CN111505740A - 气象预测方法、装置、计算机设备和存储介质 - Google Patents
气象预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111505740A CN111505740A CN202010320667.5A CN202010320667A CN111505740A CN 111505740 A CN111505740 A CN 111505740A CN 202010320667 A CN202010320667 A CN 202010320667A CN 111505740 A CN111505740 A CN 111505740A
- Authority
- CN
- China
- Prior art keywords
- data
- phase
- number concentration
- meteorological element
- ice
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种气象预测方法、装置、计算机设备和存储介质。所述方法包括:获取闪电定位数据和各大气温度层结的气象要素数据;根据闪电定位数据、各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,多个预测模型的数量与大气温度层结数相同;根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。采用本方法能够提高得到的气象预报结果的准确度。
Description
技术领域
本申请涉及气象预测领域,特别是涉及一种气象预测方法、装置、计算机设备和存储介质。
背景技术
数值天气预报(numerical weather prediction)是指根据大气的实际情况,在一定的初值和边值条件下,通过求解描述天气演变过程的流体力学和热力学的数值模型,预测未来一定时段的大气运动状态和天气现象。
而数据同化能够在考虑数据时空分布以及观测场和背景场误差的基础上,在数值模型的动态运行过程中融合新的观测数据,对大气运动状态和天气现象进行预测,有效地提高数值天气预报的准确度。传统技术中,用于数据同化的资料包括雷达资料、卫星资料、地面观测资料、探空资料等,但这些用于数据同化的资料都无法对强对流天气进行准确地预测。
因此,传统技术存在无法对强对流天气进行准确预测的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对强对流天气进行准确预测的气象预测方法、装置、计算机设备和存储介质。
一种气象预测方法,所述方法包括:
获取闪电定位数据和各大气温度层结的气象要素数据;
根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,所述多个预测模型的数量与所述大气温度层结数相同;
根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
在其中一个实施例中,所述根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度,包括:
分别对所述闪电定位数据、各所述气象要素数据进行网格化处理,得到网格化的闪电定位数据、网格化的各气象要素数据;
根据所述网格化的闪电定位数据、所述网格化的各气象要素数据和所述预设的多个预测模型,得到所述各相态的冰相粒子数浓度。
在其中一个实施例中,不同大气温度层结的气象要素数据对应不同的预测模型;所述根据所述网格化的闪电定位数据、所述网格化的各气象要素数据和所述预设的多个预测模型,得到所述各相态的冰相粒子数浓度,包括:
将所述网格化的闪电定位数据和所述网格化的各气象要素数据,输入各气象要素数据对应的预测模型中,得到所述各相态的冰相粒子数浓度。
在其中一个实施例中,所述多个预测模型的训练过程,包括:
获取样本闪电定位数据、各相态的样本冰相粒子数浓度和各大气温度层结的样本气象要素数据;
将所述样本闪电定位数据和所述各大气温度层结的样本气象要素数据输入对应的初始预测模型,得到各相态的冰相粒子样本预测数浓度;其中,不同的大气温度层结的气象要素样本数据对应不同的初始预测模型;
根据所述各相态的冰相粒子样本预测数浓度和所述各相态的样本冰相粒子数浓度,分别对各所述初始预测模型进行训练,得到所述多个预测模型。
在其中一个实施例中,所述根据所述各相态的冰相粒子样本预测数浓度和所述各相态的样本冰相粒子数浓度,分别对各所述初始预测模型进行训练,得到所述多个预测模型,包括:
根据所述各相态的冰相粒子样本预测数浓度和所述各相态的样本冰相粒子数浓度,采用贝叶斯优化算法调整各所述初始预测模型的参数,得到所述多个预测模型。
在其中一个实施例中,所述根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果,包括:
根据所述各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据;所述预设的wrfinput文件为根据全球模式的气象预报数据生成的文件;
将所述wrfinput网格数据输入所述气象研究预测模型,得到所述气象预报结果。
在其中一个实施例中,所述根据所述各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据,包括:
