CN116106987A - 气象预测方法、电子设备和可读存储介质 - Google Patents

Abstract

本申请实施例提供了一种气象预测方法、电子设备和可读存储介质，涉及计算机技术领域。本申请实施例可以结合气象预测模型良好的拟合能力，实现根据初始气象数据准确推算出目标时刻的目标气象数据，从而提高气象预测的精度。另外，由于本申请实施例可以推算出目标时刻的目标气象数据，且目标时刻可以是任意时刻，因此，本申请实施例能够以更高的频率更新目标气象云图，以使得电子设备能够控制显示最新的气象云图，从而提高气象灾害预警、报警的响应速度。

Description

气象预测方法、电子设备和可读存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种气象预测方法、电子设备和可读存储介质。

背景技术

气象预测对于防范气象灾害具有重要的意义，在相关技术中，常用的气象预测手段是通过人工观察的方式来判断气象云图的走势，从而人为进行气象预测。

但是，通过人工观察的方式往往会带来响应不及时、判断误差大以及判断精度低等问题，因此，如何有效提高气象预测的精度以及响应速度是目前亟需解决的问题。

发明内容

有鉴于此，本申请实施例提供一种气象预测方法、电子设备和可读存储介质，以提高气象预测的精度以及更新频率，从而提高气象灾害预警、报警的响应速度。

第一方面，提供了一种气象预测方法，所述方法包括：

确定初始气象数据，所述初始气象数据包括多个气象像素点，以及各所述气象像素点对应的气象数据。

将所述气象像素点中的目标像素点的气象数据，以及所述目标像素点的关联数据输入预先训练的气象预测模型，以确定所述目标像素点在目标时刻的目标气象数据，其中，所述关联数据用于表征与目标像素点在时间维度和/或空间维度具有关联关系的气象数据。

根据所述初始气象数据和所述目标气象数据，生成目标气象云图。

控制显示所述目标气象云图。

在一些实施例中，所述确定初始气象数据包括：

获取初始雷达数据，所述初始雷达数据中至少包括多个不同仰角的气象雷达所采集的气象数据。

对所述初始雷达数据进行滤波处理和插补处理，以确定初始气象数据。

在一些实施例中，所述确定初始气象数据包括：

获取初始卫星数据，所述初始卫星云图数据中至少包括多颗卫星采集的云图数据。

对所述初始卫星数据中的各云图数据进行融合处理，以确定初始气象数据。

在一些实施例中，所述气象预测模型包括多个预定地理区域下的持续性降水预测模型和对流性降水预测模型。

所述将所述气象像素点中的目标像素点的气象数据，以及所述目标像素点的关联数据输入预先训练的气象预测模型，以确定所述目标像素点在目标时刻的目标气象数据包括：

根据所述目标像素点所处的预定地理区域和所述目标像素点对应的降水类型，在所述气象预测模型中确定所述目标像素点对应的目标预测模型。

将所述目标像素点的气象数据，以及所述目标像素点的关联数据输入所述目标预测模型，以确定所述目标像素点在目标时刻的目标气象数据。

在一些实施例中，所述方法还包括：

获取汇水面积地形图和线路桥涵设备图。

根据所述目标气象云图、所述汇水面积地形图和所述线路桥涵设备图，生成叠加地图。

控制显示所述叠加地图。

在一些实施例中，所述方法还包括：

根据所述目标气象云图和预先训练的强对流云团跟踪预测模型，确定所述目标气象云图对应的预测降雨位置和预测降雨量。

控制显示所述预测降雨位置和所述预测降雨量。

在一些实施例中，所述控制显示所述预测降雨位置和所述预测降雨量包括：

获取铁路路网地图，所述铁路路网地图中包括目标铁路路线。

根据所述铁路路网地图、所述预测降雨位置和所述预测降雨量，控制显示所述目标铁路路线周围预定范围内的预测降雨位置和预测降雨量。

在一些实施例中，所述方法还包括：

响应于所述目标铁路路线周围预定范围内的预测降雨量大于预定降雨量阈值，执行气象灾害预警。

响应于所述目标铁路路线周围预定范围内的实时降雨量大于所述预定降雨量阈值，执行气象灾害报警，所述实时降雨量至少基于雨量计确定。

第二方面，提供了一种气象预测装置，所述装置包括：

初始气象数据确定模块，被配置为执行确定初始气象数据，所述初始气象数据包括多个气象像素点，以及各所述气象像素点对应的气象数据。

气象数据预测模块，被配置为执行将所述气象像素点中的目标像素点的气象数据，以及所述目标像素点的关联数据输入预先训练的气象预测模型，以确定所述目标像素点在目标时刻的目标气象数据，其中，所述关联数据用于表征与目标像素点在时间维度和/或空间维度具有关联关系的气象数据。

