CN115079306B - 闪电预报方法、装置、设备、存储介质及计算机程序产品 - Google Patents
闪电预报方法、装置、设备、存储介质及计算机程序产品 Download PDFInfo
- Publication number
- CN115079306B CN115079306B CN202210564725.8A CN202210564725A CN115079306B CN 115079306 B CN115079306 B CN 115079306B CN 202210564725 A CN202210564725 A CN 202210564725A CN 115079306 B CN115079306 B CN 115079306B
- Authority
- CN
- China
- Prior art keywords
- forecasting
- lightning
- forecast
- sequence
- result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000004590 computer program Methods 0.000 title claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000012935 Averaging Methods 0.000 claims abstract description 14
- 230000007704 transition Effects 0.000 claims description 32
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000013277 forecasting method Methods 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Abstract
本申请公开了一种闪电预报方法、装置、设备、存储介质及计算机程序产品，属于气象研究技术领域。所述方法包括：基于闪电预报任务的时间滞后集合，获取闪电预报任务在预报时刻的预报结果集合；基于预报结果集合，获取用于表征平均预报结果下的闪电分布的第一序列，以及用于表征预报结果集合中多个预报结果下的闪电分布的第二序列，平均预报结果由对预报结果集合中各个预报结果求平均得到；基于第二序列对第一序列进行优化，得到闪电预报任务对应的最终预报结果。本申请通过在集合预报的基础上，结合所有预报结果下的闪电分布对平均预报结果下的闪电分布进行校正，降低了平均预报结果的误报率，提高了闪电预报的合理性和准确性。
Description
技术领域
本申请实施例涉及气象研究技术领域，特别涉及一种闪电预报方法、装置、设备、存储介质及计算机程序产品。
背景技术
目前，研究人员通常通过应用NWP(Numerical Weather Predication，数值天气预报)模式中的耦合诊断模型或根据NWP模式中的变量来判断闪电活动的发生。
相关技术通过将集合预报和NWP模式结合，进行闪电活动的预报。例如，通过NWP模式，基于多个初始场，进行集合预报，得到多个预报结果，再对多个预报结果进行求平均，即可得到预报结果。
然而，直接通过对多个预报结果进行求平均，对闪电进行预报，会导致闪电预报区域过大，进而导致闪电预报不够准确。
发明内容
本申请实施例提供了一种闪电预报方法、装置、设备、存储介质及计算机程序产品，能够提高闪电预报的准确性和合理性。所述技术方案如下：
根据本申请实施例的一个方面，提供了一种闪电预报方法，所述方法包括：
获取闪电预报任务的时间滞后集合；其中，所述时间滞后集合中包括多个不同起报时刻在第一目标时刻的预报场，所述第一目标时刻是指所述闪电预报任务的起报时刻；
基于所述时间滞后集合，获取所述闪电预报任务在第二目标时刻的预报结果集合；其中，所述第二目标时刻是指所述闪电预报任务对应的预报时刻；
基于所述预报结果集合，获取第一序列和第二序列；其中，所述第一序列用于表征平均预报结果下的闪电分布，所述第二序列用于表征所述预报结果集合中多个预报结果下的闪电分布，所述平均预报结果由对所述预报结果集合中各个预报结果求平均得到；
基于所述第二序列对所述第一序列进行优化，得到所述闪电预报任务对应的最终预报结果。
根据本申请实施例的一个方面，提供了一种闪电预报装置，所述装置包括：
滞后集合获取模块，用于获取闪电预报任务的时间滞后集合；其中，所述时间滞后集合中包括多个不同起报时刻在第一目标时刻的预报场，所述第一目标时刻是指所述闪电预报任务的起报时刻；
结果集合获取模块，用于基于所述时间滞后集合，获取所述闪电预报任务在第二目标时刻的预报结果集合；其中，所述第二目标时刻是指所述闪电预报任务对应的预报时刻；
分布序列获取模块，用于基于所述预报结果集合，获取第一序列和第二序列；其中，所述第一序列用于表征平均预报结果下的闪电分布，所述第二序列用于表征所述预报结果集合中多个预报结果下的闪电分布，所述平均预报结果由对所述预报结果集合中各个预报结果求平均得到；
预报结果获取模块，用于基于所述第二序列对所述第一序列进行优化，得到所述闪电预报任务对应的最终预报结果。
根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述闪电预报方法。
所述计算机设备为终端或服务器。
根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述闪电预报方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述闪电预报方法。
本申请实施例提供的技术方案可以带来如下有益效果：
通过基于时间滞后集合预报，获取闪电任务对应的预报结果集合，再结合预报结果集合中的所有预报结果下的闪电分布，对平均预报结果下的闪电分布进行校正，解决了相关技术中平均预报结果带来的闪电预报区域过大和最大闪电密度被削弱的问题，从而可以得到更合理的闪电密度量级，有利于得到更准确的闪电分布，进而提高了闪电预报的合理性和准确性。
另外，通过采用时间滞后集合预报的方法对闪电进行预报，可以利用更早时刻的预报结果，而无需额外地增加新的初始场，从而避免了额外地资源获取操作，以及降低了资源的获取难度，进而提高了闪电预报的效率。同时，通过采用时间滞后集合预报的方法，可以有效降低闪电预报的不确定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的方案实施环境的示意图；
图2是本申请一个实施例提供的闪电预报方法的流程图；
图3是本申请一个实施例提供的最终预报结果获取方法的流程图；
图4是本申请一个实施例提供的第一序列和第二序列的获取方法的流程图；
图5是本申请另一个实施例提供的闪电预报方法的流程图；
图6示例性地示出了实况列联表的示意图；
图7是本申请另一个实施例提供的第一序列和第二序列的获取方法的流程图；
图8是本申请一个实施例提供的闪电预报装置的框图；
图9是本申请另一个实施例提供的闪电预报装置的框图；
图10是本申请一个实施例提供的计算机设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请一个实施例提供的方案实施环境的示意图。该方案实施环境可以包括：终端10和服务器20。
