CN112731403A - 一种降水预测方法以及装置 - Google Patents
一种降水预测方法以及装置 Download PDFInfo
- Publication number
- CN112731403A CN112731403A CN202011615051.7A CN202011615051A CN112731403A CN 112731403 A CN112731403 A CN 112731403A CN 202011615051 A CN202011615051 A CN 202011615051A CN 112731403 A CN112731403 A CN 112731403A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- model
- training
- threshold value
- data set
- 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
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 272
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 188
- 238000012216 screening Methods 0.000 claims abstract description 80
- 238000009826 distribution Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 11
- 238000002592 echocardiography Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/958—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种降水预测方法以及装置,方法包括:在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,降水阈值是根据任务需求预先设置的;利用训练数据集训练ZR关系模型,将ZR关系模型加入模型池中,模型池包括多个不同任务需求对应的ZR关系模型;提取当前时间段内的降水环境数据的特征,利用提取的特征在模型池中选择对应的ZR关系模型;将当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。使用多模型自动选取策略,对于不同季度和降雨不同阶段会使用不同的模型来预测,并且会根据需求自动切换对应的模型进行预测,提高预测模型预测降水的性能。
Description
技术领域
本申请涉及深度学习领域,尤其涉及降水预测领域。
背景技术
精确的降水预测对于科学地了解能量与水分循环、洪水暴雨的警报和预报以及优化水资源管理都有重要的意义。目前,雷达主要通过Z-R关系测量降水,即Z=ARb,Z是雷达反射因子(单位:mm3/m6);R是降雨强度(单位:mm/h);A,b是系数。其测量准确度在很大一部分上取决于该Z-R关系式中A,b参数的确定,因为不同时次、不同地点的Z-R关系式都是不同的。然而,目前的降水预测方法,在对Z-R关系进行评估时,往往忽略对于观测站周围天气要素的考虑,在不同天气要素下可能还存在着不同的预测结果。并且对于人的感知来说,很多时候,在人感知到降雨的时候,雨量计并无法显示出降雨。由于雷达会有少量的噪波,还可能会造成大量的误报。因此,现有技术中利用Z-R关系式降水预测误差较大,而且预测速度慢,效率低。
发明内容
本申请实施例提供一种降水预测方法以及装置,以解决相关技术存在的问题,技术方案如下:
第一方面,本申请实施例提供了一种降水预测方法,包括:
在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,降水阈值是根据任务需求预先设置的;
利用训练数据集训练ZR关系模型,将ZR关系模型加入模型池中,模型池包括多个不同任务需求对应的ZR关系模型;
提取当前时间段内的降水环境数据的特征,利用提取的特征在模型池中选择对应的ZR关系模型;
将当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。
在一种实施方式中,在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,降水阈值是根据任务需求预先设置的,包括:
根据任务需求预先设置降水阈值,降水阈值包括回波阈值和方差阈值;
根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据;
根据历史时间段内的降水环境数据计算样本分布的方差;
在样本分布的方差小于方差阈值的情况下,将筛选出的数据作为训练数据,构成训练数据集。
在一种实施方式中,还包括:
在样本分布的方差大于或等于方差阈值的情况下,返回执行根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据的步骤。
在一种实施方式中,任务需求为不同季节下的降水预测任务,包括春夏降水预测任务和秋冬降水预测任务;
在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,降水阈值是根据任务需求预先设置的,包括:
根据春夏降水预测任务对应的第一降水阈值,在历史时间段内的降水环境数据中筛选满足第一降水阈值的数据,得到第一训练数据集。
在一种实施方式中,利用训练数据集训练ZR关系模型,包括:
利用第一训练数据集训练ZR关系模型,得到春夏ZR关系模型。
在一种实施方式中,还包括:
根据秋冬降水预测任务对应的第二降水阈值,在历史时间段内的降水环境数据中筛选满足第二降水阈值的数据,得到第二训练数据集。
