CN116047631B - 降水预报方法、装置、电子设备及存储介质 - Google Patents
降水预报方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116047631B CN116047631B CN202310333364.0A CN202310333364A CN116047631B CN 116047631 B CN116047631 B CN 116047631B CN 202310333364 A CN202310333364 A CN 202310333364A CN 116047631 B CN116047631 B CN 116047631B
- Authority
- CN
- China
- Prior art keywords
- data
- precipitation
- radar reflectivity
- time sequence
- model
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000002310 reflectometry Methods 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013213 extrapolation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004821 distillation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Electromagnetism (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了降水预报方法、装置、电子设备及存储介质，应用于天气预报领域。所述方法包括获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。以此方式，可以结合地面雷达数据来改进微波湿度计的降水反演预报算法，具有预报降水覆盖面广、预报精度高、预报时间长的优点。
Description
技术领域
本公开涉及天气预报领域，尤其涉及降水量预测技术领域，具体涉及降水预报方法、装置、电子设备及存储介质。
背景技术
降水预报具有高度非线性复杂的变化趋势，需要较高时空分辨率和时效性较强的数据来训练预测模型。目前，在降水预报方面，最常见的为数理统计方法、传统的数值天气预报降水、以及使用雷达回波外推预报降水。数理统计方法主要是通过收集和降水相关性较高的相关因子，建立物理统计模型，进而对降水进行预测。数值天气预报是指根据大气实际情况，在设置一定的初值及边界场条件下，通过求解热动力学方程和流体力学方程，来预报未来的天气形势。比如，一种结合中尺度数值天气预报模型和“外推”的临近预报技术，利用数值预报校正场调整相应时间数值预报的定量降水区域和强度，将数值模式定量降水预报和临近降水预报结果进行融合，弥补“外推预报”在2h以上降水预报不足的缺陷。人工智能技术与气象领域相结合的应用已经非常广泛，气象雷达具有6分钟扫描一次、1km空间分辨率的优势，在短临预报降水中应用广泛。短时临近降雨最常用的方法为卷积LSTM，将短临降水预报模型变为一个可以用 Seq2Seq 学习框架解决的时空序列预测问题，预报降水区域被划分为网格数据，每个网格数据均代表一定时间间隔的降水数据，以此将数据转为时空三维数据，搭建了多层ConLSTM实现端到端的预报模型。ConLSTM改进了LSTM缺乏空间相关性的弱点，通过卷积提取特征来刻画局部空间特征，实现时空卷积预报。
但是，物理统计模型需要结合大量的先验知识，同时对数据的质量要求非常高。数值天气预报模式可以在一定程度上实现更长时间的较为精确的预测，但是这个过程需要具备热力学、气候动力学等相关知识，并伴随着物理模型较为复杂的特点。而基于雷达外推的深度学习方法可以对具有非线性、复杂性的降水数据进行建模，预报准确率高，但具有随着预报时长的增加，预测精度随之下降的缺点，同时由于雷达观测半径有限，存在很多预报区域无法预测的问题。
发明内容
本公开提供了一种降水预报方法、装置、电子设备及存储介质。
根据本公开的第一方面，提供了一种降水预报方法。该方法包括：
获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；
将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；
基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
进一步地，所述时间序列降水预测模型的样本生成过程，包括：
获取历史亮温数据、历史雷达反射率数据；
根据历史雷达反射率数据对对应时间的历史亮温数据进行标识；
将标识后的历史亮温数据作为训练样本。
进一步地，所述时间序列降水预测模型的训练包括对训练样本的输入长度进行处理，具体包括：
在Informer模型的每两个自注意力块之间使用卷积层和最大池化层来修建训练样本的输入长度。
进一步地，所述时间序列降水预测模型包括时序特征训练层，具体包括：
将训练样本输入到Informer模型进行数据的时序特征训练；
响应于输出的雷达反射率数据与标识的雷达反射率数据的差异度小于第一预设阈值，完成对所述时间序列降水预测模型的学习。
进一步地，对所述时间序列降水预测模型的学习，还包括对模型的调参处理，具体包括：
基于交叉验证对训练样本进行数据分割，得到训练样本集、验证样本集；
基于验证样本集输出的雷达反射率数据与训练样本集输出的雷达反射率数据之间的误差值，调整所述时间序列降水预测模型的参数。
进一步地，所述基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报，包括：
