CN117991408A - 一种气象预报方法、系统及相关设备 - Google Patents

Abstract

一种气象预报方法、系统及相关设备，该方法包括以下步骤：获取第一地区的数值天气预报结果和第二地区的观测数据，其中第一地区包括第二地区，数值天气预报结果的时空分辨率低于观测数据的时空分辨率，根据观测数据确定第二地区在未来第一时段的第一气象预报结果，根据数值天气预报结果、观测数据以及第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，其中第一时段早于第二时段，这样获得的气象预报结果是针对局部地区的预报结果，并且覆盖了未来第一时段和第二时段，解决了数值天气预报结果的建模范围和应用需求的巨大差异导致预报结果难以应用于实际生产生活的问题，提高用户的使用体验。

Description

一种气象预报方法、系统及相关设备

技术领域

本申请涉及人工智能(artificial intelligence,AI)领域，尤其涉及一种气象预报方法、系统及相关设备。

背景技术

数值天气预报(numerical weather prediction)是指根据大气实际情况，给定一定的初值和边界条件，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方程组，从而制作天气预报预测未来一定时段的大气运动状态和天气现象的方法。数值天气预报技术广泛发展，多个国家或组织都建立了自己的数值天气预报系统，其中比较著名的有欧洲的ECMWF-IFS、美国的NCEP-GFS、中国的GRAPES-GFS。

但是，上述数值天气预报系统以常规观测资料搭建，其本身的动力框架、物理过程的参数化方案选择、时空分辨率、地形等的设置偏向于大范围内的总体情况。但在实际天气预报服务中，更关注的是局部地区(如省域、市域、流域等较小范围)的预报效果。这种建模范围和应用需求的巨大差异，经常导致预报数据和实际站点观测存在较大差别，预报结果难以应用于实际生产生活。

发明内容

本申请提供了一种气象预报方法、系统及相关设备，用于解决数值天气预报的预报结果与实际应用需求存在差异，预报结果难以应用于实际生产生活的问题。

第一方面，提供了一种气象预报方法，该方法包括以下步骤：获取第一地区未来的数值天气预报结果和第二地区当前的观测数据，其中，第一地区包括第二地区，数值天气预报结果的时空分辨率低于观测数据的时空分辨率，根据观测数据确定第二地区在未来第一时段的第一气象预报结果，根据数值天气预报结果、观测数据和第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，其中，未来第一时段的起始时间早于未来第二时段的起始时间，输出气象预报结果，气象预报结果包括第一气象预报结果和第二气象预报结果。

其中，第一地区包括第二地区，也就是说第一地区的范围大于第二地区的范围，比如第二地区是第一地区的局部地区，举例来说，比如第二地区是A国B省的C市，那么第一地区可以是全球，也可以是A国，也可以是B省，观测数据可以是C市观测数据，数值天气预报结果可以是A国的数值天气预报结果，本申请不作具体限定。

观测数据包括高分辨率多普勒雷达观测数据、双偏振雷达观测数据、高分辨率气象数据、风廓线雷达数据中的一种或者多种，具体可以包括高分辨率的气象观测数据以及雷达观测数据，比如多普勒雷达数据，气象卫星数据、风廓线雷达数据、地空观测数据等高分辨率等局地多源的观测数据，本申请不作具体限定。观测数据可以是高分辨率的观测传感器采集的，比如高分辨率多普勒雷达、双偏振雷达、风廓线雷达、局地气象观测自动站、地空摄像头等，本申请不作具体限定。

数值天气预报结果是数值天气预报系统输出的第一地区的气象预报结果，数值天气预报系统包括基于全球数值模式的中尺度或者常规尺度模式预报系统。数值天气预报系统是基于数值天气预报方法来预测未来一定时段的大气运动状态和天气现象的系统，具体实现中，数值天气预报系统可以是前述内容中的ECMWF-IFS、NCEP-GFS以及GRAPES-GFS全球数值模式预报系统，本申请不作具体限定。数值天气预报系统输出的数值天气预报结果可包括天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预测结果，数值天气预报结果覆盖的时段可包括短期和中长期，其中，短期通常指的是未来0-2小时，中长期可以是未来几天到几个季节，应理解，上述举例用于说明，本申请不作具体限定。