判断所述各网格点的温度值是否在预设的温度阈值范围内;
若是,则将所述各相态的冰相粒子预测数浓度插值到对应的网格中,若否,则将所述对应的网格值初始化为0,得到所述wrfinput网格数据。
一种气象预测装置,所述装置包括:
第一获取模块,用于获取闪电定位数据和各大气温度层结的气象要素数据;
第二获取模块,用于根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,所述多个预测模型的数量与所述大气温度层结数相同;
预测模块,用于根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
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,所述处理器执行所述计算机程序时实现以下步骤:
获取闪电定位数据和各大气温度层结的气象要素数据;
根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,所述多个预测模型的数量与所述大气温度层结数相同;
根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取闪电定位数据和各大气温度层结的气象要素数据;
根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,所述多个预测模型的数量与所述大气温度层结数相同;
根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
上述气象预测方法、装置、计算机设备和存储介质,能够根据闪电定位数据、各气象要素数据和预设的多个预测模型,将闪电定位数据转化为影响对流和降水的各相态的冰相粒子数浓度,可以充分利用闪电定位数据的信息,进而可以根据各相态的冰相粒子数浓度和预设的气象研究预测模型,对未来的气象进行准确地预测,提高了得到的气象预报结果的准确度;另外,将闪电定位数据转化为影响对流和降水的各相态的冰相粒子数浓度,能够对短时临近的强对流气象进行准确地预测,提高了对灾害性天气预测的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的气象预测方法的流程示意图;
图3为另一个实施例提供的气象预测方法的流程示意图;
图4为另一个实施例提供的气象预测方法的流程示意图;
图5为另一个实施例提供的气象预测方法的流程示意图;
图6为另一个实施例提供的气象预测方法的流程示意图;
图7为另一个实施例提供的气象预测方法的流程示意图;
图8为一个实施例提供的气象预测装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的气象预测方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是,本申请实施例提供的气象预测方法,其执行主体可以是气象预测装置,该气象预测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
需要说明的是,经过几十年的计算机技术、大气探测技术和大气科学及相关学科的发展,数值天气预报系统已经能够提供具有较高可信度的天气预报,对具体气象要素(比如气温)的预报也已经达到相当的精度。而数据同化是提高数值预报准确率的有效方法。数据同化(data assimilation)是指在考虑数据时空分布以及观测场和背景场误差的基础上,在数值模型的动态运行过程中融合新的观测数据的方法,它是在过程模型的动态框架内,通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接观测信息来自动调整模型轨迹,以改善动态模型状态的估计精度,提高模型预测能力。通常,常见的用于数据同化的资料包括雷达资料、卫星资料、地面观测资料、探空资料等,而闪电资料很少被应用在数据同化当中,即使应用,也常常先将其转化为代理雷达回波数据,然后再对雷达回波数据进行同化,又或是将其转化为相对湿度,再对相对湿度进行同化。但这一类同化方法没有充分的运用上闪电数据所包含的全部信息,其对强对流天气的描述能力也未能充分发挥出来。而采用闪电资料直接同化冰相粒子浓度,可以充分发挥出闪电资料蕴含的信息,改善天气预报,特别是强对流天气的预报效果。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的气象预测方法的流程示意图。本实施例涉及的是计算机设备根据闪电定位数据、各大气温度层结的气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度,根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果的具体实现过程。如图2所示,该方法可以包括:
S201,获取闪电定位数据和各大气温度层结的气象要素数据。
其中,闪电定位数据包括闪电时间、经纬度、强度、陡度等数据。静大气的温度和密度在垂直方向上的分布,称为大气温度层结。
具体地,计算机设备获取闪电定位数据和各大气温度层结的气象要素数据。可选的,计算机设备可以从中央气象台公布的数据中获取闪电定位数据。可选的,计算机设备可以从era5数据中获取各大气温度层结的气象要素数据。可选的,各大气温度层结的气象要素数据包括各大气温度层结的温度、气压、湿度等数据。
