CN115598738A - 一种冰雹预警方法和装置 - Google Patents

一种冰雹预警方法和装置 Download PDF

Info

Publication number
CN115598738A
CN115598738A CN202211346167.4A CN202211346167A CN115598738A CN 115598738 A CN115598738 A CN 115598738A CN 202211346167 A CN202211346167 A CN 202211346167A CN 115598738 A CN115598738 A CN 115598738A
Authority
CN
China
Prior art keywords
data
hail
determining
early
early warning
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
CN202211346167.4A
Other languages
English (en)
Inventor
虞雅璠
林超
刘海洋
秦昊宇
陈云刚
生菡
张金
李扬
叶先才
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.)
Beijing Hongxiang Technology Co ltd
Original Assignee
Beijing Hongxiang Technology Co ltd
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 Beijing Hongxiang Technology Co ltd filed Critical Beijing Hongxiang Technology Co ltd
Priority to CN202211346167.4A priority Critical patent/CN115598738A/zh
Publication of CN115598738A publication Critical patent/CN115598738A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种冰雹预警方法和装置，涉及冰雹预测的技术领域，包括：获取待预警区域的历史气象数据，其中，历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；基于模糊逻辑、随机森林模型和历史气象数据，确定出风暴单体的特征数据和特征数据的隶属度函数；基于特征数据和特征数据的隶属度函数，确定出初始风暴单体；基于初始风暴单体对应的历史气象数据构建数据集，并利用数据集对图像识别模型进行训练，得到冰雹预警模型；在获取到待预警区域的当前气象数据之后，利用当前气象数据和冰雹预警模型，对待预警区域进行冰雹预警，解决了现有的冰雹预警结果准确性较低的技术问题。

