CN114492952A - 一种基于深度学习的短临降水预报方法、装置、电子设备和存储介质 - Google Patents

一种基于深度学习的短临降水预报方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114492952A
CN114492952A CN202210008178.5A CN202210008178A CN114492952A CN 114492952 A CN114492952 A CN 114492952A CN 202210008178 A CN202210008178 A CN 202210008178A CN 114492952 A CN114492952 A CN 114492952A
Authority
CN
China
Prior art keywords
deep learning
samples
layer
rainfall
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210008178.5A
Other languages
English (en)
Other versions
CN114492952B (zh
Inventor
王永强
钟德钰
刘万
谢帅
张宇
周涛
曾子悦
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210008178.5A priority Critical patent/CN114492952B/zh
Publication of CN114492952A publication Critical patent/CN114492952A/zh
Application granted granted Critical
Publication of CN114492952B publication Critical patent/CN114492952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于深度学习的短临降水预报方法、装置、电子设备和存储介质，该方法包括：数据获取及处理，得到雷达组合反射率以及风场数据；选择观测期、预见期和输入因子‑预报输出量划分数据集样本；以卷积层和卷积LSTM层为基础构建深度学习网络；选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化，得到最优网络结构；网络训练，得到最终深度学习网络模型，模型输出即为预测的降水量。本发明通过雷达回波充分考虑空中的水汽含量对降水的影响，同时根据风场考虑水汽的输送和变化对降水的影响，对短临降水进行准确有效的定量预报，提高降水预测的命中率，降低误报率。

