CN114116840A - 一种人工增雨效果的评估方法 - Google Patents

一种人工增雨效果的评估方法 Download PDF

Info

Publication number
CN114116840A
CN114116840A CN202111402112.6A CN202111402112A CN114116840A CN 114116840 A CN114116840 A CN 114116840A CN 202111402112 A CN202111402112 A CN 202111402112A CN 114116840 A CN114116840 A CN 114116840A
Authority
CN
China
Prior art keywords
data
time period
raindrop spectrum
rainfall
artificial
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
CN202111402112.6A
Other languages
English (en)
Inventor
胡志群
朱永杰
袁淑杰
刘黎平
郑佳锋
皇甫江
左园园
尹晓燕
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.)
Chinese Academy of Meteorological Sciences CAMS
Original Assignee
Chinese Academy of Meteorological Sciences CAMS
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 Chinese Academy of Meteorological Sciences CAMS filed Critical Chinese Academy of Meteorological Sciences CAMS
Priority to CN202111402112.6A priority Critical patent/CN114116840A/zh
Publication of CN114116840A publication Critical patent/CN114116840A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请提供一种人工增雨效果的评估方法，包括:S1:获取第一时间段的样本雨滴谱数据；S2:将所述第一时间段的样本雨滴谱数据作为输入因子输入长短期记忆网络进行训练，建立自然降水条件下雨滴谱预测模型；S3:根据所述自然降水条件下雨滴谱预测模型，预测自然降水条件下第二时间段的预测数据；S4:根据人工增雨作业后的第二时间段的雨滴谱实测数据，对比所述自然降水条件下第二时间段的预测数据，以判断人工增雨的效果。本方法将自然降水条件下的预测数据与人工增雨作业后的实测数据作对比，从而客观、科学、公正地评估人工增雨效果。本方法不局限于某一地区，针对不同地区雨滴谱数据均可适用，方法简单可行，预测效果好，更加适合推广和本地化应用。