将输出的雷达反射率数据作为所述待测区域的降水量数据；
根据所述降水量数据的大小，确定降水强度等级；
根据确定的降水强度等级和对应的时间信息进行气象预报。
进一步地，所述方法还包括：
获取当前时刻的实际降水量数据；
将当前时刻的实际降水量数据与模型预测的降水量数据进行比较分析，当误差超过第二预设阈值时，进行模型预警及订正。
根据本公开的第二方面，提供了一种降水预报装置。该装置包括：
数据获取模块，用于获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；
降水预测模块，用于将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；
降水预报模块，用于基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面所述的方法。
本公开的实施例提供的降水预报方法、装置、电子设备及存储介质，通过获取的微波湿度计大气窗区的亮温数据，引入地面雷达数据作为标识，并通过Informer模型和卷积神经网络模型的结合，对训练样本进行训练，实现时间序列降水预测模型预报降水覆盖面广、预报精度高、预报时间长的目标，最终根据时间序列降水预测模型输出的雷达反射率确定降水强度，并进行降水气象预报，能够解决随着预测序列长度增加，预测难度逐渐增大的问题，以及解决预报降水覆盖区域不完全的问题。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的一种降水预报方法的流程图；
图2示出了根据本公开的实施例的Informer模型的结构示意图；
图3示出了根据本公开的实施例的时间序列降水预测模型的训练样本的生成过程示意图；
图4示出了根据本公开的实施例的堆叠三个自注意力块的网络示意图；
图5示出了根据本公开的实施例的基于输出的雷达反射率数据进行降水气象预报的流程示意图；
图6示出了根据本公开的实施例的一种降水预报装置的框图；
图7示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的一种降水预报方法100的流程图。方法100包括：
步骤110，获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据。
在一些实施例中，先确定待进行降水预报的地区，并获取待进行降水预报的地区对应的用于降水预报的亮温数据。其中，用于降水预报的亮温数据是通过微波湿度计的探测通道获取的大气窗区数据，比如FY-3D微波湿度计-II（MWHS-II），具有四个探测频段，十五个探测通道，位于氧气吸收线118.75 GHz附近的8个探测通道用于大气温度的垂直探测；在183.31 GHz水汽吸收线附近的五个探测通道用以获得更加精细的大气水汽垂直分布信息；在89 GHz和150 GHz的大气窗区设置的两个探测通道可用于降水判识。通过微波湿度计的探测资料为数值天气预报提供及时准确的大气湿度和温度初始场信息，能够提升对暴雨等灾害性天气的预警能力。
步骤120，将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据。
在一些实施例中，通过将Informer模型与CNN卷积神经网络模型进行结合构建时间序列降水预测模型。如图2所示的Informer模型的结构示意图，Informer模型左侧是Encoder编码部分，它接收超长的输入数据。然后将传统的Self-Attention自注意力机制层替换为ProbSpare Self-Attention多头概率稀疏注意力层，以及蒸馏层Self-Attentiondistilling自我注意蒸馏操作来进行特征压缩，通过堆叠上述的两个操作来提高算法的鲁棒性。右侧是Decoder解码部分，它接收一系列的长序列输入，并将预测目标位置填充为0，再经过多头注意力机制层，最后生成预测输出。在Informer模型的每两个自注意力块之间使用卷积层和最大池化层来修建训练样本的输入长度，以实现Informer模型与CNN卷积神经网络模型的结合，并构建时间序列降水预测模型。
在一些实施例中，如图3所示的时间序列降水预测模型的训练样本的生成过程示意图，具体包括以下步骤：
步骤310，获取历史亮温数据、历史雷达反射率数据。
步骤320，根据历史雷达反射率数据对对应时间的历史亮温数据进行标识。
步骤330，将标识后的历史亮温数据作为训练样本。
在一些实施例中，由于微波湿度计通道亮温的 O-B 偏差和雷达反射率因子之间存在一定的正相关，雷达反射率因子越大，O-B 偏差的绝对值越大。例如，位于 118.75 GHz附近通道亮温值表现出对云和降水粒子较强的依赖性。所以，将历史雷达反射率数据作为标签，对对应时间的历史亮温数据进行标识，能够结合地面雷达数据来改进微波湿度计的降水反演预报，提高预报准确率的同时，也可以弥补由于雷达观测半径有限造成部分区域无法预测降水量的缺陷。
在一些实施例中，通过将步骤330得到的训练样本输入到Informer模型与CNN卷积神经网络模型进行结合构建时间序列降水预测模型中进行学习，其中，对时间序列降水预测模型的训练包括在Informer模型的每两个自注意力块之间使用卷积层和最大池化层来修建训练样本的输入长度。例如，通过在Informer模型的编码部分每两个自注意力块之间使用一个卷积层和一个最大池化层来修建训练样本的输入长度，这样的堆叠方式可以提取更深的特征图，同时时间和空间复杂度也有所降低。如图4所示的堆叠三个自注意力块的网络示意图，Padding步长为 1 的内核大小为 3 的Conv1d卷积层遵循前一个Attention自注意力块，以使特征更加了解局部上下文信息。然后使用Padding步长为 2 的内核大小为 3的Maxpooling最大池化层来赋予局部主导特征的特权，并为后一个自注意力块提供一个较少但更集中的特征图。其中，还通过Informer模型的Self-Attention distilling自我注意蒸馏操作进一步减少内存使用。以实现将训练样本x1、x2……xT-1、xT修建为长度更短的特征图。其中，卷积神经网络中的卷积层是由若干卷积单元组成的，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。最大池化层可以对卷积层所提取的信息做更一步降维，减少计算量，且能够加强图像特征的不变性，增加图像的偏移、旋转等方面的鲁棒性。
