到中雨 V级
3 5<x≤7.5 中雨 IV级
4 7.5<x≤10 中到大雨 IV级
5 10<x≤12.5 大雨 III级预警
6 12.5<x≤15 大到暴雨 III级预警
7 15<x≤20 暴雨 II级预警
8 20<x≤30 暴雨到大暴雨 II级预警
9 30<x≤45 大暴雨 I级预警
10 45<x≤65 大暴雨到特大暴雨 I级预警
11 >65 特大暴雨 I级预警
步骤三，构建深度卷积长短期记忆网络(DeepConvLSTMs)作为预测网络模型，用于降雨量的准确预测，捕获降水运动走势的时空关联性，提高气象实时预报的准确率；构建损失函数和代价函数，利用同化后的历史气象观测数据，对具备高时空特性的人工智能预测网络DeepConvLSTMs进行训练，得到训练好的预测网络模型。
所述深度卷积长短期记忆网络(DeepConvLSTMs)，结合卷积神经网络和循环神经网络的优点，实现对降水过程发生、发展、强度、落区和相态，多类型、多维特征的实时智能快速识别和等级划分，既可以如LSTM一样建立时序关系，又可以如卷积神经网络(CNN)一样刻画图像空间特征，克服时序传递过程中空间信息丢失的问题。
气象观测数据信息彼此间有着复杂的时间关联性，并且信息长度、类型各种各样；本发明中的DeepConvLSTMs网络可同时处理高维度的多种输入信息，尽管它们时时都在变化，可实现输入数据的实时输出，并保持网络模型在时间上的关联和记忆。图3和图4为时间记忆DeepConvLSTMs预测网络。
所述步骤三具体实现步骤包括：
(3.1)根据资料同化系统的输出，设计预测网络输入层的输入方式；
每间隔固定时间，DeepConvLSTMs网络取资料同化系统的一个输出，作为其一个时间步的输入，即新增一个输入变量；
设k时刻输入序列的新增变量为
Figure BDA0002430670630000081
序列的长度为Tx，则DeepConvLSTMs网络在k时刻的输入更新为：
时间步1输入：新增
Figure BDA0002430670630000082
时间步2输入：
Figure BDA0002430670630000083
时间步3输入：
Figure BDA0002430670630000084
以此类推，
时间步Tx输入：
Figure BDA0002430670630000085
其中，(·)＜t>表示输入序列中的第t个变量，t＝1,2,…,Tx；
(3.2)设计DeepConvLSTMs网络中隐藏层的计算方式，隐藏层的数据计算是对一个tanh层、三个gate层以及记忆值和激活值的计算过程，是四层DeepConvLSTMs网络预测模型的核心结构；
增加“偷窥孔连接”，使网络的门值不仅仅取决于激活值a＜t-1＞和输入数据x＜t>，也取决于上一个记忆值c<t-1>，即在下述的更新门、遗忘门、输出门这三个gate层中分别增加输入c<t-1＞，通过“偷窥”c＜t-1>的值，使预测更加准确；
将k时刻输入数据
Figure BDA0002430670630000086
简化为
Figure BDA0002430670630000087
根据当前时间步输入数据x<t>、上一个时间步的激活值a＜t-1＞和记忆值c＜t-1>计算当前时间步网络的门值、记忆值和激活值；
隐藏层的数据计算过程如下：
tanh层：每一个时间步，计算出一个记忆值的新候选值
Figure BDA00024306706300000818
此值可供记忆值选择替代更新或维持原值；
Figure BDA0002430670630000088
其中，tanh(·)表示激活函数tanh函数；(·)[1]表示第一层隐藏层；W和b表示权重矩阵和偏置参数；[a,x]表示向量a和向量x的纵向堆叠；
更新门：输出门值
Figure BDA0002430670630000089
决定在时间步t，更新时间步t-1记忆值中哪些维度的信息；
遗忘门：输出门值
Figure BDA00024306706300000810
决定在时间步t，维持时间步t-1记忆值中哪些维度的信息；
输出门：输出门值
Figure BDA00024306706300000811
决定在时间步t，输出时间步t-1记忆值中哪些维度的信息；
Figure BDA00024306706300000812
Figure BDA00024306706300000813
Figure BDA00024306706300000814
其中，
Figure BDA00024306706300000815
表示更新门的门值，
Figure BDA00024306706300000816
表示遗忘门的门值，
Figure BDA00024306706300000817
表示输出门的门值；g(·)表示二分类激活函数sigmoid函数；W和b表示权重矩阵和偏置参数；[c,a,x]表示向量c、向量a和向量x的纵向堆叠；
记忆值计算：通过更新门和遗忘门选择更新部分信息和保留部分信息，并结合形成新的记忆值，这有利于缓解梯度消失的问题，因此允许神经网络运行在庞大的具有时间依赖的变量上；计算表达式如下：
Figure BDA0002430670630000091