Description

一种人工增雨效果的评估方法
技术领域
本发明涉及大气科学研究领域，尤其涉及一种人工增雨效果的评估方法。
背景技术
人工影响天气作业效果评估作为人工影响天气事业持续健康发展过程中不可缺少的环节，对衡量人影作业的社会经济效益、提高人影科技水平、完善云和降水学科的理论和方法具有重要意义。
由于自然降水的时空分布和变化较大，现有的探测技术手段对云、降水的物理机制和发展变化过程缺乏全面、深入了解，人为干预的影响与自然变异结果不能完全区分开来，因此如何客观、科学、公正地评估人工增雨效果是一项重要又困难的问题。
发明内容
(一)发明目的
本发明的目的是提供一种适用不同地区人工增雨效果的评估方法，本申请的方法简单可行，预测效果好，更加适合推广和本地化应用
本申请提供一种人工增雨效果的评估方法，包括:S1:获取第一时间段的样本雨滴谱数据；S2:将所述第一时间段的样本雨滴谱数据作为输入因子输入长短期记忆网络进行训练，建立自然降水条件下雨滴谱预测模型；S3:根据所述自然降水条件下雨滴谱预测模型，预测自然降水条件下第二时间段的预测数据；S4:根据人工增雨作业后的第二时间段的雨滴谱实测数据，对比所述自然降水条件下第二时间段的预测数据，以判断人工增雨的效果。
其中，所述步骤S1包括:S1.1:根据所述第一时间段的样本雨滴谱数据，筛选具有连续降雨时段的样本雨滴谱数据；S1.2:对筛选出的所述连续降雨时段的雨滴谱数据进行质控，其中，所述雨滴谱数据包括32个粒径档和32个速度档，每分钟获取一次所述雨滴谱数据，每分钟的所述雨滴谱数据组成32*32的矩阵，所述矩阵的第i行标记为Vi，所述矩阵的第j列标记为Dj；S1.3：根据每分钟的所述矩阵，获取1024个数据，若所述1024个数据中出现单个粒径档粒子数小于2的数据或每分钟粒子数之和小于10的数据，则将所述1024个数据全部替换为0；S1.4：将第D1列和第D2列所在矩阵的数据全部替换为0；S1.5：将第D22列至第D32列所在矩阵的数据全部替换为0；S1.6：根据步骤S1.3、步骤S1.4和步骤S1.5处理后得到的数据矩阵，对比所述处理后得到的雨滴谱数据中雨滴下落速度和Atlas et al.(1973)的经典下落速度，并将速度差大于5m·s-1的数据所在矩阵的数据全部替换为0。
其中，所述步骤S2包括:S2.1:根据第一时间段的样本数据计算出雨滴谱每分钟对应的平均直径、数浓度和雨强，将其作为模型的输入因子；S2.2:将所述步骤S2.1计算后的样本数据的计算的结果按时间从前到后的顺序整合为数据集。
其中，所述步骤S2还包括：S2.3：删除所述数据集中，连续12分钟以上数值为0的数据；S2.4:以所述数据出现连续12分钟以上为0数据为分段间隔，将所述数据集分成多个样本数据集；S2.5:删除样本数据集中，长度小于60分钟的数据。
其中，所述步骤S3包括:S3.1:对所述样本数据集分类为：用作测试的测试样本数据集和用作训练的训练样本数据集；S3.2:将所述训练样本数据集按照既定时间步长和输入因子数为行和列形成多个矩阵，每个矩阵为一个训练样本；S3.3：将所述训练样本数据集中的训练样本随机顺序打乱；S3.4：在样本数据集中选取既定比例的训练样本作为验证数据集，所述验证数据集用于优化模型参数。
其中，所述步骤S3还包括：S3.5：将所述验证数据集导入所述长短期记忆网络；S3.6：所述长短期记忆网络对所述验证数据集及进行学习，形成预测模型；S3.7:将所述测试样本数据集导入所述预测模型，得到预测数据。
其中，所述步骤S4包括:S4.1：根据人工增雨作业后的降雨情况获取有效实际降雨数据；S4.2：删除所述降雨数据中的无效数据样本，形成人工增雨作业后的雨滴谱实测数据；S4.2：计算所述自然降水条件下雨滴谱的预测数据和人工增雨作业后的实测数据之间的差值；S4.3：根据所述差值，进行模型效果评估。
其中，所述计算预测数据和实测数据之间的差值包括：计算均方根误差、平均绝对误差和平均相对误差。
其中，所述输入因子包括：雨滴平均直径、雨滴数浓度和雨强。
其中，所述第一时间段为人工增雨作业前18-30分钟；所述第二时间段为人工增雨作业后18-30分钟。
(三)有益效果
与现有人工影响天气作业效果评估方法相比，本申请一种评估人工增雨效果的方法基于长短期记忆网络，将大量自然条件下的降水过程的雨滴谱数据用于训练，对未来某一时间段的人工增雨作业效果做预测。将自然降水条件下的预测数据与人工增雨作业后的实测数据作对比，从而客观、科学、公正地评估人工增雨效果。本方法不局限于某一地区，针对不同地区雨滴谱数据均可适用，方法简单可行，预测效果好，更加适合推广和本地化应用。本申请选取的输入因子优选为雨滴谱平均直径、数浓度和雨强观测值三个因子。所选取样本数据的输入因子均与本申请人工增雨的效果有关。上述三个输入因子是评估人工增雨效果最重要的三个参数，并且上述三个因子之间存在相互影响。通过对雨滴谱数据进行筛选和质控，有效地保证了训练数据集的质量，以及有效促进了长短期记忆网络的深度学习和训练。