气象云图生成模块，被配置为执行根据所述初始气象数据和所述目标气象数据，生成目标气象云图。

第一显示模块，被配置为执行控制显示所述目标气象云图。

在一些实施例中，所述初始气象数据确定模块具体被配置为执行：

获取初始雷达数据，所述初始雷达数据中至少包括多个不同仰角的气象雷达所采集的气象数据。

对所述初始雷达数据进行滤波处理和插补处理，以确定初始气象数据。

在一些实施例中，所述初始气象数据确定模块具体被配置为执行：

获取初始卫星数据，所述初始卫星云图数据中至少包括多颗卫星采集的云图数据。

对所述初始卫星数据中的各云图数据进行融合处理，以确定初始气象数据。

在一些实施例中，所述气象预测模型包括多个预定地理区域下的持续性降水预测模型和对流性降水预测模型。

所述气象数据预测模块具体被配置为执行：

根据所述目标像素点所处的预定地理区域和所述目标像素点对应的降水类型，在所述气象预测模型中确定所述目标像素点对应的目标预测模型。

将所述目标像素点的气象数据，以及所述目标像素点的关联数据输入所述目标预测模型，以确定所述目标像素点在目标时刻的目标气象数据。

在一些实施例中，所述装置还包括：

获取模块，被配置为执行获取汇水面积地形图和线路桥涵设备图。

叠加地图生成模块，被配置为执行根据所述目标气象云图、所述汇水面积地形图和所述线路桥涵设备图，生成叠加地图。

第二显示模块，被配置为执行控制显示所述叠加地图。

在一些实施例中，所述装置还包括：

降雨预测模块，被配置为执行根据所述目标气象云图和预先训练的强对流云团跟踪预测模型，确定所述目标气象云图对应的预测降雨位置和预测降雨量。

第三显示模块，被配置为执行控制显示所述预测降雨位置和所述预测降雨量。

在一些实施例中，所述第三显示模块具体被配置为执行：

获取铁路路网地图，所述铁路路网地图中包括目标铁路路线。

根据所述铁路路网地图、所述预测降雨位置和所述预测降雨量，控制显示所述目标铁路路线周围预定范围内的预测降雨位置和预测降雨量。

在一些实施例中，所述装置还包括：

预警模块，被配置为执行响应于所述目标铁路路线周围预定范围内的预测降雨量大于预定降雨量阈值，执行气象灾害预警。

报警模块，被配置为执行响应于所述目标铁路路线周围预定范围内的实时降雨量大于所述预定降雨量阈值，执行气象灾害报警，所述实时降雨量至少基于雨量计确定。

第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。

在本申请实施例中，可以确定初始气象数据，并将气象像素点中的目标像素点的气象数据，以及目标像素点的关联数据输入预先训练的气象预测模型，以确定目标像素点在目标时刻的目标气象数据。进一步的，本申请实施例可以根据初始气象数据和目标气象数据，生成目标气象云图并控制显示目标气象云图。在此过程中，结合气象预测模型良好的拟合能力，使得本申请实施例能够根据初始气象数据准确推算出目标时刻的目标气象数据，从而提高气象预测的精度。另外，由于本申请实施例可以推算出目标时刻的目标气象数据，且目标时刻可以是任意时刻，因此，本申请实施例能够以更高的频率更新目标气象云图，以使得电子设备能够控制显示最新的气象云图，从而提高气象灾害预警、报警的响应速度。

附图说明

通过以下参照附图对本申请实施例的描述，本申请实施例的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1为本申请实施例中气象预测系统的示意图；

图2为本申请实施例中另一种气象预测系统的示意图；

图3为本申请实施例中气象预测方法的流程图；

图4为本申请实施例中雷达回波数据的示意图；

图5为本申请实施例中显示界面的示意图；

图6为本申请实施例中气象预测装置的结构示意图；

图7为本申请实施例中电子设备的结构示意图。

具体实施方式

以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在相关技术中，常用的气象预测手段是通过人工观察的方式来判断气象云图的走势，从而人为进行气象预测。例如，观测人员可以通过从公共渠道获取的气象数据，对气象云图的走势进行判断，从而确定未来某个地点在某个时间段内会发生降雨等现象。