激活值计算：生成经一系列权值计算后的激活值，激活下一时间步和下一层的计算；
Figure BDA0002430670630000092
其中，运算*表示元素对应的相乘；
(3.3)在LSTM网络的基础上增加一层隐藏层，并保持该双层隐藏层在时间维度上的水平连接，构建堆叠的DeepConvLSTMs网络模型，而不增加过多的计算量；
将第一层隐藏层的激活值作为第二层的输入；第二层隐藏层的对应公式如下：
Figure BDA0002430670630000093
Figure BDA0002430670630000094
Figure BDA0002430670630000095
Figure BDA0002430670630000096
Figure BDA0002430670630000097
Figure BDA0002430670630000098
其中，(·)[1]表示第一层隐藏层；(·)[2]表示第二层隐藏层；
(3.4)增加softmax激活函数作为分类输出函数，实现网络输出不同种类的降雨量等级和对应的预警等级；softmax激活函数表达式如下：
Figure BDA0002430670630000099
其中，
Figure BDA00024306706300000910
表示网络的预测输出；
(3.5)构建损失函数和代价函数参与BPTT反向传播算法，利用同化后的历史气象观测数据训练网络，将网络预测输出与实际的历史气象观测数据相比较，对网络的参数进行更新和调整，最小化代价函数，使网络参数达到最优；
损失函数和代价函数表达式如下：
第i个同化后的历史气象观测数据的损失函数：
Figure BDA00024306706300000911
同化后的历史气象观测数据的总代价函数：
Figure BDA0002430670630000101
其中，
Figure BDA0002430670630000102
表示第i个预测输出，y(i)表示第i个实际输出，j表示第j个降雨量等级，n表示降雨量等级数量，m表示同化后的历史气象观测数据训练样本数量，本实施例中，n取值为11。
步骤四，将同化后的实时气象观测数据输入训练好的预测网络模型，实时预测降水情况，捕获降水运动走势的时空关联性，输出降雨量等级和对应的预警等级；
步骤五，根据降雨量等级和对应的预警等级，通过移动气象台实时上传预测预警信号至气象监控中心，进行数据的处理、存储、显示、发布；
本实施例中，移动气象台包括4D-WRF-EnSRF系统和DeepConvLSTMs人工智能预测网络和预测预警信息发布系统，采集地面气象观测网络数据，接收城市视频监控网络图像数据、雷达探空数据和人工采集气象观测记录数据，进行数据存储同化和计算预测，并实时上传预测预警信号至气象监控中心；预警状况下，移动气象台连接控制平台，保证现场救援的网络通信、对讲机通讯；所述控制平台包括广播、控制塔台；移动气象台具有可移动、便于维护、通信及时的优点；
根据无线网络基站辐射划分原理，无缝隙划分各移动气象台的覆盖区域呈现蜂窝状，即蜂窝状网格化预警地域，达到最少重复覆盖的标准，如图5所示；划分过程包括设置区域中心、建立划分依据、确定区域大小；
设置区域中心：以移动气象台为正六边形区域的中心传感节点，移动气象台在其区域内实时采集数据、融合数据和预测气象，并及时发送结果到信息发布系统；
建立划分依据：以气象监控中心所在区域的移动气象台为坐标原点，建立坐标系，无缝隙划分各移动气象台控制的区域呈现蜂窝状；
确定区域大小：
Figure BDA0002430670630000103
其中，r表示正六边形区域外接圆的半径；rs,rc分别表示移动气象台的覆盖半径和传输半径；αs为覆盖半径应用系数；αc为传输半径应用系数；本实施例中，αs取值为0.5，αc取值为6；
地图显示：设置省、市级气象监控中心，处理、存储、显示、发布移动气象台上传数据，以城市地图为背景，显示蜂窝状的划分结果，在各划分区域内呈现区域信息、降水类别、降雨量等级和预警等级；地图可缩放、可拖动显示，展示在气象监控中心的大屏和各控制电脑上；对接气象指挥中心，提供相关统计数据，供指挥者查看和辅助决策。
步骤六，根据降雨量等级和对应的预警等级，通过预测预警信息发布系统，启动多手段发布、灾害预警处理系统和现场应急救援任务，保证系统架构的实时联动，提高信息发布的及时性和现场救援的效率。
预测预警信息发布系统分以下三种情况应对预测预警事件，协同系统运作，如图6：
(1)当预测等级达到V级、IV级预警时，系统通过多手段发布平台，应用显示屏、APP、网络、广播，实时发布预测信息和地图；(2)当预测等级达到III级、II级、I级预警时，系统在发布预测信息的同时，调出灾害预警处理系统中的预警处理方案下发相关移动气象台，并使其连接广播、网络、控制塔台、雷达、对讲机，实现救援人员对群众的救援疏散，实现救援人员之间的通信协作、现场的数据采集；(3)当设备出现故障时，调出设备维护系统中的维护方案，下传相关移动气象台，通知维修人员。