附图说明
图1为根据本申请第一实施例的一种评估人工增雨效果的方法的流程图；
图2为根据本申请第二实施例的一种评估人工增雨效果的方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于实例。
如图1-2所示，本申请实施例提供一种人工增雨效果的评估方法，包括:S1:获取第一时间段的样本雨滴谱数据；S2:将第一时间段的样本雨滴谱数据作为输入因子输入长短期记忆网络进行训练，建立自然降水条件下雨滴谱预测模型；S3:根据自然降水条件下雨滴谱预测模型，预测自然降水条件下第二时间段的预测数据；S4:根据人工增雨作业后的第二时间段的雨滴谱实测数据，对比自然降水条件下第二时间段的预测数据，以判断人工增雨的效果。
在本申请实施例中，获取第一时间段的样本数据。具体地，基于激光雨滴谱仪获取第一时间段的原始数据，第一时间段为人工增雨作业前的某一时间段。必要的，对获取的原始数据进行数据筛选质控，从而得到可以有效利用的样本数据，为数据建模和数据对比过程节省不必要的麻烦，有效提高整个评估过程的效率和准确度。
在本申请实施例中，采用长短期记忆网络评估人工影响天气作业的效果。将样本数据作为输入因子输入长短期记忆网络进行训练，建立自然降水条件下的雨滴谱预测模型。在一实施例中，输入因子为与本申请评估结果相关性比较强的一个或者多个因子。值得注意的是，虽然与评估有联系的输入因子越多越好，但并不能将所有有联系的数据都作为数据因子，这将严重降低整个评估过程的效率。选取的数据因子应当是雨滴谱中与评估结果相关性最大、对于评估结果最重要的一个或者多个参数。长短期记忆网络通常被称为“LSTM”。在一实施例中，长短期记忆网络将记忆长时间段的训练样本数据集，并且对训练数据进行学习，从而得到评估测试的模型。
在本申请实施例中，根据模型预测第二时间段的预测数据。在一实施例中，第二时间段为人工增雨作业后某一时间段，具体指与第一时间段时长相同或相应的一时间段。根据评估测试模型，在导入有效数据集之后，即可在人工增雨作业前得到第二时间段的的人工增雨作业效果的预测数据集。
在本申请实施例中，根据实际人工增雨作业后的第二时间段的实测数据对比第二时间段自然降水条件下的预测数据。在一实施例中，采集有效人工增雨作业后的某一时间段的实际降雨数据作为第二时间段的实测数据，对比第二时间段的实测数据和第二时间段的预测数据，进行模型效果评估。
本申请基于长短期记忆网络，将大量自然降水条件下的降水过程的雨滴谱数据用于训练，对人工降雨后某一时间段的人工增雨作业效果做预测。将预测数据与人工增雨作业后的实测数据作对比，从而客观、科学、公正地评估人工增雨效果。
在一些实施例中，步骤S1包括:S1.1:根据第一时间段的样本雨滴谱数据，筛选具有连续降雨时段的样本雨滴谱数据；S1.2:对筛选出的连续降雨时段的雨滴谱数据进行质控，其中，雨滴谱数据包括32个粒径档和32个速度档，每分钟获取一次雨滴谱数据，每分钟的雨滴谱数据组成32*32的矩阵，矩阵的第i行标记为Vi，矩阵的第j列标记为Dj；S1.3：根据每分钟的矩阵，获取1024个数据，若1024个数据中出现单个粒径档粒子数小于2的数据或；每分钟粒子数之和小于10的数据，则将1024个数据全部替换为0；S1.4：将第D1列和第D2列所在矩阵的数据全部替换为0；S1.5：将第D22列至第D32列所在矩阵的数据全部替换为0；S1.6：根据步骤S1.3、步骤S1.4和步骤S1.5处理后得到的数据矩阵，对比处理后得到的雨滴谱数据中雨滴下落速度和Atlas et al.(1973)的经典下落速度，并将速度差大于5m·s^(-1)的数据所在矩阵的数据全部替换为0。
在本申请实施例中，根据第一时间段的自然降水条件下的样本数据，筛选具有连续降雨时段的样本数据。对筛选出的连续降雨时段的数据进行质控，删除以下数据:单个粒径档粒子个数小于2的数据、每分钟粒子数小于10的数据、订正后雨滴直径大于8毫米的数据以及雨滴下落速度与Atlas et al.(1973)的经典下落速度相差大于5的数据。一般情况下，雨滴谱有32个直径通道，通常称每个直径通道为单个直径档位。删除单个直径粒子个数小于2的数据既可以理解为删除雨滴谱直径前两档的数据。通过对样本数据删除清洗，进一步优化了样本数据。使得后期数据建模更准确有效。
在一些实施例中，步骤S2包括:S2.1:根据第一时间段的样本数据计算出雨滴谱每分钟对应的平均直径、数浓度和雨强，将其作为模型的输入因子；S2.2:将步骤S2.1计算后的样本数据的计算的结果按时间从前到后的顺序整合为数据集。在一具体实施例中，整合为数据集，又可以理解为将数据拼接在一起。举例来说，随机选取一个月，假设该月有31天。每天的数据为一张数据表，从1号到31号按照时间顺序将整月的31张数据表整合到一张总数据表，即为本申请的整合为数据集。本实施例有利于将复杂的数据集中处理，方便了后期的数据处理工作，有效的提高了评估结果的有效率和准确度，同时也提高了整个评估过程的效率。