Description

一种基于深度学习的短临降水预报方法、装置、电子设备和存 储介质
技术领域
本发明涉及降水预报技术领域，具体是一种基于深度学习的短临降水预报方法、装置、电子设备和存储介质。
背景技术
目前，利用气象雷达回波解决短临降水预报问题已经成为主流途径，常用的传统预报方法为光流矢量法，其是通过将雷达的回波图像看作是云的移动，根据云的运动图像对最后一张雷达图进行外推，然后通过Z-R关系将回波强度值转换为降水强度。由于降水存在随机性和复杂性，传统方法存在对大气运动规律认识和表达、模式物理参数化等方面的不足。现在越来越多的人开始尝试使用深度学习的方法，深度学习属于数据驱动的方法，能够在没有完全了解其内在机制的情况下处理不完整、嘈杂和模糊的数据。其思路是利用深度学习对大量雷达回波和降水数据进行学习，根据前几张回波图像预测下一时刻的回波强度，然后使用Z-R关系根据预测的回波强度推算降水，然而不同时次、不同降雨类型的Z-R关系式存在较大差异，目前对部分地区Z-R关系式的计算仍然难以取得一个满意的结果。
本申请的发明人在实现本发明的过程中经过研究发现：大量的实验表明，降水量的多少不仅与水汽的含量有关，同时也与水汽的传输有很大关系。水汽传输受水汽势函数的驱动，水汽势函数的分布和降水之间具有紧密的联系。雷达数据无法直接计算水汽势函数，但可以观测表示水汽传输的径向速度。为此，本发明提出一种基于深度学习的短临降水预报方法，在以雷达回波作为输入的基础上加入风场数据，考虑水汽传输对降水的影响，同时以未来降水代替未来回波强度作为输出，利用深度学习处理黑箱的能力解决人工拟合Z-R关系式不准确的问题。
发明内容
本发明目的在于提供一种基于深度学习的短临降水预报方法、装置、电子设备和存储介质，立足于雷达观测数据和雨量站监测数据，考虑水汽和风场对降水的影响，构建基于卷积长短时记忆网络的深度学习网络模型，挖掘水汽的输送和变化与降水过程中蕴含的内在规律，准确有效的对短临降水进行定量预报，提高降水预测的命中率，降低误报率。
本发明提供一种基于深度学习的短临降水预报方法，包括如下步骤：
获取雷达观测基数据以及雨量站的降水数据，根据雷达观测基数据计算组合反射率以及风场数据；
选择观测期t1和预见期t2，将T时刻前t1时间内的组合反射率以及风场数据作为T时刻的输入因子，T时刻后t2时间内雨量站的降水数据作为T时刻的预报输出量，将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本；
以单个或多个站点的实测降水作为输出，根据应用场景与数据，以卷积层和卷积LSTM层为基础，固定最后两层为Flatten层和全连接层，其中Flatten层用于对卷积层的输出进行降维，使其与输出数据维度相同，同时在每个卷积层和卷积LSTM层后加入BN层，从而构建深度学习网络；
采用控制变量法，以所述训练集样本与测试集样本的拟合结果与实际结果的纳什系数和F最大为目标，选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化，得到最优网络结构；
利用所述最优网络结构，将所述训练集样本和测试集样本输入到深度学习网络中进行网络训练，得到最终深度学习网络模型，最终深度学习网络模型的输出即为预测的降水量。
进一步的，所述将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本，具体为：选取n对输入因子-预报输出量作为样本，将其随机打散，选取80％作为训练集样本，其余作为测试集样本。
进一步的，所述超参数包括卷积层和卷积LSTM层层数和连接方式、每层节点数、学习率、损失函数都是关键的可优化超参数。
进一步的，所述目标函数F计算公式为：
Figure BDA0003457825260000031
式中：Q0为观测值，Qm为模拟值，βtrain为训练集权重，βtest为测试集权重，ntrain为训练集样本数，ntest为测试集样本数，F为训练集样本与测试集样本的拟合结果与实际结果的纳什系数和，F越大表示模型的预测效果越好。
一种基于深度学习的短临降水预报装置，包括：
数据获取及处理模块，用于获取雷达观测基数据以及雨量站的降水数据，根据雷达观测基数据计算组合反射率以及风场数据；
样本数据集划分模块，用于选择观测期t1和预见期t2，将T时刻前t1时间内的组合反射率以及风场数据作为T时刻的输入因子，T时刻后t2时间内雨量站的降水数据作为T时刻的预报输出量，将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本；
深度学习网络构建模块，用于以单个或多个站点的实测降水作为输出，根据应用场景与数据，以卷积层和卷积LSTM层为基础，固定最后两层为Flatten层和全连接层，其中Flatten层用于对卷积层的输出进行降维，使其与输出数据维度相同，同时在每个卷积层和卷积LSTM层后加入BN层，从而构建深度学习网络；
深度学习网络结构优化模块，用于采用控制变量法，以样本数据集划分模块划分的训练集样本与测试集样本的拟合结果与实际结果的纳什系数和F最大为目标，选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化，得到最优网络结构；