本发明保障了数据采集分析的时效性和救援行动中信息的互联互通，实现了文本、音频、视频和大数据的实时传输，方案的互通性、自检性和可靠性等优点为及时发布预测信息、快速进行救援联络、准确维护维修设备提供了有力保障，极大的提高了信息发布的及时性和现场救援的效率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种多数据融合的气象预测预警方法，其特征在于：包括以下步骤：
步骤一，利用资料同化系统对获取的历史气象观测数据进行多类型数据的融合同化，得到多特征融合气象样本数据，作为预测网络模型的输入；
步骤二，根据往年降雨量分布，划分降雨量区间，并设置相应的预警等级，将降雨量等级和对应的预警等级作为预测网络模型的输出；
步骤三，构建深度卷积长短期记忆网络作为预测网络模型，构建损失函数和代价函数，利用同化后的历史气象观测数据训练模型，得到训练好的预测网络模型；
步骤四，将同化后的实时气象观测数据输入训练好的预测网络模型，实时预测降水情况，捕获降水运动走势的时空关联性，输出降雨量等级和对应的预警等级；
步骤五，根据降雨量等级和对应的预警等级，通过移动气象台实时上传预测预警信号至气象监控中心，进行数据的处理、存储、显示、发布；
步骤六，根据降雨量等级和对应的预警等级，通过预测预警信息发布系统，启动多手段发布、灾害预警处理系统和现场应急救援任务。
2.根据权利要求1所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤一，所述资料同化系统采用拓展时间维度的4D-WRF-EnSRF资料同化系统，包括WRF预报、EnKF分析和4D-EnSRF同化；所述气象观测数据包括城市视频监控网络图像数据、地面气象观测网络数据、雷达探空数据和人工采集气象观测记录数据。
3.根据权利要求1或2所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤二，设置十一个降雨量等级和五个预警等级，分别为：
V级蓝色预警：1级降水，降水深度x≤2.5，2级降水，降水深度2.5＜x≤5；
IV级绿色预警：3级降水，降水深度5＜x≤7.5，4级降水，降水深度7.5＜x≤10；
III级黄色预警：5级降水，降水深度10＜x≤12.5，6级降水，降水深度12.5＜x≤15；
II级橙色预警：7级降水，降水深度15＜x≤20，8级降水，降水深度20＜x≤30；
I级红色预警：9级降水，降水深度30＜x≤45，10级降水，降水深度45＜x≤65，11级降水，降水深度x＞65；6小时内单位面积上的降水深度以毫米计量。
4.根据权利要求1所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤三，构建深度卷积长短期记忆网络DeepConvLSTMs作为预测网络模型，构建损失函数和代价函数，利用同化后的历史气象观测数据训练模型，具体包括：
(3.1)根据资料同化系统的输出，设计预测网络输入层的输入方式；每间隔固定时间，DeepConvLSTMs网络取资料同化系统的一个输出，作为其一个时间步的输入，即新增一个输入变量；设k时刻输入序列的新增变量为
Figure FDA0002430670620000011
序列的长度为Tx，则网络在k时刻的输入更新为：时间步1输入：
Figure FDA0002430670620000012
时间步t输入：
Figure FDA0002430670620000013
t∈[2，Tx]；其中，(·)<t>表示输入序列中的第t个变量；
(3.2)设计DeepConvLSTMs网络中隐藏层的计算方式，隐藏层的数据计算是对一个tanh层、三个gate层以及记忆值和激活值的计算过程；
将k时刻输入数据
Figure FDA0002430670620000021
简化为x<t>，t∈[1，Tx]，根据当前时间步输入数据x<t>、上一个时间步的激活值a<t-1>和记忆值c<t-1>计算当前时间步网络的门值、记忆值和激活值；
(3.3)在LSTM网络的基础上增加一层隐藏层，并保持该双层隐藏层在时间维度上的水平连接，构建堆叠的DeepConvLSTMs网络模型；
(3.4)增加softmax激活函数作为分类输出函数，实现网络输出不同种类的降雨量等级和对应的预警等级；
(3.5)构建损失函数和代价函数参与BPTT反向传播算法，利用同化后的历史气象观测数据训练网络，将网络预测输出与实际的历史气象观测数据相比较，对网络的参数进行更新和调整，最小化代价函数，使网络参数达到最优。
5.根据权利要求4所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤(3.2)，隐藏层的数据计算过程如下：
tanh层：每一个时间步，计算出一个记忆值的新候选值
Figure FDA0002430670620000022
Figure FDA0002430670620000023
其中，tanh(·)表示激活函数tanh函数；(·)[1]表示第一层隐藏层；W和b表示权重矩阵和偏置参数；[a，x]表示向量a和向量x的纵向堆叠；
更新门：输出门值
Figure FDA0002430670620000024
