CN116755181A - 降水预测方法及相关装置 - Google Patents

降水预测方法及相关装置 Download PDF

Info

Publication number
CN116755181A
CN116755181A CN202311006515.8A CN202311006515A CN116755181A CN 116755181 A CN116755181 A CN 116755181A CN 202311006515 A CN202311006515 A CN 202311006515A CN 116755181 A CN116755181 A CN 116755181A
Authority
CN
China
Prior art keywords
target
precipitation
area
data
period
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
CN202311006515.8A
Other languages
English (en)
Other versions
CN116755181B (zh
Inventor
韩锋
纪运芝
李明龙
吴宁
王舒璐
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.)
Shenzhen City Kwantler Technology Co ltd
Original Assignee
Shenzhen City Kwantler 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 Shenzhen City Kwantler Technology Co ltd filed Critical Shenzhen City Kwantler Technology Co ltd
Priority to CN202311006515.8A priority Critical patent/CN116755181B/zh
Publication of CN116755181A publication Critical patent/CN116755181A/zh
Application granted granted Critical
Publication of CN116755181B publication Critical patent/CN116755181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Environmental & Geological Engineering (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Primary Health Care (AREA)
  • Ecology (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)

Abstract

本申请提供了一种降水预测方法及相关装置，方法包括：在预设时间段内随机选取出包括第一时段和第二时段的原始时间段；获取第一雷达回波图像序列和第二雷达回波图像序列；将目标区域划分为第一区域和第二区域；计算出第一区域对应的第一降水数据，第一降水数据的数据来源是多个降水观测站；计算出第二区域对应的第二降水数据；根据第一降水数据和第二降水数据计算出目标降水数据；以第一雷达回波图像序列为输入、目标降水数据为输出，构建目标神经网络模型；通过训练集训练目标神经网络模型；利用训练完成的目标神经网络模型进行降水预测。如此，避免了测量到的平均降水数据与实际降水情况存在误差的情况，提高了模型预测的准确性。