Description

一种冰雹预警方法和装置
技术领域
本发明涉及冰雹预测的技术领域，尤其是涉及一种冰雹预警方法和装置。
背景技术
冰雹灾害是由强对流天气系统引起的一种剧烈的气象灾害，冰雹预报以主观预报为主，结合客观算法进行临近预报。主观临近预报技术包括基于多普勒天气雷达观测并结合数值预报、卫星云图等资料对冰雹的生消衰减进行临近预报；客观算法包括几种应用广泛的雷达回波外推算法和冰雹识别技术。目前就临近预报业务而言，仍然主要建立在天气雷达特征或云图特征识别和外推的基础上，但在冰雹生成、加强和消散的概念模型，冰雹识别技术，高分辨率气象卫星资料应用，高分辨率数值预报模式及各种新的观测资料在临近预报领域的应用方面已取得了明显进展，而以多普勒雷达的业务布网对强对流临近预报的促进最为明显。由于冰雹过程具有突发性、局地性强以及生命周期短的特点，其预报效果长期以来都不理想，哪怕只是提前量为半小时的临近预报，其进展也十分缓慢，这其中最大的困难在于冰雹回波的识别上。
由于冰雹云特征指标与强对流雷达三维观测数据之间存在非线性关系，概念模型法基于阈值判断是否为冰雹云显得较为“武断”，且相同的错误会反复出现，除非人工优化修订阈值，模型本身没有自适应和自我改进能力，在实际业务应用时仍然存在较多的空报、漏报现象。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种冰雹预警方法和装置，以缓解了现有的冰雹预警结果准确性较低的技术问题。
第一方面，本发明实施例提供了一种冰雹预警方法，包括：获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警。
进一步地，基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，包括：基于所述历史气象数据和所述随机森林模型，确定出所述风暴单体的特征数据；利用所述模糊逻辑，构建出所述特征数据的隶属度函数。
进一步地，基于所述历史气象数据，确定出所述风暴单体的最大反射率因子；基于所述风暴单体的最大反射率因子，计算出所述风暴单体的垂直积分液态水含量和垂直积分液态水含量密度。
进一步地，基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体，包括：利用所述S型曲线，对所述特征数据的隶属度函数进行拟合，得到拟合函数；基于所述拟合函数，计算出所述特征数据对应的隶属度函数值；基于所述风暴单体的特征数据、所述特征数据的隶属度函数值和所述特征数据对应的权重值，确定出所述初始风暴单体。
进一步地，基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型，包括：将所述数据集分割为训练集和测试集；基于所述初始风暴单体对应的冰雹站点观测数据，确定出所述初始风暴单体的实际冰雹结果，其中，所述实际冰雹结果用于表征所述初始风暴单体是否降下冰雹；利用所述训练集中包含的初始风暴单体对应的雷达数据和数值预报数据，对所述图像识别模型进行训练，得到目标图像识别模型；将所述测试集中包含的初始风暴单体对应的雷达数据和数值预报数据输入所述目标图像识别模型，得到所述测试集中包含的初始风暴单体的预测冰雹结果，其中，所述预测冰雹结果用于表征所述测试集中包含的初始风暴单体是否降下冰雹；基于所述实际冰雹结果和所述预测冰雹结果，计算出所述目标图像识别模型的目标指标，其中，所述目标指标包括：临界成功指数，探测概率和虚假报警；基于所述目标指标确定出所述冰雹预警模型。
第二方面，本发明实施例还提供了一种冰雹预警装置，包括：获取单元，第一确定单元，第二确定单元，训练单元和预警单元，其中，所述获取单元，用于获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；所述第一确定单元，用于基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；所述第二确定单元，用于基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；所述训练单元，用于基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；所述预警单元，用于在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警。
进一步地，所述第一确定单元，用于：基于所述历史气象数据和所述随机森林模型，确定出所述风暴单体的特征数据；利用所述模糊逻辑，构建出所述特征数据的隶属度函数。
进一步地，所述第一确定单元，用于：基于所述历史气象数据，确定出所述风暴单体的最大反射率因子；基于所述风暴单体的最大反射率因子，计算出所述风暴单体的垂直积分液态水含量和垂直积分液态水含量密度。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警，达到了对冰雹进行精准预测的目的，进而解决了现有的冰雹预警结果准确性较低的技术问题，从而实现了提高冰雹预警结果准确性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种冰雹预警方法的流程图；