终端10可以是指用于采集闪电活动数据的设备，诸如自动气象站、气象数据采集车、以及任何可以获取闪电活动数据的电子设备。可选地，终端10还可以具有闪电活动数据分析和闪电预报的功能。例如，终端10中可以安装目标应用程序的客户端，可以通过该客户端对闪电活动数据进行分析，以及对闪电进行预报。该目标应用程序可以是任何具有闪电预报功能的应用程序，诸如气象预报类应用程序、气象监测类应用程序、以及其他任何具有闪电预报功能的应用程序，本申请实施例对此不作限定。其中，终端10可以是诸平板电脑、笔记本电脑、台式计算机、PC(Personal Computer，个人计算机)、自动气象站、气象数据采集车等电子设备。
服务器20可以用于为终端10提供后台服务。例如，服务器20可以是上述目标应用程序的后台服务器，可用于向终端10提供闪电活动数据，或存储来自终端10的闪电活动数据。可选地，服务器20还可以用于对闪电活动数据进行分析，以及对闪电进行预报，并向终端10提供预报结果。其中，服务器20可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。
终端10与服务器20之间可以通过网络30进行通信。
可选地，本申请实施例提供的技术方案可适用于任何类型的气象预报，诸如降雨、气温、湿度、风、雾等气象预报，本申请实施例对此不作限定。
请参考图2，其示出了本申请一个实施例提供的闪电预报方法的流程图。该方法各步骤的执行主体可以是上述的终端10或服务器20。该方法可以包括如下几个步骤(201～204)：
步骤201，获取闪电预报任务的时间滞后集合；其中，时间滞后集合中包括多个不同起报时刻在第一目标时刻的预报场，第一目标时刻是指闪电预报任务的起报时刻。
在本申请实施例中，闪电预报任务是指用于预报闪电活动的任务。例如，闪电预报任务可以用于指示对某一预报区域、在某一未来时刻(或未来时段)的闪电活动进行预报。该预报区域可以由研究人员根据实际使用需求进行适应性地调整与设置。该未来时段可以是指未来三天(即短期预报)，也可以是指未来三天以内的时段，未来时刻可以是指未来时段中的任一时刻，该未来时刻也即是指下文中的预报时刻。可选地，根据不同的参照时刻，可以得到不同的未来时段。例如，在气象研究场景中，该参照时刻可以是指任一历史时刻。在气象预报场景中，该参照时刻可以是指当前时刻，本申请实施例对此不作限定。
时间滞后集合是指将不同起报时刻对应的起始场在同一时刻的预报场进行组合得到的集合。在一个示例中，闪电预报任务的时间滞后集合的获取过程可以如下：获取多个不同起报时刻分别对应的初始场，得到初始场集合；分别对初始场集合中的各个初始场进行积分，得到各个初始场分别在第一目标时刻的预报场；对各个初始场分别在第一目标时刻的预报场进行组合，得到时间滞后集合。
其中，多个不同起报时刻是指第一目标时刻之前的历史时刻。可选地，多个不同起报时刻之间按照设定时间间隔排列，该设定时间间隔可以根据实际使用需求进行适应性设置与调整。多个不同起报时刻对应的时间跨度也可以根据实际使用需求进行适应性设置与调整。第一目标时刻(即闪电预报任务的起报时刻)可以是指当前时刻，也可以是指当前时刻之前的历史时刻，还可以是指当前时刻之后的未来时刻，本申请实施例对此不作限定。
示例性地，设第一目标时刻为t，多个不同起报时刻对应的设定时间间隔为6小时，多个不同起报时刻对应的时间跨度为48小时，则该多个不同起报时刻对应有8个起报时刻，该8个起报时刻可以记为：t-6、t-12、t-18、t-24、t-30、t-36、t-42和t-48。
对于t-6，获取t-6在t-6至t这一时段中的各个时刻下的预报场，并将t-6在时刻t的6小时预报场添加至闪电预报任务在t时刻的时间滞后集合中，采用相同的方法，分别获取t-12、t-18、t-24、t-30、t-36、t-42和t-48在t时刻下的预报场，并添加至闪电预报任务在t时刻的时间滞后集合中，以得到闪电预报任务在t时刻的时间滞后集合。则该时间滞后集合包括8个预报场：t-6在时刻t的6小时预报场、t-12在时刻t的12小时预报场、t-18在时刻t的18小时预报场、t-24在时刻t的24小时预报场、t-30在时刻t的30小时预报场、t-36在时刻t的36小时预报场、t-42在时刻t的42小时预报场和t-48在时刻t的48小时预报场。
步骤202，基于时间滞后集合，获取闪电预报任务在第二目标时刻的预报结果集合；其中，第二目标时刻是指闪电预报任务对应的预报时刻。
第二目标时刻可以是指闪电预报任务对应的未来时段中的任一时刻。基于时间滞后集合，可以获取闪电预报任务对应的未来时段中的所有未来时刻各自对应的预报结果集合。预报结果集合中包括多个预报结果，预报结果可以基于时间滞后集合中的预报场(如上述t-6在时刻t的6小时预报场)在第二目标时刻的预报场获取，预报结果用于对闪电活动的可能性进行预测。可选地，可以通过WRF(Weather Research and Forecasting，气象研究与预报)模式获取预报结果集合，也可以通过其它NWP模式获取预报结果集合，本申请实施例对此不作限定。
在一个示例中，预报结果集合的获取过程可以如下：调用充放电闪电预报模型，该充放电闪电预报模型耦合了闪电物理模型；通过充放电闪电预报模型，基于时间滞后集合进行预报，得到时间滞后集合中各个预报场分别在第二目标时刻的预报结果；对各个预报场分别在第二目标时刻的预报结果进行组合，得到预报结果集合。
可选地，该充放电闪电预报模型包括基于云间粒子碰撞生成的感应电荷和非感应起电机制建立的充电模型、以及当电荷累计到第一阈值时而触发的放电模型，其是一种更有物理意义的预报模型。该充放电闪电预报模型可以是基于耦合了闪电物理模型的WRF模式而构建的模型。在一些实施例中，该充放电闪电预报模型也可以称之为WRF-ELEC(中尺度电耦合模型)。通过耦合了闪电物理模型的充放电闪电预报模型对闪电进行预报，使得闪电预报过程更具备物理意义，而不受限于经验值、预报区域和气象类型等，从而进一步提高了闪电预报的合理性。
示例性地，基于上述实施例，将t-6在时刻t的6小时预报场，输入充放电闪电预报模型，即可得到与t-6对应的、闪电预报任务对应的未来时段中的各个未来时段下的预报结果。对于第二目标时刻，将t-6、t-12、t-18、t-24、t-30、t-36、t-42和t-48分别在第二目标时刻下的预报结果进行组合，即可得到第二目标时刻下的预报结果集合，可以将预报结果集合记为：预报结果1、预报结果2、预报结果3、预报结果4、预报结果5、预报结果6、预报结果7和预报结果8。
步骤203，基于预报结果集合，获取第一序列和第二序列；其中，第一序列用于表征平均预报结果下的闪电分布，第二序列用于表征预报结果集合中多个预报结果下的闪电分布，平均预报结果由对预报结果集合中各个预报结果求平均得到。
可选地，闪电分布可以通过闪电密度进行描述。本申请实施例中的预报结果可以包括预报闪电密度这一预报量。第一序列和第二序列中可以包括预报区域中各个网格点分别对应的预报闪电密度。其中，每个网格点表征预报区域中的一个区域。例如，参考图3，可以将预报区域划分为3*3的网格，对于预报结果1，每个网格点在预报结果1下都有对应的预报闪电密度。
可选地，WRF模式可以指定预报结果的空间分辨率。例如，设空间分辨率为4千米，则预报区域按照某种投影方式(如兰伯特投影)被划分为4千米*4千米的网格，WFR模式输出预报区域对应的各个网格点上的预报闪电密度。
在一个示例中，步骤203还可以包括如下几个子步骤：
步骤203a，对预报结果集合中的各个预报结果进行等权求平均，得到平均预报结果。
在本申请实施例中，对各个预报结果分别的预报量进行等权求平均，即可得到平均预报结果。例如，对各个预报结果分别的预报闪电密度进行等权求平均，即可得到平均预报闪电密度。