Description

降水预测方法及相关装置
技术领域
本申请属于互联网产业中基于特定计算模型的计算机系统技术领域，具体涉及一种降水预测方法及相关装置。
背景技术
目前，降水预测一般是通过训练神经网络模型来预测出未来一段时间内的降水数据，在训练样本的选择上，现有技术是采用降水观测站测量的某区域在某一时间段内的平均降水数据作为真实值进行模型训练的。但是，在实际场景中，部分地区的降水观测站分布并不均匀，存在降水观测站的实际观测范围无法完全覆盖目标区域的情况，此时降水观测站所测量到的平均降水数据与目标区域内的实际降水情况存在误差，进而导致以该平均降水数据作为训练样本进行训练的模型的实际预测值不够准确。
发明内容
本申请提供了一种降水预测方法及相关装置，以期提高模型预测的准确性。
第一方面，本申请实施例提供了一种降水预测方法，包括：
在预设时间段内随机选取出原始时间段，所述原始时间段包括第一时段和第二时段，所述第一时段的起始时刻点为所述原始时间段的起始时刻点，所述第一时段的终止时刻点为目标时刻点，所述第二时段的起始时刻点为所述目标时刻点，所述第二时段的终止时刻点为所述原始时间段的终止时刻点；
获取目标区域在所述第一时段内的第一雷达回波图像序列，以及获取所述目标区域在所述第二时段内的第二雷达回波图像序列，所述雷达回波图像序列包括多个连续的雷达回波图像帧；
将所述目标区域划分为第一区域和第二区域，所述第一区域是指所述目标区域中被多个降水观测站的实际观测范围所覆盖的区域，所述第二区域是指所述目标区域中除所述第一区域之外的其他区域；
计算出所述第一区域对应的第一降水数据，所述第一降水数据的数据来源为所述多个降水观测站；
根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据；
根据所述第一降水数据和所述第二降水数据确定出所述目标区域在所述第二时段内的目标降水数据；
将所述第一雷达回波图像序列作为输入数据、所述目标降水数据作为输出数据，构建目标神经网络模型；
通过多个原始时间段对应的多个训练集对所述目标神经网络模型进行训练，得到训练完成的目标神经网络模型，单个训练集包括所述第一雷达回波图像序列和所述目标降水数据；
将所述目标区域在目标样本时段内的雷达回波图像序列输入到所述训练完成的目标神经网络模型，得到所述目标区域在目标预测时段内的降水数据，其中，所述目标样本时段的长度等于所述第一时段的长度、且所述目标样本时段的终止时刻点为当前时刻点，所述目标预测时段的长度等于所述第二时段的长度、且所述目标预测时段的起始时刻点为所述当前时刻点。
第二方面，本申请实施例提供了一种降水预测装置，包括：
选取单元，用于在预设时间段内随机选取出原始时间段，所述原始时间段包括第一时段和第二时段，所述第一时段的起始时刻点为所述原始时间段的起始时刻点，所述第一时段的终止时刻点为目标时刻点，所述第二时段的起始时刻点为所述目标时刻点，所述第二时段的终止时刻点为所述原始时间段的终止时刻点；
获取单元，用于获取目标区域在所述第一时段内的第一雷达回波图像序列，以及获取所述目标区域在所述第二时段内的第二雷达回波图像序列，所述雷达回波图像序列包括多个连续的雷达回波图像帧；
划分单元，用于将所述目标区域划分为第一区域和第二区域，所述第一区域是指所述目标区域中被多个降水观测站的实际观测范围所覆盖的区域，所述第二区域是指所述目标区域中除所述第一区域之外的其他区域；
计算单元，用于计算出所述第一区域对应的第一降水数据，所述第一降水数据的数据来源为所述多个降水观测站；
第一确定单元，用于根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据；
第二确定单元，用于根据所述第一降水数据和所述第二降水数据确定出所述目标区域在所述第二时段内的目标降水数据；
模型构建单元，用于将所述第一雷达回波图像序列作为输入数据、所述目标降水数据作为输出数据，构建目标神经网络模型；
模型训练单元，用于通过多个原始时间段对应的多个训练集对所述目标神经网络模型进行训练，得到训练完成的目标神经网络模型，单个训练集包括所述第一雷达回波图像序列和所述目标降水数据；
模型应用单元，用于将所述目标区域在目标样本时段内的雷达回波图像序列输入到所述训练完成的目标神经网络模型，得到所述目标区域在目标预测时段内的降水数据，其中，所述目标样本时段的长度等于所述第一时段的长度、且所述目标样本时段的终止时刻点为当前时刻点，所述目标预测时段的长度等于所述第二时段的长度、且所述目标预测时段的起始时刻点为所述当前时刻点。
第三方面，本申请实施例提供了一种电子设备，包括处理器、存储器以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如本申请实施例第一方面中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令被处理器执行时实现本申请实施例第一方面中的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
可以看出，本申请实施例中，电子设备先在预设时间段内随机选取出原始时间段并将原始时间段分为第一时段和第二时段；然后获取目标区域在第一时段内的第一雷达回波图像序列、以及获取目标区域在第二时段内的第二雷达回波图像序列；再将目标区域划分为被多个降水观测站的实际观测范围所覆盖的第一区域和未被覆盖的第二区域；然后计算出第一区域对应的第一降水数据，第一降水数据的数据来源为多个降水观测站；以及根据第二雷达回波图像序列确定出第二区域在第二时段内的第二降水数据；再根据第一降水数据和第二降水数据确定出目标降水数据；然后以第一雷达回波图像序列作为输入、目标降水数据作为输出，构建目标神经网络模型；再通过多个原始时间段对应的多个训练集对目标神经网络模型进行训练，得到训练完成的目标神经网络模型；最后利用训练完成的目标神经网络模型完成对目标预测时段内的降水数据的预测。如此，避免了由于部分区域的降水观测站分布并不均匀导致降水观测站测量到的平均降水数据与该区域的实际降水情况存在误差的情况，提高了模型预测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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是本申请实施例提供的一种目标区域的示例简图；
图2是本申请实施例提供的一种电子设备的结构框图；
图3是本申请实施例提供的一种降水预测方法的流程示意图；
图4是本申请实施例提供的一种划分原始时间段的示例简图；
图5a是本申请实施例提供的一种划分目标区域的示例图；
图5b是本申请实施例提供的另一种划分目标区域的示例图；
图6是本申请实施例提供的一种目标神经网络模型的训练效果数据图；
图7a是本申请实施例提供的一种降水预测装置的功能单元组成框图；
图7b是本申请实施例提供的另一种降水预测装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面结合附图介绍现有技术中存在的缺陷。
请参阅图1，图1是本申请实施例提供的一种目标区域的示例简图。如图1所示，待预测的目标区域10为图中的正方形区域，其中，目标区域附近的降水观测站分别为第一降水观测站A和第二降水观测站B，第一降水观测站A的实际观测范围为第一圆形区域11，第二降水观测站B的实际观测范围为第二圆形区域12，此时可以看出，降水观测站的实际观测范围无法完全覆盖目标区域，在此情况下通过第一降水观测站A和第二降水观测站B测量到的平均降水数据会与目标区域10的实际降水数据存在误差，因此按照现有技术中采用降水观测站测量到的平均降水数据作为模型的输出样本进行训练，会导致模型的实际预测值不够准确。
为解决上述问题，本申请实施例提供了一种降水预测方法及相关装置，能够通过图像处理、数据计算等方式计算出更加符合目标区域真实降水情况的降水数据作为输出样本构建新的神经网络模型并进行训练，从而提高模型预测的准确性。
请参阅图2，图2是本申请实施例提供的一种电子设备的结构框图。如图2所示，电子设备200可以包括一个或多个如下部件：处理器201、与处理器201耦合的存储器202，其中存储器202可存储有一个或多个计算机程序，一个或多个计算机程序可以被配置为由一个或多个处理器201执行时实现下面各实施例描述的方法。所述电子设备200具体可以是手机终端，平板电脑，笔记本电脑和可穿戴智能设备等智能设备。