可选地，观测数据的时空分辨率不低于数值天气预报结果。参考前述内容可知，数值天气预报系统本身的动力框架、物理过程的参数化方程选择、地形等设置偏向于大范围内的总体情况，因此数值天气预报系统输出的数值天气预报结果的时空分辨率较低，对于局部地区(比如省、市、流域等较小范围)的气象预报效果较差，观测数据是针对局部地区的高时空分辨率数据，结合观测数据可以提高数值天气预报结果的精度，弥补其对局部地区气象预报效果差的问题。

可选地，未来第一时段的起始时间早于未来第二时段的起始时间，这里第一时段可以是短临时段，比如未来0-2小时，第二时段为中长时段，比如未来几天到几个季节，本申请不作具体限定。

实施第一方面描述的方法，通过获取第一地区的数值天气预报结果和第二地区的观测数据，其中第一地区包括第二地区，数值天气预报结果的时空分辨率低于观测数据的时空分辨率，根据观测数据确定第二地区在未来第一时段的第一气象预报结果，根据数值天气预报结果、观测数据以及第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，其中第一时段早于第二时段，这样获得的气象预报结果是针对局部地区的预报结果，并且覆盖了未来第一时段和第二时段，解决了数值天气预报结果的建模范围和应用需求的巨大差异，经常导致预报数据和实际站点观测存在较大差别，预报结果难以应用于实际生产生活的问题，提高用户的使用体验。

在一可能的实现方式中，可将观测数据输入短临外推模型，获得第二地区在未来第一时段的第一气象预报结果，即短临外推模型的短临外推结果。该观测数据可包括但不限于高分辨率多普勒雷达观测数据、双偏振雷达观测数据、高分辨率气象数据、风廓线雷达数据等等。

可选地，上述短临外推模型可包括但不限于雷达回波外推模型、机器学习模型、线性外推模型、反演外推模型等等，机器学习模型可包括但不限于卷积神经网络、深度神经网络、残差神经网络等等，本申请不作具体限定。

举例来说，短临外推模型可以是基于深度学习卷积神经网络实现的雷达回波图时空序列外推算法，比如ConvLSTM系列模型，该模型的输入数据可以包括高分辨率多普勒雷达或双偏振雷达观测序列、对应时间段的高分辨率局地气象观测数据、风廓线雷达数据以及地空观测数据等多模态数据，输出结果可以是未来短临时间的外推分析场，即第一气象预报结果。该模型可以运用光流法、单体质心法、交叉相关法等，根据前后两个时刻的雷达回波计算回波像素或单体的运动场来外推未来时刻的雷达回波，获得降雨图，或者结合卷积神经网络对回波云团的生消过程进行建模，获得更加准确的未来第一时段的第一气象预报结果。应理解，上述举例用于说明，本申请不作具体限定。

需要说明的，上述第一气象预报结果可包括但不限天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预报结果，比如未来的降雨分布、温度曲线、风力方向、空气质量、湿度等，具体可根据实际的应用场景的需求，确定第一气象预报结果中所需的气象要素，本申请不作具体限定。

上述实现方式，通过观测数据确定短临外推结果，可以弥补数值天气预报结果的计算周期长，无法预测短期气象预报的不足。

在一可能的实现方式中，可以将数值天气预报结果作为背景场，通过资料同化算法将观测数据和第一气象预报结果与背景场整合至同一个气象场中，基于气象场进行高分辨率中尺度或者对流尺度数值模式计算求解未来第二时段的第二气象预报结果。

需要说明的，上述第二气象预报结果可包括但不限天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预报结果，比如未来的降雨分布、温度曲线、风力方向、空气质量、湿度等，具体可根据实际的应用场景的需求，确定第二气象预报结果中所需的气象要素，本申请不作具体限定。并且，参考前述内容可知，第一气象预报结果是针对短临时段的预报结果，第二气象预报结果由于受计算时间的限制，通常为针对中长时段的预报结果，二者由于业务需求的不同，第一气象预报结果和第二气象预报结果中所包含的气象要素可以相同或者不同，本申请不作具体限定。