在一些实施例中，时间序列降水预测模型还包括时序特征训练层，将修建输入长度后的训练样本输入到Informer模型中进行数据的时序特征训练，当输出的雷达反射率数据与标识的雷达反射率数据的差异度小于第一预设阈值时，完成对时间序列降水预测模型的学习。例如，当输出的雷达反射率数据与标识的雷达反射率数据的差异度小于0.5时，完成对时间序列降水预测模型的学习。
在一些实施例中，对时间序列降水预测模型的学习，还包括对模型的调参处理，具体包括：基于交叉验证对训练样本进行数据分割，得到训练样本集、验证样本集；基于验证样本集输出的雷达反射率数据与训练样本集输出的雷达反射率数据之间的误差值，调整所述时间序列降水预测模型的参数。例如，可以采用 5 倍交叉验证的方法，选取2018年7月期间MWHS-Ⅱ微波湿度计的亮温数据作为训练集，2018年8月1日至2018年8月7日的数据作为测试集，降水选取通道为118.75 GHz。
步骤130，基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
在一些实施例中，如图5所示的基于输出的雷达反射率数据进行降水气象预报的流程示意图，具体包括以下步骤：
步骤510，将输出的雷达反射率数据作为所述待测区域的降水量数据。
步骤520，根据所述降水量数据的大小，确定降水强度等级。
步骤530，根据确定的降水强度等级和对应的时间信息进行气象预报。
在一些实施例中，一般降雨的雷达回波强度在20-50dBZ，当回波强度低于20dBZ，可能降雪，当回波强度大于50dBZ以上，出现冰雹的概率较大。例如，降雨强度在0.2-2.0mm/hr的小雨对应的回波强度为15-30 dBZ；降雨强度在2.0-10mm/hr的中雨对应的回波强度为30-40 dBZ；降雨强度在10-30mm/hr的大雨对应的回波强度为40-46 dBZ；降雨强度在30-50mm/hr的暴雨对应的回波强度为46-50 dBZ……根据输出的雷达反射率可以确定降水量的大小，并确定对应的降水强度等级之后，进行降水气象预报。
本公开的实施例通过获取的微波湿度计大气窗区的亮温数据，引入地面雷达数据作为标识，并通过Informer模型和卷积神经网络模型的结合，对训练样本进行训练，实现时间序列降水预测模型预报降水覆盖面广、预报精度高、预报时间长的目标，最终根据时间序列降水预测模型输出的雷达反射率确定降水强度，并进行降水气象预报，能够解决随着预测序列长度增加，预测难度逐渐增大的问题，以及解决预报降水覆盖区域不完全的问题。
在本公开提供的又一实施方式中，在上述实施方式的基础上，还可以包括对时间序列降水预测模型进行预警及订正，具体包括：获取当前时刻的实际降水量数据；将当前时刻的实际降水量数据与模型预测的降水量数据进行比较分析，当误差超过第二预设阈值时，进行模型预警及订正。
在一些实施例中，通过实际降水量数据与时间序列降水预测模型预测的降水量数据进行对比，若误差超过预设阈值，比如4，则对时间序列降水预测模型进行预警和订正。通过将预测降水量数据与实际降水量数据进行对比，及时订正时间序列降水预测模型，能够提高模型的预测精确度。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图6示出了根据本公开的实施例的一种降水预报装置600的方框图。如图6所示，装置600包括：
数据获取模块610，用于获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；
降水预测模块620，用于将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；
降水预报模块630，用于基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。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/或者要求的本公开的实现。
电子设备700包括计算单元701，其可以根据存储在ROM702中的计算机程序或者从存储单元708加载到RAM703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM702以及RAM703通过总线704彼此相连。I/O接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法100。
本文中以上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、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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（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（LAN）、广域网（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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (7)
1.一种降水预报方法，其特征在于，包括：
获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；