网络训练模块，用于利用所述最优网络结构，将样本数据集划分模块得到的样本输入到深度学习网络中进行网络训练，得到深度学习网络模型，所述深度学习网络模型的输出即为预测的降水量。
进一步的，所述将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本，具体为：选取n对输入因子-预报输出量作为样本，将其随机打散，选取80％作为训练集样本，其余作为测试集样本。
进一步的，所述超参数包括卷积层和卷积LSTM层层数和连接方式、每层节点数、学习率、损失函数都是关键的可优化超参数。
进一步的，所述目标函数F计算公式为：
Figure BDA0003457825260000041
式中：Q0为观测值，Qm为模拟值，βtrain为训练集权重，βtest为测试集权重，ntrain为训练集样本数，ntest为测试集样本数，F为训练集样本与测试集样本的拟合结果与实际结果的纳什系数和，F越大表示模型的预测效果越好。
一种电子设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行权利要求1-4中任一项所述基于深度学习的短临降水预报方法的步骤。
一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行所述基于深度学习的短临降水预报方法的步骤。
与现有技术相比，本发明具有以下优点和有益效果：
1、本发明的基于深度学习的短临降水预报方法，将深度学习运用至短临降水预报领域，发挥其特有的“黑箱模型”优势，在没有完全了解其内在机制的情况下，根据大量历史数据学习回波外推规律和雷达回波与降水转化关系；选取合适的输入因子，通过雷达回波充分考虑空中的水汽含量对降水的影响，同时根据风场考虑水汽的输送和变化对降水的影响，对短临降水进行准确有效的定量预报，提高降水预测的命中率，降低误报率；
2、本发明为短临降水预报提供了一种合理有效的方法，对大尺度长预见期的降水预报同样具有借鉴意义。
附图说明
图1为本发明基于深度学习的短临降水预报方法其中一个实施例的流程图；
图2为基于卷积LSTM的深度学习网络框架示意图；
图3为训练集实测降水与预测降水拟合曲线；
图4为测试集实测降水与预测降水拟合曲线；
图5为训练集中一次暴雨的预测降水和实测降水的对比图；
图6为测试集中部分预测降水和实测降水的对比图；
图7为本发明基于深度学习的短临降水预报装置其中一个实施例的模块功能图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示为本发明基于深度学习的短临降水预报方法其中一个实施例的流程图，具体包括以下步骤：
步骤1、数据获取及处理：获取雷达观测基数据以及雨量站的降水数据，根据雷达观测基数据计算组合反射率以及风场数据。本实施例采用python工具包pycinrad计算组合反射率、singledop计算二维风场。
步骤2、划分样本数据集：选择观测期t1为20-25分钟(四次雷达观测)和预见期t2为30分钟，选择观测期t1和预见期t2，将T时刻前t1时间内的组合反射率以及风场数据作为输入因子，T时刻后t2时间内雨量站的降水数据作为预报输出量。选取n对输入因子-预报输出量作为样本，将其随机打散，选取80％作为训练集样本，其余作为测试集样本，最终得到1568个训练集样本和393个测试集样本；
步骤3、构建深度学习网络：由于降水预测属于复杂的时空序列预测问题，卷积LSTM层很擅于学习数据的时间和空间特征，以卷积LSTM层为基础构建网络。为了减少降水的空间分布不均带来的不确定性，以单个或多个站点的实测降水作为输出，同时加入卷积层和全连接层进一步学习空间特征。
根据应用场景与数据，以卷积层和卷积LSTM层为基础，固定最后两层为Flatten层和全连接层，其中Flatten层用于对卷积层的输出进行降维，使其与输出数据维度相同，同时为加快训练过程并提高性能在每个卷积层和卷积LSTM层后加入BN层，深度学习网络结构框架如图2所示。
步骤4、优化深度学习网络结构：为使深度学习网络能更好的学习降水与雷达回波和风场的关系，需要对深度学习网络结构进行优化。在本发明构建的深度学习网络结构中，卷积层和卷积LSTM层层数和连接方式、每层节点数、学习率、损失函数都是关键的可优化超参数。采用控制变量法，以步骤2中训练集样本与测试集样本的拟合结果与实际结果的纳什系数和F最大为目标，选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化，得到最优网络结构。目标函数F计算公式如公式(1)所示：
Figure BDA0003457825260000071
式中：Q0为观测值，Qm为模拟值，βtrain为训练集权重，βtest为测试集权重，ntrain为训练集样本数，ntest为测试集样本数，F为训练集样本与测试集样本的拟合结果与实际结果的纳什系数和。F越大表示模型的预测效果越好。