但是，在一方面，公共渠道的气象数据更新频率较低(公共渠道的气象数据往往是每隔数分钟才会进行一次气象数据更新)，这使得观测人员观测的数据可能存在一定的延后性，从而在一定程度上影响气象预测的精度以及响应速度。在另一方面，由于通过人工观察的方式并不能顾及全部地区，从而也会在一定程度上影响气象预测的精度以及响应速度。因此，在相关技术中，通过人工观察的方式往往会带来响应不及时、判断误差大以及判断精度低等问题。

为了解决上述问题，本申请实施例提供一种气象预测方法，以实现有效提高气象预测的精度以及速度。具体的，该气象预测方法可以应用于气象预测系统，气象预测系统可以包括数据接收单元、数据处理单元以及显示单元。

如图1所示，图1为本申请实施例中气象预测系统的示意图，其中，数据接收单元11可以被配置为接收气象数据，并将该气象数据发送至数据处理单元12。数据处理单元12可以是电子设备中的处理器，其中，电子设备可以是终端或者服务器，终端可以是智能手机、平板电脑或者个人计算机(Personal Computer，PC)等，服务器可以是单个服务器，也可以是以分布式方式配置的服务器集群，还可以是云服务器。数据处理单元12可以被配置为接收数据接收单元11发送的气象数据、执行上述气象预测方法并控制显示单元13。显示单元13可以被配置接收数据处理单元12发送的控制指令，并显示相应的界面。

其中，数据处理单元12中可以设置有软件系统，该软件系统的web系统可以是基于java架构构建的系统，该软件系统在移动端可以为气象预测系统APP(application)，移动端接口服务和移动端接口转发服务均可以采用SpringBoot架构。

具体的，如图2所示，气象预测系统21的逻辑架构可以分为5个基础层级，基础层级可以包括基础设施层211、数据层212、技术支撑层213、业务应用层214和用户终端层215。其中，基础设施层211可以包括网络和硬件设备、操作系统及相关系统软件。数据层212可以包括集中数据库和文件服务，实现结构化、文件数据的存储。技术支撑层213可以包括基于java的开发框架SpringMVC、数据库框架Mybatis、自动化构建工具Maven、存储系统Redis和WebGis引擎Cesium等。业务应用层214可以实现降雨预报、灾害报警、雨量计告警、四色预警、地震应急和铁路设备管理等功能。用户终端层215可以用于用户浏览操作，包括页面的布局、样式及业务数据的整合展示，完成与用户的交互。

另外，该气象预测系统21中的数据可以包括结构化数据和非结构化数据，其中，结构化数据可以分为主数据、业务数据和分析数据。主数据可以包括GIS数据、线路、桥涵、地面站、汇水区域、雷达、雨量计数据等公用基础数据。业务数据可以包括降雨数据、气象数据、地震数据、泥石流数据、员工数据、雨量计数据等涵盖所有事务性的数据和管理数据。分析数据可以包括报表数据、统计数据、历史数据等。

进一步的，在图1中，数据接收单元11可以是电子设备中用于接收气象数据的装置，其可以通过与电子设备外部的气象数据采集设备进行通信连接，从而接收气象数据。数据接收单元11也可以是电子设备中直接用于采集气象数据的装置。

显示单元13可以是电子设备中设置的显示屏等显示装置，其可以直接接收数据处理单元12发送的控制指令，并显示相应的界面。显示单元13也可以是电子设备外部的独立显示设备，其可以通过与电子设备之间的有线通信连接或无线通信连接接收数据处理单元12生成的控制指令，并显示相应的界面。

进一步的，如图3所示，数据处理单元12可以被配置为执行如下步骤：

在步骤S110，确定初始气象数据。

其中，初始气象数据可以是从公共渠道获取的气象数据，也可以是对该公共渠道获取的气象数据进行预处理后得到的数据。初始气象数据包括多个气象像素点，以及各气象像素点对应的气象数据，也就是说，初始气象数据可以通过气象云图等图像的形式进行展示，图中的每个像素点均可以表征对应区域内的气象数据，该气象数据可以包括降水量、气温、风场等数据。

在一种可选的实施方式中，上述步骤S110可以包括如下步骤：

在步骤S111，获取初始雷达数据。

其中，初始雷达数据中至少包括多个不同仰角的气象雷达所采集的气象数据。在实际应用中，一般的气象雷达图像只有单层仰角数据，这使得气象雷达图像往往存在超折射杂波和扇形缺失等负面情况，从而使得气象预测的准确率较低。在本申请实施例中，通过获取多个不同仰角的气象雷达所采集的气象数据，可以避免上述超折射杂波和扇形缺失等情况所导致的问题。