S202,根据闪电定位数据、各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,多个预测模型的数量与大气温度层结数相同。
具体地,计算机设备根据上述得到的闪电定位数据、各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度。其中,多个预测模型的数量与大气温度层结数相同。需要说明的是,不同的大气温度层结对应不同相态的冰相粒子,因此,在本实施例中多个预测模型的数量与大气温度层结数相同。可选的,计算机设备可以将闪电定位数据和各气象要素数据,输入各气象要素对应的预测模型中,得到各相态的冰相粒子数浓度。
S203,根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
具体地,计算机设备根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。可选的,计算机设备可以将各相态的冰相粒子数浓度处理为预设的气象研究预测模型能够识别的数据格式,将处理后的数据输入预设的气象研究预测模型,得到气象预报结果。可选的,得到的气象预报结果可以为强对流天气,也可以为晴天。可选的,预设的气象研究预测模型可以为天气研究预测模型(Weather Research and ForecastingModel,WRF)。
在本实施例中,计算机设备能够根据闪电定位数据、各气象要素数据和预设的多个预测模型,将闪电定位数据转化为影响对流和降水的各相态的冰相粒子数浓度,可以充分利用闪电定位数据的信息,进而可以根据各相态的冰相粒子数浓度和预设的气象研究预测模型,对未来的气象进行准确地预测,提高了得到的气象预报结果的准确度;另外,将闪电定位数据转化为影响对流和降水的各相态的冰相粒子数浓度,能够对短时临近的强对流气象进行准确地预测,提高了对灾害性天气预测的准确度。
图3为另一个实施例提供的气象预测方法的流程示意图。本实施例涉及的是计算机设备根据闪电定位数据、各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,上述S202,包括:
S301,分别对闪电定位数据、各气象要素数据进行网格化处理,得到网格化的闪电定位数据、网格化的各气象要素数据。
具体地,计算机设备分别对闪电定位数据、各气象要素数据进行网格化处理,得到网格化的闪电定位数据、网格化的各气象要素数据。可选的,计算机设备可以生成分辨率为10km的等距离网格,接着,统计每个网格点周围10km范围内闪电定位数据,将统计所得的闪电定位数据写入对应的网格中,再将各气象要素数据线性插值到10km的网格当中,得到网格化的闪电定位数据、网格化的各气象要素数据。
S302,根据网格化的闪电定位数据、网格化的各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度。
具体地,计算机设备根据得到的网格化的闪电定位数据、网格化的各气象要素数据和上述预设的多个预测模型,得到各相态的冰相粒子数浓度。可选的,不同大气温度层结的气象要素数据对应不同的预测模型,计算机设备可以将网格化的闪电定位数据和网格化的各气象要素数据,输入各气象要素数据对应的预测模型中,得到各相态的冰相粒子数浓度。
在本实施例中,计算机设备分别对闪电定位数据、各气象要素数据进行网格化处理,得到的网格化的闪电定位数据、网格化的各气象要素数据更加贴近真实的大气情况,根据网格化的闪电定位数据、网格化的各气象要素数据和预设的多个预测模型,能够准确地得到各相态的冰相粒子数浓度,提高了得到的各相态的冰相粒子数浓度的准确度。
图4为另一个实施例提供的气象预测方法的流程示意图。本实施例涉及的是计算机设备得到多个预测模型的具体实现过程。如图4所示,在上述实施例的基础上,作为一种可选的实施方式,上述多个预测模型的训练过程,包括:
S401,获取样本闪电定位数据、各相态的样本冰相粒子数浓度和各大气温度层结的样本气象要素数据。
具体地,计算机设备获取样本闪电定位数据、各相态的样本冰相粒子数浓度和各大气温度层结的样本气象要素数据。可选的,计算机设备可以从热带降雨测量任务(Tropical Rainfall Measuring Mission,TRMM)闪电成像仪中获取闪电定位数据,从TRMM卫星微波成像仪器中获取各相态的冰相粒子数浓度,从era5数据中获取各大气温度层结的样本气象要素数据。
S402,将样本闪电定位数据和各大气温度层结的样本气象要素数据输入对应的初始预测模型,得到各相态的冰相粒子样本预测数浓度;其中,不同的大气温度层结的气象要素样本数据对应不同的初始预测模型。
具体地,计算机设备将上述得到的样本闪电定位数据和各大气温度层结的样本气象要素数据输入对应的初始预测模型,得到各相态的冰相粒子样本预测数浓度。其中,不同的大气温度层结的气象要素样本数据对应不同的初始预测模型。可选的,计算机设备将样本闪电定位数据和各大气温度层结的样本气象要素数据输入对应的初始预测模型之前,可以对样本闪电定位数据和各大气温度层结的样本气象要素数据进行网格化处理,得到网格化的数据,处理过程如下:首先生成分辨率为10km的等距离网格;接着,统计每个网格点周围10km范围内闪电定位数据,将统计所得的闪电定位数据写入对应网格,然后将得到的各大气温度层结的样本气象要素数据线性插值到生成的10km的网格当中,得到网格化的数据。可选的,初始预测模型可以为xgboost模型。
S403,根据各相态的冰相粒子样本预测数浓度和各相态的样本冰相粒子数浓度,分别对各初始预测模型进行训练,得到多个预测模型。
