CN117826277A - 降水预测方法、装置、计算机设备和存储介质 - Google Patents
降水预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117826277A CN117826277A CN202311657555.9A CN202311657555A CN117826277A CN 117826277 A CN117826277 A CN 117826277A CN 202311657555 A CN202311657555 A CN 202311657555A CN 117826277 A CN117826277 A CN 117826277A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- observation
- prediction
- numerical
- 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
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 539
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000000247 postprecipitation Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000013643 reference control Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种降水预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取各个降水观测站点的降水观测数据,以及各个降水观测站点的数值降水预测数据;根据各个降水观测站点,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;将降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;采用匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;将目标预测地点的当前观测天气信息和目标预测地点的数值降水预测数据,输入训练完成的降水预测模型中,得到针对目标预测地点的目标降水预测数据。采用本方法能够得到更精细、更准确的降水预测。
Description
技术领域
本申请涉及气象预测技术领域,特别是涉及一种降水预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
天气预测就是应用大气变化的规律,根据当前及近期的天气形势,对某一地区未来一定时期内的天气状况进行预测。数值天气预测是一种对未来天气情况进行数字量化的预测方法,是当前天气预测的主要手段。
然而,数值天气预测受限于空间分辨率和宏观物理参数的设置,无法针对特定位置进行更精细化的天气预测。
发明内容
基于此,有必要针对上述技术问题,提供一种更精细的降水预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种降水预测方法,包括:
获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据;
根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
将所述降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
将目标预测地点的当前观测天气信息和所述目标预测地点的数值降水预测数据,输入所述训练完成的降水预测模型中,得到针对所述目标预测地点的目标降水预测数据。
在其中一个实施例中,所述获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据,包括:
获取各个降水观测站点的初始降水观测数据,以及所述各个降水观测站点的初始数值降水预测数据;
根据所述各个降水观测站点的日志信息,从所述初始降水观测数据中,剔除数据异常的降水观测数据,得到所述各个降水观测站点的降水观测数据;
根据所述各个降水观测站点的日志信息,从所述初始数值降水预测数据中,剔除数据异常的数值降水预测数据,得到所述各个降水观测站点的数值降水预测数据。
在其中一个实施例中,所述根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据,包括:
根据所述各个降水观测站点的观测覆盖范围,得到所述各个划分区域;
在任意两个降水观测站点的观测覆盖范围具有重叠区域的情况下,将所述重叠区域随机划入所述任意两个降水观测站点对应的划分区域中;
根据所述各个划分区域,将所述数值降水预测数据进行区域划分处理,得到所述各个划分区域的数值降水预测数据。
在其中一个实施例中,所述降水观测数据包括降水前后观测数据和降水中观测数据;所述降水观测数据的数据类型包括雷达图像、降水图像和平均风图像;
所述采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,包括:
采用第一卷积处理模块,对所述雷达图像、所述降水图像和所述平均风图像进行特征提取处理,得到雷达图像特征、降水图像特征和平均风图像特征;
采用第二卷积处理模块,对所述雷达图像特征、所述降水图像特征和所述平均风图像特征进行特征融合处理,得到融合特征;