图2为本发明实施例提供的一种冰雹预警装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
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，下面将结合附图对本发明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。
实施例一：
根据本发明实施例，提供了一种冰雹预警方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种冰雹预警方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；
步骤S104，基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；
步骤S106，基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；
步骤S108，基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；
步骤S110，在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警。
在本发明实施例中，通过获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警，达到了对冰雹进行精准预测的目的，进而解决了现有的冰雹预警结果准确性较低的技术问题，从而实现了提高冰雹预警结果准确性的技术效果。
需要说明的是，在获取到历史气象数据之后，基于冰雹生消的概念模型，从雷达数据、数值预报、卫星红外通道等多源数据中提取特征量。
冰雹识别基于冰雹生消的概念模型。目前研究表明，垂直层结不稳定(静力不稳定)、水汽和抬升触发机制、强而相对持久的上升气流、较低的零度层高度等是冰雹产生的有利条件。强冰雹最基本的雷达回波特征是“高悬的强回波”，具体的指标是50dBz以上的强回波扩展到环境大气-20℃等温线高度以上，同时0℃层的高度层到地面距离不超过5km，满足这些条件就可以考虑发布强冰雹预警。回波中心强度越大，高度越高50dBz以上的强回波扩展到的高度越高，强冰雹可能性越大。
基于雷达和数值预报数据，对因子进行质控、插值、归一化等处理。
基于区域数值预报数据，选取动力、热力、水汽、抬升条件等作为冰雹识别预警特征因子，包括100m风速，10m风速，过去3小时10m阵风，过去6小时10m阵风，对流有效位能(CAPE)，地面气压，沙氏指数，850hpa温度平流，600hpa温度平流，K指数，抬升指数(LI),下沉对流有效位能(DCAPE),700-500hpa温度递减率，0-3km切变，0-6km切变，低层相对风暴螺旋度，850-500hpa平均比湿等。
对于雷达数据，选取回波顶高、最大反射率因子、最大反射率因子所在高度、垂直积分液态水含量、垂直积分液态水含量随时间变率、垂直积分液态水含量密度、冰雹发生前最大反射率因子下降高度、风暴移动速度、速度谱宽等作为冰雹预警的重要指标。
判断冰雹简单有效的方法是强回波高度相对于0℃和-20℃等温线高度的位置，当强回波扩展到0℃等温线高度以上时才能对降雹的潜势有所贡献；当强回波扩展到-20℃等温线高度以上时，对降雹的潜势贡献最大。因此，判断风暴质心高度是否超过0℃等温线高度和-20℃等温线高度的位置是冰雹预警的重要指标。
在本发明实施例中，步骤S104包括如下步骤：
步骤S11，基于所述历史气象数据和所述随机森林模型，确定出所述风暴单体的特征数据；
步骤S12，利用所述模糊逻辑，构建出所述特征数据的隶属度函数。
具体的，步骤S11包括如下步骤：
基于所述历史气象数据和随机森林模型，确定出所述风暴单体的最大反射率因子；
基于所述风暴单体的最大反射率因子，计算出所述风暴单体的垂直积分液态水含量和垂直积分液态水含量密度。
在本发明实施例中，基于所述历史气象数据和随机森林模型，确定出所述风暴单体的最大反射率因子的整体思想是每个特征在随机森林中的每颗树上做了多大的贡献，取平均值，然后比较特征之间的贡献大小。常见的计算方法有两种，一种是平均不纯度的减少(mean decrease impurity)，常用gini/entropy/information gain测量，sklearn中用的就是这种方法；另一种是平均准确率的减少(mean decrease accuracy)，常用袋外误差率去衡量。
具体的，利用随机森林的模型进行特征分析去顶出风暴单体的特征数据的具体步骤如下：
1)假设因子共m个，每进行一次特征分析，对特征因子进行贡献度从大到小的排序，剔除贡献度最小的因子，直至最后只剩贡献度最大的因子，则共进行m-1轮特征分析；
2)每轮贡特征贡献度分析采用五折交叉验证，即每轮进行五次训练，记录评分最高的模型所对应的特征贡献，作为本轮特征的特征贡献，同时记录下本轮特征分析所对应的评分平均值，作为后续分析特征逐步剔除的优劣比较。