示例性地，参考图3，对预报结果1至预报结果8进行等权求平均，即可得到平均预报结果301，平均预报结果301可以记为：(预报结果1+预报结果2+，…，+预报结果8)/8。
步骤203b，获取闪电预报任务对应的网格点集合；其中，网格点集合中包括多个网格点，每个网格点用于表征闪电预报任务对应的预报区域中的一个区域。
例如，参考图3，预报区域包括9个网格点，也即将预报区域划分为了9个区域。
步骤203c，基于平均预报结果和网格点集合，获取第一序列。
可选地，分别获取网格点集合中各个网格点在平均预报结果下的预报闪电密度，得到第一集合；根据预报闪电密度的大小，按照从大到小的顺序对第一集合中的各个预报闪电密度进行排序，得到第一序列。
其中，各个网格点在平均预报结果下的预报闪电密度，即是指各个网格点在平均预报结果下的平均预报闪电密度。将各个网格点在平均预报结果下的预报闪电密度进行组合，即可得到第一集合。
示例性地，参考图3，记第一集合301为：网格点1：预报闪电密度1、网格点2：预报闪电密度2，…，网格点9：预报闪电密度9。根据预报闪电密度的大小，按照从大到小的顺序对预报闪电密度1至预报闪电密度9进行排序，得到第一序列302(即图3中的E1)。假设第一序列302中的第一个预报闪电密度为预报闪电密度9，则预报闪电密度9的值最大。同时，可以将预报闪电密度9对应的网格点9对应标记为第一。
步骤203d，基于各个预报结果和网格点集合，获取第二序列。
可选地，对于各个预报结果中的目标预报结果，分别获取网格点集合中各个网格点在目标预报结果下的预报闪电密度，得到目标预报结果对应的过渡集合；对各个预报结果分别对应的过渡集合进行组合，得到第二集合；根据预报闪电密度的大小，按照从大到小的顺序对第二集合中的各个预报闪电密度进行排序，得到第一过渡序列；按照第一设定挑选条件从第一过渡序列中，依次挑选出目标数量的预报闪电密度，获取第二序列；其中，目标数量为网格点集合中网格点的数目。目标预报结果可以是指各个预报结果中的任一预报结果。
可选地，在预报结果集合包括n个预报结果的情况下，该第一设定挑选条件为每隔n个预报闪电密度选择一个预报闪电密度，n为正整数。
示例性地，参考图3，对于预报结果1，预报结果1对应的过渡集合包括9个网格点分别在预报结果1下的预报闪电密度，将预报结果1至预报结果8分别对应的过渡集合进行组合，即可得到第二集合303，第二集合303中包括8*9＝72对网格点和预报闪电密度对。根据预报闪电密度的大小，按照从大到小的顺序对第二集合303中的各个预报闪电密度进行排序，得到第一过渡序列。再每隔8个预报闪电密度从第一过渡序列中选择出9个预报闪电密度，得到第二序列304(即图3中的E2)，第二序列304中的9个预报闪电密度亦是按照从大到小的顺序排列。
步骤204，基于第二序列对第一序列进行优化，得到闪电预报任务对应的最终预报结果。
其中，最终预报结果用于预报在第二目标时刻下预报区域中的闪电活动。采用同样的方法，可获取闪电预报任务对应的各个预报时刻下、预报区域中的闪电活动。
在一个示例中，最终预报结果的获取过程可以如下：根据第一序列，获取第三序列，第三序列中的各个元素为第一序列中的各个预报闪电密度对应的网格点；将第二序列中的各个预报闪电密度等序列位地赋予第三序列中的各个网格点，得到闪电预报任务对应的最终预报结果。
示例性地，记第一序列为：x1，x2，...，x9，第二序列为x′1，x′2，...，x′9。将第一序列中的各个预报闪电密度替换为对应的网格点，则有w1，w2，...，w9。对于w1，则可以将x′1确定为w1对应的预报闪电密度，对于w2，将x′2确定为w2对应的预报闪电密度，依次类推，则可以获取9个网格点各自对应的更新后的预报闪电密度，从而得到最终预报结果。
可选地，参考图3，最终预报结果的获取过程还可以如下：将E1(即第一序列)中的最大预报闪电密度替换为E2(即第二序列)中的最大预报闪电密度，将E1(即第一序列)中的第二大预报闪电密度替换为E2(即第二序列)中的第二预报闪电密度，依次类推，得到更新后的第一序列，根据9个网格点在第一序列中的位置，和更新后的第一序列，即可得到9个网点分别对应的更新后的预报闪电密度，进而生成最终预报结果305。
综上所述，本申请实施例提供的技术方案，通过基于时间滞后集合预报，获取闪电任务对应的预报结果集合，再结合预报结果集合中的所有预报结果下的闪电分布，对平均预报结果下的闪电分布进行校正，解决了相关技术中平均预报结果带来的闪电预报区域过大和最大闪电密度被削弱的问题，从而可以得到更合理的闪电密度量级，有利于得到更准确的闪电分布，进而提高了闪电预报的合理性和准确性。
另外，通过采用时间滞后集合预报的方法对闪电进行预报，可以利用更早时刻的预报结果，而无需额外地增加新的初始场，从而避免了额外地资源获取操作，以及降低了资源的获取难度，进而提高了闪电预报的效率。同时，通过采用时间滞后集合预报的方法，可以有效降低闪电预报的不确定性。
另外，通过耦合了闪电物理模型的充放电闪电预报模型对闪电进行预报，使得闪电预报过程更具备物理意义，而不受限于经验值、预报区域和气象类型等，从而进一步提高了闪电预报的合理性。
请参考图5，其示出了本申请另一个实施例提供的闪电预报方法的流程图。该方法各步骤的执行主体可以是上述的终端10或服务器20。该方法可以包括如下几个步骤(501～509)：
步骤501，获取闪电预报任务的时间滞后集合；其中，时间滞后集合中包括多个不同起报时刻在第一目标时刻的预报场，第一目标时刻是指闪电预报任务的起报时刻。
步骤502，基于时间滞后集合，获取闪电预报任务在第二目标时刻的预报结果集合；其中，第二目标时刻是指闪电预报任务对应的预报时刻。
步骤501和步骤502与上述实施例介绍相同，本申请实施例未说明的内容，可以参考上述实施例，这里不再赘述。
步骤503，获取多个不同起报时刻分别对应的能力评分，该能力评分用于表征起报时刻对应的预报能力。
可选地，可以将各个起报时刻分别对应的TS(Threat Score，一种分类预报能力的评估方法)评分确定为对应的能力评分。可以将起报时刻对应的正确预报事件的总数和起报时刻对应的实际事件发生总数的比值确定为起报时刻对应的TS评分。
例如，参考图6，其示例性示出了实况列联表的示意图。其中，NA是指有闪电预报正确次数、NB是指无闪电预报错误次数、NC是指有闪电预报错误次数、ND是指无闪电预报正确次数。本申请实施例中的TS评分不关注ND，则TS评分可以表示如下：TS＝NA/(NA+NB+NC)。
可选地，该实况列联表可以根据起报时刻在设定时间段(如过去30天)的预报结果统计得到。
步骤504，对多个不同起报时刻分别对应的能力评分进行计算，得到整数比序列；其中，整数比序列用于表征多个不同起报时刻分别对应的预报能力之间的比对关系。
示例性地，记有8个不同起报时刻，8个不同起报时刻对应的TS评分分别为：0.4、0.4、0.2、0.2、0.2、0.1、0.1和0.1，则8个不同起报时刻对应的整数比序列为：4：4：2：2：2：1：1：1。
步骤505，基于整数比序列，对预报结果进行调整，得到调整后的预报结果集合；其中，调整后的预报结果集合中的预报结果的数目大于或等于预报结果集合中的预报结果的数目。
在本申请实施例中，调整后的预报结果集合是指对预报结果集合中各个预报结果的权重进行调整后的集合。
在一个示例中，调整后的预报结果集合的获取过程可以如下：对于预报结果集合中的目标预报结果，获取目标预报结果在整数比序列中的第一整数值；对第一整数值和1进行求差，得到第一差值；将第一差值确定为目标预报结果对应的增量数值，该增量数值用于指示将第一差值个目标预报结果，加入预报结果集合；基于预报结果集合中各个预报结果对应的增量数值，得到调整后的预报结果集合。