根据所述融合特征和所述各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型。
在其中一个实施例中,所述根据所述融合特征和所述各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,包括:
根据所述降水预测数据和所述降水中观测数据,得到降水总量误差和降水最大误差;
在所述降水总量误差和所述降水最大误差均符合预设误差条件的情况下,确定所述待训练的降水预测模型训练完成。
在其中一个实施例中,在得到针对目标预测地点的目标降水预测数据之后,还包括:
获取所述目标降水预测数据对应的目标时间段下,所述目标预测地点的目标降水观测数据;
根据所述目标降水观测数据和所述目标降水预测数据,更新所述训练完成的降水预测模型,得到更新后的降水预测模型。
第二方面,本申请还提供了一种降水预测装置,包括:
数据获取模块,用于获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据;
区域划分模块,用于根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
数据匹配模块,用于将所述降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
模型训练模块,用于采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
降水预测模块,用于将目标预测地点的当前观测天气信息和所述目标预测地点的数值降水预测数据,输入所述训练完成的降水预测模型中,得到针对所述目标预测地点的目标降水预测数据。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据;
根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
将所述降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
将目标预测地点的当前观测天气信息和所述目标预测地点的数值降水预测数据,输入所述训练完成的降水预测模型中,得到针对所述目标预测地点的目标降水预测数据。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据;
根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
将所述降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
将目标预测地点的当前观测天气信息和所述目标预测地点的数值降水预测数据,输入所述训练完成的降水预测模型中,得到针对所述目标预测地点的目标降水预测数据。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据;
根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
将所述降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
将目标预测地点的当前观测天气信息和所述目标预测地点的数值降水预测数据,输入所述训练完成的降水预测模型中,得到针对所述目标预测地点的目标降水预测数据。
上述降水预测方法、装置、计算机设备、存储介质和计算机程序产品,首先,获取各个降水观测站点的降水观测数据,以及各个降水观测站点的数值降水预测数据,充分利用实测和模型输出的信息,提高数据的多样性和全面性,为更准确的预测奠定基础;接着,根据各个降水观测站点,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据,使得模型能够关注到地理信息和降水情况之间的特征,针对各个划分区域的预测更具精细度,克服了数值天气预测空间分辨率限制的问题;并将降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据,以使模型更好地学习和适应地理信息和降水情况之间的特征;然后,采用匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,使模型能够更好地捕捉和反映观测数据的特征,提高精细地理位置的降水预测准确性;最后,将目标预测地点的当前观测天气信息和目标预测地点的数值降水预测数据,输入训练完成的降水预测模型中,得到针对目标预测地点的目标降水预测数据,模型的训练和应用都是从数值降水预测数据为基础数据,使得模型的预测也就从数值降水预测数据为参照,从而让模型的预测效率提高的同时,还使得模型可以关注到数值降水预测数据中各物理参数之间更深的关系,得到更精细、准确的预测结果。上述方法通过区域划分和匹配处理,综合运用观测数据和数值天气预测数据,提高了模型对实际气象现象的理解能力,帮助模型突破数值天气预测的空间分辨率限制,实现了对目标位置的精细化降水预测,提高了降水预测在局部区域的准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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为一个实施例中降水预测方法的流程示意图;
图2为一个实施例中降水预测模型的训练步骤的流程示意图;
图3为另一个实施例中降水预测方法的流程示意图;