其中，处理器201可以包括一个或者多个处理核。处理器201利用各种接口和线路连接整个电子设备200内的各个部分，通过运行或执行存储在存储器202内的指令、程序、代码集或指令集，以及调用存储在存储器202内的数据，执行电子设备200的各种功能和处理数据。可选地，处理器201可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogicArray，PLA)中的至少一种硬件形式来实现。处理器201可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器201中，单独通过一块通信芯片进行实现。
其中，存储器202可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。存储器202可用于存储指令、程序、代码、代码集或指令集。存储器202可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储电子设备200在使用中所创建的数据等。可以理解的是，电子设备200可包括比上述结构框图中更多或更少的结构元件，在此不进行限定。
下面介绍本申请实施例提供的一种降水预测方法。
请参阅图3，图3是本申请实施例提供的一种降水预测方法的流程示意图，所述方法应用于如图2所示的电子设备200中，如图3所示，所述方法包括：
步骤S301，在预设时间段内随机选取出原始时间段，所述原始时间段包括第一时段和第二时段。
其中，所述第一时段的起始时刻点为所述原始时间段的起始时刻点，所述第一时段的终止时刻点为目标时刻点，所述第二时段的起始时刻点为所述目标时刻点，所述第二时段的终止时刻点为所述原始时间段的终止时刻点。所述预设时间段可以在历史时间段内自由设定，优选地可以选择近两年的时间段作为所述预设时间段，时序上更接近当前时刻点，预测出的气象数据会更加相关。其中，所述目标时刻点的主要作用是划分第一时段和第二时段，所述原始时间段的长短、所述目标时刻点的时序位置均可以根据需求自由设定，例如，当需要根据前1.5小时的气象数据预测后1.5小时的气象数据时，如图4所示，所述原始时间段T1到T2的时长可以设定为3小时，其中，目标时刻点可以设定为中点T0，那么第一时段为T1到T0，时长为1.5小时，第二时段为T0到T2，时长为1.5小时。进一步地，可以在预设时间段中，选取时间长度相同但时序位置不同的多个原始时间段，从而扩充训练集的训练样本。
步骤S302，获取目标区域在所述第一时段内的第一雷达回波图像序列，以及获取所述目标区域在所述第二时段内的第二雷达回波图像序列。
其中，所述雷达回波图像序列包括多个连续的雷达回波图像帧。气象雷达产生的信号会被降水反射，由雷达捕获的反射信号的强度称为反射率，根据信号强度映射色标将反射率数据转换为图像，就得到了某一时刻点的雷达回波图像。为加快数据处理效率，上述雷达回波图像可以由电子设备直接通过官方提供的公共应用程序编程接口（ApplicationProgramming Interface，API）进行获取。在本申请实施例中，电子设备在获取上述雷达回波图像时，可以基于第一时段和第二时段的长度选择合适的获取数量。例如，对于原始时段为3小时、第一时段为前1.5小时、第二时段为后1.5小时的情形，可以将帧间间隔设置成5分钟，即每隔5分钟获取一帧雷达回波图像，如此就得到了第一时段对应的18帧雷达回波图像和第二时段对应的18帧雷达回波图像，共计36帧雷达回波图像，以.hdf5文件的形式进行存储。其中，.hdf5文件是一种数据存储格式，用于存储和组织大量数据的层次结构数据格式，可用于存储和处理雷达和气象数据。可以理解的是，所采集的数据中还包括上述雷达回波图像帧各自对应的时间信息以及目标区域的地图数据等。
步骤S303，将所述目标区域划分为第一区域和第二区域。
其中，所述第一区域是指所述目标区域中被多个降水观测站的实际观测范围所覆盖的区域，所述第二区域是指所述目标区域中除所述第一区域之外的其他区域。一般情况下，作为硬件设备的降水观测站具有既定的实际观测范围，若用其观测超出其实际观测范围的降水数据时，得到的数据误差很大，可信度低，因此降水观测站所采集到的降水数据仅用于表征其实际观测范围内区域的降水情况。
在一个可能的示例中，所述将所述目标区域划分为第一区域和第二区域，包括：获取所述多个降水观测站中的每个降水观测站的降水观测范围；从所述多个降水观测站中筛选出多个目标降水观测站，所述目标降水观测站是指降水观测范围所覆盖的区域与所述目标区域存在交集的降水观测站；将所述多个目标降水观测站对应的多个目标降水观测区域取并集，得到所述第一区域，所述目标降水观测区域是指所述目标降水观测站的降水观测范围所覆盖的区域与所述目标区域的交集；根据所述目标区域和所述第一区域确定出所述第二区域。
其中，电子设备预存的降水观测站的信息是用户拥有数据获取权限的所有降水观测站的信息，但并非全部的降水观测站都用于统计目标区域的降水数据，此时可以基于每个降水观测站的降水观测范围确定出降水观测范围中存在目标区域的部分区域的目标降水观测站。如图5a所示，记本示例中全部的降水观测站为第一降水观测站A、第二降水观测站B和第三降水观测站C，三个观测站的实际观测范围如图中的圆形区域，则可以确定出第一降水观测站A和第二降水观测站B为目标降水观测站，此时可以进一步确定出第一降水观测站A对应的目标降水观测区域为第一目标降水观测区域51和第二降水观测站B对应的目标降水观测区域为第二目标降水观测区域52，则确定第一区域为上述第一目标降水观测区域51和第二目标降水观测区域52的并集所形成的区域，然后进一步确定出第二区域53。
可见，本示例中，电子设备先基于各个降水观测站的降水观测范围筛选出多个目标降水观测站，进而将多个目标降水观测站对应的多个目标降水观测区域取并集，得到目标区域中的第一区域，然后进一步确定出第二区域，完成对目标区域的划分，筛除了冗余的信息，提高了数据处理的效率。
步骤S304，计算出所述第一区域对应的第一降水数据。
其中，所述第一降水数据的数据来源为所述多个降水观测站，具体可以是来源于上述多个目标降水观测站。
在一个可能的示例中，所述计算出所述第一区域对应的第一降水数据，包括：获取所述多个目标降水观测站对应的多个平均降水数据；若所述多个目标降水观测区域之间互不相交，则针对所述多个目标降水观测区域执行如下操作：计算当前处理的目标降水观测区域在所述第一区域中的面积占比；根据所述面积占比确定所述当前处理的目标降水观测区域对应的降水权重；继续处理下一个目标降水观测区域，直至所述多个目标降水观测区域全部处理完成，得到与所述多个目标降水观测区域一一对应的多个降水权重；根据所述多个平均降水数据和所述多个降水权重计算出所述第一区域对应的第一降水数据。
其中，多个目标降水观测区域之间互不相交的情况参照图5a中的第一目标降水观测区域51和第二目标降水观测区域52，此时电子设备分别计算出上述两个区域相对于第一区域的面积占比，进而计算出第一降水观测站A和第二降水观测站B各自对应的降水权重。其中，面积占比更高的区域对应的降水权重更大；例如，在本示例中，第一降水数据的计算公式可以是：Q＝W1×Q1＋W2×Q2，其中，W1为第一目标降水观测区域51对应的降水权重，Q1为第一降水观测站A测量到的平均降水数据，W2为第二目标降水观测区域52对应的降水权重，Q2为第二降水观测站B测量到的平均降水数据。
可见，本示例中，在多个目标降水观测区域之间互不相交的情况下，电子设备通过计算各个区域的面积占比进而确定出各个降水观测站对应的降水权重，再结合各自测量到的平均降水数据计算出第一区域对应的第一降水数据。如此，将面积占比作为确定权重的考量因素，进而确定出第一降水数据，提高了计算的准确性，并且提高了后续计算出的目标降水数据的准确性。