在步骤S112，对初始雷达数据进行滤波处理和插补处理，以确定初始气象数据。

其中，滤波处理可以包括三维滤波、连续性特性滤波、形态学滤波和斑点噪音滤波等滤波处理手段，插补处理可以包括空间插补延长法等插补处理。

如图4所示，图4为本申请实施例中初始气象数据对应的回波数据41的示意图。

由图4可知，传统雷达回波数据中存在超折射杂波和扇形缺失等负面干扰信息，通过本申请实施例的滤波处理和插补处理可以有效滤除上述负面干扰信息，从而得到更符合实际情况的回波数据。

在本申请实施例中，由于初始雷达数据中至少包括多个不同仰角的气象雷达所采集的气象数据。因此，本申请实施例可以在一方面对多个不同仰角的气象数据进行三维滤波、连续性特性滤波、形态学滤波和斑点噪音滤波等滤波处理，以实现去除晴空地物回波和昆虫鸟群回波等非降水杂波。在另一方面，本申请实施例还可以采用多层仰角回波的空间插补延长法弥补气象雷达图像中缺失的径向数据，使得实时和外推的雷达图像质量能得到充分保障。

在一种可选的实施方式中，上述步骤S110也可以包括如下步骤：

在步骤S113，获取初始卫星数据。

其中，初始卫星云图数据中至少包括多颗卫星采集的云图数据。在实际应用中，某些地理区域的气象数据获取手段有限(例如，可能存在某些地理区域中的气象雷达数量不足的情况)，在此情况下，本申请实施例可以通过覆盖面积较大的气象卫星来确定初始气象数据。

另外，本申请实施例中用于采集云图数据的卫星可以是风云系列卫星、葵花系列卫星、MTG气象卫星、地球静止环境业务卫星(Geostationary Operational EnvironmentalSatellite，GOES)等。

在步骤S114，对初始卫星数据中的各云图数据进行融合处理，以确定初始气象数据。

通过本申请实施例，可以将多颗卫星采集的云图数据作为初始卫星数据，然后对初始卫星数据中的各云图数据进行融合处理，以确定初始气象数据。这样，可以扩充确定初始气象数据的手段，提高气象预测系统的适应性。

另外，结合上述实施方式，本申请实施例也可以同时获取上述初始雷达数据和上述初始卫星数据，进而将两种数据进一步融合，从而确定初始气象数据，以使得初始气象数据更加准确。

在步骤S120，将气象像素点中的目标像素点的气象数据，以及目标像素点的关联数据输入预先训练的气象预测模型，以确定目标像素点在目标时刻的目标气象数据。

其中，关联数据用于表征与目标像素点在时间维度和/或空间维度具有关联关系的气象数据。气象预测模型可以是机器学习模型(例如基于卷积神经网络构建的神经网络模型)，本申请实施例可以基于历史数据对机器学习模型进行训练，从而得到气象预测模型。其中，历史数据可以包括历史时间点、历史某时刻的雷达实况图、历史某时刻的短临降雨实况图、预警汇水区域以及该汇水区域相关属性信息等。

在本申请实施例中，通过历史数据训练得到的气象预测模型，可以基于学习的历史数据，预测气象的变化。当遭遇气象灾害(例如洪水、暴雨等气象灾害)时，气象预测模型可以基于过去发生灾害时的历史数据，真实反演展示气象灾害发生时的情况。针对一些重大的气象灾害事件，例如气象灾害对行车安全、路基桥涵、人员安全等造成的一系列影响，本申请实施例可以通过对重大事件的回溯，对气象预测模型进行训练，从而建立有效的预防机制，防止同类型重大事故再次发生。

在一种可选的实施方式中，气象预测模型可以包括多个预定地理区域下的持续性降水预测模型和对流性降水预测模型。

其中，由于不同地理区域的气候特点和海拔等因素不同，所以，即使两个不同地理区域的初始气象数据相同，这两个地理区域也可能会对应不同的气候特点。以气象雷达获取的气象数据为例，由于不同地理区域的气候特点和海拔等因素不同，因此，相同雨量的雷达回波强度可能会具有显著差异。进而，本申请实施例可以针对不同预定地理区域分别训练气象预测模型，以使得各个气象预测模型更具有针对性。其中，预定地理区域可以根据地形划分，也可以根据经纬度划分，还可以根据其它适用的方式进行划分。