应理解，资料同化算法可以运用各种数学物理手段，将不同来源、不同误差信息、不同时空分辨率的观测数据，尽可能完整、准确地整合到一个空间分布均匀、时间序列连续、物理意义合理的气象场中。由于数值天气预报结果偏向于大范围内的总体气象情况(第一地区的气象情况)，无法准确预报出局部地区的临近时段的气象预测结果，那么通过资料同化算法将观测数据、数值天气预报结果以及第一气象预报结果整合到一个合理的气象场中，其中观测数据和第一气象预报结果是针对局部地区(第二地区)的高分辨率观测数据和预报数据，这样再基于该气象场进行高分辨率中尺度或者对流尺度数值模式计算求解出来未来第二时段的第二气象预报结果，可以弥补数值天气预报结果对于局部地区的气象预测结果不足的问题，从而提高未来第二时段的第二气象预报结果的精度。

上述实现方式，第一气象预报结果是将观测数据输入短临外推模型获得的，获得第一气象预报结果所需的时间较短，第二气象预报结果是基于数值天气预报结果作为驱动，通过资料同化算法对观测数据以及第一气象预报结果进行高分辨率中尺度或者对流尺度数值模式计算求解获得的预报分析场，计算较为复杂，获得第二气象预报结果所需的时间较长，因此在未来第一时段下，有极大可能第二气象预报结果还在计算中，因此未来第一时段的气象预报结果可以使用短临外推模型获得的第一气象预报结果，从而避免短时天气已经发生，但是预测结果还未计算完毕的问题，提高用户的使用体验。

在一可能的实现方式中，气象预报结果还包括第三气象预报结果，第三气象预报结果是对第一气象预报结果和第二气象预报结果进行融合后获得的，第三气象预报结果是第二地区在未来第三时段的第三气象预报结果，未来第三时段的起始时间早于未来第二时段，未来第一时段的起始时间早于未来第三时段。

具体实现中，未来第三时段可以介于未来第一时段和未来第二时段之间，举例来说，第一气象预报结果是未来0-2小时的气象预报结果，第二气象预报结果是未来2-30天的气象预报结果，第三气象预报结果是未来2小时-48小时的气象预报结果。应理解，上述举例用于说明，本申请不作具体限定。

可选地，如果未来第二时段与未来第一时段之间存在重叠时段，那么未来第三时段可以是未来第一时段和未来第二时段之间的重叠时段，举例来说，0-2小时为未来第一时段，1.5-48小时为未来第二时段，那么1.5-2小时可以是未来第三时段。那么该应用场景下第一气象预报结果为未来0-1.5小时的预报结果，第三气象预报结果是未来1.5-2小时的预报结果，第二气象预报结果是未来2-48小时的预报结果。应理解，上述举例用于说明，本申请不作具体限定。

可以理解的，将第一气象预报结果和第二气象预报结果的融合结果作为未来第一时段和未来第二时段至今的重叠时段的预报结果，可以使得重叠时段的预报结果也可以更加精确，提高用户的使用体验。

可选地，第一气象预报结果包括多个第一气象要素的预报结果，第二气象预报结果可以包括多个第二气象要素的预报结果，第三气象预报结果可以包括多个第三气象要素的预报结果，其中，多个第一气象要素和多个第二气象要素可以包括多个相同或者不同的气象要素，多个第三气象要素可以是多个第一气象要素和多个第二气象要素的并集。举例来说，第一气象预报结果包括气象要素ABCD的预报结果，第二气象预报结果包括气象要素ABEFG的预测结果，那么第三气象预报结果可包括气象要素ABCDEFG的预测结果，应理解，上述举例用于说明，本申请不作具体限定。