在一种实施方式中,利用训练数据集训练ZR关系模型,包括:
利用第二训练数据集训练ZR关系模型,得到秋冬ZR关系模型。
在一种实施方式中,任务需求为不同降水阶段的预测任务,包括降水开始的预测任务和降水中的预测任务;
在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,降水阈值是根据任务需求预先设置的,包括:
根据降水开始的预测任务对应的第三降水阈值,在历史时间段内的降水环境数据中筛选满足第三降水阈值的数据,得到第三训练数据集。
在一种实施方式中,利用训练数据集训练ZR关系模型,包括:
利用第三训练数据集训练ZR关系模型,得到降水开始ZR关系模型。
在一种实施方式中,还包括:
根据降水中的预测任务对应的第四降水阈值,在历史时间段内的降水环境数据中筛选满足第四降水阈值的数据,得到第四训练数据集。
在一种实施方式中,利用训练数据集训练ZR关系模型,包括:
利用第四训练数据集训练ZR关系模型,得到降水结束ZR关系模型。
第二方面,本实施例提供了一种降水预测装置,包括:
训练数据集筛选模块,用于在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,降水阈值是根据任务需求预先设置的;
模型池构建模块,用于利用训练数据集训练ZR关系模型,将ZR关系模型加入模型池中,模型池包括多个不同任务需求对应的ZR关系模型;
ZR关系模型选择模块,用于提取当前时间段内的降水环境数据的特征,利用提取的特征在模型池中选择对应的ZR关系模型;
降水预测模块,用于将当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。
在一种实施方式中,训练数据集筛选模块包括:
阈值设置子模块,用于根据任务需求预先设置降水阈值,降水阈值包括回波阈值和方差阈值;
数据筛选子模块,用于根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据;
方差计算子模块,用于根据历史时间段内的降水环境数据计算样本分布的方差;
训练数据集生成子模块,用于在样本分布的方差小于方差阈值的情况下,将筛选出的数据作为训练数据,构成训练数据集。
在一种实施方式中,还包括:
循环触发模块,用于在样本分布的方差大于或等于方差阈值的情况下,返回执行根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据的步骤。
在一种实施方式中,任务需求为不同季节下的降水预测任务,包括春夏降水预测任务和秋冬降水预测任务;训练数据集筛选模块包括:
第一筛选子模块,用于根据春夏降水预测任务对应的第一降水阈值,在历史时间段内的降水环境数据中筛选满足第一降水阈值的数据,得到第一训练数据集。
在一种实施方式中,模型池构建模块包括:
第一模型生成子模块,用于利用第一训练数据集训练ZR关系模型,得到春夏ZR关系模型。
在一种实施方式中,还包括:
第二筛选子模块,用于根据秋冬降水预测任务对应的第二降水阈值,在历史时间段内的降水环境数据中筛选满足第二降水阈值的数据,得到第二训练数据集。
在一种实施方式中,模型池构建模块包括:
第二模型生成子模块,用于利用第二训练数据集训练ZR关系模型,得到秋冬ZR关系模型。
在一种实施方式中,任务需求为不同降水阶段的预测任务,包括降水开始的预测任务和降水中的预测任务;训练数据集筛选模块包括:
第三筛选子模块,用于根据降水开始的预测任务对应的第三降水阈值,在历史时间段内的降水环境数据中筛选满足第三降水阈值的数据,得到第三训练数据集。
在一种实施方式中,模型池构建模块包括:
第三模型生成子模块,用于利用第三训练数据集训练ZR关系模型,得到降水开始ZR关系模型。
在一种实施方式中,还包括:
第四筛选子模块,用于根据降水中的预测任务对应的第四降水阈值,在历史时间段内的降水环境数据中筛选满足第四降水阈值的数据,得到第四训练数据集。
在一种实施方式中,模型池构建模块包括:
第四模型生成子模块,用于利用第四训练数据集训练ZR关系模型,得到降水结束ZR关系模型。
第三方面,提供了一种电子设备,包括:
至少一个处理器;以及与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一项的方法。
第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述任一项的方法。
上述申请中的一个实施例具有如下优点或有益效果:使用多模型自动选取策略,对于不同季度和降雨不同阶段会使用不同的模型来预测,并且会根据需求自动切换对应的模型进行预测,提高预测模型预测降水的性能。由于ZR关系模型的预测效果随着季节变化会发生衰减,可以自动收集临近时间范围的数据对ZR关系模型进行训练,更新模型,同时会根据实际情况自动选取相应的模型来更好的预测未来的趋势变化。在训练过程中通过自动筛选训练数据集,在数据质量不高的情况下,会自动通过历史数据来拼接训练数据集,从而得到优质的训练数据集,更好的训练模型,使得模型的预测率更精确,更好的提高模型预测的效率和性能。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请一实施例的一种降水预测方法的示意图;
图2是根据本申请一实施例的一种降水预测整体流程示意图;
图3是根据本申请一实施例的一种动态收集数据集进行训练的方法示意图;
图4是根据本申请另一实施例的一种降水预测方法的示意图;
图5是根据本申请一实施例的9月有雷达回波但未降水的回波图;
图6是根据本申请一实施例的10月有雷达回波但未降水的回波图;
图7是根据本申请另一实施例的一种降水预测方法的示意图;
图8是根据本申请一实施例的9月训练数据样本分布图;
图9是根据本申请一实施例的10月训练数据样本分布图;