进一步的，即使在同一地理区域，持续性降水和对流性降水对应的气候特点也不相同。因此，本申请实施例在同一预定地理区域下，可以分别设置持续性降水预测模型和对流性降水预测模型，以实现对持续性降水和对流性降水分别预测，从而进一步提高气象预测的准确度。

进一步的，上述步骤S120可以包括如下步骤：

在步骤S121，根据目标像素点所处的预定地理区域和目标像素点对应的降水类型，在气象预测模型中确定目标像素点对应的目标预测模型。

其中，由于本申请实施例根据地理区域以及降水类型对各个气象预测模型进行划分，因此，本申请实施例可以针对各个预定地理区域内不同降水类型使用不同的气象预测模型，提高气象预测的准确度。

进一步的，由于时间对于气候也存在一定的影响，例如季节对气候的影响以及同一天的不同时刻对气候的影响等，因此，本申请实施例在根据地理区域和降水类型对气象预测模型进行划分的基础上，还可以进一步在时间维度对气象预测模型做进一步划分，确定各个预定地理区域和各个降水类型中，不同时间段对应的气象预测模型。其中，该时间段可以是以小时、天、周和月等作为单位。

在步骤S122，将目标像素点的气象数据，以及目标像素点的关联数据输入目标预测模型，以确定目标像素点在目标时刻的目标气象数据。

通过本申请实施例，可以根据初始气象数据以及对应的目标预测模型，确定目标像素点在目标时刻的目标气象数据。实现了针对各个预定地理区域内不同降水类型使用不同的气象预测模型，提高了气象预测的准确度。

在步骤S130，根据初始气象数据和目标气象数据，生成目标气象云图。

其中，目标气象云图中可以包括初始气象数据以及各个目标时刻的目标气象数据。具体的，本申请实施例可以确定初始气象数据对应的气象云图和各个目标时刻对应的气象云图，进而将各个气象云图进行合并，从而确定目标气象云图，该目标气象云图可以是视频形式的气象云图，也可以是动态图像形式(例如GIF格式的动态图像)，还可以是静态图像集合的形式。

在步骤S140，控制显示目标气象云图。

其中，本申请实施例用于执行气象预测方法的电子设备在生成目标气象云图后，可以通过控制指令的方式控制自身或者外部通信连接的显示屏对目标气象云图进行显示。

在本申请实施例中，可以确定初始气象数据，并将气象像素点中的目标像素点的气象数据，以及目标像素点的关联数据输入预先训练的气象预测模型，以确定目标像素点在目标时刻的目标气象数据。进一步的，本申请实施例可以根据初始气象数据和目标气象数据，生成目标气象云图并控制显示目标气象云图。在此过程中，结合气象预测模型良好的拟合能力，使得本申请实施例能够根据初始气象数据准确推算出目标时刻的目标气象数据，从而提高气象预测的精度。另外，由于本申请实施例可以推算出目标时刻的目标气象数据，且目标时刻可以是任意时刻，因此，本申请实施例能够以更高的频率更新目标气象云图，以使得电子设备能够控制显示最新的气象云图，从而提高气象灾害预警、报警的响应速度。

在一种可选的实施方式中，本申请实施例还可以包括如下步骤：

在步骤S210，获取汇水面积地形图和线路桥涵设备图。

其中，汇水面积地形图可以根据从公共渠道获取的地形数据进行绘制，线路桥涵设备图可以根据从公共渠道获取的线路桥涵设备数据进行绘制。

在步骤S220，根据目标气象云图、汇水面积地形图和线路桥涵设备图，生成叠加地图。

在本申请实施例中，目标气象云图可以表征天气状况，汇水面积地形图和线路桥涵设备图可以表征地貌以及地表的线路桥涵设备，因此，通过上述三种图像的叠加，本申请实施例可以确定各个地理位置以及各个线路桥涵设备附近的天气状况，从而获知各个地理位置以及各个设施附近是否即将发生或者正在发生气象灾害。