在一个可能的示例中，所述计算出所述第一区域对应的第一降水数据，包括：获取所述多个目标降水观测站对应的多个平均降水数据；若所述多个目标降水观测区域之间存在至少一个相交区域，则针对所述至少一个相交区域执行如下操作：计算当前处理的相交区域在所述第一区域中的第一面积占比；根据所述第一面积占比确定所述当前处理的相交区域对应的第一降水权重；根据产生所述当前处理的相交区域的至少两个目标降水观测站对应的至少两个平均降水数据计算所述当前处理的相交区域对应的第一平均降水数据；继续处理下一个相交区域，直至所述至少一个相交区域全部处理完成；针对所述多个目标降水观测区域执行如下操作：若当前处理的目标降水观测区域中不包含所述相交区域，则计算所述当前处理的目标降水观测区域在所述第一区域中的第二面积占比；根据所述第二面积占比确定所述当前处理的目标降水观测区域对应的第二降水权重；若当前处理的目标降水观测区域中包含所述相交区域，则计算所述当前处理的目标降水观测区域中的参考区域在所述第一区域中的第三面积占比，所述参考区域是指所述当前处理的目标降水观测区域中除所述相交区域以外的其他区域；根据所述第三面积占比计算所述当前处理的目标降水观测区域中的参考区域对应的第三降水权重；继续处理下一个目标降水观测区域，直至所述多个目标降水观测区域全部处理完成；根据所述第一降水权重、所述第一平均降水数据、所述第二降水权重、所述第三降水权重和所述平均降水数据计算出所述第一区域对应的第一降水数据。
其中，如图5b所示，本示例中，第一降水观测站A对应的第一目标降水观测区域51与第四降水观测站D对应的第四目标降水观测区域54之间存在相交区域55，电子设备通过计算出相交区域55在第一区域中的第一面积占比确定相交区域55对应的第一降水权重，再通过第一降水观测站A对应的平均降水数据和第四降水观测站D对应的平均降水数据计算出相交区域55对应的第一平均降水数据。在执行完针对相交区域的操作后，开始执行对各个目标降水观测区域的操作：若目标降水观测区域中不包含相交区域，例如第二目标降水观测区域52，则通过计算出其在第一区域中的第二面积占比确定其对应的第二降水权重；若目标降水观测区域中包含相交区域，例如上述第一目标降水观测区域51和第四目标降水观测区域54，则计算各自区域中的参考区域在第一区域中的第三面积占比，进而确定对应的第三降水权重。例如，本示例中的第一参考区域为第一目标降水观测区域51中除相交区域55之外的其他区域，第二参考区域为第四目标降水观测区域54中除相交区域55之外的其他区域。在本示例中，可以通过如下公式计算所述第一降水数据：Q＝W3×Q3＋W4×Q4＋W5×Q5+W6×Q6；其中，W3为相交区域对应的第一降水权重，Q3为相交区域对应的第一平均降水数据，W4为第二目标降水观测区域52对应的第二降水权重，Q4为第二降水观测站B测量到的平均降水数据，W5为第一参考区域对应的第三降水权重，Q5为第一降水观测站A测量到的平均降水数据，W6为第二参考区域对应的第三降水权重，Q6为第四降水观测站D测量到的平均降水数据。
可见，本示例中，在多个目标降水观测区域之间存在至少一个相交区域的情况下，电子设备先后针对至少一个相交区域和各个目标降水观测区域执行相关操作，按照不同区域相对于第一区域的面积占比赋予不同区域对应的权重，再结合不同区域对应的降水数据计算出第一区域对应的第一降水数据。如此，提高了计算的准确性，并且提高了后续计算出的目标降水数据的准确性。
在一个可能的示例中，所述根据产生所述当前处理的相交区域的至少两个目标降水观测站对应的至少两个平均降水数据计算所述当前处理的相交区域对应的第一平均降水数据，包括：获取所述至少两个目标降水观测站对应的至少两个参考距离，所述参考距离为所述目标降水观测站与所述目标区域之间的最短距离；根据所述至少两个参考距离确定出所述至少两个目标降水观测站对应的至少两个计算权重；根据所述至少两个平均降水数据和所述至少两个计算权重计算所述当前处理的相交区域对应的第一平均降水数据。
其中，当两个目标降水观测区域相交产生相交区域时，此时用于表征相交区域对应的降水数据的值有两个，如图5b中的第一降水观测站A测量到的平均降水数据和第四降水观测站D测量到的平均降水数据。由于降水观测站的测量精度与距离相关，距离越近的区域测量精度越高，此时电子设备通过上述两个降水观测站到目标区域的参考距离确定出各自对应的计算权重。例如，在图5b中，由于第一降水观测站A在目标区域内，因此参考距离为0，而第四降水观测站D在目标区域外，参考距离大于0，此时电子设备可以设定第一降水观测站A对应的计算权重应当大于第二降水观测站B对应的计算权重，即相交区域对应的第一平均降水数据的值将会更靠近第一降水观测站A所测量到的平均降水数据。特别地，当所述至少两个目标降水观测站均在目标区域内时，它们对应的权重可以是相等的。
可见，本示例中，电子设备通过计算各个目标降水观测站到目标区域之间的参考距离确定对应的计算权重，进而计算出相交区域对应的第一平均降水数据。提高了数据的可靠性和准确度，以及提高了后续计算出的目标降水数据的准确性。
在一个可能的示例中，所述至少两个目标降水观测站均位于所述目标区域之外，所述根据所述至少两个参考距离确定出所述至少两个目标降水观测站对应的至少两个计算权重，包括：通过以下计算公式计算出所述至少两个计算权重：
其中，n≥2，n代表所述至少两个目标降水观测站的数量，Wi代表所述至少两个目标降水观测站中第i个目标降水观测站对应的计算权重，di代表所述至少两个参考距离中第i个参考距离。
可见，本示例中，当产生相交区域的至少两个目标降水观测站均位于目标区域之外时，电子设备可以将参考距离与总距离的比值作为对应的目标降水观测站对应的计算权重，进一步提高了数据的可靠性和准确度。
步骤S305，根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据。
在一个可能的示例中，所述根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据，包括：从所述第二雷达回波图像序列中截取出第三雷达回波图像序列，所述第三雷达回波图像序列对应所述第二区域；根据所述第三雷达回波图像序列计算出所述第二区域在所述第二时段内的第二降水数据。
其中，所述根据所述第三雷达回波图像序列计算出所述第二区域在所述第二时段内的第二降水数据具体可以是针对第三雷达回波图像序列中的各个雷达回波图像进行去噪处理，再基于泰勒冻结假设和尺度不变特征变换SIFT（Scale-invariant featuretransform）算法，对去噪后的雷达回波图像进行云团运动轨迹跟踪计算，最后根据计算出的云团运动轨迹和雷达定量降水分布图预测出强降水云团的强降水量，得到所述第二降水数据。
需要说明的是，由于第二区域属于未被降水观测站的观测范围覆盖的区域，而雷达回波图像可以客观反映区域内气象的真实情况，因此在本示例中，雷达回波经过衰减订正后计算出的降水值会比降水观测站插值的降水值更加准确。
可见，本示例中，电子设备从第二雷达回波图像序列中截取与第二区域相关的第三雷达回波图像序列，再基于第三雷达回波图像序列计算第二降水数据，提高了数据的准确性，为后续参与模型构建和训练的目标降水数据提供了数据基础。
步骤S306，根据所述第一降水数据和所述第二降水数据确定出所述目标区域在所述第二时段内的目标降水数据。
具体地，电子设备可以基于不同情况赋予第一降水数据和第二降水数据不同的预设权重值，例如，若目标区域内的目标降水观测站数量很多，实际观测范围很大，则可以视为第一降水数据更加真实，此时设置较高的第一预设权重值；若针对目标区域的实际观测范围较小，由降水观测站测量到的降水数据的可信度明显下降，则可以视为通过算法计算出的降水数据更加真实，此时设置较高的第二预设权重值。可以理解的是，第一预设权重值对应第一降水数据，第二预设权重值对应第二降水数据。如此，可以结合具体场景，计算出最接近目标区域实际降水情况的目标降水数据。
步骤S307，将所述第一雷达回波图像序列作为输入数据、所述目标降水数据作为输出数据，构建目标神经网络模型。
在一个可能的示例中，在所述将所述第一雷达回波图像序列作为输入数据、所述目标降水数据作为输出数据，构建目标神经网络模型之前，所述方法还包括：将所述第一雷达回波图像序列中的每个雷达回波图像帧按照预设比例缩小，得到缩小后的第一雷达回波图像序列；将所述缩小后的第一雷达回波图像序列作为所述目标神经网络模型的输入数据。
其中，当电子设备获取到的雷达回波图像的原始尺寸过大时，会先按照预设比例对图像进行缩小再输入到模型中，所述预设比例可以是基于实验数据得到的能够使目标神经网络模型在合理的时间内完成训练的最优比例。例如，通过大量实验得到了目标神经网络模型能够在不造成任何内存溢出问题的前提下完成训练的最优尺寸，例如315×344，则预设比例即为图像的原始尺寸与该最优尺寸的比值。