示例性地，基于上述实施例，若目标预报结果在整数比序列中的第一整数值为4，则再将3个目标预报结果加入预报结果集合，也即调整后的预报结果集合中将会包括4个目标预报结果。若目标预报结果在整数比序列中的第一整数值为1，则无需增加预报结果，也即调整后的预报结果集合中还是只包括1个目标预报结果。对预报结果集合中的各个预报结果，采用相同的方法进行调整，即可得到调整后的预报结果集合。在本实施例中，调整后的预报结果集合可以包括17个预报结果。
步骤506，获取闪电预报任务对应的网格点集合。
其中，网格点集合中包括多个网格点，每个网格点用于表征闪电预报任务对应的预报区域中的一个区域。
步骤507，基于预报结果集合、整数比序列和网格点集合，获取第一序列。
可选地，对于预报结果集合中的目标预报结果，获取目标预报结果在整数比序列中的第一整数值；获取第一整数值在整数比序列中的第一占比；对目标预报结果和第一占比进行求积，得到目标预报结果对应的子平均预报结果；对预报结果集合中各个预报结果分别对应的子平均预报结果进行求和，得到平均预报结果；基于平均预报结果和网格点集合，获取第一序列。
示例性地，参考图7和上述实施例，可以得到预报结果1的占比为：4/17，则将预报结果1和4/17的乘积，确定为预报结果1对应的子平均预报结果，依次获取预报结果2至预报结果8分别对应的子平均预报结果，对取预报结果1至预报结果8分别对应的子平均预报结果进行求和，得到平均预报结果701。分别获取网格点集合中各个网格点在平均预报结果701下的预报闪电密度，并根据预报闪电密度的大小，按照从大到小的顺序对9个网格点在平均预报结果701下的预报闪电密度进行排序，得到第一序列702(即图7中的E3)。
可选地，也可以对调整后的预报结果集合中的17个预报结果进行等权求平均，得到平均预报结果701。
步骤508，基于调整后的预报结果集合和网格点集合，获取第二序列。
可选地，对于调整后的预报结果集合中的第一预报结果，分别获取网格点集合中各个网格点在第一预报结果下的预报闪电密度，得到第一预报结果对应的过渡集合；对调整后的预报结果集合中各个预报结果分别对应的过渡集合进行组合，得到第三集合；根据预报闪电密度的大小，按照从大到小的顺序对第三集合中的各个预报闪电密度进行排序，得到第二过渡序列；按照第二设定挑选条件从第二过渡序列中，依次挑选出目标数量的预报闪电密度，获取第二序列；其中，目标数量为网格点集合中网格点的数目。第一预报结果可以是指调整后的预报结果集合中的任一预报结果。
可选地，在调整后的预报结果集合包括m个预报结果的情况下，第二设定挑选条件为每隔m个预报闪电密度选择一个预报闪电密度。其中，m大于或等于n，n为预报结果集合中预报结果的数目，n为正整数。
示例性地，参考图7和上述实施例，调整后的预报结果包括17个预报结果，获取17个预报结果分别对应的过渡集合，对17个预报结果分别对应的过渡集合进行组合，得到第三集合703(包括17*9＝153对网格点和预报闪电密度对)，根据预报闪电密度的大小，按照从大到小的顺序对第三集合703中的各个预报闪电密度进行排序，得到第二过渡序列。再每隔17个预报闪电密度从第二过渡序列中选择出9个预报闪电密度，得到第二序列704(即图7中的E4)，第二序列704中的9个预报闪电密度亦是按照从大到小的顺序排列。
由于不同起报时刻的预报能力随着预报时间的增加而降低，因此，时间滞后集合中的不同预报场对应的实际预报能力也会有所差别。通过基于预报结果集合中各个预报结果对应的预报评分，对预报结果集合中各个预报结果的权重进行优化，使得预报结果集合中的预报结果分布更加的合理，从而进一步提高了闪电预报的合理性和准确性。
步骤509，基于第二序列对第一序列进行优化，得到闪电预报任务对应的最终预报结果。
可选地，参考图7，最终预报结果的获取过程可以如下：将E3(即第一序列)中的最大预报闪电密度替换为E4(即第二序列)中的最大预报闪电密度，将E3(即第一序列)中的第二大预报闪电密度替换为E4(即第二序列)中的第二预报闪电密度，依次类推，得到更新后的第一序列，根据9个网格点在第一序列中的位置，基于更新后的第一序列，即可得到9个网点分别对应的更新后的预报闪电密度，进而生成最终预报结果705。
在另一示例中，最终预报结果的获取过程还可以如下：根据第一序列，获取第三序列，第三序列中的各个元素为第一序列中的各个预报闪电密度对应的网格点；将第二序列中的各个预报闪电密度等序列位地赋予第三序列中的各个网格点，得到闪电预报任务对应的最终预报结果。
综上所述，本申请实施例提供的技术方案，通过基于时间滞后集合预报，获取闪电任务对应的预报结果集合，再结合预报结果集合中的所有预报结果下的闪电分布，对平均预报结果下的闪电分布进行校正，解决了相关技术中平均预报结果带来的闪电预报区域过大和最大闪电密度被削弱的问题，从而可以得到更合理的闪电密度量级，有利于得到更准确的闪电分布，进而提高了闪电预报的合理性和准确性。
另外，通过采用时间滞后集合预报的方法对闪电进行预报，可以利用更早时刻的预报结果，而无需额外地增加新的初始场，从而避免了额外地资源获取操作，以及降低了资源的获取难度，进而提高了闪电预报的效率。同时，通过采用时间滞后集合预报的方法，可以有效降低闪电预报的不确定性。
另外，通过基于预报结果集合中各个预报结果对应的预报评分，对预报结果集合中各个预报结果的权重进行优化，使得预报结果集合中的预报结果分布更加的合理，从而进一步提高了闪电预报的合理性和准确性。
请参考图8，其示出了本申请一个实施例提供的闪电预报装置的框图。该装置具有实现上述闪电预报方法示例的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置800可以包括：滞后集合获取模块801、结果集合获取模块802、分布序列获取模块803和预报结果获取模块804。
滞后集合获取模块801，用于获取闪电预报任务的时间滞后集合；其中，所述时间滞后集合中包括多个不同起报时刻在第一目标时刻的预报场，所述第一目标时刻是指所述闪电预报任务的起报时刻。
结果集合获取模块802，用于基于所述时间滞后集合，获取所述闪电预报任务在第二目标时刻的预报结果集合；其中，所述第二目标时刻是指所述闪电预报任务对应的预报时刻。
分布序列获取模块803，用于基于所述预报结果集合，获取第一序列和第二序列；其中，所述第一序列用于表征平均预报结果下的闪电分布，所述第二序列用于表征所述预报结果集合中多个预报结果下的闪电分布，所述平均预报结果由对所述预报结果集合中各个预报结果求平均得到。
预报结果获取模块804，用于基于所述第二序列对所述第一序列进行优化，得到所述闪电预报任务对应的最终预报结果。
在一个示例性实施例中，如图9所示，所述分布序列获取模块803，包括：平均预报获取子模块803a、网格点获取子模块803b、第一序列获取子模块803c和第二序列获取子模块803d。
平均预报获取子模块803a，用于对所述预报结果集合中的各个预报结果进行等权求平均，得到所述平均预报结果。
网格点获取子模块803b，用于获取所述闪电预报任务对应的网格点集合；其中，所述网格点集合中包括多个网格点，每个所述网格点用于表征所述闪电预报任务对应的预报区域中的一个区域。
第一序列获取子模块803c，用于基于所述平均预报结果和所述网格点集合，获取所述第一序列。
第二序列获取子模块803d，用于基于所述各个预报结果和所述网格点集合，获取所述第二序列。
在一个示例性实施例中，所述第一序列获取子模块803c，用于：
分别获取所述网格点集合中各个网格点在所述平均预报结果下的预报闪电密度，得到第一集合；