在步骤S230，控制显示叠加地图。

其中，本申请实施例用于执行气象预测方法的电子设备在生成叠加地图后，可以通过控制指令的方式控制自身或者外部通信连接的显示屏对叠加地图进行显示。

本申请实施例通过控制显示叠加地图的方式，能够以可视化的方式展示各个地理位置以及各个线路桥涵设备附近即将发生或者正在发生的气象灾害，从而达到及时预警和报警的目的。

在一种可选的实施方式中，本申请实施例还可以包括如下步骤：

在步骤S310，根据目标气象云图和预先训练的强对流云团跟踪预测模型，确定目标气象云图对应的预测降雨位置和预测降雨量。

其中，强对流云团跟踪预测模型可以是机器学习模型(例如基于卷积神经网络构建的神经网络模型)，本申请实施例可以基于历史数据对机器学习模型进行训练，从而得到强对流云团跟踪预测模型。其中，历史数据可以包括历史时间点、历史某时刻的雷达实况图、历史某时刻的短临降雨实况图、预警汇水区域以及该汇水区域相关属性信息等。

在本申请实施例确定准确的目标气象云图之后，可以根据预先训练的强对流云团跟踪预测模型和该准确的目标气象云图，准确确定各地理位置的降雨情况。

在步骤S320，控制显示预测降雨位置和预测降雨量。

其中，本申请实施例用于执行气象预测方法的电子设备在确定预测降雨位置和预测降雨量后，可以通过控制指令的方式控制自身或者外部通信连接的显示屏对预测降雨位置和预测降雨量进行显示。

本申请实施例通过控制显示预测降雨位置和预测降雨量的方式，能够以可视化的方式展示各个地理位置附近即将发生或者正在发生的降雨情况，从而达到及时预警和报警的目的。

在一种可选的实施方式中，上述步骤S320可以包括如下步骤：

在步骤S321，获取铁路路网地图，铁路路网地图中包括目标铁路路线。

其中，铁路路网地图是本申请实施例从公开渠道获取的路网数据，目标铁路路线可以是上述铁路路网地图中的全部铁路路线，也可以是上述铁路路网地图中的部分铁路路线。

在步骤S322，根据铁路路网地图、预测降雨位置和预测降雨量，控制显示目标铁路路线周围预定范围内的预测降雨位置和预测降雨量。

其中，目标铁路路线周围预定范围可以是铁路路线周围500米、1000米和2000米等适用的数值。

如图5所示，图5为本申请实施例中的一种显示界面的示意图。

由图5可知，图5所示的显示界面中包括铁路路网地图、预测降雨位置和预测降雨量，通过预测降雨位置和预测降雨量，本申请实施例可以准确预测各铁路路线附近的降雨情况。

由于铁路防洪工作是保障铁路安全的重中之重，这些灾害的形成多与降雨有关。因此，在本申请实施例中，通过铁路路网地图、预测降雨位置和预测降雨量，可以显示目标铁路路线周围预定范围内的预测降雨位置和预测降雨量，从而实现快速及时的铁路防洪预警和报警。

另外，以图5所示的显示界面为例，该显示界面可以提供未来2小时全局的雷达外推图像，通过时间轴实现雷达趋势动态播放效果。在实际应用中，工作人员可通过点击任意点实现查询未来2小时、24小时逐5分的降水量预报。该显示界面还可以提供未来2小时任意站点的雷达外推图像，通过时间轴实现雷达趋势动态播放效果，工作人员可通过点击任意点实现查询未来2小时逐5分、24小时逐1小时的降水量预报。该显示界面还可以提供全局未来24小时、72小时、15天降水量预报趋势图，工作人员可通过点击任意点实现查询未来24、72小时逐1小时、15天逐1天的降水量预报。该显示界面还可以提供全局前后48小时气温趋势色斑图及未来24小时曲线变化图，每小时滚动更新一次，以实现历史气温查看以及未来气温预测。该显示界面还可以提供全局前后48小时湿度趋势色斑图及未来24小时曲线变化图，每小时滚动更新一次，以实现历史湿度查看以及未来湿度预测。该显示界面还可以提供全局前后48小时的风力趋势色斑图及未来24小时曲线变化图，每小时滚动更新一次，以实现历史风力查看以及未来风力预测。该显示界面还可以在地震发生后第一时间查询震级、震中、地震影响范围等信息，并报警提示。

也就是说，本申请实施例在预测降雨位置和预测降雨量的同时，还可以根据初始气象数据和相应的机器学习模型，预测气温、湿度和风力等气象，从而使得电子设备所显示的信息更多元化。而且，本申请实施例还可以根据外部公开的数据，在地震发生后第一时间查询震级、震中、地震影响范围等信息，并报警提示，以实现对地震灾害的及时报警。