图4为一个实施例中降水预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种降水预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,获取各个降水观测站点的降水观测数据,以及各个降水观测站点的数值降水预测数据。
示例性地,终端查询数据库,获取各个降水观测站点多个历史记录中的降水观测数据,并且还查询获取全部降水观测站点观测范围内的数值降水预测数据。其中,数值降水预测数据是根据数值天气预报(numerical weather prediction)得到的降水预测数据。数值天气预报是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法。降水观测数据包括降水预测前预设时间段的数据、降水中的数据和实际降水后预设时间段的数据。
步骤S102,根据各个降水观测站点,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据。
示例性地,数值降水预测数据是连续型数据,而降水观测站点是离散分布的,为了和降水观测数据进行关联匹配,终端需要根据各个降水观测站点,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据。终端可以基于降水观测站点的观测覆盖范围对地理位置进行划分区域,然后根据划分区域划分数值降水预测数据,得到各个划分区域的数值降水预测数据,即将划分区域与数值降水预测数据进行关联。
步骤S103,将降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据。
示例性地,降水观测数据与降水观测站点之间具有映射关系,然后,步骤S102得到了划分区域和数值降水预测数据之间的映射关系。终端根据降水观测站点和划分区域之间的映射关系,将降水观测数据和各个划分区域的数值降水预测数据进行匹配,得到匹配数据,即确定每个降水观测站点下的降水观测数据和对应划分区域的数值降水预测数据之间的关联。
步骤S104,采用匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型。
示例性地,终端获取待训练的降水预测模型,然后将匹配数据,输入待训练的降水预测模型,进行模型的迭代训练,得到可以准确进行降水预测是降水预测模型。其中,降水预测模型可以是传统的统计模型或基于深度学习的神经网络模型。终端还可以将匹配数据划分为训练集和验证集,确保模型在训练中能够基于验证集进行验证和评估。降水预测模型在训练的过程中,会对匹配数据中的划分区域不断进行调整,包括划分区域的面积和划分区域之间的边界,即将划分区域作为模型的参数进行调优。
步骤S105,将目标预测地点的当前观测天气信息和目标预测地点的数值降水预测数据,输入训练完成的降水预测模型中,得到针对目标预测地点的目标降水预测数据,目标降水预测数据包括未来各时间段的降水概率和降水量。其中,目标观测地点的当前观测天气信息,并不仅仅包括目标观测地点范围内的观测天气信息,还包括得到目标观测地点的数值降水预测数据所需的观测天气信息。
示例性地,终端获取用户输入的目标预测地点的当前观测天气信息和数值降水预测数据,输入训练完成的降水预测模型中,地点
上述降水预测方法中,首先,获取各个降水观测站点的降水观测数据,以及各个降水观测站点的数值降水预测数据,充分利用实测和模型输出的信息,提高数据的多样性和全面性,为更准确的预测奠定基础;接着,根据各个降水观测站点,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据,使得模型能够关注到地理信息和降水情况之间的特征,针对各个划分区域的预测更具精细度,克服了数值天气预测空间分辨率限制的问题;并将降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据,以使模型更好地学习和适应地理信息和降水情况之间的特征;然后,采用匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,使模型能够更好地捕捉和反映观测数据的特征,提高精细地理位置的降水预测准确性;最后,将目标预测地点的当前观测天气信息和目标预测地点的数值降水预测数据,输入训练完成的降水预测模型中,得到针对目标预测地点的目标降水预测数据,模型的训练和应用都是从数值降水预测数据为基础数据,使得模型的预测也就从数值降水预测数据为参照,从而让模型的预测效率提高的同时,还使得模型可以关注到数值降水预测数据中各物理参数之间更深的关系,得到更精细、准确的预测结果。上述方法通过区域划分和匹配处理,综合运用观测数据和数值天气预测数据,提高了模型对实际气象现象的理解能力,帮助模型突破数值天气预测的空间分辨率限制,实现了对目标位置的精细化降水预测,提高了降水预测在局部区域的准确性。
在一个示例性的实施例中,上述步骤S101获取各个降水观测站点的降水观测数据,以及各个降水观测站点的数值降水预测数据,还包括:获取各个降水观测站点的初始降水观测数据,以及各个降水观测站点的初始数值降水预测数据;根据各个降水观测站点的日志信息,从初始降水观测数据中,剔除数据异常的降水观测数据,得到各个降水观测站点的降水观测数据;根据各个降水观测站点的日志信息,从初始数值降水预测数据中,剔除数据异常的数值降水预测数据,得到各个降水观测站点的数值降水预测数据。