计算风暴单体最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度作为降雹云团的初步筛选指标。
其中，最大反射率因子为强对流区域的最大因子反射率，定义大于35dbz的区域为强对流区域。
垂直累积液态水VIL表示将反射率因子数据转换成等价的液态水值，它用的是假设所有反射率因子返回都是由液态水引起的经验导出关系，由经验公式将反射率因子DBZ转换成相当的液态水含量液态水混合比的经验公式：
M＝3.44×10-3Z4/7
其中，M为液态水含量(g/m2)为,Z为雷达反射率因子。
然后再垂直累加得到VIL：
Figure BDA0003917273630000091
其中，Δh为每一个底面积柱的高度，风暴单体的垂直积分液态水VIL为计算每一个底面积的柱体内的液态水含量的累积值。
风暴单体的垂直积分液态水VIL为基于风暴单体各仰角扫描最大反射率因子计算的液态水总和。
垂直积分液态水含量密度(VILD)是标准化的VIL，是VIL与其对应的回波厚度之比。
VILD＝VIL/h；
其中，h为最低仰角与最高仰角所在波束之间的高度差(单位：km)。
在本发明实施例中，步骤S106包括如下步骤：
步骤S21，利用所述S型曲线，对所述特征数据的隶属度函数进行拟合，得到拟合函数；
步骤S22，基于所述拟合函数，计算出所述特征数据对应的隶属度函数值；
步骤S23，基于所述风暴单体的特征数据、所述特征数据的隶属度函数值和所述特征数据对应的权重值，确定出所述初始风暴单体。
在本发明实施例中，计算上述指标在冰雹和非冰雹强对流样本中的概率分布，得到冰雹识别因子的概率分布函数FYi和非冰雹的概率分布函数FNi。概率密度分布函数F基于历史冰雹样例数据进行统计分析得到，统计上述指标不同取值对应的冰雹和非冰雹发生次数，分别得到FYi和FNi。该函数为离散分布函数。
利用下式计算各预报因子对应的隶属度函数MFi，使其归一化到[0,1]范围:
Figure BDA0003917273630000101
由于样本量有限，概率密度函数为离散点分布，为了得到更好的概率分布特征，利用S型曲线y＝1/(e-a(x+b)+c)进行拟合，其中，x为预报因子，y为预报因子的拟合函数，a，b，c为待估参数。
上述因子对隶属度的贡献度权重分配采用面积分配的方法，权重系数W的计算公式如下：
Figure BDA0003917273630000102
其中Ai为冰雹与非冰雹概率密度分布函数的重叠面积，重叠面积越小，说明该特征参数对雷暴发生的贡献越大。
计算强对流云团的冰雹发生指数G，计算公式如下：
Figure BDA0003917273630000103
其中，Wi是第i个因子的权重系数，yi是第i个因子的冰雹发生概率。通过对历史数据的分析，即统计90％冰雹样本对应的强对流云团冰雹发生指数G，得到冰雹发生阈值T，用于区分降雹强对流云团与非降雹强对流云团。如果G＞T，则判定为潜在冰雹区域；如果G＜T，则认为该区域不会发生冰雹。
在本发明实施例中，步骤S108包括如下步骤：
步骤S31，将所述数据集分割为训练集和测试集；
步骤S32，基于所述初始风暴单体对应的冰雹站点观测数据，确定出所述初始风暴单体的实际冰雹结果，其中，所述实际冰雹结果用于表征所述初始风暴单体是否降下冰雹；
步骤S33，利用所述训练集中包含的初始风暴单体对应的雷达数据和数值预报数据，对所述图像识别模型进行训练，得到目标图像识别模型；
步骤S34，将所述测试集中包含的初始风暴单体对应的雷达数据和数值预报数据输入所述目标图像识别模型，得到所述测试集中包含的初始风暴单体的预测冰雹结果，其中，所述预测冰雹结果用于表征所述测试集中包含的初始风暴单体是否降下冰雹；
步骤S35，基于所述实际冰雹结果和所述预测冰雹结果，计算出所述目标图像识别模型的目标指标，其中，所述目标指标包括：临界成功指数，探测概率和虚假报警；
步骤S36，基于所述目标指标确定出所述冰雹预警模型。
在本发明实施例中，首先对图像识别模型进行说明。
整个图像识别模型采取层次化的设计，一共包含4个Stage，每个stage都会缩小输入特征图的分辨率，像CNN一样逐层扩大感受野。在输入开始的时候，做了一个PatchEmbedding，将图片切成一个个图块，并嵌入到Embedding。在每个Stage里，由PatchMerging和多个Block组成。其中Patch Merging模块主要在每个Stage一开始降低图片分辨率。而Block具体结构如右图所示，主要是LayerNorm，MLP，Window Attention和ShiftedWindow Attention组成。
Patch Embedding：在输入进Block前，我们需要将图片切成一个个patch，然后嵌入向量。具体做法是对原始图片裁成一个个window_size*window_size的窗口大小，然后进行嵌入。这里可以通过二维卷积层，将stride，kernelsize设置为window_size大小。设定输出通道来确定嵌入向量的大小。最后将H,W维度展开，并移动到第一维度。