在一些实施例中，步骤S2还包括：S2.3：删除数据集中，连续12分钟以上数值为0的数据；S2.4:以数据出现连续12分钟以上为0数据为分段间隔，将数据集分成多个样本数据集；S2.5:删除样本数据集中，长度小于60分钟的数据。在一具体实施例中，数值为0指的是这构成输入因子的任一项参数值为0，这即表示雨滴谱所对应的那一分钟没有降雨粒子，几个输入因子的参量数据一般是通过雨滴谱数据计算出来的，一个数值为0其余各项参数数值也是0。
在一些实施例中，步骤S3包括:S3.1:对样本数据集分类为：用作测试的测试样本数据集和用作训练的训练样本数据集；S3.2:将训练样本数据集按照既定时间步长和输入因子数为行和列形成多个矩阵，每个矩阵为一个训练样本；S3.3：将训练样本数据集中的训练样本随机顺序打乱；S3.4：在样本数据集中选取既定比例的训练样本作为验证数据集，验证数据集用于优化模型参数。
在一具体实施例中，整合的数据集，通过将连续12分钟以上为0作为分割点，使表的数据分成了很多部分。同时，又保留了长度大于等于60分钟的那部分，每一部分另存为一张表，训练时循环读取每张表格。本实施例的目的是剔除长时间没有下雨的数据，有效获取有降水的数据表格。在一实施例中，长短期记忆网络(LSTM)要求时间要连续，而根据本实施例剔除了没降水的数据之后的表格为不连续表格，通过一个小数据容器处理这些小表组成了数据集。在一实施例中，训练样本数据集按照既定时间步长和输入因字数为行和列形成多个矩阵，每个训练样本大小为时间步长乘以输入因子数的矩阵。举例来说，时间步长为20分钟，输入因子由雨强、数浓度、平均直径组成，则输入因子的数量是3。因此，形成20行3列的一个矩阵，这个矩阵我们就称为一个训练样本，矩阵按照排序向下滑动一行形成又一个训练样本，每个小表里按上述矩阵规则提取样本。将所有训练样本放入一个大数据容器，长短期记忆网络学习时便从上述大数据容器里按照既定规则抓取训练样本做训练。
在一些实施例中，步骤S3还包括：S3.5：将验证数据集导入长短期记忆网络；S3.6：长短期记忆网络对验证数据集及进行学习，形成预测模型；S3.7:将测试样本数据集导入预测模型，得到预测数据。
在一具体实施例中，基于长短期记忆网络建立预测模型，输出人工增雨作业后某一时间段的雨滴平均直径、总数浓度和雨强预测值，该某一时间段优选未来18-30分钟。本实施例使用长短期记忆网络，选择雨滴平均直径、数浓度和雨强作为输入因子。举例来说(下述举例的参数均可根据预测效果适当调整)，本实施例设定的长短期记忆网络(LSTM)堆叠层数(lstm_layers)为2，隐藏层的节点数(hidden_size)为128个，一次训练选取样本数(batch_size)为64，丢弃概率(dropout_rate)为0.2，时间步长(time_step)为18，训练集训练次数(epoch)为200(epoch可根据预测测试集效果适当设置，验证集5次没有提升可提前退出epoch)，验证集占训练集15％。以上参数均可依据预测效果适当调整，直至预测效果满意。接下来进行模型的编译，本发明的优化器为Adam，损失函数为均方误差，其表达式为:
Figure BDA0003365145950000081
其中yi为预测值，
Figure BDA0003365145950000082
为实测值。然后将数据集除需要用来测试的部分外全用于训练，最终输出测试集的平均直径、数浓度和雨强预测值。
在一些实施例中，步骤S4包括:S4.1：根据人工增雨作业后的降雨情况获取有效实际降雨数据；S4.2：删除降雨数据中的无效数据样本，形成人工增雨作业后的雨滴谱实测数据；S4.2：计算自然降水条件下雨滴谱的预测数据和人工增雨作业后的实测数据之间的差值；S4.3：根据差值，进行模型效果评估。
在一些实施例中，计算预测数据和实测数据之间的差值包括：计算均方根误差、平均绝对误差和平均相对误差。在一实施例中，比较预测数据和实测数据，进行模型效果评估包括:将模型预测数据和实测数据对比，计算预测数据和实测数据之间的均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)，进行模型效果评估，公式如下:
Figure BDA0003365145950000083
Figure BDA0003365145950000084
Figure BDA0003365145950000091
其中yi为预测值，
Figure BDA0003365145950000092
为实测值。
在一些实施例中，输入因子包括：雨滴平均直径、雨滴数浓度和雨强。所选取样本数据的输入因子均与本申请人工增雨的效果有关。上述三个输入因子是评估人工增雨效果最重要的三个参数，并且上述三个因子之间存在相互影响。通过对雨滴谱数据进行筛选和质控，有效地保证了训练数据集的质量，以及有效促进了长短期记忆网络的深度学习和训练。