示例性地,终端查询数据库,获取到各个降水观测站点历史记录中的初始降水观测数据以及初始数值降水预测数据。终端查询每个降水观测站点在记录时的日志信息,确定出具有异常状况的时间标记,异常状况包括突发天气状况、极端天气状况、人工干预过多的状况、观测设备故障状况和数据偏移量超过预设阈值的状况等。终端根据异常状况对应的时间标记,从初始降水观测数据和初始数值降水预测数据中,剔除对应的异常数据,从而得到用于训练模型的降水观测数据和数值降水预测数据。
本实施例中,通过日志信息和异常检测,有效剔除降水观测和数值降水预测中的异常数据,提高数据质量,避免影响模型训练中的特征提取和计算,有助于训练出更稳定和可靠的降水预测模型,提高模型在实际应用中的可信度。
在一个示例性的实施例中,上述步骤S102根据各个降水观测站点,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据,包括:根据各个降水观测站点的观测覆盖范围,得到各个划分区域;在任意两个降水观测站点的观测覆盖范围具有重叠区域的情况下,将重叠区域随机划入任意两个降水观测站点对应的划分区域中;根据各个划分区域,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据。
示例性地,终端查询各个降水观测站点的地理坐标和观测仪器信息,确定每个站点的观测覆盖范围。同时可以考虑观测仪器的空间分辨率,确定站点的有效观测区域。然后,终端在不同降水观测站点的观测覆盖范围内,划分不重叠的区域作为各个划分区域的基础;针对可能存在的任意两个站点的观测覆盖范围重叠的情况,将重叠区域随机划分给其中任意两个站点对应的划分区域。接着,终端按照数值降水预测数据对应的地理位置信息,将数值降水预测数据和划分区域进行匹配,得到各个划分区域的数值降水预测数据。
本实施例中,通过观测站点的观测覆盖范围,确保数值降水预测数据与实际观测数据在区域上的匹配准确性。并且,通过随机划分重叠区域,避免重复计算和歧义,提高划分区域的合理性。保持数值降水预测数据在划分区域内的空间一致性,有助于后续的特征提取和模型训练。
在一个示例性的实施例中,降水观测数据包括降水前后观测数据和降水中观测数据;降水观测数据的数据类型包括雷达图像、降水图像和平均风图像;如图2所示,上述步骤S104采用匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,还可以通过以下步骤实现:
步骤S201,采用第一卷积处理模块,对雷达图像、降水图像和平均风图像进行特征提取处理,得到雷达图像特征、降水图像特征和平均风图像特征;
步骤S202,采用第二卷积处理模块,对雷达图像特征、降水图像特征和平均风图像特征进行特征融合处理,得到融合特征;
步骤S203,根据融合特征和各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型。
其中,雷达图像为气象雷达图,是气象雷达发射微波信号探测到的天气信息在雷达显示器上呈现的回波图像。
示例性地,终端利用卷积神经网络对雷达图像、降水图像和平均风图像进行特征提取,其中,每个图像类型分别经过专门的卷积层,以捕捉不同类型的气象信息。然后,通过卷积和池化等操作,提取出图像中的关键特征,形成雷达图像特征、降水图像特征和平均风图像特征。接着,通过第二卷积处理模块,对雷达图像特征、降水图像特征和平均风图像特征进行进一步的特征融合,可以采用双卷积网络结构,确保各类特征得到充分融合。那么,通过卷积和融合操作,就得到综合的融合特征,包括了雷达、降水和风的多源信息。最后,终端将融合特征作为输入,结合各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,通过反向传播算法不断调整模型参数(包含划分区域),使其逐渐收敛,得到训练完成的降水预测模型,使得该模型在综合利用多源气象信息的同时,考虑了空间区域划分的影响。模型在计算降水概率时,可以采用logistic函数,得到(0,1)之间的输出值,即为降水概率值。通常以0.5作为分界点,大于或等于0.5,认为降水会发生,否则降水不发生。
本实施例中,通过卷积神经网络提取雷达图像、降水图像和平均风图像的特征,再通过双卷积网络进行特征融合,使得降水预测模型能够更全面地利用多源气象信息,从而基于更多维的特征,得到更准确的降水预测结果。同时,考虑了划分区域的数值降水预测数据,保持了在地理空间上的一致性,增强了模型的空间适应性。并且,通过迭代训练,使得降水预测模型逐渐收敛并学习到更准确的降水预测规律,提高了模型的预测准确性。
在一个示例性的实施例中,上述步骤S203根据融合特征和各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,还包括:根据降水预测数据和降水中观测数据,得到降水总量误差和降水最大误差;在降水总量误差和降水最大误差均符合预设误差条件的情况下,确定待训练的降水预测模型训练完成。
示例性地,终端根据降水预测数据和降水中观测数据,使用预设的误差计算方法,得到降水总量误差。同样根据降水预测数据和降水中观测数据,计算降水最大误差。终端基于预设的降水总量误差和降水最大误差的阈值,作为训练完成的条件,在每次迭代训练后,计算当前降水总量误差和降水最大误差,与预设的误差条件进行比较,如果降水总量误差和降水最大误差均在预设误差条件范围内,则判定待训练的降水预测模型训练完成,若误差条件未满足,继续迭代训练,通过反向传播算法优化模型参数,直至满足预设的误差条件。
本实施例中,通过降水总量误差和降水最大误差的评估,能够精确衡量降水预测模型的性能,使得模型的预测更加准确。同时,通过训练完成条件的设置,使得模型在迭代训练中逐渐收敛,具备更好的鲁棒性,避免过拟合。