具体地,计算机设备根据得到的各相态的冰相粒子样本预测数浓度和获取的各相态的样本冰相粒子数浓度,分别对各初始预测模型进行训练,得到上述多个预测模型。可选的,计算机设备可以根据各相态的冰相粒子样本预测数浓度和各相态的样本冰相粒子数浓度,采用贝叶斯优化算法调整各初始预测模型的参数,得到上述多个预测模型。可以理解的是,贝叶斯优化算法可以在不知道函数的具体形态即表达式的情况下,通过不断的取样,来推测函数的最大值,即可以在不知道各相态的冰相粒子样本预测数浓度与样本闪电定位数据、各大气温度层结的样本气象要素数据之间函数表达式的情况下,通过不断的取样,得到各相态的冰相粒子样本预测数浓度。可选的,计算机设备也可以采用网格搜索法或者穷举法调整各初始预测模型的参数,得到上述多个预测模型。
在本实施例中,计算机设备将样本闪电定位数据和各大气温度层结的样本气象要素数据输入对应的初始预测模型,得到各相态的冰相粒子样本预测数浓度,根据得到的各相态的冰相粒子样本预测数浓度和获取的各相态的样本冰相粒子数浓度,分别对各初始预测模型进行训练,通过大量的样本闪电定位数据和各大气温度层结的样本气象要素数据能够对初始预测模型进行准确地训练,提高了得到的多个预测模型的准确度。
图5为另一个实施例提供的气象预测方法的流程示意图。本实施例涉及的是计算机设备根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果的具体实现过程。如图5所示,在上述实施例的基础上,作为一种可选的实施方式,上述S203,包括:
S501,根据各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据;预设的wrfinput文件为根据全球模式的气象预报数据生成的文件。
具体地,计算机设备根据各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据。其中,预设的wrfinput文件为根据全球模式的气象预报数据生成的文件。可选的,计算机设备可以判断上述wrfinput文件中各网格点的温度值是否在预设的温度阈值范围内,若是,则将各相态的冰相粒子预测数浓度插值到对应的网格中,若否,则将对应的网格值初始化为0,得到wrfinput网格数据。可选的,预设的温度阈值范围可以为-20摄氏度到0摄氏度。
S502,将wrfinput网格数据输入气象研究预测模型,得到气象预报结果。
具体地,计算机设备将上述得到的wrfinput网格数据输入上述气象研究预测模型,得到气象预报结果。可选的,预设的气象研究预测模型可以为天气研究预测模型(Weather Research and Forecasting Model,WRF)。可选的,得到的气象预报结果可以为强对流天气,也可以为晴天。
在本实施例中,计算机设备根据各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据,将wrfinput网格数据输入预设的气象研究预测模型,可以准确地得到气象预报结果,提高了得到的气象预报结果的准确度。
图6为另一个实施例提供的气象预测方法的流程示意图。如图6所示,本申请提供的气象预测方法可以包括:获取包括有样本闪电定位数据和各相态的样本冰相粒子数浓度的热带降雨测量任务(Tropical Rainfall Measuring Mission,TRMM)数据以及各大气温度层结的样本气象要素数据,对获取的闪电定位数据和各大气温度层结的气象要素数据进行网格化处理,插值到同一空间分辨率,然后将处理后的样本闪电定位数据和各大气温度层结的样本气象要素数据输入各大气温度层结的样本气象要素数据对应的机器学习模型中,得到各相态的冰相粒子样本预测数浓度,然后获取新的数据循环更新训练上述机器学习模型,得到最终训练好的机器学习模型,对获取的闪电观测资料进行网格化处理后输入最终训练好的机器学习模型中,得到各相态冰相粒子浓度,修改气象研究预测模型WRF中微物理参数化接口,将得到的各相态冰相粒子浓度网格化至WRF网络中,然后进行WRF模式预报,得到气象预报结果。
需要说明的是,本实施例中的气象预测方法的描述可以参见上述实施例中相关的描述,且其效果类似,本实施例在此不再赘述。
为了便于本领域技术人员的理解,以下对本申请提供的车辆申请表的检测方法进行详细介绍,如图7所示,该方法可以包括:
S701,获取样本闪电定位数据、各相态的样本冰相粒子数浓度和各大气温度层结的样本气象要素数据;
S702,将样本闪电定位数据和各大气温度层结的样本气象要素数据输入对应的初始预测模型,得到各相态的冰相粒子样本预测数浓度;其中,不同的大气温度层结的气象要素样本数据对应不同的初始预测模型;
S703,根据各相态的冰相粒子样本预测数浓度和各相态的样本冰相粒子数浓度,采用贝叶斯优化算法调整各初始预测模型的参数,得到预设的多个预测模型;
S704,获取闪电定位数据和各大气温度层结的气象要素数据;
S705,分别对闪电定位数据、各气象要素数据进行网格化处理,得到网格化的闪电定位数据、网格化的各气象要素数据;
S706,将网格化的闪电定位数据和网格化的各气象要素数据,输入各气象要素数据对应的预测模型中,得到各相态的冰相粒子数浓度;
S707,判断各网格点的温度值是否在预设的温度阈值范围内,若是,则将各相态的冰相粒子预测数浓度插值到对应的网格中,若否,则将对应的网格值初始化为0,得到wrfinput网格数据;