可优化超参数以卷积层数为例，试验其是否对样本的学习效果具有显著影响。此参数以单位步长变化，其余超参数不变，计算其变化后目标函数F的变化幅度，变化幅度越大表示其对学习效果的影响越显著。对有显著影响的超参数缩小参数变化步长，目标函数F最大时的参数值即为最优值。
步骤5、网络训练：利用步骤4中得到的最优网络结构，将步骤2得到的样本输入到深度学习网络中进行网络训练，得到最终深度学习网络模型，模型输出即为预测的降水量。
本发明以苏峪口流域苏峪口雨量站的降水预报为实施例，按照图1所示的基于深度学习的短临降水预报方法总体流程图，进行降水预报与验证，以体现本发明达到的效果。
苏峪口沟是贺兰山东麓主要的山洪沟之一，被视为山洪灾害的风险高发区。暴雨预报对山洪的预防和调度有着重要意义。在本发明实施例中，以30分钟为预见期，选择2017年6月1日～2019年9月30日中31场历史降雨数据为样本，从其中选取80％作为训练集样本，剩余为测试集样本，得到1568个训练集样本和393个测试集样本。构建深度学习框架进行短临降水预报。
根据技术方案构建的最终网络模型在训练集和测试集样本中的纳什系数分别为0.9594和0.8897，拟合效果见图3及图4。技术方案的预报结果见图5及图6，图5是运用训练的预报方法对训练集中一次暴雨的预测降水和实测降水的对比，预测结果与实测降水基本相同。图6为测试集中部分预测降水和实测降水的对比，虽然在降雨小于2.5mm时预报误差略大，但对强降雨的预报误差较小，满足短临暴雨预报的要求。
如图7所示，本发明实施例还提供一种基于深度学习的短临降水预报装置，包括：
数据获取及处理模块101，用于获取雷达观测基数据以及雨量站的降水数据，根据雷达观测基数据计算组合反射率以及风场数据；
样本数据集划分模块102，用于选择观测期t1和预见期t2，将T时刻前t1时间内的组合反射率以及风场数据作为T时刻的输入因子，T时刻后t2时间内雨量站的降水数据作为T时刻的预报输出量，将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本；具体的，选取n对输入因子-预报输出量作为样本，将其随机打散，选取80％作为训练集样本，其余作为测试集样本；
深度学习网络构建模块103，用于以单个或多个站点的实测降水作为输出，根据应用场景与数据，以卷积层和卷积LSTM层为基础，固定最后两层为Flatten层和全连接层，其中Flatten层用于对卷积层的输出进行降维，使其与输出数据维度相同，同时在每个卷积层和卷积LSTM层后加入BN层，从而构建深度学习网络；
深度学习网络结构优化模块104，用于采用控制变量法，以样本数据集划分模块102划分的训练集样本与测试集样本的拟合结果与实际结果的纳什系数和F最大为目标，选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化，得到最优网络结构；其中所述超参数包括卷积层和卷积LSTM层层数和连接方式、每层节点数、学习率、损失函数都是关键的可优化超参数；其中，目标函数F计算公式为：
Figure BDA0003457825260000091
式中：Q0为观测值，Qm为模拟值，βtrain为训练集权重，βtest为测试集权重，ntrain为训练集样本数，ntest为测试集样本数，F为训练集样本与测试集样本的拟合结果与实际结果的纳什系数和，F越大表示模型的预测效果越好。
网络训练模块105，用于利用所述最优网络结构，将样本数据集划分模块102得到的样本输入到深度学习网络中进行网络训练，得到深度学习网络模型，所述深度学习网络模型的输出即为预测的降水量。
在本申请一些实施例中，提供了一种电子设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述基于深度学习的短临降水预报方法的步骤。此处智能优化水资源配置方法的步骤可以是上述各个实施例的智能优化水资源配置方法中的步骤。
在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述基于深度学习的短临降水预报方法的步骤。此处基于深度学习的短临降水预报方法的步骤可以是上述各个实施例的基于深度学习的短临降水预报方法中的步骤。
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。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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于深度学习的短临降水预报方法，其特征在于：包括如下步骤：
获取雷达观测基数据以及雨量站的降水数据，根据雷达观测基数据计算组合反射率以及风场数据；
选择观测期t1和预见期t2，将T时刻前t1时间内的组合反射率以及风场数据作为T时刻的输入因子，T时刻后t2时间内雨量站的降水数据作为T时刻的预报输出量，将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本；