在一个示例性的实施例中,在上述步骤S105得到针对目标预测地点的目标降水预测数据之后,还包括:获取目标降水预测数据对应的目标时间段下,目标预测地点的目标降水观测数据;根据目标降水观测数据和目标降水预测数据,更新训练完成的降水预测模型,得到更新后的降水预测模型。
示例性地,终端根据目标降水预测数据的时间信息,确定目标预测地点的目标时间段。然后,终端获取目标时间段下,目标预测地点的实际降水观测数据。终端将目标降水观测数据与先前的降水观测数据整合,形成新的训练集;利用整合后的训练集,对先前训练完成的降水预测模型进行更新。
本实施例中,通过获取目标降水观测数据并更新模型,实现了对模型的实时动态迭代优化,使更新后的降水预测模型不断适应实际的气象变化,具有更好的自适应性,能够更灵活地应对不同时间段和地点的气象变化。
在一个示例性的实施例中,如图3所示,本申请还提供了另一种降水预测方法,该方法包括以下步骤:
步骤S301,获取各个降水观测站点的初始降水观测数据,以及各个降水观测站点的初始数值降水预测数据。
步骤S302,根据各个降水观测站点的日志信息,从初始降水观测数据中,剔除数据异常的降水观测数据,得到各个降水观测站点的降水观测数据,以及根据各个降水观测站点的日志信息,从初始数值降水预测数据中,剔除数据异常的数值降水预测数据,得到各个降水观测站点的数值降水预测数据。
步骤S303,根据各个降水观测站点的观测覆盖范围,得到各个划分区域。
步骤S304,在任意两个降水观测站点的观测覆盖范围具有重叠区域的情况下,将重叠区域随机划入任意两个降水观测站点对应的划分区域中。
步骤S305,根据各个划分区域,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据。
步骤S306,将降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据。
步骤S307,采用第一卷积处理模块,对雷达图像、降水图像和平均风图像进行特征提取处理,得到雷达图像特征、降水图像特征和平均风图像特征。
其中,降水观测数据包括降水前后观测数据和降水中观测数据;降水观测数据的数据类型包括雷达图像、降水图像和平均风图像。
步骤S308,采用第二卷积处理模块,对雷达图像特征、降水图像特征和平均风图像特征进行特征融合处理,得到融合特征。
步骤S309,根据融合特征和各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,并在每次迭代中,根据降水预测数据和降水中观测数据,得到降水总量误差和降水最大误差。
步骤S310,在降水总量误差和降水最大误差均符合预设误差条件的情况下,确定待训练的降水预测模型训练完成。
步骤S311,将目标预测地点的当前观测天气信息和目标预测地点的数值降水预测数据,输入训练完成的降水预测模型中,得到针对目标预测地点的目标降水预测数据。
步骤S312,获取目标降水预测数据对应的目标时间段下,目标预测地点的目标降水观测数据。
步骤S313,根据目标降水观测数据和目标降水预测数据,更新训练完成的降水预测模型,得到更新后的降水预测模型。
本实施例中,通过区域划分和匹配处理,综合运用观测数据和数值天气预测数据,提高了模型对实际气象现象的理解能力,帮助模型突破数值天气预测的空间分辨率限制,实现了对目标位置的精细化降水预测,提高了降水预测在局部区域的准确性。另外,通过卷积神经网络提取雷达图像、降水图像和平均风图像的特征,再通过双卷积网络进行特征融合,使得降水预测模型能够更全面地利用多源气象信息,从而基于更多维的特征,得到更准确的降水预测结果。模型的训练和应用都是从数值降水预测数据为基础数据,使得模型的预测也就从数值降水预测数据为参照,从而让模型的预测效率提高的同时,还使得模型可以关注到数值降水预测数据中各物理参数之间更深的关系,得到更精细、准确的预测结果。上述方法通过对观测站点的过往数据进行采集分析,从而形成训练集,可以作为参考对照标准,从而结合神将网路对实时天气数据进行对比分析,保证了时效性的同时,进一步提高了精细化程度和精确度,同时对预报数据进行迭代使用,有效提高了参考数据的规模化和量化程度。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的降水预测方法的降水预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个降水预测装置实施例中的具体限定可以参见上文中对于降水预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图4所示,提供了一种降水预测装置,包括:数据获取模块401、区域划分模块402、数据匹配模块403、模型训练模块404和降水预测模块405,其中:
数据获取模块401,用于获取各个降水观测站点的降水观测数据,以及各个降水观测站点的数值降水预测数据;
区域划分模块402,用于根据各个降水观测站点,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
数据匹配模块403,用于将降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
模型训练模块404,用于采用匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
降水预测模块405,用于将目标预测地点的当前观测天气信息和目标预测地点的数值降水预测数据,输入训练完成的降水预测模型中,得到针对目标预测地点的目标降水预测数据。