决定在时间步t，更新时间步t-1记忆值中哪些维度的信息；
遗忘门：输出门值
Figure FDA0002430670620000025
决定在时间步t，维持时间步t-1记忆值中哪些维度的信息；
输出门：输出门值
Figure FDA0002430670620000026
决定在时间步t，输出时间步t-1记忆值中哪些维度的信息；
Figure FDA0002430670620000027
Figure FDA0002430670620000028
Figure FDA0002430670620000029
其中，
Figure FDA00024306706200000210
表示更新门的门值，
Figure FDA00024306706200000211
表示遗忘门的门值，
Figure FDA00024306706200000212
表示输出门的门值；g(·)表示二分类激活函数sigmoid函数；W和b表示权重矩阵和偏置参数；[c，a，x]表示向量c、向量a和向量x的纵向堆叠；
记忆值计算：通过更新门和遗忘门选择更新部分信息和保留部分信息，并结合形成新的记忆值；计算表达式如下：
Figure FDA00024306706200000213
激活值计算：生成经一系列权值计算后的激活值，激活下一时间步和下一层的计算；
Figure FDA0002430670620000031
其中，运算*表示元素对应的相乘。
6.根据权利要求5所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤(3.3)，在LSTM网络的基础上增加一层隐藏层，并保持该双层隐藏层在时间维度上的水平连接，构建堆叠的DeepConvLSTMs网络模型，方法如下：
将第一层隐藏层的激活值作为第二层的输入；第二层隐藏层的对应公式如下：
Figure FDA0002430670620000032
Figure FDA0002430670620000033
Figure FDA0002430670620000034
Figure FDA0002430670620000035
Figure FDA0002430670620000036
Figure FDA0002430670620000037
其中，(·)[1]表示第一层隐藏层；(·)[2]表示第二层隐藏层。
7.根据权利要求6所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤(3.4)中softmax激活函数表达式如下：
Figure FDA0002430670620000038
其中，
Figure FDA0002430670620000039
表示网络的预测输出。
8.根据权利要求7所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤(3.5)中损失函数和代价函数表达式如下：
第i个同化后的历史气象观测数据的损失函数：
Figure FDA00024306706200000310
同化后的历史气象观测数据的总代价函数：
Figure FDA00024306706200000311
其中，
Figure FDA00024306706200000312
表示第i个预测输出，y(i)表示第i个实际输出，J表示第J个降雨量等级，n表示降雨量等级数量，m表示同化后的历史气象观测数据训练样本数量。
9.根据权利要求1所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤五，所述移动气象台包括4D-WRF-EnSRF系统和DeepConvLSTMs人工智能预测网络和预测预警信息发布系统，采集地面气象观测网络数据，接收城市视频监控网络图像数据、雷达探空数据和人工采集气象观测记录数据，进行数据存储同化和计算预测，并实时上传预测预警信号至气象监控中心；预警状况下，移动气象台连接控制平台，保证现场救援的网络通信、对讲机通讯；所述控制平台包括广播、控制塔台；
无缝隙划分各移动气象台的覆盖区域呈现蜂窝状，即蜂窝状网格化预警地域，达到最少重复覆盖的标准；划分过程包括设置区域中心、建立划分依据、确定区域大小：
设置区域中心：以移动气象台为正六边形区域的中心传感节点，移动气象台在其区域内实时采集数据、融合数据和预测气象，并及时发送结果到信息发布系统；
建立划分依据：以气象监控中心所在区域的移动气象台为坐标原点，建立坐标系，无缝隙划分各移动气象台控制的区域呈现蜂窝状；
确定区域大小：
Figure FDA0002430670620000041
其中，r表示正六边形区域外接圆的半径；rs，rc分别表示移动气象台的覆盖半径和传输半径；αs为覆盖半径应用系数；αc为传输半径应用系数；
设置省、市级气象监控中心，处理、存储、显示、发布移动气象台的上传数据，以城市地图为背景，显示蜂窝状的划分结果，在各划分区域内呈现区域信息、降水类别、降雨量等级和预警等级；地图可缩放、可拖动显示，展示在气象监控中心的大屏和各控制电脑上；对接气象指挥中心，提供相关统计数据，供指挥者查看和辅助决策。