可见，本示例中，电子设备在获取到尺寸过大的雷达回波图像时，会自动计算出最优的缩放比例作为预设比例，并按照预设比例对图像进行缩小后再输入到模型中，避免出现内存溢出的问题进而影响模型的训练效果。
在一个可能的示例中，所述目标神经网络模型包括输入层、输出层和多个隐藏层，所述多个隐藏层包括至少一个ConvLSTM2D层和至少一个BatchNormalization层，所述ConvLSTM2D层用于对图像序列执行卷积运算，所述BatchNormalization层用于对所述ConvLSTM2D层的输出数据执行归一化操作，所述输入层和所述多个隐藏层所使用的激活函数为LeakyRelu函数，所述目标就网络模型采用二元交叉熵损失函数和Adadelta优化器进行拟合。
其中，所述ConvLSTM2D层在功能上相当于卷积（CNN）与长短期记忆（LSTM）层的结合，其中CNN层在涉及分析或发现图像中的特定特征和形状的任务上表现优越，LSTM层在涉及时间维度（如时间序列预测）和数据序列（如图像序列、特定时间范围内的信号序列等）的任务上表现优越。ConvLSTM2D层可以在保留输入数据（即第一雷达回波图像序列）的原始维度的同时，随着时间的推移执行卷积运算。其中，ConvLSTM2D层接收形如(samples, time,rows, cols, channels)的张量作为输入，输出形式(samples, timesteps, new_rows,new_cols, filters)。所以它们在一段时间内对一系列帧进行运算。
其中，所述BatchNormalization层（以下简称BN层）进行归一化操作，BN层将每一层的输出都经过了变换，每一层的输出数据集（batch）都会重新将数据集的分布归一化到标准的分布形态上（均值为0，标准差为1）。这样一来，目标分布在每一层的传递过程中变化就不会很大，即目标被固定住。BN层的引入极大的降低了sigmoid和tanh这样的激活函数梯度消失的风险，减小了初始化参数对神经网络的影响，同时降低了过拟合的风险，使得训练过程不需要过多的正则化。
其中，LeakyRelu函数与ReLu函数相比，是在ReLu的基础上添加了一个小的负斜率，使得在输入是负数的情况下，激活函数不为0并有一个比ReLu更小的导数，这样可以避免神经元的死亡，改善神经网络的收敛速度。其中，LeakyRelu函数中引入了一个超参数alpha，它控制了LeakyRelu函数在输入为负值时的斜率，在本示例中，alpha的值设置为0.01，可以最大程度提高神经网络的性能。
其中，现有技术中通常会使用传统的Adam优化器对类似模型进行优化，但在本申请实施例中，由于所处理的数据属于高维数据，因此选择采用Adadelta优化器在模型训练时对损失函数进行优化。经过分析实验数据发现，采用Adadelta优化器能够达到比Adam优化器更好的效果，提高模型的鲁棒性。
除此之外，在本示例中，所述目标神经网络的卷积核数量可以设置为32个，用于提取输入层的32个特征图进行训练。
在本可能的示例中，所述目标神经网络模型的结构代码包括：
其中，filters代表卷积核的数量；kernel_size代表卷积核的大小；padding值为same时代表对所有的像素点进行处理；return_sequences为1时代表每一个时刻点都有输出；activation代表所使用的激活函数；input_shape代表输入层的接收形式，即接收形如(time_steps, rows, cols, channels)的张量作为输入数据；其中time_steps代表单个训练样本分为多少个时间点读入，值为18对应的是18个的第一雷达回波图像帧；rows和cols代表图像的长和宽，即344×315；channels代表输出通道/维度，值为1代表的是灰色图像；loss=binary_crossentropy代表模型所使用的损失函数属于二元交叉熵损失函数；optimizer=adadelta代表模型所使用的优化器是adadelta优化器。
可见，本示例中，通过设置目标神经网络模型的架构及各种参数，搭建出最优的模型结构，有利于提高模型的学习能力和训练过程的稳定性。
步骤S308，通过多个原始时间段对应的多个训练集对所述目标神经网络模型进行训练，得到训练完成的目标神经网络模型。
其中，单个训练集包括所述第一雷达回波图像序列和所述目标降水数据。所述训练集可以是由数据集按照预设比例划分出来的，例如将采集到的数据集中的80%作为训练集，剩下20%作为测试集，所述测试集用于在模型训练完成后对模型的训练效果进行测试，当测试结果符合预期时，得到所述训练完成的目标神经网络模型。
其中，所述目标神经网络模型对应的最优训练轮次Epoch可以设置为25轮。具体地，所述最优训练轮次可以是通过如下方式确定的：当通过实验数据发现当训练轮次超过目标轮次时，所述目标神经网络模型呈现过拟合状态，则确定目标轮次为最优训练轮次。
请参阅图6，图6是本申请实施例提供的一种目标神经网络模型的训练效果数据图，图中所示出的数据内容为模型训练的12轮至25轮的情况，其中loss代表训练集对应的loss值，val_loss代表测试集对应的loss值，当loss值下降、且val_loss值也下降时，表明训练过程正常，模型输出结果可信，由图6中的数值变化趋势可知，该模型的训练过程是成功的。此时，若通过实验数据发现第26轮迭代使得模型出现了过拟合现象，则确定25轮次即为当前场景中模型的最优训练轮次。
步骤S309，将所述目标区域在目标样本时段内的雷达回波图像序列输入到所述训练完成的目标神经网络模型，得到所述目标区域在目标预测时段内的降水数据。
其中，所述目标样本时段的长度等于所述第一时段的长度、且所述目标样本时段的终止时刻点为当前时刻点，所述目标预测时段的长度等于所述第二时段的长度、且所述目标预测时段的起始时刻点为所述当前时刻点。以第一时段为1.5小时，第二时段为1.5小时训练出的模型为例，当用户希望预测当前时刻点未来1.5小时内的降水情况时，就可以使用该模型，通过前1.5小时的雷达回波图像预测出未来1.5小时内的降水数据。由于本实施例中的模型是采用更加符合目标区域真实降水情况的降水数据作为输出样本进行训练的，因此相较于传统的降水预测模型，本实施例中所预测的降水数据会更加准确。
可以看出，本申请实施例中，电子设备先在预设时间段内随机选取出原始时间段并将原始时间段分为第一时段和第二时段；然后获取目标区域在第一时段内的第一雷达回波图像序列、以及获取目标区域在第二时段内的第二雷达回波图像序列；再将目标区域划分为被多个降水观测站的实际观测范围所覆盖的第一区域和未被覆盖的第二区域；然后计算出第一区域对应的第一降水数据，第一降水数据的数据来源为多个降水观测站；以及根据第二雷达回波图像序列确定出第二区域在第二时段内的第二降水数据；再根据第一降水数据和第二降水数据确定出目标降水数据；然后以第一雷达回波图像序列作为输入、目标降水数据作为输出，构建目标神经网络模型；再通过多个原始时间段对应的多个训练集对目标神经网络模型进行训练，得到训练完成的目标神经网络模型；最后利用训练完成的目标神经网络模型完成对目标预测时段内的降水数据的预测。如此，避免了由于部分区域的降水观测站分布并不均匀导致降水观测站测量到的平均降水数据与该区域的实际降水情况存在误差的情况，提高了模型预测的准确性。