根据所述预报闪电密度的大小，按照从大到小的顺序对所述第一集合中的各个预报闪电密度进行排序，得到所述第一序列。
在一个示例性实施例中，所述第二序列获取子模块803d，用于：
对于所述各个预报结果中的目标预报结果，分别获取所述网格点集合中各个网格点在所述目标预报结果下的预报闪电密度，得到所述目标预报结果对应的过渡集合；
对所述各个预报结果分别对应的过渡集合进行组合，得到第二集合；
根据所述预报闪电密度的大小，按照从大到小的顺序对所述第二集合中的各个预报闪电密度进行排序，得到第一过渡序列；
按照第一设定挑选条件从所述第一过渡序列中，依次挑选出目标数量的预报闪电密度，获取所述第二序列；其中，所述目标数量为所述网格点集合中网格点的数目。
在一个示例性实施例中，所述预报结果集合包括n个所述预报结果，n为正整数；所述第一设定挑选条件为每隔n个所述预报闪电密度选择一个所述预报闪电密度。
在一个示例性实施例中，如图9所示，所述分布序列获取模块803，还包括：能力评分获取子模块803e、整数比获取子模块803f和预报结果调整子模块803g。
能力评分获取子模块803e，用于获取所述多个不同起报时刻分别对应的能力评分，所述能力评分用于表征所述起报时刻对应的预报能力。
整数比获取子模块803f，用于对所述多个不同起报时刻分别对应的能力评分进行计算，得到整数比序列；其中，所述整数比序列用于表征所述多个不同起报时刻分别对应的预报能力之间的比对关系。
预报结果调整子模块803g，用于基于所述整数比序列，对所述预报结果进行调整，得到调整后的预报结果集合；其中，所述调整后的预报结果集合中的预报结果的数目大于或等于所述预报结果集合中的预报结果的数目。
所述网格点获取子模块803b，还用于获取所述闪电预报任务对应的网格点集合。
所述第一序列获取子模块803c，还用于基于所述预报结果集合、所述整数比序列和所述网格点集合，获取所述第一序列。
所述第二序列获取子模块803d，还用于基于所述调整后的预报结果集合和所述网格点集合，获取所述第二序列。
在一个示例性实施例中，所述预报结果调整子模块803g，用于：
对于所述预报结果集合中的目标预报结果，获取所述目标预报结果在所述整数比序列中的第一整数值；
对所述第一整数值和1进行求差，得到第一差值；
将所述第一差值确定为所述目标预报结果对应的增量数值，所述增量数值用于指示将所述第一差值个所述目标预报结果，加入所述预报结果集合；
基于所述预报结果集合中各个预报结果对应的增量数值，得到所述调整后的预报结果集合。
在一个示例性实施例中，所述第一序列获取子模块803c，还用于：
对于所述预报结果集合中的目标预报结果，获取所述目标预报结果在所述整数比序列中的第一整数值；
获取所述第一整数值在所述整数比序列中的第一占比；
对所述目标预报结果和所述第一占比进行求积，得到所述目标预报结果对应的子平均预报结果；
对所述预报结果集合中各个预报结果分别对应的子平均预报结果进行求和，得到所述平均预报结果；
基于所述平均预报结果和所述网格点集合，获取所述第一序列。
在一个示例性实施例中，所述第二序列获取子模块803d，还用于：
对于所述调整后的预报结果集合中的第一预报结果，分别获取所述网格点集合中各个网格点在所述第一预报结果下的预报闪电密度，得到所述第一预报结果对应的过渡集合；
对所述调整后的预报结果集合中各个预报结果分别对应的过渡集合进行组合，得到第三集合；
根据所述预报闪电密度的大小，按照从大到小的顺序对所述第三集合中的各个预报闪电密度进行排序，得到第二过渡序列；
按照第二设定挑选条件从所述第二过渡序列中，依次挑选出目标数量的预报闪电密度，获取所述第二序列；其中，所述目标数量为所述网格点集合中网格点的数目。
在一个示例性实施例中，所述调整后的预报结果集合包括m个所述预报结果，m大于或等于n；所述第二设定挑选条件为每隔m个所述预报闪电密度选择一个所述预报闪电密度。
在一个示例性实施例中，所述预报结果获取模块804，用于：
根据所述第一序列，获取第三序列，所述第三序列中的各个元素为所述第一序列中的各个预报闪电密度对应的网格点；
将所述第二序列中的各个预报闪电密度等序列位地赋予所述第三序列中的各个网格点，得到所述闪电预报任务对应的最终预报结果。
在一个示例性实施例中，所述滞后集合获取模块801，用于：
获取所述多个不同起报时刻分别对应的初始场，得到初始场集合；
分别对所述初始场集合中的各个初始场进行积分，得到所述各个初始场分别在所述第一目标时刻的预报场；
对所述各个初始场分别在所述第一目标时刻的预报场进行组合，得到所述时间滞后集合。
在一个示例性实施例中，所述结果集合获取模块802，用于：
调用充放电闪电预报模型，所述充放电闪电预报模型耦合了闪电物理模型；
通过所述充放电闪电预报模型，基于所述时间滞后集合进行预报，得到所述时间滞后集合中各个预报场分别在所述第二目标时刻的预报结果；
对所述各个预报场分别在所述第二目标时刻的预报结果进行组合，得到所述预报结果集合。
综上所述，本申请实施例提供的技术方案，通过基于时间滞后集合预报，获取闪电任务对应的预报结果集合，再结合预报结果集合中的所有预报结果下的闪电分布，对平均预报结果下的闪电分布进行校正，解决了相关技术中平均预报结果带来的闪电预报区域过大和最大闪电密度被削弱的问题，从而可以得到更合理的闪电密度量级，有利于得到更准确的闪电分布，进而提高了闪电预报的合理性和准确性。
另外，通过采用时间滞后集合预报的方法对闪电进行预报，可以利用更早时刻的预报结果，而无需额外地增加新的初始场，从而避免了额外地资源获取操作，以及降低了资源的获取难度，进而提高了闪电预报的效率。同时，通过采用时间滞后集合预报的方法，可以有效降低闪电预报的不确定性。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图10，其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可以用于实施上述实施例中提供的闪电预报方法。具体来讲：
该计算机设备1000包括中央处理单元(如CPU(Central Processing Unit，中央处理器)、GPU(Graphics Processing Unit，图形处理器)和FPGA(Field Programmable GateArray，现场可编程逻辑门阵列)等)1001、包括RAM(Random-Access Memory，随机存取存储器)1002和ROM(Read-Only Memory，只读存储器)1003的系统存储器1004，以及连接系统存储器1004和中央处理单元1001的系统总线1005。该计算机设备1000还包括帮助服务器内的各个器件之间传输信息的基本输入/输出系统(Input Output System，I/O系统)1006，和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
该基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1010。其中，该显示器1008和输入设备1009都通过连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。该基本输入/输出系统1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