10.根据权利要求1或9所述的一种多数据融合的气象预测预警方法，其特征在于：所述步骤六，预测预警信息发布系统操作步骤如下：
当预测等级达到V级、IV级预警时，系统通过多手段发布平台，应用显示屏、APP、网络、广播，实时发布预测信息和地图；当预测等级达到III级、II级、I级预警时，系统在发布预测信息的同时，调出灾害预警处理系统中的预警处理方案下发相关移动气象台，并使其连接广播、网络、控制塔台、雷达、对讲机，实现救援人员对群众的救援疏散，实现救援人员之间的通信协作、现场的数据采集；当设备出现故障时，调出设备维护系统中的维护方案，下传相关移动气象台，通知维修人员。
CN202010234969.0A 2020-03-30 2020-03-30 多数据融合的气象预测预警方法 Pending CN111489525A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010234969.0A CN111489525A (zh) 2020-03-30 2020-03-30 多数据融合的气象预测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010234969.0A CN111489525A (zh) 2020-03-30 2020-03-30 多数据融合的气象预测预警方法

Publications (1)

Publication Number Publication Date
CN111489525A true CN111489525A (zh) 2020-08-04

Family

ID=71794644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010234969.0A Pending CN111489525A (zh) 2020-03-30 2020-03-30 多数据融合的气象预测预警方法

Country Status (1)

Country Link
CN (1) CN111489525A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112147719A (zh) * 2020-09-29 2020-12-29 国家海洋环境预报中心 一种基于gpu并行计算的风暴潮集合数据预报方法以及装置
CN112415521A (zh) * 2020-12-17 2021-02-26 南京信息工程大学 基于cgru的强时空特性雷达回波临近预报方法
CN112711083A (zh) * 2021-01-07 2021-04-27 国网福建省电力有限公司 基于自适应权重特征的多源降水数据动态融合方法及系统
CN113157744A (zh) * 2021-04-28 2021-07-23 成都理工大学 一种基于大数据的车务段安全信息分析与辅助决策预警系统
CN113780377A (zh) * 2021-08-26 2021-12-10 重庆理工大学 基于物联网数据在线学习的降雨等级预测方法及系统
CN114488351A (zh) * 2022-02-10 2022-05-13 中国民用航空华东地区空中交通管理局 一种机场强回波监控预警系统及方法
CN114511149A (zh) * 2022-02-16 2022-05-17 长沙祥云瑞风信息技术有限公司 一种分层分布式气象预测平台、方法、介质及设备
CN114881380A (zh) * 2022-07-12 2022-08-09 太极计算机股份有限公司 基于深度学习的航空气象数据的降尺度处理方法及系统
CN116156278A (zh) * 2023-04-23 2023-05-23 中国气象局公共气象服务中心(国家预警信息发布中心) 一种气象预警视频的制作方法及系统
CN116451881B (zh) * 2023-06-16 2023-08-22 南京信息工程大学 一种基于MSF-Net网络模型的短时降水预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520464A (zh) * 2011-12-08 2012-06-27 南京成风大气信息技术有限公司 区域积涝预报系统及其预报方法
CN104318717A (zh) * 2014-10-21 2015-01-28 四川大学 一种历史数据短缺条件下的暴雨泥石流预警方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108320462A (zh) * 2018-03-02 2018-07-24 中山市爱科应用科技有限公司 城市防汛预警预报系统
CN207924874U (zh) * 2018-03-02 2018-09-28 中山市爱科应用科技有限公司 城市防汛预警预报装置
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network
CN109814179A (zh) * 2019-01-04 2019-05-28 南京信息工程大学 一种基于云感知的应急通信处理系统