与上述所示的实施例一致的，请参阅图7a，图7a是本申请实施例提供的一种降水预测装置的功能单元组成框图，所述装置应用于如图2所示的电子设备200中，所述降水预测装置70包括：选取单元701，用于在预设时间段内随机选取出原始时间段，所述原始时间段包括第一时段和第二时段，所述第一时段的起始时刻点为所述原始时间段的起始时刻点，所述第一时段的终止时刻点为目标时刻点，所述第二时段的起始时刻点为所述目标时刻点，所述第二时段的终止时刻点为所述原始时间段的终止时刻点；获取单元702，用于获取目标区域在所述第一时段内的第一雷达回波图像序列，以及获取所述目标区域在所述第二时段内的第二雷达回波图像序列，所述雷达回波图像序列包括多个连续的雷达回波图像帧；划分单元703，用于将所述目标区域划分为第一区域和第二区域，所述第一区域是指所述目标区域中被多个降水观测站的实际观测范围所覆盖的区域，所述第二区域是指所述目标区域中除所述第一区域之外的其他区域；计算单元704，用于计算出所述第一区域对应的第一降水数据，所述第一降水数据的数据来源为所述多个降水观测站；第一确定单元705，用于根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据；第二确定单元706，用于根据所述第一降水数据和所述第二降水数据确定出所述目标区域在所述第二时段内的目标降水数据；模型构建单元707，用于将所述第一雷达回波图像序列作为输入数据、所述目标降水数据作为输出数据，构建目标神经网络模型；模型训练单元708，用于通过多个原始时间段对应的多个训练集对所述目标神经网络模型进行训练，得到训练完成的目标神经网络模型，单个训练集包括所述第一雷达回波图像序列和所述目标降水数据；模型应用单元709，用于将所述目标区域在目标样本时段内的雷达回波图像序列输入到所述训练完成的目标神经网络模型，得到所述目标区域在目标预测时段内的降水数据，其中，所述目标样本时段的长度等于所述第一时段的长度、且所述目标样本时段的终止时刻点为当前时刻点，所述目标预测时段的长度等于所述第二时段的长度、且所述目标预测时段的起始时刻点为所述当前时刻点。
在一个可能的示例中，在所述将所述目标区域划分为第一区域和第二区域方面，所述划分单元703具体用于：获取所述多个降水观测站中的每个降水观测站的降水观测范围；从所述多个降水观测站中筛选出多个目标降水观测站，所述目标降水观测站是指降水观测范围所覆盖的区域与所述目标区域存在交集的降水观测站；将所述多个目标降水观测站对应的多个目标降水观测区域取并集，得到所述第一区域，所述目标降水观测区域是指所述目标降水观测站的降水观测范围所覆盖的区域与所述目标区域的交集；根据所述目标区域和所述第一区域确定出所述第二区域。
在一个可能的示例中，在所述计算出所述第一区域对应的第一降水数据方面，所述划分单元703具体用于：获取所述多个目标降水观测站对应的多个平均降水数据；若所述多个目标降水观测区域之间互不相交，则针对所述多个目标降水观测区域执行如下操作：计算当前处理的目标降水观测区域在所述第一区域中的面积占比；根据所述面积占比确定所述当前处理的目标降水观测区域对应的降水权重；继续处理下一个目标降水观测区域，直至所述多个目标降水观测区域全部处理完成，得到与所述多个目标降水观测区域一一对应的多个降水权重；根据所述多个平均降水数据和所述多个降水权重计算出所述第一区域对应的第一降水数据。
在一个可能的示例中，在所述计算出所述第一区域对应的第一降水数据方面，所述划分单元703具体用于：获取所述多个目标降水观测站对应的多个平均降水数据；若所述多个目标降水观测区域之间存在至少一个相交区域，则针对所述至少一个相交区域执行如下操作：计算当前处理的相交区域在所述第一区域中的第一面积占比；根据所述第一面积占比确定所述当前处理的相交区域对应的第一降水权重；根据产生所述当前处理的相交区域的至少两个目标降水观测站对应的至少两个平均降水数据计算所述当前处理的相交区域对应的第一平均降水数据；继续处理下一个相交区域，直至所述至少一个相交区域全部处理完成；针对所述多个目标降水观测区域执行如下操作：若当前处理的目标降水观测区域中不包含所述相交区域，则计算所述当前处理的目标降水观测区域在所述第一区域中的第二面积占比；根据所述第二面积占比确定所述当前处理的目标降水观测区域对应的第二降水权重；若当前处理的目标降水观测区域中包含所述相交区域，则计算所述当前处理的目标降水观测区域中的参考区域在所述第一区域中的第三面积占比，所述参考区域是指所述当前处理的目标降水观测区域中除所述相交区域以外的其他区域；根据所述第三面积占比计算所述当前处理的目标降水观测区域中的参考区域对应的第三降水权重；继续处理下一个目标降水观测区域，直至所述多个目标降水观测区域全部处理完成；根据所述第一降水权重、所述第一平均降水数据、所述第二降水权重、所述第三降水权重和所述平均降水数据计算出所述第一区域对应的第一降水数据。
在一个可能的示例中，在所述根据产生所述当前处理的相交区域的至少两个目标降水观测站对应的至少两个平均降水数据计算所述当前处理的相交区域对应的第一平均降水数据方面，所述划分单元703具体用于：获取所述至少两个目标降水观测站对应的至少两个参考距离，所述参考距离为所述目标降水观测站与所述目标区域之间的最短距离；根据所述至少两个参考距离确定出所述至少两个目标降水观测站对应的至少两个计算权重；根据所述至少两个平均降水数据和所述至少两个计算权重计算所述当前处理的相交区域对应的第一平均降水数据。
在一个可能的示例中，所述至少两个目标降水观测站均位于所述目标区域之外，在所述根据所述至少两个参考距离确定出所述至少两个目标降水观测站对应的至少两个计算权重方面，所述划分单元703具体用于：通过以下计算公式计算出所述至少两个计算权重：
其中，n≥2，n代表所述至少两个目标降水观测站的数量，Wi代表所述至少两个目标降水观测站中第i个目标降水观测站对应的计算权重，di代表所述至少两个参考距离中第i个参考距离。
在一个可能的示例中，在所述根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据方面，所述第一确定单元705具体用于：从所述第二雷达回波图像序列中截取出第三雷达回波图像序列，所述第三雷达回波图像序列对应所述第二区域；根据所述第三雷达回波图像序列计算出所述第二区域在所述第二时段内的第二降水数据。
可以理解的是，由于方法实施例与装置实施例为相同技术构思的不同呈现形式，因此，本申请中方法实施例部分的内容应同步适配于装置实施例部分，此处不再赘述。
在采用集成的单元的情况下，如图7b所示，图7b是本申请实施例提供的另一种降水预测装置的功能单元组成框图。在图7b中，所述降水预测装置70包括：处理模块72和通信模块71。处理模块72用于对降水预测装置的动作进行控制管理，例如，执行选取单元701、获取单元702、划分单元703、计算单元704、第一确定单元705、第二确定单元706、模型构建单元707、模型训练单元708和模型应用单元709的步骤，和/或用于执行本文所描述的技术的其它过程。通信模块71用于支持降水预测装置与其他设备之间的交互。如图7b所示，降水预测装置还可以包括存储模块73，存储模块73用于存储降水预测装置的程序代码和数据。
其中，处理模块72可以是处理器或控制器，例如可以是中央处理器(CentralProcessing Unit，CPU)，通用处理器，数字信号处理器(Digital Signal Processor，DSP)，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信模块71可以是收发器、RF电路或通信接口等。存储模块73可以是存储器。
其中，上述方法实施例涉及的各场景的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。上述降水预测装置70均可执行上述图3所示的降水预测方法。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本申请实施例还提供一种计算机存储介质，其中，其上存储有计算机程序/指令，所述计算机程序/指令被处理器执行时实现如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。所述计算机程序产品可以是上述实施例涉及到的应用程序。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，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；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包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、磁碟、光盘、易失性存储器或非易失性存储器。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（randomaccess memory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）等各种可以存储程序代码的介质。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。