具体实现中，可以将第一气象预报结果和第二气象预报结果中相同的气象要素对应的预报结果进行融合获得第三气象预报结果，不同的气象要素对应的预报结果进行继承获得第三气象预报结果。仍以上述例子为例，第三气象预报结果中气象要素CD的预报结果可以是通过继承第一气象预报结果中气象要素CD的预报结果获得，第三气象预报结果中气象要素EFG的预报结果可以是通过继承第二气象预报结果中气象要素EFG的预报结果获得，第三气象预报结果中气象要素AB的预报结果可以是通过融合第一气象预报中气象要素AB的预报结果与第二气象预报中气象要素AB的预报结果之后获得的，上述举例用于说明，本申请不作具体限定。

可选地，可以将第一气象预报结果和第二气象预报结果输入融合模型，获得融合后的第三气象预报结果。其中，融合模型可以是机器学习模型、概率统计模型或者经验模型，本申请不作具体限定。

举例来说，输入融合模型的第一气象预报结果中的降雨范围为A1，第二气象预报结果中的降雨范围为A2，那么输出的第三气象预报结果中的降雨范围A3可以是A1与A2的并集；再举例来说，输入融合模型的第一气象预报结果中的降雨强度为B1，第二气象预报结果中的降雨强度为B2，那么输出的第三气象预报结果中的降雨强度B3可以通过模式计算确定；再举例来说，还可以根据经验，比如第一气象预报结果中显示风力强度为C1，第二气象预报结果中显示风力强度为C2，根据经验该地风力强度在晚上都很高，第三气象预报结果对应的未来第三时段是晚上，那么结合经验可以确定第三气象预报结果中的风力强度为C3。应理解，上述举例用于说明，本申请不作具体限定。

机器学习模型可包括但不限于CNN模型、LSTM模型、Yolo模型、SSD模型、RCNN模型或Fast-RCNN模型等，本申请不作具体限定。概率统计模型可包括但不限于蒙特卡洛模型、马尔科夫模型、逻辑回归模型、聚类分析模型、贝叶斯模型等等，本申请不作具体限定。经验模型可以是根据经验人工设置的模型，比如设置第三气象预报结果的风力值，是第一气象预报结果预测的风力值与第二气象预报结果预测的风力值的加权平均值，这里的权重可以根据经验设定，上述举例用于说明，本申请不作具体限定。

可选地，对于机器学习模型和概率统计模型来说，融合模型可以使用第一样本集对机器学习模型或者概率统计模型进行训练，该第一样本集可包括多组输入数据和对应的输出数据，使得融合模型具有根据输入数据预测输出数据的能力，这里的输入数据为第一气象预报结果和第二气象预报结果，输出数据为第三气象预报结果。对于经验模型来说，可以设置多组输入数据和对应的输出数据之间的对应关系，这里的对应关系可包括但不限于公式、映射等等，本申请不作具体限定。

上述实现方式，根据第一气象预报结果和第二气象预报结果的融合结果确定第三时段的第三气象预报结果，可以对第一气象预报结果和第二气象预报结果未覆盖的时段的气象预报进行填补，确保用户可以获得未来全时段的气象预报，避免出现漏报问题，提高用户的使用体验。

在一可能的实现方式中，输出气象预报结果包括：将气象预报结果输入校正模型，获得校正后的气象预报结果，输出校正后的气象预报结果，其中，校正模型是使用样本集对机器学习模型进行训练后获得的，样本集包括历史的气象预报结果和同时空下历史的真实气象观测结果。

可选地，校正模型可以使用第二样本集对机器学习模型进行训练，获得训练好的校正模型。该第二样本集可包括大量历史收集的已知的气象预报结果和对应的已知的校正后的气象预报结果，该机器学习模型可包括但不限于CNN模型、LSTM模型、RCNN模型或Fast-RCNN模型等，还可以包括其他类型的机器学习模型，本申请不作具体限定。

具体实现中，上述第二样本集中的数据可以是历史收集的第二地区的气象数据，输入数据可以是气象预报结果，输出数据是气象预报结果对应时段的观测结果，也就是真实数据。这样，校正模型可以通过第二样本集学习真实数据的数据分布规律，学习真实数据和输入数据之间的隐含关系，使得校正模型可以根据真实数据的分布规则，对第一气象预报结果、第二气象预报结果以及第三气象预报结果进行校正。举例来说，观测数据显示该地区该时段下的数据分布在一定时间内存在衰减，如果第一气象预报结果、第二气象预报结果以及第三气象预报结果并不存在衰减，那么可以将其进行修正，使其符合观测数据的衰减规律。应理解，上述举例用于说明，本申请不作具体限定。