S708,将wrfinput网格数据输入气象研究预测模型,得到气象预报结果。
需要说明的是,针对上述S701-S708中的描述可以参见上述实施例中相关的描述,且其效果类似,本实施例在此不再赘述。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种气象预测装置,包括:第一获取模块、第二获取模块和预测模块,其中:
第一获取模块,用于获取闪电定位数据和各大气温度层结的气象要素数据;第二获取模块,用于根据闪电定位数据、各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,多个预测模型的数量与大气温度层结数相同;
预测模块,用于根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
本实施例提供的气象预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取模块,包括:处理单元和第一获取单元,其中:
处理单元,用于分别对闪电定位数据、各气象要素数据进行网格化处理,得到网格化的闪电定位数据、网格化的各气象要素数据;
第一获取单元,用于根据网格化的闪电定位数据、网格化的各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度。
本实施例提供的气象预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,不同大气温度层结的气象要素数据对应不同的预测模型;上述第一获取单元,具体用于将网格化的闪电定位数据和网格化的各气象要素数据,输入各气象要素数据对应的预测模型中,得到各相态的冰相粒子数浓度。
本实施例提供的气象预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第三获取模块、第四获取模块和训练模块,其中:
第三获取模块,用于获取样本闪电定位数据、各相态的样本冰相粒子数浓度和各大气温度层结的样本气象要素数据;
第四获取模块,用于将样本闪电定位数据和各大气温度层结的样本气象要素数据输入对应的初始预测模型,得到各相态的冰相粒子样本预测数浓度;其中,不同的大气温度层结的气象要素样本数据对应不同的初始预测模型;
训练模块,用于根据各相态的冰相粒子样本预测数浓度和各相态的样本冰相粒子数浓度,分别对各初始预测模型进行训练,得到多个预测模型。
本实施例提供的气象预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述训练模块,包括训练单元,其中:
训练单元,用于根据各相态的冰相粒子样本预测数浓度和各相态的样本冰相粒子数浓度,采用贝叶斯优化算法调整各初始预测模型的参数,得到多个预测模型。
本实施例提供的气象预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述预测模块,包括第二获取单元和预测单元,其中:
第二获取单元,用于根据各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据;预设的wrfinput文件为根据全球模式的气象预报数据生成的文件;
预测单元,用于将wrfinput网格数据输入气象研究预测模型,得到气象预报结果。
本实施例提供的气象预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第二获取单元,具体用于判断各网格点的温度值是否在预设的温度阈值范围内;若是,则将各相态的冰相粒子预测数浓度插值到对应的网格中,若否,则将对应的网格值初始化为0,得到wrfinput网格数据。
本实施例提供的气象预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于气象预测装置的具体限定可以参见上文中对于气象预测方法的限定,在此不再赘述。上述气象预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取闪电定位数据和各大气温度层结的气象要素数据;
根据闪电定位数据、各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,多个预测模型的数量与大气温度层结数相同;
根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取闪电定位数据和各大气温度层结的气象要素数据;
根据闪电定位数据、各气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,多个预测模型的数量与大气温度层结数相同;
根据各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种气象预测方法,所述方法包括:
获取闪电定位数据和各大气温度层结的气象要素数据;
根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,所述多个预测模型的数量与所述大气温度层结数相同;
根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度,包括:
分别对所述闪电定位数据、各所述气象要素数据进行网格化处理,得到网格化的闪电定位数据、网格化的各气象要素数据;
根据所述网格化的闪电定位数据、所述网格化的各气象要素数据和所述预设的多个预测模型,得到所述各相态的冰相粒子数浓度。