该大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。该大容量存储设备1007及其相关联的计算机可读介质为计算机设备1000提供非易失性存储。也就是说，该大容量存储设备1007可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性，该计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦写可编程只读存储器)、闪存或其他固态存储技术，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知该计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
根据本申请实施例，该计算机设备1000还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1000可以通过连接在该系统总线1005上的网络接口单元1011连接到网络1012，或者说，也可以使用网络接口单元1011来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括计算机程序，该计算机程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述闪电预报方法。
在一个示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被服务器的处理器执行时以实现上述闪电预报方法。
可选地，该计算机可读存储介质可以包括：ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。
在一个示例性实施例中，还提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质中读取所述计算机指令，所述处理器执行所述计算机指令，使得所述计算机设备执行上述闪电预报方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (16)
1.一种闪电预报方法，其特征在于，所述方法包括：
获取闪电预报任务的时间滞后集合；其中，所述时间滞后集合中包括多个不同起报时刻在第一目标时刻的预报场，所述第一目标时刻是指所述闪电预报任务的起报时刻；
基于所述时间滞后集合，获取所述闪电预报任务在第二目标时刻的预报结果集合；其中，所述第二目标时刻是指所述闪电预报任务对应的预报时刻；
基于所述预报结果集合，获取第一序列和第二序列；其中，所述第一序列用于表征平均预报结果下的闪电分布，所述第二序列用于表征所述预报结果集合中多个预报结果下的闪电分布，所述平均预报结果由对所述预报结果集合中各个预报结果求平均得到；
根据所述第一序列，获取第三序列，所述第三序列中的各个元素为所述第一序列中的各个预报闪电密度对应的网格点；
将所述第二序列中的各个预报闪电密度等序列位地赋予所述第三序列中的各个网格点，得到所述闪电预报任务对应的最终预报结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述预报结果集合，获取第一序列和第二序列，包括：
对所述预报结果集合中的各个预报结果进行等权求平均，得到所述平均预报结果；
获取所述闪电预报任务对应的网格点集合；其中，所述网格点集合中包括多个网格点，每个所述网格点用于表征所述闪电预报任务对应的预报区域中的一个区域；
基于所述平均预报结果和所述网格点集合，获取所述第一序列；
基于所述各个预报结果和所述网格点集合，获取所述第二序列。
3.根据权利要求2所述的方法，其特征在于，所述基于所述平均预报结果和所述网格点集合，获取所述第一序列，包括：
分别获取所述网格点集合中各个网格点在所述平均预报结果下的预报闪电密度，得到第一集合；
根据所述预报闪电密度的大小，按照从大到小的顺序对所述第一集合中的各个预报闪电密度进行排序，得到所述第一序列。
4.根据权利要求2所述的方法，其特征在于，所述基于所述各个预报结果和所述网格点集合，获取所述第二序列，包括：
对于所述各个预报结果中的目标预报结果，分别获取所述网格点集合中各个网格点在所述目标预报结果下的预报闪电密度，得到所述目标预报结果对应的过渡集合；
对所述各个预报结果分别对应的过渡集合进行组合，得到第二集合；
根据所述预报闪电密度的大小，按照从大到小的顺序对所述第二集合中的各个预报闪电密度进行排序，得到第一过渡序列；
按照第一设定挑选条件从所述第一过渡序列中，依次挑选出目标数量的预报闪电密度，获取所述第二序列；其中，所述目标数量为所述网格点集合中网格点的数目。
5.根据权利要求4所述的方法，其特征在于，所述预报结果集合包括n个所述预报结果，n为正整数；
所述第一设定挑选条件为每隔n个所述预报闪电密度选择一个所述预报闪电密度。
6.根据权利要求1所述的方法，其特征在于，所述基于所述预报结果集合，获取第一序列和第二序列，包括：
获取所述多个不同起报时刻分别对应的能力评分，所述能力评分用于表征所述起报时刻对应的预报能力；
对所述多个不同起报时刻分别对应的能力评分进行计算，得到整数比序列；其中，所述整数比序列用于表征所述多个不同起报时刻分别对应的预报能力之间的比对关系；
基于所述整数比序列，对所述预报结果进行调整，得到调整后的预报结果集合；其中，所述调整后的预报结果集合中的预报结果的数目大于或等于所述预报结果集合中的预报结果的数目；
获取所述闪电预报任务对应的网格点集合；
基于所述预报结果集合、所述整数比序列和所述网格点集合，获取所述第一序列；
基于所述调整后的预报结果集合和所述网格点集合，获取所述第二序列。
7.根据权利要求6所述的方法，其特征在于，所述基于所述整数比序列，对所述预报结果进行调整，得到调整后的预报结果集合，包括：
对于所述预报结果集合中的目标预报结果，获取所述目标预报结果在所述整数比序列中的第一整数值；
对所述第一整数值和1进行求差，得到第一差值；
将所述第一差值确定为所述目标预报结果对应的增量数值，所述增量数值用于指示将所述第一差值个所述目标预报结果，加入所述预报结果集合；
基于所述预报结果集合中各个预报结果对应的增量数值，得到所述调整后的预报结果集合。
8.根据权利要求6所述的方法，其特征在于，所述基于所述预报结果集合、所述整数比序列和所述网格点集合，获取所述第一序列，包括：
对于所述预报结果集合中的目标预报结果，获取所述目标预报结果在所述整数比序列中的第一整数值；
获取所述第一整数值在所述整数比序列中的第一占比；
对所述目标预报结果和所述第一占比进行求积，得到所述目标预报结果对应的子平均预报结果；
对所述预报结果集合中各个预报结果分别对应的子平均预报结果进行求和，得到所述平均预报结果；
基于所述平均预报结果和所述网格点集合，获取所述第一序列。
9.根据权利要求6所述的方法，其特征在于，所述基于所述调整后的预报结果集合和所述网格点集合，获取所述第二序列，包括：
对于所述调整后的预报结果集合中的第一预报结果，分别获取所述网格点集合中各个网格点在所述第一预报结果下的预报闪电密度，得到所述第一预报结果对应的过渡集合；
对所述调整后的预报结果集合中各个预报结果分别对应的过渡集合进行组合，得到第三集合；
根据所述预报闪电密度的大小，按照从大到小的顺序对所述第三集合中的各个预报闪电密度进行排序，得到第二过渡序列；
按照第二设定挑选条件从所述第二过渡序列中，依次挑选出目标数量的预报闪电密度，获取所述第二序列；其中，所述目标数量为所述网格点集合中网格点的数目。
10.根据权利要求9所述的方法，其特征在于，所述调整后的预报结果集合包括m个所述预报结果，m大于或等于n；
所述第二设定挑选条件为每隔m个所述预报闪电密度选择一个所述预报闪电密度。