需要说明的，上述图5为本申请实施例的一种举例，在实际应用中，上述举例中的数据更新频率可以根据实际情况进行设置，本申请实施例对数据更新的频率不做限制。

在一种可选的实施方式中，本申请实施例还可以包括如下步骤：

在步骤S410，响应于目标铁路路线周围预定范围内的预测降雨量大于预定降雨量阈值，执行气象灾害预警。

其中，预定降雨量阈值可以是单个阈值，也可以是多个阈值组成的阶梯式阈值，各个阶梯可以分别对应不同的气象灾害预警，例如，各个阶梯可以分别对应蓝色预警、黄色预警、橙色预警和红色预警。再例如，各个阶梯可以分别对应一级预警、二级预警、三级预警和四级预警，本申请实施例可以根据实际情况设置各个阶梯对应的预警名称。

在步骤S420，响应于目标铁路路线周围预定范围内的实时降雨量大于预定降雨量阈值，执行气象灾害报警。

其中，实时降雨量至少基于雨量计确定。预定降雨量阈值可以是单个阈值，也可以是多个阈值组成的阶梯式阈值，各个阶梯可以分别对应不同的气象灾害报警，例如，各个阶梯可以分别对应蓝色报警、黄色报警、橙色报警和红色报警。再例如，各个阶梯可以分别对应一级报警、二级报警、三级报警和四级报警，本申请实施例可以根据实际情况设置各个阶梯对应的报警名称。

基于相同的技术构思，本申请实施例还提供了一种气象预测装置，如图6所示，该装置包括：初始气象数据确定模块61、气象数据预测模块62、气象云图生成模块63和显示模块64。

初始气象数据确定模块61，被配置为执行确定初始气象数据，所述初始气象数据包括多个气象像素点，以及各所述气象像素点对应的气象数据。

气象数据预测模块62，被配置为执行将所述气象像素点中的目标像素点的气象数据，以及所述目标像素点的关联数据输入预先训练的气象预测模型，以确定所述目标像素点在目标时刻的目标气象数据，其中，所述关联数据用于表征与目标像素点在时间维度和/或空间维度具有关联关系的气象数据。