在一些实施例中，第一时间段为人工增雨作业前18-30分钟；第二时间段为人工增雨作业后18-30分钟。将人工增雨作业前18-30min雨滴谱平均直径、数浓度和雨强观测值作为输入因子，预测未来18-30min雨滴谱平均直径、数浓度和雨强的自然演变规律包括:将作业后的雨滴谱平均直径、数浓度和雨强观测值，与模型输出的自然降水条件下的预测值进行对比，进而判断人工增雨作业效果。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种人工增雨效果的评估方法，包括:
S1:获取第一时间段的样本雨滴谱数据；
S2:将所述第一时间段的样本雨滴谱数据作为输入因子输入长短期记忆网络进行训练，建立自然降水条件下雨滴谱预测模型；
S3:根据所述自然降水条件下雨滴谱预测模型，预测自然降水条件下第二时间段的预测数据；
S4:根据人工增雨作业后的第二时间段的雨滴谱实测数据，对比所述自然降水条件下第二时间段的预测数据，以判断人工增雨的效果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括:
S1.1:根据所述第一时间段的样本雨滴谱数据，筛选具有连续降雨时段的样本雨滴谱数据；
S1.2:对筛选出的所述连续降雨时段的雨滴谱数据进行质控，其中，所述雨滴谱数据包括32个粒径档和32个速度档，每分钟获取一次所述雨滴谱数据，每分钟的所述雨滴谱数据组成32*32的矩阵，所述矩阵的第i行标记为Vi，所述矩阵的第j列标记为Dj；
S1.3：根据每分钟的所述矩阵，获取1024个数据，若所述1024个数据中出现单个粒径档粒子数小于2的数据或每分钟粒子数之和小于10的数据，则将所述1024个数据全部替换为0；
S1.4：将第D1列和第D2列所在矩阵的数据全部替换为0；
S1.5：将第D22列至第D32列所在矩阵的数据全部替换为0；
S1.6：根据步骤S1.3、步骤S1.4和步骤S1.5处理后得到的数据矩阵，对比所述处理后得到的雨滴谱数据中雨滴下落速度和Atlas et al.(1973)的经典下落速度，并将速度差大于5m·s-1的数据所在矩阵的数据全部替换为0。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括:
S2.1:根据第一时间段的样本数据计算出雨滴谱每分钟对应的平均直径、数浓度和雨强，将其作为模型的输入因子；
S2.2:将所述步骤S2.1计算后的样本数据的计算的结果按时间从前到后的顺序整合为数据集。
4.根据权利要求3所述的方法，其特征在于，所述步骤S2还包括：
S2.3：删除所述数据集中，连续12分钟以上数值为0的数据；
S2.4:以所述数据出现连续12分钟以上为0数据为分段间隔，将所述数据集分成多个样本数据集；
S2.5:删除样本数据集中，长度小于60分钟的数据。
5.根据权利要求4所述的方法，所述步骤S3包括:
S3.1:对所述样本数据集分类为：用作测试的测试样本数据集和用作训练的训练样本数据集；
S3.2:将所述训练样本数据集按照既定时间步长和输入因子数为行和列形成多个矩阵，每个矩阵为一个训练样本；
S3.3：将所述训练样本数据集中的训练样本随机顺序打乱；
S3.4：在样本数据集中选取既定比例的训练样本作为验证数据集，所述验证数据集用于优化模型参数。
6.根据权利要求5所述的方法，其特征在于，所述步骤S3还包括：
S3.5：将所述验证数据集导入所述长短期记忆网络；
S3.6：所述长短期记忆网络对所述验证数据集及进行学习，形成预测模型；
S3.7:将所述测试样本数据集导入所述预测模型，得到预测数据。
7.根据权利要求1所述的方法，其特征在于，所述步骤S4包括:
S4.1：根据人工增雨作业后的降雨情况获取有效实际降雨数据；
S4.2：删除所述降雨数据中的无效数据样本，形成人工增雨作业后的雨滴谱实测数据；
S4.2：计算所述自然降水条件下雨滴谱的预测数据和人工增雨作业后的实测数据之间的差值；
S4.3：根据所述差值，进行模型效果评估。
8.根据权利要求7所述的方法，其特征在于，所述计算预测数据和实测数据之间的差值包括：计算均方根误差、平均绝对误差和平均相对误差。
9.根据权利要求1所述的方法，其特征在于，所述输入因子包括：雨滴平均直径、雨滴数浓度和雨强。
10.根据权利要求1所述的方法，其特征在于，所述第一时间段为人工增雨作业前18-30分钟；所述第二时间段为人工增雨作业后18-30分钟。
CN202111402112.6A 2021-11-19 2021-11-19 一种人工增雨效果的评估方法 Pending CN114116840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111402112.6A CN114116840A (zh) 2021-11-19 2021-11-19 一种人工增雨效果的评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111402112.6A CN114116840A (zh) 2021-11-19 2021-11-19 一种人工增雨效果的评估方法