11.根据权利要求1所述的方法，其特征在于，所述获取闪电预报任务的时间滞后集合，包括：
获取所述多个不同起报时刻分别对应的初始场，得到初始场集合；
分别对所述初始场集合中的各个初始场进行积分，得到所述各个初始场分别在所述第一目标时刻的预报场；
对所述各个初始场分别在所述第一目标时刻的预报场进行组合，得到所述时间滞后集合。
12.根据权利要求1所述的方法，其特征在于，所述基于所述时间滞后集合，获取所述闪电预报任务在第二目标时刻的预报结果集合，包括：
调用充放电闪电预报模型，所述充放电闪电预报模型耦合了闪电物理模型；
通过所述充放电闪电预报模型，基于所述时间滞后集合进行预报，得到所述时间滞后集合中各个预报场分别在所述第二目标时刻的预报结果；
对所述各个预报场分别在所述第二目标时刻的预报结果进行组合，得到所述预报结果集合。
13.一种闪电预报装置，其特征在于，所述装置包括：
滞后集合获取模块，用于获取闪电预报任务的时间滞后集合；其中，所述时间滞后集合中包括多个不同起报时刻在第一目标时刻的预报场，所述第一目标时刻是指所述闪电预报任务的起报时刻；
结果集合获取模块，用于基于所述时间滞后集合，获取所述闪电预报任务在第二目标时刻的预报结果集合；其中，所述第二目标时刻是指所述闪电预报任务对应的预报时刻；
分布序列获取模块，用于基于所述预报结果集合，获取第一序列和第二序列；其中，所述第一序列用于表征平均预报结果下的闪电分布，所述第二序列用于表征所述预报结果集合中多个预报结果下的闪电分布，所述平均预报结果由对所述预报结果集合中各个预报结果求平均得到；
预报结果获取模块，用于根据所述第一序列，获取第三序列，所述第三序列中的各个元素为所述第一序列中的各个预报闪电密度对应的网格点；将所述第二序列中的各个预报闪电密度等序列位地赋予所述第三序列中的各个网格点，得到所述闪电预报任务对应的最终预报结果。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至12任一项所述的闪电预报方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至12任一项所述的闪电预报方法。
16.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机指令，以实现如权利要求1至12任一项所述的闪电预报方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564725.8A CN115079306B (zh) | 2022-05-23 | 2022-05-23 | 闪电预报方法、装置、设备、存储介质及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564725.8A CN115079306B (zh) | 2022-05-23 | 2022-05-23 | 闪电预报方法、装置、设备、存储介质及计算机程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115079306A CN115079306A (zh) | 2022-09-20 |
| CN115079306B true CN115079306B (zh) | 2023-12-05 |
Family
ID=83249303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210564725.8A Active CN115079306B (zh) | 2022-05-23 | 2022-05-23 | 闪电预报方法、装置、设备、存储介质及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115079306B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7542852B1 (en) * | 2005-01-25 | 2009-06-02 | Weather Channel Inc | Derivation and production of high-resolution, very short-term weather forecasts |
| CN101893661A (zh) * | 2010-08-06 | 2010-11-24 | 浙江大学 | 一种光电信号同步监测的闪电数据处理方法 |
| CN106249318A (zh) * | 2016-07-12 | 2016-12-21 | 清华大学 | 流域洪水实时预报方法及预报装置 |
| CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
| CN111290053A (zh) * | 2020-02-29 | 2020-06-16 | 华南理工大学 | 一种基于卡尔曼滤波的雷暴路径预测方法 |
| CN113376711A (zh) * | 2020-08-19 | 2021-09-10 | 兰州大学 | 基于卷积神经网络的闪电频数预报方法 |
| CN113610287A (zh) * | 2021-07-27 | 2021-11-05 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
| CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、系统、设备及终端 |
| CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6788043B2 (en) * | 2002-02-13 | 2004-09-07 | Vaisala Oyj | Lightning detection and data acquisition system |
| US9127911B2 (en) * | 2013-12-24 | 2015-09-08 | Deepak Varshneya | Electro-optic system for crosswind measurement |
| CN104950186B (zh) * | 2014-03-31 | 2018-06-12 | 乌托巴斯洞察公司 | 雷电预测的方法和装置 |
| WO2017193153A1 (en) * | 2016-05-11 | 2017-11-16 | Commonwealth Scientific And Industrial Research Organisation | Solar power forecasting |
| US10359543B2 (en) * | 2016-06-20 | 2019-07-23 | Vaisala, Inc. | Forecasting lightning activity |
| US10386543B2 (en) * | 2016-08-01 | 2019-08-20 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
| US11243332B2 (en) * | 2020-06-24 | 2022-02-08 | X Development Llc | Predicting climate conditions based on teleconnections |
-
2022