将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；
其中，
所述时间序列降水预测模型的训练包括对训练样本的输入长度进行处理，具体包括在Informer模型的每两个自注意力块之间使用卷积层和最大池化层来修建训练样本的输入长度；
所述时间序列降水预测模型包括时序特征训练层，具体包括：将训练样本输入到Informer模型进行数据的时序特征训练；响应于输出的雷达反射率数据与标识的雷达反射率数据的差异度小于第一预设阈值，完成对所述时间序列降水预测模型的学习；
其中，所述时间序列降水预测模型的样本生成过程，包括获取历史亮温数据、历史雷达反射率数据；根据历史雷达反射率数据对对应时间的历史亮温数据进行标识；将标识后的历史亮温数据作为训练样本；
基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
2.根据权利要求1所述的方法，其特征在于，对所述时间序列降水预测模型的学习，还包括对模型的调参处理，具体包括：
基于交叉验证对训练样本进行数据分割，得到训练样本集、验证样本集；
基于验证样本集输出的雷达反射率数据与训练样本集输出的雷达反射率数据之间的误差值，调整所述时间序列降水预测模型的参数。
3.根据权利要求1所述的方法，其特征在于，所述基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报，包括：
将输出的雷达反射率数据作为所述待测区域的降水量数据；
根据所述降水量数据的大小，确定降水强度等级；
根据确定的降水强度等级和对应的时间信息进行气象预报。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取当前时刻的实际降水量数据；
将当前时刻的实际降水量数据与模型预测的降水量数据进行比较分析，当误差超过第二预设阈值时，进行模型预警及订正。
5.一种降水预报装置，其特征在于，包括：
数据获取模块，用于获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；
降水预测模块，用于将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；其中，所述时间序列降水预测模型的训练包括对训练样本的输入长度进行处理，具体包括在Informer模型的每两个自注意力块之间使用卷积层和最大池化层来修建训练样本的输入长度；所述时间序列降水预测模型包括时序特征训练层，具体包括：将训练样本输入到Informer模型进行数据的时序特征训练；响应于输出的雷达反射率数据与标识的雷达反射率数据的差异度小于第一预设阈值，完成对所述时间序列降水预测模型的学习；其中，所述时间序列降水预测模型的样本生成过程，包括获取历史亮温数据、历史雷达反射率数据；根据历史雷达反射率数据对对应时间的历史亮温数据进行标识；将标识后的历史亮温数据作为训练样本；
降水预报模块，用于基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
6. 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1-4中任一权利要求所述的方法。
7.一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根据权利要求1-4中任一权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310333364.0A CN116047631B (zh) | 2023-03-31 | 2023-03-31 | 降水预报方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310333364.0A CN116047631B (zh) | 2023-03-31 | 2023-03-31 | 降水预报方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116047631A CN116047631A (zh) | 2023-05-02 |
| CN116047631B true CN116047631B (zh) | 2023-06-20 |
Family
ID=86131740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310333364.0A Active CN116047631B (zh) | 2023-03-31 | 2023-03-31 | 降水预报方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116047631B (zh) |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445816B (zh) * | 2015-12-14 | 2017-10-03 | 中国气象局气象探测中心 | 一种云雷达与卫星探测数据融合方法及系统 |
| CN108445464B (zh) * | 2018-03-12 | 2021-09-10 | 南京恩瑞特实业有限公司 | 基于机器学习的卫星雷达反演融合方法 |
| RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
| CN110221360A (zh) * | 2019-07-25 | 2019-09-10 | 广东电网有限责任公司 | 一种电力线路雷暴预警方法及系统 |
| CN111638565A (zh) * | 2020-06-09 | 2020-09-08 | 云南电网有限责任公司电力科学研究院 | 一种山区暴雨监测方法 |