以单个或多个站点的实测降水作为输出，根据应用场景与数据，以卷积层和卷积LSTM层为基础，固定最后两层为Flatten层和全连接层，其中Flatten层用于对卷积层的输出进行降维，使其与输出数据维度相同，同时在每个卷积层和卷积LSTM层后加入BN层，从而构建深度学习网络；
采用控制变量法，以所述训练集样本与测试集样本的拟合结果与实际结果的纳什系数和F最大为目标，选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化，得到最优网络结构；
利用所述最优网络结构，将所述训练集样本和测试集样本输入到深度学习网络中进行网络训练，得到最终深度学习网络模型，最终深度学习网络模型的输出即为预测的降水量。
2.如权利要求1所述的基于深度学习的短临降水预报方法，其特征在于：所述将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本，具体为：选取n对输入因子-预报输出量作为样本，将其随机打散，选取80％作为训练集样本，其余作为测试集样本。
3.如权利要求1所述的基于深度学习的短临降水预报方法，其特征在于：所述超参数包括卷积层和卷积LSTM层层数和连接方式、每层节点数、学习率、损失函数都是关键的可优化超参数。
4.如权利要求1所述的基于深度学习的短临降水预报方法，其特征在于：所述目标函数F计算公式为：
Figure FDA0003457825250000021
式中：Q0为观测值，Qm为模拟值，βtrain为训练集权重，βtest为测试集权重，ntrain为训练集样本数，ntest为测试集样本数，F为训练集样本与测试集样本的拟合结果与实际结果的纳什系数和，F越大表示模型的预测效果越好。
5.一种基于深度学习的短临降水预报装置，其特征在于包括：
数据获取及处理模块，用于获取雷达观测基数据以及雨量站的降水数据，根据雷达观测基数据计算组合反射率以及风场数据；
样本数据集划分模块，用于选择观测期t1和预见期t2，将T时刻前t1时间内的组合反射率以及风场数据作为T时刻的输入因子，T时刻后t2时间内雨量站的降水数据作为T时刻的预报输出量，将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本；
深度学习网络构建模块，用于以单个或多个站点的实测降水作为输出，根据应用场景与数据，以卷积层和卷积LSTM层为基础，固定最后两层为Flatten层和全连接层，其中Flatten层用于对卷积层的输出进行降维，使其与输出数据维度相同，同时在每个卷积层和卷积LSTM层后加入BN层，从而构建深度学习网络；
深度学习网络结构优化模块，用于采用控制变量法，以样本数据集划分模块划分的训练集样本与测试集样本的拟合结果与实际结果的纳什系数和F最大为目标，选择在训练过程中对样本的学习效果具有显著影响的超参数进行优化，得到最优网络结构；
网络训练模块，用于利用所述最优网络结构，将样本数据集划分模块得到的样本输入到深度学习网络中进行网络训练，得到深度学习网络模型，所述深度学习网络模型的输出即为预测的降水量。
6.如权利要求5所述的基于深度学习的短临降水预报装置，其特征在于：所述将多对输入因子-预报输出量的样本划分为训练集样本和测试集样本，具体为：选取n对输入因子-预报输出量作为样本，将其随机打散，选取80％作为训练集样本，其余作为测试集样本。
7.如权利要求5所述的基于深度学习的短临降水预报装置，其特征在于：所述超参数包括卷积层和卷积LSTM层层数和连接方式、每层节点数、学习率、损失函数都是关键的可优化超参数。
8.如权利要求5所述的基于深度学习的短临降水预报装置，其特征在于：所述目标函数F计算公式为：
Figure FDA0003457825250000031
式中：Q0为观测值，Qm为模拟值，βtrain为训练集权重，βtest为测试集权重，ntrain为训练集样本数，ntest为测试集样本数，F为训练集样本与测试集样本的拟合结果与实际结果的纳什系数和，F越大表示模型的预测效果越好。
9.一种电子设备，其特征在于：包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行权利要求1-4中任一项所述基于深度学习的短临降水预报方法的步骤。
10.一种计算机可读存储介质，其特征在于：存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行权利要求1-4中任一项所述基于深度学习的短临降水预报方法的步骤。
CN202210008178.5A 2022-01-06 2022-01-06 一种基于深度学习的短临降水预报方法和装置 Active CN114492952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210008178.5A CN114492952B (zh) 2022-01-06 2022-01-06 一种基于深度学习的短临降水预报方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210008178.5A CN114492952B (zh) 2022-01-06 2022-01-06 一种基于深度学习的短临降水预报方法和装置