气象云图生成模块63，被配置为执行根据所述初始气象数据和所述目标气象数据，生成目标气象云图。

第一显示模块64，被配置为执行控制显示所述目标气象云图。

在一些实施例中，所述初始气象数据确定模块61具体被配置为执行：

获取初始雷达数据，所述初始雷达数据中至少包括多个不同仰角的气象雷达所采集的气象数据。

对所述初始雷达数据进行滤波处理和插补处理，以确定初始气象数据。

在一些实施例中，所述初始气象数据确定模块61具体被配置为执行：

获取初始卫星数据，所述初始卫星云图数据中至少包括多颗卫星采集的云图数据。

对所述初始卫星数据中的各云图数据进行融合处理，以确定初始气象数据。

在一些实施例中，所述气象预测模型包括多个预定地理区域下的持续性降水预测模型和对流性降水预测模型。

所述气象数据预测模块62具体被配置为执行：

根据所述目标像素点所处的预定地理区域和所述目标像素点对应的降水类型，在所述气象预测模型中确定所述目标像素点对应的目标预测模型。

将所述目标像素点的气象数据，以及所述目标像素点的关联数据输入所述目标预测模型，以确定所述目标像素点在目标时刻的目标气象数据。

在一些实施例中，所述装置还包括：

获取模块，被配置为执行获取汇水面积地形图和线路桥涵设备图。

叠加地图生成模块，被配置为执行根据所述目标气象云图、所述汇水面积地形图和所述线路桥涵设备图，生成叠加地图。

第二显示模块，被配置为执行控制显示所述叠加地图。

在一些实施例中，所述装置还包括：

降雨预测模块，被配置为执行根据所述目标气象云图和预先训练的强对流云团跟踪预测模型，确定所述目标气象云图对应的预测降雨位置和预测降雨量。

第三显示模块，被配置为执行控制显示所述预测降雨位置和所述预测降雨量。

在一些实施例中，所述第三显示模块具体被配置为执行：

获取铁路路网地图，所述铁路路网地图中包括目标铁路路线。

根据所述铁路路网地图、所述预测降雨位置和所述预测降雨量，控制显示所述目标铁路路线周围预定范围内的预测降雨位置和预测降雨量。

在一些实施例中，所述装置还包括：

预警模块，被配置为执行响应于所述目标铁路路线周围预定范围内的预测降雨量大于预定降雨量阈值，执行气象灾害预警。

报警模块，被配置为执行响应于所述目标铁路路线周围预定范围内的实时降雨量大于所述预定降雨量阈值，执行气象灾害报警，所述实时降雨量至少基于雨量计确定。

在本申请实施例中，可以确定初始气象数据，并将气象像素点中的目标像素点的气象数据，以及目标像素点的关联数据输入预先训练的气象预测模型，以确定目标像素点在目标时刻的目标气象数据。进一步的，本申请实施例可以根据初始气象数据和目标气象数据，生成目标气象云图并控制显示目标气象云图。在此过程中，结合气象预测模型良好的拟合能力，使得本申请实施例能够根据初始气象数据准确推算出目标时刻的目标气象数据，从而提高气象预测的精度。另外，由于本申请实施例可以推算出目标时刻的目标气象数据，且目标时刻可以是任意时刻，因此，本申请实施例能够以更高的频率更新目标气象云图，以使得电子设备能够控制显示最新的气象云图，从而提高气象灾害预警、报警的响应速度。

图7是本申请实施例的电子设备的示意图。如图7所示，图7所示的电子设备为通用地址查询装置，其包括通用的计算机硬件结构，其至少包括处理器71和存储器72。处理器71和存储器72通过总线73连接。存储器72适于存储处理器71可执行的指令或程序。处理器71可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器71通过执行存储器72所存储的指令，从而执行如上所述的本申请实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线73将上述多个组件连接在一起，同时将上述组件连接到显示控制器74和显示装置以及输入/输出(I/O)装置75。输入/输出(I/O)装置75可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置75通过输入/输出(I/O)控制器76与系统相连。

本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。

本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。

这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。

也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。

本申请的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理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 (10)

1.一种气象预测方法，其特征在于，所述方法包括：

确定初始气象数据，所述初始气象数据包括多个气象像素点，以及各所述气象像素点对应的气象数据；

将所述气象像素点中的目标像素点的气象数据，以及所述目标像素点的关联数据输入预先训练的气象预测模型，以确定所述目标像素点在目标时刻的目标气象数据，其中，所述关联数据用于表征与目标像素点在时间维度和/或空间维度具有关联关系的气象数据；

根据所述初始气象数据和所述目标气象数据，生成目标气象云图；以及

控制显示所述目标气象云图。

2.根据权利要求1所述的方法，其特征在于，所述确定初始气象数据包括：

获取初始雷达数据，所述初始雷达数据中至少包括多个不同仰角的气象雷达所采集的气象数据；以及

对所述初始雷达数据进行滤波处理和插补处理，以确定初始气象数据。

3.根据权利要求1所述的方法，其特征在于，所述确定初始气象数据包括：

获取初始卫星数据，所述初始卫星云图数据中至少包括多颗卫星采集的云图数据；以及

对所述初始卫星数据中的各云图数据进行融合处理，以确定初始气象数据。

4.根据权利要求1所述的方法，其特征在于，所述气象预测模型包括多个预定地理区域下的持续性降水预测模型和对流性降水预测模型；

所述将所述气象像素点中的目标像素点的气象数据，以及所述目标像素点的关联数据输入预先训练的气象预测模型，以确定所述目标像素点在目标时刻的目标气象数据包括：

根据所述目标像素点所处的预定地理区域和所述目标像素点对应的降水类型，在所述气象预测模型中确定所述目标像素点对应的目标预测模型；以及

将所述目标像素点的气象数据，以及所述目标像素点的关联数据输入所述目标预测模型，以确定所述目标像素点在目标时刻的目标气象数据。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取汇水面积地形图和线路桥涵设备图；

根据所述目标气象云图、所述汇水面积地形图和所述线路桥涵设备图，生成叠加地图；以及

控制显示所述叠加地图。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述目标气象云图和预先训练的强对流云团跟踪预测模型，确定所述目标气象云图对应的预测降雨位置和预测降雨量；以及

控制显示所述预测降雨位置和所述预测降雨量。

7.根据权利要求6所述的方法，其特征在于，所述控制显示所述预测降雨位置和所述预测降雨量包括：

获取铁路路网地图，所述铁路路网地图中包括目标铁路路线；以及

根据所述铁路路网地图、所述预测降雨位置和所述预测降雨量，控制显示所述目标铁路路线周围预定范围内的预测降雨位置和预测降雨量。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

响应于所述目标铁路路线周围预定范围内的预测降雨量大于预定降雨量阈值，执行气象灾害预警；以及

响应于所述目标铁路路线周围预定范围内的实时降雨量大于所述预定降雨量阈值，执行气象灾害报警，所述实时降雨量至少基于雨量计确定。

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-8中任一项所述的方法。

10.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。

Images