CN110083918A (zh) * 2019-04-22 2019-08-02 南京信息工程大学 一种车载局部短临预警发布方法
CN110264672A (zh) * 2019-06-25 2019-09-20 广州市城市规划勘测设计研究院 一种地质灾害的预警系统
CN110473387A (zh) * 2019-09-12 2019-11-19 西南石油大学 一种山地管道滑坡地质灾害监测预警系统及方法
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520464A (zh) * 2011-12-08 2012-06-27 南京成风大气信息技术有限公司 区域积涝预报系统及其预报方法
CN104318717A (zh) * 2014-10-21 2015-01-28 四川大学 一种历史数据短缺条件下的暴雨泥石流预警方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN108320462A (zh) * 2018-03-02 2018-07-24 中山市爱科应用科技有限公司 城市防汛预警预报系统
CN207924874U (zh) * 2018-03-02 2018-09-28 中山市爱科应用科技有限公司 城市防汛预警预报装置
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN109814179A (zh) * 2019-01-04 2019-05-28 南京信息工程大学 一种基于云感知的应急通信处理系统
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network
CN110083918A (zh) * 2019-04-22 2019-08-02 南京信息工程大学 一种车载局部短临预警发布方法
CN110264672A (zh) * 2019-06-25 2019-09-20 广州市城市规划勘测设计研究院 一种地质灾害的预警系统
CN110473387A (zh) * 2019-09-12 2019-11-19 西南石油大学 一种山地管道滑坡地质灾害监测预警系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
WAI-KIN WONG等: "Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting", 《2015ARXIV》 *
小墨鱼: "交叉嫡(cross entropy)作为损失函数在神经网络中的作用", 《CSDN博客》 *
张帅等: "递归神经网络在降雨量预测中的应用研究", 《节水灌溉》 *
缸里有绿粥: "论文笔记 Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting", 《简书》 *
陈程: "卷积神经网络在气象短临预报的研究与应用", 《中国优秀硕士学位论文全文数据库基础科学辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112147719B (zh) * 2020-09-29 2021-07-27 国家海洋环境预报中心 一种基于gpu并行计算的风暴潮集合数值预报方法以及装置
CN112147719A (zh) * 2020-09-29 2020-12-29 国家海洋环境预报中心 一种基于gpu并行计算的风暴潮集合数据预报方法以及装置
CN112415521A (zh) * 2020-12-17 2021-02-26 南京信息工程大学 基于cgru的强时空特性雷达回波临近预报方法
CN112711083B (zh) * 2021-01-07 2022-07-05 国网福建省电力有限公司 基于自适应权重特征的多源降水数据动态融合方法及系统
CN112711083A (zh) * 2021-01-07 2021-04-27 国网福建省电力有限公司 基于自适应权重特征的多源降水数据动态融合方法及系统
CN113157744A (zh) * 2021-04-28 2021-07-23 成都理工大学 一种基于大数据的车务段安全信息分析与辅助决策预警系统
CN113780377A (zh) * 2021-08-26 2021-12-10 重庆理工大学 基于物联网数据在线学习的降雨等级预测方法及系统
CN113780377B (zh) * 2021-08-26 2024-01-19 重庆理工大学 基于物联网数据在线学习的降雨等级预测方法及系统
CN114488351A (zh) * 2022-02-10 2022-05-13 中国民用航空华东地区空中交通管理局 一种机场强回波监控预警系统及方法
CN114511149A (zh) * 2022-02-16 2022-05-17 长沙祥云瑞风信息技术有限公司 一种分层分布式气象预测平台、方法、介质及设备