图10是根据本申请一实施例的一种降水预测装置的结构框图;
图11是用来实现本申请实施例的一种降水预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在一种具体的实施例中,如图1所示,提供了一种降水预测方法,包括如下步骤:
步骤S110:历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,所述降水阈值是根据任务需求预先设置的;
步骤S120:利用所述训练数据集训练ZR关系模型,将所述ZR关系模型加入模型池中,所述模型池包括多个不同任务需求对应的ZR关系模型;
步骤S130:提取当前时间段内的降水环境数据的特征,利用提取的特征在所述模型池中选择对应的ZR关系模型;
步骤S140:将所述当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。
一种示例中,ZR模型降雨预测的整体流程方法如图2所示。首先,不断进行线上数据采集。采集的数据为降水环境数据,是数值类型的结构化数据,主要包括观测站雨量标签、格点气象要素、雷达dBZ等数据。格点气象要素包括温度、湿度、气压和风力等要素。雷达回波是雷达发射的电磁波,在传播过程中遇到目标物以后目标物对电磁波产生反射、散射,通过雷达屏幕显示的雷达接收机能接收到的部分反射、散射能量。dBZ(雷达反射率因子)是表示雷达回波强度的一个物理量。dB是分贝(decibel的缩写),也可以理解为一个运算符号,Z是雷达反射因子。观测站雨量标签、格点气象要素、雷达dBZ这三样数据根据时间的推移实时入库。例如,可以抽取历史时间段为上一个月采集的数据,为训练在线学习模型做准备。
根据任务需求预先设置的降水阈值,历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集。利用所述训练数据集训练ZR关系模型,将所述ZR关系模型加入模型池中,所述模型池包括多个不同任务需求对应的ZR关系模型。ZR关系模型的更换是基于降水状态评估动态更换的。模型池里的模型的区别主要是模型对应的训练数据集不同,并且对数据的各种纬度的预处理不同。比如有些模型的回波占比比较高,有些模型的回波占比比较低。根据当前的任务需求,通过模型筛选器在ZR模型池中筛选对应的模型。将所述当前时间段内的降水环境数据,包括温度、湿度、气压、风力等环境参量,输入至选择的ZR关系模型,得到降水预测结果。
具体的,ZR关系模型核心为一个XGBOOST模型,通过使用GPU版本的XGBOOST来计算出格点降雨分布图,计算出降雨产品的降水预报。动态收集当前时间范围内的数据进行模型训练,来实现针对临近区域的动态预测。收集一定时间维度的数据,统计数据的分布和正负样本是否平均,并且统计数据的对于这段时间的分布情况和分布状态。将这些数据进行训练得到最终的模型。在实际降水预测中,气象雷达会扫到雷达回波,通过动态收集临近一个月的天气要素和雷达回波的信息,之后通过评测这个数据集的质量,如果质量不达标,再往前推一个月的数据进行收集。最终训练好模型,并预测之后的降雨情况。
在一种实施方式中,步骤S110包括:
步骤S111:根据任务需求预先设置降水阈值,降水阈值包括回波阈值和方差阈值;
步骤S112:根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据;
步骤S113:根据历史时间段内的降水环境数据计算样本分布的方差;
步骤S114:在样本分布的方差小于方差阈值的情况下,将筛选出的数据作为训练数据,构成训练数据集。
在一种实施方式中,还包括:
在样本分布的方差大于或等于方差阈值的情况下,返回执行根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据的步骤。
一种示例中,在训练模型的过程中,传统的训练方法主要用于收集尽可能多的历史数据,进行训练。这样可以保证数据能覆盖到大部分情况。但针对于ZR关系模型这种跟季节相关性比较大的情况下会导致用大批量数据收集训练的这种方法对预测结果来说并不好。并且针对ZR模型会对不同季节的召回率和精准率有不同的需求,比如夏季希望精准率高一些,因为雷达扫到的都是大面积的回波,不太容易误报但是很容易造成多报。在冬季希望模型对召回率会提高一些,因为冬季雷达很多都停战,并且冬季云比较低,雷达会扫不到。
如图3所示,本实施例提出一种动态收集数据集进行训练的方法:(1)观测站雨量标签,格点气象要素,雷达dBZ等数据采集至数据库中。(2)根据任务需求设置回波阈值α和方差阈值θ。(3)提取历史时间段内的数据,例如上一个月的数据。根据任务的需求筛选回波小于回波阈值α的数据。(4)计算这一个月中的每天的正样本数据的方差v,如果方差v小于方差阈值θ,则直接进入(8),如果大于方差阈值,则进入(5)。(5)设正样本每天的均值为m,将一个月的数据按日取出每天降雨量n。(6)通过m-n的绝对值进行排序,删除TOP5整日的数据。(7)将这批数据集数据时间范围往前推移5天,重新收集数据,返回(3)。(8)筛选出的数据集作为训练数据集,利用训练数据集训练模型,并且将模型投入预测。本系统可以自动计算这一个月数据的正负样本分布、降雨分布,方差分布,期望分布,正月的数据日期直接的协方差分布,最终评测出数据是否合格。如果合格投入到模型中进行训练,如果不合格,在之前月份抽取数据,合并之后再进行数据检查,以此类推。
在本实施例中,面对不同的任务需求(例如,春夏秋冬不同的季节),通过调整回波阈值和方差阈值来筛选与各个任务需求匹配的数据集。不同的任务需求,筛选的训练数据集不同。利用筛选的训练数据集进行模型训练,得到各个任务需求匹配的训练模型,进一步提高模型对整个系统的鲁棒性。
在一种实施方式中,任务需求为不同季节下的降水预测任务,包括春夏降水预测任务和秋冬降水预测任务。