在其中一个实施例中,上述数据获取模块401,还用于获取各个降水观测站点的初始降水观测数据,以及各个降水观测站点的初始数值降水预测数据;根据各个降水观测站点的日志信息,从初始降水观测数据中,剔除数据异常的降水观测数据,得到各个降水观测站点的降水观测数据;根据各个降水观测站点的日志信息,从初始数值降水预测数据中,剔除数据异常的数值降水预测数据,得到各个降水观测站点的数值降水预测数据。
在其中一个实施例中,上述区域划分模块402,还用于根据各个降水观测站点的观测覆盖范围,得到各个划分区域;在任意两个降水观测站点的观测覆盖范围具有重叠区域的情况下,将重叠区域随机划入任意两个降水观测站点对应的划分区域中;根据各个划分区域,将数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据。
在其中一个实施例中,降水观测数据包括降水前后观测数据和降水中观测数据;降水观测数据的数据类型包括雷达图像、降水图像和平均风图像;上述模型训练模块404,还用于采用第一卷积处理模块,对雷达图像、降水图像和平均风图像进行特征提取处理,得到雷达图像特征、降水图像特征和平均风图像特征;采用第二卷积处理模块,对雷达图像特征、降水图像特征和平均风图像特征进行特征融合处理,得到融合特征;根据融合特征和各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型。
在其中一个实施例中,上述模型训练模块404,还用于根据降水预测数据和降水中观测数据,得到降水总量误差和降水最大误差;在降水总量误差和降水最大误差均符合预设误差条件的情况下,确定待训练的降水预测模型训练完成。
在其中一个实施例中,上述降水预测装置还包括动态训练模块,用于获取目标降水预测数据对应的目标时间段下,目标预测地点的目标降水观测数据;根据目标降水观测数据和目标降水预测数据,更新训练完成的降水预测模型,得到更新后的降水预测模型。
上述降水预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种降水预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种降水预测方法,其特征在于,所述方法包括:
获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据;
根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
将所述降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
将目标预测地点的当前观测天气信息和所述目标预测地点的数值降水预测数据,输入所述训练完成的降水预测模型中,得到针对所述目标预测地点的目标降水预测数据。
2.根据权利要求1所述的方法,其特征在于,所述获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据,包括:
获取各个降水观测站点的初始降水观测数据,以及所述各个降水观测站点的初始数值降水预测数据;
根据所述各个降水观测站点的日志信息,从所述初始降水观测数据中,剔除数据异常的降水观测数据,得到所述各个降水观测站点的降水观测数据;
根据所述各个降水观测站点的日志信息,从所述初始数值降水预测数据中,剔除数据异常的数值降水预测数据,得到所述各个降水观测站点的数值降水预测数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据,包括:
根据所述各个降水观测站点的观测覆盖范围,得到所述各个划分区域;
在任意两个降水观测站点的观测覆盖范围具有重叠区域的情况下,将所述重叠区域随机划入所述任意两个降水观测站点对应的划分区域中;
根据所述各个划分区域,将所述数值降水预测数据进行区域划分处理,得到所述各个划分区域的数值降水预测数据。
4.根据权利要求1所述的方法,其特征在于,所述降水观测数据包括降水前后观测数据和降水中观测数据;所述降水观测数据的数据类型包括雷达图像、降水图像和平均风图像;
所述采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,包括:
采用第一卷积处理模块,对所述雷达图像、所述降水图像和所述平均风图像进行特征提取处理,得到雷达图像特征、降水图像特征和平均风图像特征;
采用第二卷积处理模块,对所述雷达图像特征、所述降水图像特征和所述平均风图像特征进行特征融合处理,得到融合特征;
根据所述融合特征和所述各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述融合特征和所述各个划分区域的数值降水预测数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型,包括:
根据所述降水预测数据和所述降水中观测数据,得到降水总量误差和降水最大误差;
在所述降水总量误差和所述降水最大误差均符合预设误差条件的情况下,确定所述待训练的降水预测模型训练完成。
6.根据权利要求1所述的方法,其特征在于,在得到针对目标预测地点的目标降水预测数据之后,还包括:
获取所述目标降水预测数据对应的目标时间段下,所述目标预测地点的目标降水观测数据;
根据所述目标降水观测数据和所述目标降水预测数据,更新所述训练完成的降水预测模型,得到更新后的降水预测模型。