Publications (2)

Publication Number Publication Date
CN114492952A true CN114492952A (zh) 2022-05-13
CN114492952B CN114492952B (zh) 2023-08-01

Family

ID=81509370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210008178.5A Active CN114492952B (zh) 2022-01-06 2022-01-06 一种基于深度学习的短临降水预报方法和装置

Country Status (1)

Country Link
CN (1) CN114492952B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099497A (zh) * 2022-06-28 2022-09-23 中国水利水电科学研究院 一种基于cnn-lstm的实时洪水预报智能方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110363327A (zh) * 2019-06-04 2019-10-22 东南大学 基于ConvLSTM和3D-CNN的短临降水预测方法
CN111428676A (zh) * 2020-04-01 2020-07-17 南京信息工程大学 一种基于稀疏对应和深度神经网络的短临降水预测方法
CN112116130A (zh) * 2020-08-24 2020-12-22 长江水利委员会长江科学院 一种基于可变结构深度学习框架的短期调度规则提取方法
CN112183886A (zh) * 2020-10-22 2021-01-05 南京信息工程大学 基于卷积网络和注意力机制的短时临近降雨预测方法
WO2021013334A1 (en) * 2019-07-22 2021-01-28 Toyota Motor Europe Depth maps prediction system and training method for such a system
CN113553764A (zh) * 2021-07-13 2021-10-26 广东工业大学 一种基于深度学习网络的山火预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110363327A (zh) * 2019-06-04 2019-10-22 东南大学 基于ConvLSTM和3D-CNN的短临降水预测方法
WO2021013334A1 (en) * 2019-07-22 2021-01-28 Toyota Motor Europe Depth maps prediction system and training method for such a system
CN111428676A (zh) * 2020-04-01 2020-07-17 南京信息工程大学 一种基于稀疏对应和深度神经网络的短临降水预测方法
CN112116130A (zh) * 2020-08-24 2020-12-22 长江水利委员会长江科学院 一种基于可变结构深度学习框架的短期调度规则提取方法
CN112183886A (zh) * 2020-10-22 2021-01-05 南京信息工程大学 基于卷积网络和注意力机制的短时临近降雨预测方法
CN113553764A (zh) * 2021-07-13 2021-10-26 广东工业大学 一种基于深度学习网络的山火预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张佳洛: "基于卷积门循环单元和气象雷达图像的临近降水预报", 《计算机与数字工程》 *
方巍等: "人工智能在短临降水预报中应用研究综述", 《南京信息工程大学学报(自然科学版)》 *
陶晔: "基于长短期记忆网络的气象预测研究", 《中国知网》 *
黄启桥: "基于ConvLSTM的广西短临降水预报", 《气象研究与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099497A (zh) * 2022-06-28 2022-09-23 中国水利水电科学研究院 一种基于cnn-lstm的实时洪水预报智能方法
CN115099497B (zh) * 2022-06-28 2023-02-17 中国水利水电科学研究院 一种基于cnn-lstm的实时洪水预报智能方法

Also Published As

Publication number Publication date
CN114492952B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Wu et al. Potential of kernel-based nonlinear extension of Arps decline model and gradient boosting with categorical features support for predicting daily global solar radiation in humid regions
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
He et al. A hybrid wavelet neural network model with mutual information and particle swarm optimization for forecasting monthly rainfall
Song et al. A water quality prediction model based on variational mode decomposition and the least squares support vector machine optimized by the sparrow search algorithm (VMD-SSA-LSSVM) of the Yangtze River, China
Mounir et al. Short-term electric load forecasting using an EMD-BI-LSTM approach for smart grid energy management system
SafarianZengir et al. Modeling and monitoring of drought for forecasting it, to reduce natural hazards atmosphere in western and north western part of Iran, Iran
CN106598917B (zh) 一种基于深度信念网络的上层海洋热结构预测方法
Ahmadi et al. Development of bio-inspired-and wavelet-based hybrid models for reconnaissance drought index modeling
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
Cherkassky et al. Computational intelligence in earth sciences and environmental applications: Issues and challenges
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN101853290A (zh) 基于地理信息系统的气象服务效益评估方法
Zhang et al. Groundwater depth predictions by GSM, RBF, and ANFIS models: a comparative assessment
Samet et al. Evaluation of neural network-based methodologies for wind speed forecasting
Mokarram et al. Net-load forecasting of renewable energy systems using multi-input LSTM fuzzy and discrete wavelet transform
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN114492952A (zh) 一种基于深度学习的短临降水预报方法、装置、电子设备和存储介质
CN114897264A (zh) 一种基于迁移学习的小样本场景下光伏出力区间预测方法
Girimurugan et al. Application of Deep Learning to the Prediction of Solar Irradiance through Missing Data
CN117131991A (zh) 基于混合神经网络的城市降雨量预测方法及平台
Ozbek et al. Daily average relative humidity forecasting with LSTM neural network and ANFIS approaches
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN114564487B (zh) 预报预测相结合的气象栅格数据更新方法
CN112819244B (zh) 一种基于气象因子的rf-hw水质指标混合预测方法
Gandhi et al. Combined Standardized Precipitation Index and ANFIS Approach for Predicting Rainfall in the Tropical Savanna Region.

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