Claims (10)

1.一种降水预测方法，其特征在于，包括：
在预设时间段内随机选取出原始时间段，所述原始时间段包括第一时段和第二时段，所述第一时段的起始时刻点为所述原始时间段的起始时刻点，所述第一时段的终止时刻点为目标时刻点，所述第二时段的起始时刻点为所述目标时刻点，所述第二时段的终止时刻点为所述原始时间段的终止时刻点；
获取目标区域在所述第一时段内的第一雷达回波图像序列，以及获取所述目标区域在所述第二时段内的第二雷达回波图像序列，所述雷达回波图像序列包括多个连续的雷达回波图像帧；
将所述目标区域划分为第一区域和第二区域，所述第一区域是指所述目标区域中被多个降水观测站的实际观测范围所覆盖的区域，所述第二区域是指所述目标区域中除所述第一区域之外的其他区域；
计算出所述第一区域对应的第一降水数据，所述第一降水数据的数据来源为所述多个降水观测站；
根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据；
根据所述第一降水数据和所述第二降水数据确定出所述目标区域在所述第二时段内的目标降水数据；
将所述第一雷达回波图像序列作为输入数据、所述目标降水数据作为输出数据，构建目标神经网络模型；
通过多个原始时间段对应的多个训练集对所述目标神经网络模型进行训练，得到训练完成的目标神经网络模型，单个训练集包括所述第一雷达回波图像序列和所述目标降水数据；
将所述目标区域在目标样本时段内的雷达回波图像序列输入到所述训练完成的目标神经网络模型，得到所述目标区域在目标预测时段内的降水数据，其中，所述目标样本时段的长度等于所述第一时段的长度、且所述目标样本时段的终止时刻点为当前时刻点，所述目标预测时段的长度等于所述第二时段的长度、且所述目标预测时段的起始时刻点为所述当前时刻点。
2.根据权利要求1所述方法，其特征在于，所述将所述目标区域划分为第一区域和第二区域，包括：
获取所述多个降水观测站中的每个降水观测站的降水观测范围；
从所述多个降水观测站中筛选出多个目标降水观测站，所述目标降水观测站是指降水观测范围所覆盖的区域与所述目标区域存在交集的降水观测站；
将所述多个目标降水观测站对应的多个目标降水观测区域取并集，得到所述第一区域，所述目标降水观测区域是指所述目标降水观测站的降水观测范围所覆盖的区域与所述目标区域的交集；
根据所述目标区域和所述第一区域确定出所述第二区域。
3.根据权利要求2所述方法，其特征在于，所述计算出所述第一区域对应的第一降水数据，包括：
获取所述多个目标降水观测站对应的多个平均降水数据；
若所述多个目标降水观测区域之间互不相交，则针对所述多个目标降水观测区域执行如下操作：
计算当前处理的目标降水观测区域在所述第一区域中的面积占比；
根据所述面积占比确定所述当前处理的目标降水观测区域对应的降水权重；
继续处理下一个目标降水观测区域，直至所述多个目标降水观测区域全部处理完成，得到与所述多个目标降水观测区域一一对应的多个降水权重；
根据所述多个平均降水数据和所述多个降水权重计算出所述第一区域对应的第一降水数据。
4.根据权利要求2所述方法，其特征在于，所述计算出所述第一区域对应的第一降水数据，包括：
获取所述多个目标降水观测站对应的多个平均降水数据；
若所述多个目标降水观测区域之间存在至少一个相交区域，则针对所述至少一个相交区域执行如下操作：
计算当前处理的相交区域在所述第一区域中的第一面积占比；
根据所述第一面积占比确定所述当前处理的相交区域对应的第一降水权重；
根据产生所述当前处理的相交区域的至少两个目标降水观测站对应的至少两个平均降水数据计算所述当前处理的相交区域对应的第一平均降水数据；
继续处理下一个相交区域，直至所述至少一个相交区域全部处理完成；
针对所述多个目标降水观测区域执行如下操作：
若当前处理的目标降水观测区域中不包含所述相交区域，则计算所述当前处理的目标降水观测区域在所述第一区域中的第二面积占比；
根据所述第二面积占比确定所述当前处理的目标降水观测区域对应的第二降水权重；
若当前处理的目标降水观测区域中包含所述相交区域，则计算所述当前处理的目标降水观测区域中的参考区域在所述第一区域中的第三面积占比，所述参考区域是指所述当前处理的目标降水观测区域中除所述相交区域以外的其他区域；
根据所述第三面积占比计算所述当前处理的目标降水观测区域中的参考区域对应的第三降水权重；
继续处理下一个目标降水观测区域，直至所述多个目标降水观测区域全部处理完成；
根据所述第一降水权重、所述第一平均降水数据、所述第二降水权重、所述第三降水权重和所述平均降水数据计算出所述第一区域对应的第一降水数据。
5.根据权利要求4所述方法，其特征在于，所述根据产生所述当前处理的相交区域的至少两个目标降水观测站对应的至少两个平均降水数据计算所述当前处理的相交区域对应的第一平均降水数据，包括：
获取所述至少两个目标降水观测站对应的至少两个参考距离，所述参考距离为所述目标降水观测站与所述目标区域之间的最短距离；
根据所述至少两个参考距离确定出所述至少两个目标降水观测站对应的至少两个计算权重；
根据所述至少两个平均降水数据和所述至少两个计算权重计算所述当前处理的相交区域对应的第一平均降水数据。
6.根据权利要求5所述方法，其特征在于，所述至少两个目标降水观测站均位于所述目标区域之外，所述根据所述至少两个参考距离确定出所述至少两个目标降水观测站对应的至少两个计算权重，包括：
通过以下计算公式计算出所述至少两个计算权重：
其中，n≥2，n代表所述至少两个目标降水观测站的数量，Wi代表所述至少两个目标降水观测站中第i个目标降水观测站对应的计算权重，di代表所述至少两个参考距离中第i个参考距离。
7.根据权利要求1所述方法，其特征在于，所述根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据，包括：
从所述第二雷达回波图像序列中截取出第三雷达回波图像序列，所述第三雷达回波图像序列对应所述第二区域；
根据所述第三雷达回波图像序列计算出所述第二区域在所述第二时段内的第二降水数据。
8.一种降水预测装置，其特征在于，包括：
选取单元，用于在预设时间段内随机选取出原始时间段，所述原始时间段包括第一时段和第二时段，所述第一时段的起始时刻点为所述原始时间段的起始时刻点，所述第一时段的终止时刻点为目标时刻点，所述第二时段的起始时刻点为所述目标时刻点，所述第二时段的终止时刻点为所述原始时间段的终止时刻点；
获取单元，用于获取目标区域在所述第一时段内的第一雷达回波图像序列，以及获取所述目标区域在所述第二时段内的第二雷达回波图像序列，所述雷达回波图像序列包括多个连续的雷达回波图像帧；
划分单元，用于将所述目标区域划分为第一区域和第二区域，所述第一区域是指所述目标区域中被多个降水观测站的实际观测范围所覆盖的区域，所述第二区域是指所述目标区域中除所述第一区域之外的其他区域；
计算单元，用于计算出所述第一区域对应的第一降水数据，所述第一降水数据的数据来源为所述多个降水观测站；
第一确定单元，用于根据所述第二雷达回波图像序列确定出所述第二区域在所述第二时段内的第二降水数据；
第二确定单元，用于根据所述第一降水数据和所述第二降水数据确定出所述目标区域在所述第二时段内的目标降水数据；
模型构建单元，用于将所述第一雷达回波图像序列作为输入数据、所述目标降水数据作为输出数据，构建目标神经网络模型；
模型训练单元，用于通过多个原始时间段对应的多个训练集对所述目标神经网络模型进行训练，得到训练完成的目标神经网络模型，单个训练集包括所述第一雷达回波图像序列和所述目标降水数据；
模型应用单元，用于将所述目标区域在目标样本时段内的雷达回波图像序列输入到所述训练完成的目标神经网络模型，得到所述目标区域在目标预测时段内的降水数据，其中，所述目标样本时段的长度等于所述第一时段的长度、且所述目标样本时段的终止时刻点为当前时刻点，所述目标预测时段的长度等于所述第二时段的长度、且所述目标预测时段的起始时刻点为所述当前时刻点。
9.一种电子设备，其特征在于，包括处理器、存储器以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-7任一项所述方法中的步骤的指令。
10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。
CN202311006515.8A 2023-08-11 2023-08-11 降水预测方法及相关装置 Active CN116755181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311006515.8A CN116755181B (zh) 2023-08-11 2023-08-11 降水预测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311006515.8A CN116755181B (zh) 2023-08-11 2023-08-11 降水预测方法及相关装置