7.一种降水预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取各个降水观测站点的降水观测数据,以及所述各个降水观测站点的数值降水预测数据;
区域划分模块,用于根据所述各个降水观测站点,将所述数值降水预测数据进行区域划分处理,得到各个划分区域的数值降水预测数据;
数据匹配模块,用于将所述降水观测数据和各个划分区域的数值降水预测数据进行匹配处理,得到匹配数据;
模型训练模块,用于采用所述匹配数据,对待训练的降水预测模型进行迭代训练,得到训练完成的降水预测模型;
降水预测模块,用于将目标预测地点的当前观测天气信息和所述目标预测地点的数值降水预测数据,输入所述训练完成的降水预测模型中,得到针对所述目标预测地点的目标降水预测数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657555.9A CN117826277A (zh) | 2023-12-05 | 2023-12-05 | 降水预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657555.9A CN117826277A (zh) | 2023-12-05 | 2023-12-05 | 降水预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117826277A true CN117826277A (zh) | 2024-04-05 |
Family
ID=90521676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311657555.9A Pending CN117826277A (zh) | 2023-12-05 | 2023-12-05 | 降水预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826277A (zh) |
-
2023
- 2023-12-05 CN CN202311657555.9A patent/CN117826277A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 | |
CN112363251A (zh) | 天气预测模型的生成方法、天气预测方法、装置 | |
Xu et al. | Extraction of urban built-up areas from nighttime lights using artificial neural network | |
CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
CN113570122A (zh) | 预测风速的方法、装置、计算机设备和存储介质 | |
He et al. | Potential geographical distribution and its multi-factor analysis of Pinus massoniana in China based on the maxent model | |
CN113269379B (zh) | 资源对象属性的确定方法、装置、存储介质和计算机设备 | |
Lu et al. | Predicting long-term urban growth in Beijing (China) with new factors and constraints of environmental change under integrated stochastic and fuzzy uncertainties | |
CN117826277A (zh) | 降水预测方法、装置、计算机设备和存储介质 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
CN113222276B (zh) | 覆冰情况预测方法、装置、计算机设备和存储介质 | |
CN115936762A (zh) | 景区人流量的预测方法、装置、设备及存储介质 | |
CN115730718A (zh) | 结合超光谱卫星与人工智能的大气no2时空预测算法 | |
CN116798234B (zh) | 车站参数信息的确定方法、装置、计算机设备和存储介质 | |
CN117390590B (zh) | 一种基于cim模型的数据管理方法及系统 | |
CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 | |
CN117631682A (zh) | 电网无人机巡检路线确定方法和系统 | |
CN115913699A (zh) | 配电网横向访问检测方法、装置、计算机设备和存储介质 | |
CN117975107A (zh) | 一种基于兴趣点与遥感影像的城市空间演化预测方法 | |
CN117498314A (zh) | 屋顶光伏资源评估方法、装置、计算机设备和存储介质 | |
CN116279935A (zh) | 车辆倾倒预警方法、装置及计算机设备 | |
CN117253149A (zh) | 基于多源异构深度网络融合的建筑物屋顶识别方法和装置 | |
CN115810012A (zh) | 输电杆塔倾斜检测方法、装置、设备和存储介质 | |
CN115907107A (zh) | 轨迹预测模型训练方法、装置、设备和轨迹预测方法 |
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 |