- 2022-05-23 CN CN202210564725.8A patent/CN115079306B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7542852B1 (en) * | 2005-01-25 | 2009-06-02 | Weather Channel Inc | Derivation and production of high-resolution, very short-term weather forecasts |
| CN101893661A (zh) * | 2010-08-06 | 2010-11-24 | 浙江大学 | 一种光电信号同步监测的闪电数据处理方法 |
| CN106249318A (zh) * | 2016-07-12 | 2016-12-21 | 清华大学 | 流域洪水实时预报方法及预报装置 |
| CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
| CN111290053A (zh) * | 2020-02-29 | 2020-06-16 | 华南理工大学 | 一种基于卡尔曼滤波的雷暴路径预测方法 |
| CN113376711A (zh) * | 2020-08-19 | 2021-09-10 | 兰州大学 | 基于卷积神经网络的闪电频数预报方法 |
| CN113610287A (zh) * | 2021-07-27 | 2021-11-05 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
| CN114019514A (zh) * | 2021-11-25 | 2022-02-08 | 浙江省气象台 | 一种雷暴大风预警方法、系统、设备及终端 |
| CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| "江苏省雷电活动潜势预报研究";殷娴;《热带气象学报》;第27卷(第5期);758-764 * |
| "Short-term Prediction of Lightning in Southern Africa using Autoregressive Machine Learning Techniques";Yaseen Essa;IEEE;第1-5页 * |
| "Understanding dynamics of tropical cyclones in the Bay of Bengal using lightning data";Trisanu Banik;《ORIGINAL PAPER》;第1505-1522页 * |
| 何爽爽."滑坡泥石流大尺度统计预报模型的实时检验".《大气科学学报》.2019,第42卷(第1期),第78-92页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115079306A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102511271B1 (ko) | 시계열 데이터 저장 및 쿼리 방법 및 장치, 및 그 서버 및 저장 매체 | |
| CN111198808B (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
| CN113937763B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
| CN110716808B (zh) | 业务处理方法、装置、计算机设备和存储介质 | |
| CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
| CN110990138A (zh) | 资源调度方法、装置、服务器及存储介质 | |
| WO2020172852A1 (en) | Computing resource scheduling method, scheduler, internet of things system, and computer readable medium | |
| CN112882889A (zh) | 异常监控方法、系统、电子设备和存储介质 | |
| CN112564951A (zh) | 一种规避告警风暴的方法、装置、计算机设备和存储介质 | |
| US20200389026A1 (en) | Electric power generation prediction method based on expected value calculation, electric power generation prediction system based on expected value calculation, and electric power generation prediction program based on expected value calculation | |
| CN115079306B (zh) | 闪电预报方法、装置、设备、存储介质及计算机程序产品 | |
| CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
| CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| CN112181659A (zh) | 云仿真内存资源预测模型构建方法与内存资源预测方法 | |
| CN111091138A (zh) | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 | |
| US11671874B2 (en) | Communication band calculation device, communication band calculation method, and medium | |
| CN115473219A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| Pinson et al. | Generation of statistical scenarios of short-term wind power production | |
| CN115269123A (zh) | 一种容器资源调整方法、装置、电子设备及介质 | |
| CN115345557A (zh) | 一种定价方法、装置、计算机设备及可读存储介质 | |
| CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
| KR20230064029A (ko) | 전력감축관리시스템 및 전력감축관리방법 | |
| CN111598296A (zh) | 电力负载预测方法、装置、计算机设备和存储介质 | |
| CN116449456B (zh) | 阵风预报输出方法、装置、计算机设备和存储介质 | |
| Gong et al. | Integrated multi-horizon power and energy forecast for aggregated electric water heaters |
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 |