3.根据权利要求2所述的方法,其特征在于,不同大气温度层结的气象要素数据对应不同的预测模型;所述根据所述网格化的闪电定位数据、所述网格化的各气象要素数据和所述预设的多个预测模型,得到所述各相态的冰相粒子数浓度,包括:
将所述网格化的闪电定位数据和所述网格化的各气象要素数据,输入各气象要素数据对应的预测模型中,得到所述各相态的冰相粒子数浓度。
4.根据权利要求1所述的方法,其特征在于,所述多个预测模型的训练过程,包括:
获取样本闪电定位数据、各相态的样本冰相粒子数浓度和各大气温度层结的样本气象要素数据;
将所述样本闪电定位数据和所述各大气温度层结的样本气象要素数据输入对应的初始预测模型,得到各相态的冰相粒子样本预测数浓度;其中,不同的大气温度层结的气象要素样本数据对应不同的初始预测模型;
根据所述各相态的冰相粒子样本预测数浓度和所述各相态的样本冰相粒子数浓度,分别对各所述初始预测模型进行训练,得到所述多个预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述各相态的冰相粒子样本预测数浓度和所述各相态的样本冰相粒子数浓度,分别对各所述初始预测模型进行训练,得到所述多个预测模型,包括:
根据所述各相态的冰相粒子样本预测数浓度和所述各相态的样本冰相粒子数浓度,采用贝叶斯优化算法调整各所述初始预测模型的参数,得到所述多个预测模型。
6.根据权利要求1所述的方法,其特征在于,所述根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果,包括:
根据所述各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据;所述预设的wrfinput文件为根据全球模式的气象预报数据生成的文件;
将所述wrfinput网格数据输入所述气象研究预测模型,得到所述气象预报结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述各相态的冰相粒子数浓度和预设的wrfinput文件中各网格点的温度值,得到wrfinput网格数据,包括:
判断所述各网格点的温度值是否在预设的温度阈值范围内;
若是,则将所述各相态的冰相粒子预测数浓度插值到对应的网格中,若否,则将所述对应的网格值初始化为0,得到所述wrfinput网格数据。
8.一种气象预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取闪电定位数据和各大气温度层结的气象要素数据;
第二获取模块,用于根据所述闪电定位数据、各所述气象要素数据和预设的多个预测模型,得到各相态的冰相粒子数浓度;其中,所述多个预测模型的数量与所述大气温度层结数相同;
预测模块,用于根据所述各相态的冰相粒子数浓度和预设的气象研究预测模型,得到气象预报结果。
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至7中任一项所述方法的步骤。
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至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320667.5A CN111505740B (zh) | 2020-04-22 | 2020-04-22 | 气象预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320667.5A CN111505740B (zh) | 2020-04-22 | 2020-04-22 | 气象预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505740A true CN111505740A (zh) | 2020-08-07 |
CN111505740B CN111505740B (zh) | 2021-12-07 |
Family
ID=71872952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320667.5A Expired - Fee Related CN111505740B (zh) | 2020-04-22 | 2020-04-22 | 气象预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505740B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199363A (zh) * | 2020-10-15 | 2021-01-08 | 南京数溪智能科技有限公司 | 一种农业多源异构数据的融合存储方法与系统 |
CN112363251A (zh) * | 2020-10-26 | 2021-02-12 | 上海眼控科技股份有限公司 | 天气预测模型的生成方法、天气预测方法、装置 |
CN112558188A (zh) * | 2021-01-22 | 2021-03-26 | 兰州大学 | 一种通过同化闪电资料改进强对流预报的方法 |
CN113484934A (zh) * | 2021-06-08 | 2021-10-08 | 北京华云东方探测技术有限公司 | 雷暴观测数据的确定方法、系统、电子设备及存储介质 |