Publications (1)

Publication Number Publication Date
CN114116840A true CN114116840A (zh) 2022-03-01

Family

ID=80371674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111402112.6A Pending CN114116840A (zh) 2021-11-19 2021-11-19 一种人工增雨效果的评估方法

Country Status (1)

Country Link
CN (1) CN114116840A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455244A (zh) * 2023-12-21 2024-01-26 中科星图维天信科技股份有限公司 人工影响降水防治野火的效果评估方法、装置及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455244A (zh) * 2023-12-21 2024-01-26 中科星图维天信科技股份有限公司 人工影响降水防治野火的效果评估方法、装置及设备

Similar Documents

Publication Publication Date Title
CN109087277B (zh) 一种空气细颗粒物pm2.5测量方法
CN107590565A (zh) 一种构建建筑能耗预测模型的方法及装置
Mentis Hypothetico-deductive and inductive approaches in ecology
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN107798431A (zh) 一种基于改进Elman神经网络的中长期径流预报方法
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
Dwivedi et al. Forecasting monthly rainfall using autoregressive integrated moving average model (ARIMA) and artificial neural network (ANN) model: A case study of Junagadh, Gujarat, India
CN113239971B (zh) 一种面向风场的临近预报与短期预报的融合系统
CN111784022A (zh) 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法
CN115495991A (zh) 一种基于时间卷积网络的降水区间预测方法
CN114676822A (zh) 一种基于深度学习的多属性融合空气质量预报方法
CN112766454A (zh) 一种空气pm2.5浓度预测方法、系统、终端及存储介质
CN114429245A (zh) 一种工程造价数据的分析展示方法
CN116128141A (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN114116840A (zh) 一种人工增雨效果的评估方法
Rocha et al. Early prediction of durum wheat yield in Spain using radial basis functions interpolation models based on agroclimatic data
CN114881343A (zh) 基于特征选择的电力系统短期负荷预测方法及装置
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN107066786A (zh) 基于神经网络的气溶胶光学厚度反演算法
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN113688506B (zh) 基于微站等多维数据的潜在大气污染源识别方法
CN116013426A (zh) 一种高时空分辨率的站点臭氧浓度预测方法
CN109544410A (zh) 小区房源价值参数估计方法以及装置
CN111160419B (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN108665090A (zh) 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法

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