一种示例中,不同季节随着气候的变化,在降雨判断上会有很多不同。例如,在夏季,在全国会出现大片雷达回波,对于这种连片的雷达回波而言,需要尽可能的在不影响召回率的情况下,提高精准率。在冬季,云层通常比较低,气象雷达经常扫不到雷达回波,并且如果扫到雷达回波就算是弱回拨也有很大下雨的可能行,这时就需要适当的提高召回率来减少降雨的误报。针对不同季节的任务需求,筛选对应的数据集,使的模型训练结果更加适合相应的季节。因此,通过筛选不同季节对应的数据集,可以同时训练两个模型,分别为春夏ZR关系模型和秋冬ZR关系模型,使模型训练结果更加适合各种季节。
步骤S110,包括:
步骤S1101:根据春夏降水预测任务对应的第一降水阈值,在历史时间段内的降水环境数据中筛选满足第一降水阈值的数据,得到第一训练数据集。
在一种实施方式中,步骤S120,利用训练数据集训练ZR关系模型,包括:
步骤S1201:利用第一训练数据集训练ZR关系模型,得到春夏ZR关系模型。
在一种实施方式中,还包括:
步骤S1102:根据秋冬降水预测任务对应的第二降水阈值,在历史时间段内的降水环境数据中筛选满足第二降水阈值的数据,得到第二训练数据集。
在一种实施方式中,步骤S120,利用训练数据集训练ZR关系模型,包括:
步骤S1202:利用第二训练数据集训练ZR关系模型,得到秋冬ZR关系模型。
一种示例中,如图4所示,春夏ZR关系模型和秋冬ZR关系模型加入模型池之后,在实际预测过程中,收集当前时间段内的降水环境数据,并提取对应的特征(例如季节特征)。利用提取的特征在模型池中选择对应的ZR关系模型,可以通过时间来判定使用哪种模型,例如,收集数据时在时间为3月到5月春季进行收集的,那么选用春夏ZR关系模型。收集数据时在时间为10月到12月冬季进行收集的,那么选用秋冬ZR关系模型。将当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。
具体的,如果在冬季收集数据,需要尽可能的提高召回率,在收集数据集的时候,将回波阈值设定为20,代表着收集数据只收集20以下dBZ的数据,每日方差设置为2*10^4,代表尽可能让降雨的天数在一个月的分布比较平均,进行收集。并且为了更好的让模型表现出结果,采用线上自学习的方法,周期设置为一个月。在ZR关系数据集自动收集数据的时候可以根据任务需求自动更改数据集配置的要求。例如,因为在降雨判断中召回率要求会比较多,在收集数据集的时候可以只获取dBZ小于α的回波作为负样本,与其他正样本回波进行拼接合成一个数据。并且计算降雨数量在以一个月的所有天数为一个周期的日分布的方差,如果方差过大(大于方差阈值θ),说明这个数据分布不均,需要删除导致方差大的天数样本,将整个收集时间往前推移。例如,收集10月份的数据,在计算方差之后,发现有5天的数据导致方差变大,成为整个月的离群点,那么往前推进取5天9月份的数据,直到数据的方差小于方差阈值。
如图5和图6所示,9月和10月有雷达回波但未降水的回波图中,可以明显看出10月份的数据无降水(负样本)的回波数值明显大于9月份,这也可能导致通过10月份训练出来的模型的召回率,会低于9月份。如下表所示,十月份训练的模型再提升精准率(pre)的同时降低了召回率(recall)。
精准率(pre) | 召回率(recall) | F值(f-score) | 模型 |
0.641290 | 0.621117 | 0.624995 | 十月份模型 |
0.582408 | 0.647964 | 0.605892 | 九月份模型 |
根据上面实验结果,可以的出结论,在冬季如果想要提升模型的召回率,可以特定的将负样本卡在一定数值以下,负样本大比例都是小回波的区域。
在一种实施方式中,任务需求为不同降水阶段的预测任务,包括降水开始的预测任务和降水中的预测任务。
步骤S110,包括:
步骤S1103:根据降水开始的预测任务对应的第三降水阈值,在历史时间段内的降水环境数据中筛选满足第三降水阈值的数据,得到第三训练数据集。
在一种实施方式中,步骤S120,利用训练数据集训练ZR关系模型,包括:
步骤S1203:利用第三训练数据集训练ZR关系模型,得到降水开始ZR关系模型。
在一种实施方式中,还包括:
步骤S1104:根据降水中的预测任务对应的第四降水阈值,在历史时间段内的降水环境数据中筛选满足第四降水阈值的数据,得到第四训练数据集。
在一种实施方式中,利用训练数据集训练ZR关系模型,包括:
步骤S1204:利用第四训练数据集训练ZR关系模型,得到降水各阶段的ZR关系模型。
一种示例中,如图7所示,在一整个降雨过程中,会分为三个阶段:降雨开始,雨中和降雨结束。可以使用针对降雨开始和雨中进行优化,通过回波的变化来定义降雨开始阶段和雨中阶段。通过筛选不同季节对应的数据集,可以同时训练两个模型,分别为降雨开始ZR关系模型和降雨结束ZR关系模型,使模型训练结果更加适合降雨的不同阶段。抽取一段时间的雷达图,如果雷达回波从无到有,就用降雨开始的模型来计算,如果雷达回波持续一段时间,就用降雨中模型来判断。对于降雨开始的模型可以将它的目标召回率设置相对较高,对于雨中的模型,可以让召回率和精准率比较适中。在对降雨开始的模型训练时,提取回波阈值较低的数据,按照季节实施例的方法来提升召回率。在雨中提高回波阈值,来略微降低召回率,提高精准率。
实际应用中,在提取数据的时候,样本数据的按天分布的方差也是非常必要的。如图8和图9分别为9月和10月的训练数据样本分布,如图中所示可以看出10月份的数据正负样本分布方差相对于9月的要大很多,表明样本分布不均。因此在训练11月模型的时候可以选取10月份样本分布比较均匀的天数,再加上9月样本分布均匀的天数合并成一个月的数据来进行训练。最终得到效果比较好的模型。特别是在降雨开始时和雨中,因为样本分布不均匀,所以需要使用这种方法来平衡数据。并且使用在线自学习的滚动训练,从而达到更好的预测效果。