Publications (2)

Publication Number Publication Date
CN116755181A true CN116755181A (zh) 2023-09-15
CN116755181B CN116755181B (zh) 2023-10-20

Family

ID=87953562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311006515.8A Active CN116755181B (zh) 2023-08-11 2023-08-11 降水预测方法及相关装置

Country Status (1)

Country Link
CN (1) CN116755181B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949934A (zh) * 2021-03-25 2021-06-11 浙江万里学院 基于深度学习的短时强降雨预测方法
CN114881286A (zh) * 2022-04-02 2022-08-09 大连海事大学 一种基于深度学习的短时降水预测方法
CN115390161A (zh) * 2022-07-26 2022-11-25 北京百度网讯科技有限公司 基于人工智能的降水预测方法及装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949934A (zh) * 2021-03-25 2021-06-11 浙江万里学院 基于深度学习的短时强降雨预测方法
CN114881286A (zh) * 2022-04-02 2022-08-09 大连海事大学 一种基于深度学习的短时降水预测方法
CN115390161A (zh) * 2022-07-26 2022-11-25 北京百度网讯科技有限公司 基于人工智能的降水预测方法及装置
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

Also Published As

Publication number Publication date
CN116755181B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
US8259110B1 (en) Method and apparatus for computing direct lighting for global illumination rendering in 3-D computer graphics
JP2023520846A (ja) 人工知能に基づく画像処理方法、画像処理装置、コンピュータプログラム及びコンピュータ機器
CN110728333B (zh) 日照时长分析方法、装置、电子设备以及存储介质
CN112132265B (zh) 模型训练方法、杯盘比确定方法、装置、设备及存储介质
CN115601511B (zh) 三维重建方法、装置、计算机设备及计算机可读存储介质
CN114298234B (zh) 脑部医学影像分类方法、装置、计算机设备和存储介质
EP3032496A1 (en) State estimation apparatus, program, and integrated circuit
CN112017161A (zh) 一种基于中心点回归的肺结节检测方法和检测装置
CN111667459A (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质
CN115937690B (zh) 一种槽线生成方法、装置、存储介质及终端
CN112819199A (zh) 降水量的预测方法、装置、设备和存储介质
CN116187430A (zh) 一种联邦学习方法及相关装置
CN115375583A (zh) 一种pet参数图像的增强方法、装置、设备及存储介质
CN117474879A (zh) 主动脉夹层真假腔分割方法、装置、电子设备及存储介质
CN117095132B (zh) 基于隐式函数的三维重建方法和系统
CN116755181B (zh) 降水预测方法及相关装置
CN113920079A (zh) 一种困难样本挖掘方法、系统、终端以及存储介质
CN113764101A (zh) 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统
CN116916112A (zh) 视频生成方法及相关装置
US20230401670A1 (en) Multi-scale autoencoder generation method, electronic device and readable storage medium
CN115859765B (zh) 城市扩张的预测方法、装置、设备及存储介质
CN110223780A (zh) 一种自适应pso-grnn的胎儿体重预测方法及系统
CN115618714A (zh) 一种太阳辐射概率预报方法及相关设备
CN115797726A (zh) 模型获得方法、装置、电子设备及存储介质
CN112184753B (zh) 目标光流法确定方法、装置、计算机设备和存储介质

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