Patch Merging：该模块的作用是在每个Stage开始前做降采样，用于缩小分辨率，调整通道数进而形成层次化的设计，同时也能节省一定运算量。每次降采样是两倍，因此在行方向和列方向上，间隔2选取元素。然后拼接在一起作为一整个张量，最后展开。此时通道维度会变成原先的4倍(因为H,W各缩小2倍)，此时再通过一个全连接层再调整通道维度为原来的两倍。
Block整体流程如下：
先对特征图进行LayerNorm；
通过self.shift_size决定是否需要对特征图进行shift；
然后将特征图切成一个个窗口；
计算Attention，通过self.attn_mask来区分Window Attention还是ShiftWindow Attention；
将各个窗口合并回来；
如果之前有做shift操作，此时进行reverse shift，把之前的shift操作恢复；
做dropout和残差连接；
再通过一层LayerNorm+全连接层，以及dropout和残差连接。
接着，对数据集的构建过程进行说明，具体如下：
基于近年研究范围内气象日数据中的冰雹观测站点、时次作为真值，匹配雷达观测及数值模式数据。根据冰雹观测的经纬度和时间，在时间和空间上分别匹配雷达和数值模式数据，匹配原则为最邻近法。确定最接近样本时间的雷达和模式数据，再确定最接近的样本位置的网格点，以该点为中心，切割60km*60km大小的补丁，截取识别时间及超前一定帧数的数据块作为对应样本集，组合至一起构成特征集。
冰雹天气发生概率低，实际观测和采集到的数据集中，只有极少数样本为冰雹样本，而绝大多数样本为非冰雹，若直接应用深度学习模型会造成其在多数样本类的分类精度较高而在少数样本类的分类精度很低的问题。所以，在构建冰雹预报深度学习识别模型前，需要通过策略调整数据的分布，使数据相对均衡，从而便于识别模型的建立。策略包括在调整采样方式、或在损失函数中提高正样本偏差值的权重等方法。
采样方式包括：1)采用欠采样，即从数量多的一类样本随机选择一部分剔除；2)采用过采样，对样本较少的类别进行数据增强，构造新样本。从损失函数入手，就是添加自适应权重，著名的有Facal loss。
将数据集分为训练集和测试集。将训练集随机打乱加入模型中，训练中使用损失函数帮助收敛；分别使用测试集进行模型效果测试，选取测试效果最好的模型作为预报模型。冰雹识别结果检验采用临界成功指数TS，探测概率POD和虚假报警率FAR进行评估。指标计算方式如下：
Figure BDA0003917273630000131
Figure BDA0003917273630000132
Figure BDA0003917273630000133
其中，H为正确预测冰雹的数量，F为空报的数量，M为漏报数量。冰雹识别预警对气象站处的模型结果做检验，检测半径选为20km，定义冰雹观测时间前后半小时内识别出冰雹则为命中。选择TS值最大的模型作为冰雹预警模型。
本发明实施例中，充分利用气象雷达、气象卫星等多源观探测资料及数值模拟资料等不同产品的不同预警信号特性，对冰雹的发生发展环境进行特征分析，建立特征因子库，选取对降雹过程有明显影响的或相关性强的特征因子，实现内全天候、全覆盖和高时间空间分辨率的冰雹监测与预警。
进一步地，机器学习能非常好地训练出大规模特征和目标结果之间存在的隐含关系，而强天气过程通常是高度复杂和非线性的。因此，可以根据输入特征向量进行自我适应的AI优于需要人为设置固定阈值的概念模型法，展现出了AI在天气预报中的良好前景。
实施例二：
本发明实施例还提供了一种冰雹预警装置，该冰雹预警装置用于执行本发明实施例上述内容所提供的冰雹预警方法，以下是本发明实施例提供的装置的具体介绍。
如图2所示，图2为上述冰雹预警装置的示意图，该冰雹预警装置包括：获取单元10，第一确定单元20，第二确定单元30，训练单元40和预警单元50。
所述获取单元，用于获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；
所述第一确定单元，用于基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；
所述第二确定单元，用于基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；
所述训练单元，用于基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；
所述预警单元，用于在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警。
在本发明实施例中，通过获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；基于模糊逻辑和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警，达到了对冰雹进行精准预测的目的，进而解决了现有的冰雹预警结果准确性较低的技术问题，从而实现了提高冰雹预警结果准确性的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。