本实施例中,使用多模型自动选取策略,对于不同季度和降雨不同阶段会使用不同的模型来预测,并且会根据需求自动切换对应的模型进行预测,提高预测模型预测降水的性能。由于ZR关系模型的预测效果随着季节变化会发生衰减,可以自动收集临近时间范围的数据对ZR关系模型进行训练,更新模型,同时会根据实际情况自动选取相应的模型来更好的预测未来的趋势变化。在训练过程中通过自动筛选训练数据集,在数据质量不高的情况下,会自动通过历史数据来拼接训练数据集,从而得到优质的训练数据集,更好的训练模型,使得模型的预测率更精确,更好的提高模型预测的效率和性能。
在另一种具体实施方式中,如图10所示,提供了一种降水预测装置,包括:
训练数据集筛选模块110,用于在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,降水阈值是根据任务需求预先设置的;
模型池构建模块120,用于利用训练数据集训练ZR关系模型,将ZR关系模型加入模型池中,模型池包括多个不同任务需求对应的ZR关系模型;
ZR关系模型选择模块130,用于提取当前时间段内的降水环境数据的特征,利用提取的特征在模型池中选择对应的ZR关系模型;
降水预测模块140,用于将当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。
在一种实施方式中,训练数据集筛选模块包括:
阈值设置子模块,用于根据任务需求预先设置降水阈值,降水阈值包括回波阈值和方差阈值;
数据筛选子模块,用于根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据;
方差计算子模块,用于根据历史时间段内的降水环境数据计算样本分布的方差;
训练数据集生成子模块,用于在样本分布的方差小于方差阈值的情况下,将筛选出的数据作为训练数据,构成训练数据集。
在一种实施方式中,还包括:
循环触发模块,用于在样本分布的方差大于或等于方差阈值的情况下,返回执行根据任务需求,从历史时间段内的降水环境数据筛选出回波小于回波阈值的数据的步骤。
在一种实施方式中,任务需求为不同季节下的降水预测任务,包括春夏降水预测任务和秋冬降水预测任务;训练数据集筛选模块包括:
第一筛选子模块,用于根据春夏降水预测任务对应的第一降水阈值,在历史时间段内的降水环境数据中筛选满足第一降水阈值的数据,得到第一训练数据集。
在一种实施方式中,模型池构建模块包括:
第一模型生成子模块,用于利用第一训练数据集训练ZR关系模型,得到春夏ZR关系模型。
在一种实施方式中,还包括:
第二筛选子模块,用于根据秋冬降水预测任务对应的第二降水阈值,在历史时间段内的降水环境数据中筛选满足第二降水阈值的数据,得到第二训练数据集。
在一种实施方式中,模型池构建模块包括:
第二模型生成子模块,用于利用第二训练数据集训练ZR关系模型,得到秋冬ZR关系模型。
在一种实施方式中,任务需求为不同降水阶段的预测任务,包括降水开始的预测任务和降水中的预测任务;训练数据集筛选模块包括:
第三筛选子模块,用于根据降水开始的预测任务对应的第三降水阈值,在历史时间段内的降水环境数据中筛选满足第三降水阈值的数据,得到第三训练数据集。
在一种实施方式中,模型池构建模块包括:
第三模型生成子模块,用于利用第三训练数据集训练ZR关系模型,得到降水开始ZR关系模型。
在一种实施方式中,还包括:
第四筛选子模块,用于根据降水中的预测任务对应的第四降水阈值,在历史时间段内的降水环境数据中筛选满足第四降水阈值的数据,得到第四训练数据集。
在一种实施方式中,模型池构建模块包括:
第四模型生成子模块,用于利用第四训练数据集训练ZR关系模型,得到降水结束ZR关系模型。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图11所示,是根据本申请实施例的一种降水预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,该电子设备包括:一个或多个处理器1101、存储器1102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1101为例。
存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的一种降水预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的一种降水预测方法。
存储器1102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的一种降水预测方法对应的程序指令/模块。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的一种降水预测方法。
存储器1102可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种降水预测方法的电子设备的使用所创建的数据等。此外,存储器1102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1102可选包括相对于处理器1101远程设置的存储器,这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括:输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接,图11中以通过总线连接为例。
输入装置1103可接收输入的数字或字符信息,以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(Liquid Cr11stal Displa11,LCD)、发光二极管(Light Emitting Diode,LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits,ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(programmable logic device,PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode Ray Tube,阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (24)