CN113780585A (zh) * | 2021-11-12 | 2021-12-10 | 江苏铨铨信息科技有限公司 | 一种基于卫星云图的对流云机器学习识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150256277A1 (en) * | 2010-04-09 | 2015-09-10 | Weather Decision Technologies | Multimedia alerting |
CN109670638A (zh) * | 2018-12-09 | 2019-04-23 | 中国人民解放军国防科技大学 | 基于ysu方案关键参数扰动的大气波导集合预报方法 |
CN110045439A (zh) * | 2018-01-15 | 2019-07-23 | 钱维宏 | 基于大气变量瞬变扰动方程组的数值天气预报模式系统 |
US10408972B1 (en) * | 2018-04-20 | 2019-09-10 | Adam Baker | System and method for lightning strike prediction and warning |
US20190331831A1 (en) * | 2018-04-26 | 2019-10-31 | Jiangsu Meteorological Observatory | Sea fog monitoring method based on multi-source satellite remote sensing data |
CN110673146A (zh) * | 2019-10-12 | 2020-01-10 | 上海眼控科技股份有限公司 | 气象预测图检测方法、装置、计算机设备和可读存储介质 |
CN110930449A (zh) * | 2019-11-27 | 2020-03-27 | 上海眼控科技股份有限公司 | 预测结果的评估方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-22 CN CN202010320667.5A patent/CN111505740B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150256277A1 (en) * | 2010-04-09 | 2015-09-10 | Weather Decision Technologies | Multimedia alerting |
CN110045439A (zh) * | 2018-01-15 | 2019-07-23 | 钱维宏 | 基于大气变量瞬变扰动方程组的数值天气预报模式系统 |
US10408972B1 (en) * | 2018-04-20 | 2019-09-10 | Adam Baker | System and method for lightning strike prediction and warning |
US20190331831A1 (en) * | 2018-04-26 | 2019-10-31 | Jiangsu Meteorological Observatory | Sea fog monitoring method based on multi-source satellite remote sensing data |
CN109670638A (zh) * | 2018-12-09 | 2019-04-23 | 中国人民解放军国防科技大学 | 基于ysu方案关键参数扰动的大气波导集合预报方法 |
CN110673146A (zh) * | 2019-10-12 | 2020-01-10 | 上海眼控科技股份有限公司 | 气象预测图检测方法、装置、计算机设备和可读存储介质 |
CN110930449A (zh) * | 2019-11-27 | 2020-03-27 | 上海眼控科技股份有限公司 | 预测结果的评估方法、装置、计算机设备和存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199363A (zh) * | 2020-10-15 | 2021-01-08 | 南京数溪智能科技有限公司 | 一种农业多源异构数据的融合存储方法与系统 |
CN112363251A (zh) * | 2020-10-26 | 2021-02-12 | 上海眼控科技股份有限公司 | 天气预测模型的生成方法、天气预测方法、装置 |
CN112558188A (zh) * | 2021-01-22 | 2021-03-26 | 兰州大学 | 一种通过同化闪电资料改进强对流预报的方法 |
CN112558188B (zh) * | 2021-01-22 | 2022-05-27 | 兰州大学 | 一种通过同化闪电资料改进强对流预报的方法 |
CN113484934A (zh) * | 2021-06-08 | 2021-10-08 | 北京华云东方探测技术有限公司 | 雷暴观测数据的确定方法、系统、电子设备及存储介质 |
CN113484934B (zh) * | 2021-06-08 | 2023-12-29 | 北京华云东方探测技术有限公司 | 雷暴观测数据的确定方法、系统、电子设备及存储介质 |