Claims (10)

1.一种冰雹预警方法，其特征在于，包括：
获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；
基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；
基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；
基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；
在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警。
2.根据权利要求1所述的方法，其特征在于，基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，包括：
基于所述历史气象数据和随机森林模型，确定出所述风暴单体的特征数据；
利用所述模糊逻辑，构建出所述特征数据的隶属度函数。
3.根据权利要求2所述的方法，其特征在于，基于所述历史气象数据，确定出所述风暴单体的特征数据，包括：
基于所述历史气象数据，确定出所述风暴单体的最大反射率因子；
基于所述风暴单体的最大反射率因子，计算出所述风暴单体的垂直积分液态水含量和垂直积分液态水含量密度。
4.根据权利要求1所述的方法，其特征在于，基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体，包括：
利用所述S型曲线，对所述特征数据的隶属度函数进行拟合，得到拟合函数；
基于所述拟合函数，计算出所述特征数据对应的隶属度函数值；
基于所述风暴单体的特征数据、所述特征数据的隶属度函数值和所述特征数据对应的权重值，确定出所述初始风暴单体。
5.根据权利要求4所述的方法，其特征在于，基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型，包括：
将所述数据集分割为训练集和测试集；
基于所述初始风暴单体对应的冰雹站点观测数据，确定出所述初始风暴单体的实际冰雹结果，其中，所述实际冰雹结果用于表征所述初始风暴单体是否降下冰雹；
利用所述训练集中包含的初始风暴单体对应的雷达数据和数值预报数据，对所述图像识别模型进行训练，得到目标图像识别模型；
将所述测试集中包含的初始风暴单体对应的雷达数据和数值预报数据输入所述目标图像识别模型，得到所述测试集中包含的初始风暴单体的预测冰雹结果，其中，所述预测冰雹结果用于表征所述测试集中包含的初始风暴单体是否降下冰雹；
基于所述实际冰雹结果和所述预测冰雹结果，计算出所述目标图像识别模型的目标指标，其中，所述目标指标包括：临界成功指数，探测概率和虚假报警；
基于所述目标指标确定出所述冰雹预警模型。
6.一种冰雹预警装置，其特征在于，包括：获取单元，第一确定单元，第二确定单元，训练单元和预警单元，其中，
所述获取单元，用于获取待预警区域的历史气象数据，其中，所述历史气象数据包括：雷达数据，数值预报数据和冰雹站点观测数据；
所述第一确定单元，用于基于模糊逻辑、随机森林模型和所述历史气象数据，确定出风暴单体的特征数据和所述特征数据的隶属度函数，所述特征数据包括：最大反射率因子、垂直积分液态水含量和垂直积分液态水含量密度；
所述第二确定单元，用于基于所述特征数据和所述特征数据的隶属度函数，确定出初始风暴单体；
所述训练单元，用于基于所述初始风暴单体对应的历史气象数据构建数据集，并利用所述数据集对图像识别模型进行训练，得到冰雹预警模型；
所述预警单元，用于在获取到所述待预警区域的当前气象数据之后，利用所述当前气象数据和所述冰雹预警模型，对所述待预警区域进行冰雹预警。
7.根据权利要求6所述的装置，其特征在于，所述第一确定单元，用于：
基于所述历史气象数据和所述随机森林模型，确定出所述风暴单体的特征数据；
利用所述模糊逻辑，构建出所述特征数据的隶属度函数。
8.根据权利要求7所述的装置，其特征在于，所述第一确定单元，用于：
基于所述历史气象数据，确定出所述风暴单体的最大反射率因子；
基于所述风暴单体的最大反射率因子，计算出所述风暴单体的垂直积分液态水含量和垂直积分液态水含量密度。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至5任一项所述方法的步骤。
CN202211346167.4A 2022-10-31 2022-10-31 一种冰雹预警方法和装置 Pending CN115598738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211346167.4A CN115598738A (zh) 2022-10-31 2022-10-31 一种冰雹预警方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211346167.4A CN115598738A (zh) 2022-10-31 2022-10-31 一种冰雹预警方法和装置