1.一种降水预测方法,其特征在于,包括:
在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,所述降水阈值是根据任务需求预先设置的;
利用所述训练数据集训练ZR关系模型,将所述ZR关系模型加入模型池中,所述模型池包括多个不同任务需求对应的ZR关系模型;
提取当前时间段内的降水环境数据的特征,利用提取的特征在所述模型池中选择对应的ZR关系模型;
将所述当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。
2.根据权利要求1所述的方法,其特征在于,在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,所述降水阈值是根据任务需求预先设置的,包括:
根据所述任务需求预先设置所述降水阈值,所述降水阈值包括回波阈值和方差阈值;
根据所述任务需求,从所述历史时间段内的降水环境数据筛选出回波小于所述回波阈值的数据;
根据所述历史时间段内的降水环境数据计算样本分布的方差;
在所述样本分布的方差小于所述方差阈值的情况下,将筛选出的数据作为训练数据,构成所述训练数据集。
3.根据权利要求2所述的方法,其特征在于,还包括:
在所述样本分布的方差大于或等于所述方差阈值的情况下,返回执行所述根据所述任务需求,从所述历史时间段内的降水环境数据筛选出回波小于所述回波阈值的数据的步骤。
4.根据权利要求1所述的方法,其特征在于,所述任务需求为不同季节下的降水预测任务,包括春夏降水预测任务和秋冬降水预测任务;
在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,所述降水阈值是根据任务需求预先设置的,包括:
根据所述春夏降水预测任务对应的第一降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第一降水阈值的数据,得到第一训练数据集。
5.根据权利要求4所述的方法,其特征在于,利用所述训练数据集训练ZR关系模型,包括:
利用所述第一训练数据集训练ZR关系模型,得到春夏ZR关系模型。
6.根据权利要求4所述的方法,其特征在于,还包括:
根据所述秋冬降水预测任务对应的第二降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第二降水阈值的数据,得到第二训练数据集。
7.根据权利要求6所述的方法,其特征在于,利用所述训练数据集训练ZR关系模型,包括:
利用所述第二训练数据集训练ZR关系模型,得到秋冬ZR关系模型。
8.根据权利要求1所述的方法,其特征在于,所述任务需求为不同降水阶段的预测任务,包括降水开始的预测任务和降水中的预测任务;
在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,所述降水阈值是根据任务需求预先设置的,包括:
根据所述降水开始的预测任务对应的第三降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第三降水阈值的数据,得到第三训练数据集。
9.根据权利要求8所述的方法,其特征在于,利用所述训练数据集训练ZR关系模型,包括:
利用所述第三训练数据集训练ZR关系模型,得到降水开始ZR关系模型。
10.根据权利要求8所述的方法,其特征在于,还包括:
根据所述降水中的预测任务对应的第四降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第四降水阈值的数据,得到第四训练数据集。
11.根据权利要求10所述的方法,其特征在于,利用所述训练数据集训练ZR关系模型,包括:
利用所述第四训练数据集训练ZR关系模型,得到降水结束ZR关系模型。
12.一种降水预测装置,其特征在于,包括:
训练数据集筛选模块,用于在历史时间段内的降水环境数据中,筛选满足降水阈值的数据,得到训练数据集,所述降水阈值是根据任务需求预先设置的;
模型池构建模块,用于利用所述训练数据集训练ZR关系模型,将所述ZR关系模型加入模型池中,所述模型池包括多个不同任务需求对应的ZR关系模型;
ZR关系模型选择模块,用于提取当前时间段内的降水环境数据的特征,利用提取的特征在所述模型池中选择对应的ZR关系模型;
降水预测模块,用于将所述当前时间段内的降水环境数据输入至选择的ZR关系模型,得到降水预测结果。
13.根据权利要求12所述的装置,其特征在于,所述训练数据集筛选模块包括:
阈值设置子模块,用于根据所述任务需求预先设置所述降水阈值,所述降水阈值包括回波阈值和方差阈值;
数据筛选子模块,用于根据所述任务需求,从所述历史时间段内的降水环境数据筛选出回波小于所述回波阈值的数据;
方差计算子模块,用于根据所述历史时间段内的降水环境数据计算样本分布的方差;
训练数据集生成子模块,用于在所述样本分布的方差小于所述方差阈值的情况下,将筛选出的数据作为训练数据,构成所述训练数据集。
14.根据权利要求13所述的装置,其特征在于,还包括:
循环触发模块,用于在所述样本分布的方差大于或等于所述方差阈值的情况下,返回执行所述根据所述任务需求,从所述历史时间段内的降水环境数据筛选出回波小于所述回波阈值的数据的步骤。
15.根据权利要求12所述的装置,其特征在于,所述任务需求为不同季节下的降水预测任务,包括春夏降水预测任务和秋冬降水预测任务;所述训练数据集筛选模块包括:
第一筛选子模块,用于根据所述春夏降水预测任务对应的第一降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第一降水阈值的数据,得到第一训练数据集。
16.根据权利要求15所述的装置,其特征在于,所述模型池构建模块包括:
第一模型生成子模块,用于利用所述第一训练数据集训练ZR关系模型,得到春夏ZR关系模型。
17.根据权利要求15所述的装置,其特征在于,还包括:
第二筛选子模块,用于根据所述秋冬降水预测任务对应的第二降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第二降水阈值的数据,得到第二训练数据集。
18.根据权利要求17所述的装置,其特征在于,所述模型池构建模块包括:
第二模型生成子模块,用于利用所述第二训练数据集训练ZR关系模型,得到秋冬ZR关系模型。
19.根据权利要求12所述的装置,其特征在于,所述任务需求为不同降水阶段的预测任务,包括降水开始的预测任务和降水中的预测任务;所述训练数据集筛选模块包括:
第三筛选子模块,用于根据所述降水开始的预测任务对应的第三降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第三降水阈值的数据,得到第三训练数据集。
20.根据权利要求19所述的装置,其特征在于,所述模型池构建模块包括:
第三模型生成子模块,用于利用所述第三训练数据集训练ZR关系模型,得到降水开始ZR关系模型。
21.根据权利要求19所述的装置,其特征在于,还包括:
第四筛选子模块,用于根据所述降水中的预测任务对应的第四降水阈值,在所述历史时间段内的降水环境数据中筛选满足所述第四降水阈值的数据,得到第四训练数据集。
22.根据权利要求21所述的装置,其特征在于,所述模型池构建模块包括:
第四模型生成子模块,用于利用所述第四训练数据集训练ZR关系模型,得到降水结束ZR关系模型。
23.一种电子设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615051.7A CN112731403A (zh) | 2021-03-17 | 2021-03-17 | 一种降水预测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011615051.7A CN112731403A (zh) | 2021-03-17 | 2021-03-17 | 一种降水预测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112731403A true CN112731403A (zh) | 2021-04-30 |
Family
ID=75611137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011615051.7A Pending CN112731403A (zh) | 2021-03-17 | 2021-03-17 | 一种降水预测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860268A (zh) * | 2023-02-20 | 2023-03-28 | 南京信息工程大学 | 基于cnn-xgboost模型的短时强降水预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2100107A1 (fr) * | 1992-07-09 | 1994-01-10 | Guy Badoche-Jacquet | Procede et dispositif pour l'evaluation des precipitations sur une zone de terrain |
JPH09329672A (ja) * | 1996-06-07 | 1997-12-22 | Kansai Electric Power Co Inc:The | 発雷予測方法 |
JP2008157713A (ja) * | 2006-12-22 | 2008-07-10 | Foundation Of River & Basin Integrated Communications Japan | レーダ雨量計運用管理システム |
KR101512015B1 (ko) * | 2013-10-07 | 2015-04-14 | 부경대학교 산학협력단 | 기상 레이더 자료를 이용한 대류성 강우를 예측하는 방법 |
US20170168157A1 (en) * | 2015-12-10 | 2017-06-15 | The Climate Corporation | Generating estimates of uncertainty for radar based precipitation estimates |
US20170351005A1 (en) * | 2016-06-02 | 2017-12-07 | The Climate Corporation | Computing radar based precipitation estimate errors based on precipitation gauge measurements |
CN110750516A (zh) * | 2019-09-29 | 2020-02-04 | 浪潮软件集团有限公司 | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 |
-
2021