CN114511149B (zh) * 2022-02-16 2022-12-02 长沙祥云瑞风信息技术有限公司 一种分层分布式气象预测平台、方法、介质及设备
CN114881380A (zh) * 2022-07-12 2022-08-09 太极计算机股份有限公司 基于深度学习的航空气象数据的降尺度处理方法及系统
CN114881380B (zh) * 2022-07-12 2022-09-23 太极计算机股份有限公司 基于深度学习的航空气象数据的降尺度处理方法及系统
CN116156278A (zh) * 2023-04-23 2023-05-23 中国气象局公共气象服务中心(国家预警信息发布中心) 一种气象预警视频的制作方法及系统
CN116156278B (zh) * 2023-04-23 2023-08-04 中国气象局公共气象服务中心(国家预警信息发布中心) 一种气象预警视频的制作方法及系统
CN116451881B (zh) * 2023-06-16 2023-08-22 南京信息工程大学 一种基于MSF-Net网络模型的短时降水预测方法

Similar Documents

Publication Publication Date Title
CN111489525A (zh) 多数据融合的气象预测预警方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN110852577B (zh) 基于城市韧性与城市流域水文模型的城市洪涝评估方法
Ruan et al. Assessment of temporal and spatial progress of urban resilience in Guangzhou under rainstorm scenarios
CN109448361B (zh) 居民交通出行流量预测系统及其预测方法
CN114240119A (zh) 基于数字孪生的国土空间全域全要素防洪防涝系统及预警方法
KR102073768B1 (ko) 포털 기반 가뭄정보 제공 시스템
CN106844531A (zh) 一种基于网格的防汛指挥研判系统
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
CN106507315B (zh) 基于网络社交媒体数据的城市交通事故预测方法和系统
Roy et al. Predicting land cover change in a Mediterranean catchment at different time scales
CN111445011B (zh) 一种基于气象和遥感数据的山火预警方法
CN115933008A (zh) 一种强对流天气预报预警方法
CN109784720B (zh) 一种台风灾害下基于时空网格关联的配电网风险评估方法
Qiu et al. Disaggregating population data for assessing progress of SDGs: methods and applications
Keke et al. STGA-CBR: a case-based reasoning method based on spatiotemporal trajectory similarity assessment
CN114492233B (zh) 一种基于webGIS平台及考虑综合利用要求的流域水模拟方法
Yi et al. Thermal comfort differences between urban villages and formal settlements in Chinese developing cities: A case study in Shenzhen
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
Jiao et al. Resilience assessment of metro stations against rainstorm disaster based on cloud model: a case study in Chongqing, China
Lyu et al. Flood susceptibility prediction using tree-based machine learning models in the GBA
Jiang et al. Mapping local climate zones: A bibliometric meta-analysis and systematic review
CN117556197A (zh) 一种基于人工智能的台风涡旋初始化方法
CN116523189A (zh) 一种考虑水文特征的墒情站点规划方法、装置及存储介质
CN113554221B (zh) 一种“流空间”视角下的城镇开发边界模拟预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200804