Publications (1)

Publication Number Publication Date
CN115598738A true CN115598738A (zh) 2023-01-13

Family

ID=84851303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211346167.4A Pending CN115598738A (zh) 2022-10-31 2022-10-31 一种冰雹预警方法和装置

Country Status (1)

Country Link
CN (1) CN115598738A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055051A (zh) * 2023-10-09 2023-11-14 国家气象中心(中央气象台) 基于多源数据的冰雹识别方法、系统、设备及存储介质
CN117214916A (zh) * 2023-11-08 2023-12-12 北京英视睿达科技股份有限公司 基于卫星遥感观测数据的短时冰雹预测方法及系统
CN118427514A (zh) * 2024-07-02 2024-08-02 国家气象中心(中央气象台) 基于海雾指数的海雾预测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055051A (zh) * 2023-10-09 2023-11-14 国家气象中心(中央气象台) 基于多源数据的冰雹识别方法、系统、设备及存储介质
CN117055051B (zh) * 2023-10-09 2023-12-19 国家气象中心(中央气象台) 基于多源数据的冰雹识别方法、系统、设备及存储介质
CN117214916A (zh) * 2023-11-08 2023-12-12 北京英视睿达科技股份有限公司 基于卫星遥感观测数据的短时冰雹预测方法及系统
CN117214916B (zh) * 2023-11-08 2024-04-05 北京英视睿达科技股份有限公司 基于卫星遥感观测数据的短时冰雹预测方法及系统
CN118427514A (zh) * 2024-07-02 2024-08-02 国家气象中心(中央气象台) 基于海雾指数的海雾预测方法及系统

Similar Documents

Publication Publication Date Title
CN115598738A (zh) 一种冰雹预警方法和装置
Zhou et al. Forecasting different types of convective weather: A deep learning approach
CN109958588B (zh) 结冰预测方法、装置、存储介质、模型生成方法及装置
CN113469278B (zh) 一种基于深度卷积神经网络的强天气目标识别方法
CN114067214B (zh) 一种基于多模型融合卷积网络的暴雨识别方法和装置
CN113176420B (zh) 一种针对电网杆塔点的风速预报订正系统
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN116106856B (zh) 雷暴大风的识别模型建立方法、识别方法及计算设备
CN113933845A (zh) 一种基于双线偏振雷达的地面降雹识别和预警方法
CN117332904A (zh) 一种基于数字孪生系统的输配电线路树障预测方法及装置
CN116704366A (zh) 基于transformer深度学习模型的暴雨落区识别预警方法和装置
CN115877345A (zh) 一种风廓线雷达缺测数据的补齐方法和装置
CN115902812A (zh) 一种短时暴雨天气背景自动判别方法、系统、设备及终端
CN115907189A (zh) 基于混合模型的大风预报订正方法
CN113850233A (zh) 一种基于要素的雷暴大风的识别方法
CN113408656A (zh) 一种适用于由气象变化引起电力故障级别分类方法
CN113962465B (zh) 降水预报方法、设备、装置及存储介质
CN115236676B (zh) 一种基于滑动时空匹配的冰雹数据集生成方法和装置
CN118312925B (zh) 一种雷暴大风识别方法、系统、设备及介质
CN116821626B (zh) 一种水电站气象数据监测查询警报系统
CN118050729B (zh) 一种基于改进U-Net的雷达回波时间降尺度订正方法
CN118427514A (zh) 基于海雾指数的海雾预测方法及系统
CN118411037B (zh) 一种电网项目评审智能风险评估系统及方法
CN118153786B (zh) 基于深度学习的对流性大风短时预报方法及系统
KR102704545B1 (ko) 트리 기반 기계학습 알고리즘과 기상 예측 자료를 이용한 시정 예측 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