- 2021-03-17 CN CN202011615051.7A patent/CN112731403A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2100107A1 (fr) * | 1992-07-09 | 1994-01-10 | Guy Badoche-Jacquet | Procede et dispositif pour l'evaluation des precipitations sur une zone de terrain |
JPH09329672A (ja) * | 1996-06-07 | 1997-12-22 | Kansai Electric Power Co Inc:The | 発雷予測方法 |
JP2008157713A (ja) * | 2006-12-22 | 2008-07-10 | Foundation Of River & Basin Integrated Communications Japan | レーダ雨量計運用管理システム |
KR101512015B1 (ko) * | 2013-10-07 | 2015-04-14 | 부경대학교 산학협력단 | 기상 레이더 자료를 이용한 대류성 강우를 예측하는 방법 |
US20170168157A1 (en) * | 2015-12-10 | 2017-06-15 | The Climate Corporation | Generating estimates of uncertainty for radar based precipitation estimates |
US20170351005A1 (en) * | 2016-06-02 | 2017-12-07 | The Climate Corporation | Computing radar based precipitation estimate errors based on precipitation gauge measurements |
CN110750516A (zh) * | 2019-09-29 | 2020-02-04 | 浪潮软件集团有限公司 | 基于雷达图的降雨分析模型构建方法、构建系统及分析方法 |
Non-Patent Citations (1)
Title |
---|
许才华 等: "《防汛水文气象知识》", 中国科学技术出版社, pages: 210 - 226 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860268A (zh) * | 2023-02-20 | 2023-03-28 | 南京信息工程大学 | 基于cnn-xgboost模型的短时强降水预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6399672B2 (ja) | 確率分布に基づいて降水の短時間予報を行う方法及びシステム | |
CN108732550B (zh) | 用于预测雷达回波的方法和装置 | |
CN112036668B (zh) | 用水量预测方法、装置、电子设备以及计算机可读介质 | |
CN115390161B (zh) | 基于人工智能的降水预测方法及装置 | |
CN113435923A (zh) | 用电量的预测方法、装置及电子设备 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN112731403A (zh) | 一种降水预测方法以及装置 | |
CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
Zhang et al. | Does objective cluster analysis serve as a useful precursor to seasonal precipitation prediction at local scale? Application to western Ethiopia | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN103218523A (zh) | 基于网格队列和分段拟合的机场噪声可视化方法 | |
CN112200360A (zh) | 植物生长重量预测方法、模型训练方法及装置 | |
CN115882451A (zh) | 新能源电站的发电功率预测方法、装置、以及设备 | |
CN114021776A (zh) | 一种物料组合选取方法、装置和电子设备 | |
CN108876041B (zh) | 基于因果影响网络算法的极地海冰面积预测方法及装置 | |
CN110727719A (zh) | 一种基于动力松弛逼近的闪电定位资料同化方法 | |
CN113076784B (zh) | 基于云朵检测的雨情预报平台 | |
Skeie et al. | Predicting solar radiation using a parametric cloud model | |
CN115630772B (zh) | 综合能源检测配电方法、系统、设备及存储介质 | |
CN105678060B (zh) | 一种数值预报产品实时处理方法 | |
CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
Hossain et al. | Monthly Rainfall Prediction for Decadal Timescale using Facebook Prophet at a Catchment Level | |
CN116227731A (zh) | 负荷预测方法、装置、设备及介质 | |
KR102478665B1 (ko) | 통계 및 역학적 태풍 기후 예측 장치 및 방법 |
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 |