| CN113723669B (zh) * | 2021-08-09 | 2023-01-06 | 贵州电网有限责任公司 | 一种基于Informer模型的输电线路覆冰预测方法 |
| CN114298162A (zh) * | 2021-12-09 | 2022-04-08 | 湖北省气象信息与技术保障中心 | 融合卫星雷达多源数据的降水质量控制与评估方法及应用 |
| CN115267945A (zh) * | 2022-06-29 | 2022-11-01 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于图神经网络的雷电预警方法与系统 |
| CN115421220A (zh) * | 2022-08-30 | 2022-12-02 | 中国科学院国家空间科学中心 | 一种基于深度学习的多因子局部降水指示方法及系统 |
| CN115310724A (zh) * | 2022-10-10 | 2022-11-08 | 南京信息工程大学 | 一种基于Unet和DCN_LSTM的降水预测方法 |
| CN115453541A (zh) * | 2022-11-14 | 2022-12-09 | 中科星图维天信(北京)科技有限公司 | 降水量预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-31 CN CN202310333364.0A patent/CN116047631B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116047631A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
| US20210341646A1 (en) | Weather parameter prediction model training method, weather parameter prediction method, electronic device and storage medium | |
| CN113011305B (zh) | 基于语义分割和条件随机场的sar图像道路提取方法和装置 | |
| CN115409990B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN114332977A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
| CN112417752B (zh) | 基于卷积lstm神经网络的云层轨迹预测方法及系统 | |
| CN115797565B (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
| CN111709428B (zh) | 图像中关键点位置的识别方法、装置、电子设备及介质 | |
| CN113780270A (zh) | 目标检测方法和装置 | |
| CN114677653A (zh) | 模型训练方法、车辆关键点检测方法及相应的装置 | |
| CN114898206A (zh) | 一种短时强降水预报方法及计算机设备和存储介质 | |
| CN116047631B (zh) | 降水预报方法、装置、电子设备及存储介质 | |
| CN117132964A (zh) | 模型训练方法、点云编码方法、对象处理方法及装置 | |
| CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
| CN109543716B (zh) | 一种基于深度学习的k线形态图像识别方法 | |
| CN115239700A (zh) | 一种脊椎Cobb角测量方法、装置、设备及存储介质 | |
| CN115239733A (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
| CN115359026A (zh) | 基于微波雷达的特种车辆行进方法、装置、电子设备及介质 | |
| CN115618714A (zh) | 一种太阳辐射概率预报方法及相关设备 | |
| CN114067099A (zh) | 学生图像识别网络的训练方法及图像识别方法 | |
| CN112348062A (zh) | 气象图像预测方法、装置、计算机设备和存储介质 | |
| Qiu et al. | Perception-oriented UAV Image Dehazing Based on Super-Pixel Scene Prior | |
| CN116706906B (zh) | 一种光伏电站输出功率的预测方法、装置、设备及介质 | |
| CN114550236B (zh) | 图像识别及其模型的训练方法、装置、设备和存储介质 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 1801, 18th floor, building 1, yard 1, No. 81, Beiqing Road, Haidian District, Beijing 100094 Patentee after: Zhongkexing Tuwei Tianxin Technology Co.,Ltd. Address before: Room 1801, 18th floor, building 1, yard 1, No. 81, Beiqing Road, Haidian District, Beijing 100094 Patentee before: Zhongkexing Tuwei Tianxin (Beijing) Technology Co.,Ltd. |