CN113780585A (zh) * | 2021-11-12 | 2021-12-10 | 江苏铨铨信息科技有限公司 | 一种基于卫星云图的对流云机器学习识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111505740B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
US11966670B2 (en) | Method and system for predicting wildfire hazard and spread at multiple time scales | |
US11205028B2 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
Kumar et al. | Convcast: An embedded convolutional LSTM based architecture for precipitation nowcasting using satellite data | |
Madankan et al. | Computation of probabilistic hazard maps and source parameter estimation for volcanic ash transport and dispersion | |
Raeder et al. | DART/CAM: An ensemble data assimilation system for CESM atmospheric models | |
US11720727B2 (en) | Method and system for increasing the resolution of physical gridded data | |
TWI745907B (zh) | 發電量預測裝置、發電量預測方法、及程式 | |
CN108829766B (zh) | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 | |
KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
CN110909942B (zh) | 训练模型的方法及系统和预测序列数据的方法及系统 | |
CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
CN110232471A (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN112363251A (zh) | 天气预测模型的生成方法、天气预测方法、装置 | |
CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
US8670782B2 (en) | Systems and methods for analyzing spatiotemporally ambiguous events | |
CN111178635A (zh) | 天气预报方法、装置、计算机设备和计算机可读存储介质 | |
Otsuka et al. | Nowcasting with data assimilation: A case of global satellite mapping of precipitation | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
JP6884318B2 (ja) | 気象予測システム、気象予測方法、気象予測プログラム | |
CN116745653A (zh) | 使用生成式神经网络的临近预报 | |
CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
Martinovic et al. | Multiple Scenarios Computing In The Flood Prediction System FLOREON. | |
CN116165728A (zh) | 大气可降水量的估算方法、装置、计算机设备和存储介质 | |
CN113222276B (zh) | 覆冰情况预测方法、装置、计算机设备和存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Meteorological prediction method, device, computer equipment and storage medium Effective date of registration: 20220211 Granted publication date: 20211207 Pledgee: Shanghai Bianwei Network Technology Co.,Ltd. Pledgor: SHANGHAI EYE CONTROL TECHNOLOGY Co.,Ltd. Registration number: Y2022310000023 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211207 |
|
CF01 | Termination of patent right due to non-payment of annual fee |