上述实现方式，通过校正模型对第一气象预报结果、第二气象预报结果以及第三气象预报结果进行修正，将不符合观测的真实数据的数据分布规律的预报结果进行修正，获得校正后的气象预报结果，进一步提升气象预报结果的精度，提高用户的使用体验。

第二方面，提供了一种气象预报系统，该系统包括获取单元，用于获取第一地区未来的数值天气预报结果和第二地区当前的观测数据，其中，第一地区包括第二地区，数值天气预报结果的时空分辨率低于观测数据的时空分辨率；第一预报单元，用于根据观测数据确定第二地区在未来第一时段的第一气象预报结果；第二预报单元，用于根据数值天气预报结果、观测数据和第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，其中，未来第一时段的起始时间早于未来第二时段的起始时间；输出单元，用于输出气象预报结果，气象预报结果包括第一气象预报结果和第二气象预报结果。

在一可能的实现方式中，气象预报结果还包括第三气象预报结果，第三气象预报结果是对第一气象预报结果和第二气象预报结果进行融合后获得的，第三气象预报结果是第二地区在未来第三时段的第三气象预报结果，未来第三时段的起始时间早于未来第二时段，未来第一时段的起始时间早于未来第三时段。

在一可能的实现方式中，未来第三时段位于未来第一时段和未来第二时段之间，或者，未来第三时段是未来第一时段和未来第二时段的重叠时段。

在一可能的实现方式中，输出单元，用于将气象预报结果输入校正模型，获得校正后的气象预报结果，输出校正后的气象预报结果，其中，校正模型是使用样本集对机器学习模型进行训练后获得的，样本集包括历史的气象预报结果和同时空下历史的真实气象观测结果。

在一可能的实现方式中，第二预报单元，用于将数值天气预报结果作为背景场，通过资料同化算法将观测数据和第一气象预报结果与背景场整合至同一个气象场中，基于气象场进行高分辨率中尺度或者对流尺度数值模式计算求解未来第二时段的第二气象预报结果。

在一可能的实现方式中，观测数据包括高分辨率多普勒雷达观测数据、双偏振雷达观测数据、高分辨率气象数据、风廓线雷达数据中的一种或者多种。

在一可能的实现方式中，数值天气预报结果是数值天气预报系统输出的第一地区的气象预报结果，数值天气预报系统包括基于全球数值模式的中尺度或者常规尺度模式预报系统。

第三方面，提供了一种计算设备，包括处理器和存储器，存储器用于存储代码，处理器用于执行代码实现如第一方面描述的方法。

第四方面，提供了一种计算机可读存储介质，包括指令，该指令在计算机上运行时，使得计算机实现如第一方面描述的方法。

第五方面，提供了一种计算机程序产品，该计算机程序产品包括指令，该指令在计算机上运行时，使得计算机实现如第一方面描述的方法。

本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

附图说明

图1是本申请提供的一种气象预报系统的结构示意图；

图2是本申请提供的一种气象预报方法的步骤流程示意图；

图3是本申请提供的一种气象预报方法在一应用场景下每个时段的示例图；

图4是本申请提供的气象预报方法在一应用场景下的流程示意图；

图5是本申请提供的一种计算设备的结构示意图。

具体实施方式

首先，对本申请涉及的部分术语进行解释说明。

数值天气预报(numerical weather prediction)：根据大气实际情况，给定一定的初值和边界条件，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方程组，从而预测未来一定时段的大气运动状态和天气现象的方法。

资料同化(data assimilation)：一般指运用各种数学物理手段，将不同来源、不同误差信息、不同时空分辨率的观测数据，尽可能完整、准确地整合到一个空间分布均匀、时间序列连续、物理意义合理的气象场中，为数值天气预报模式提供更加精准的初始场。

短临外推(short impending extrapolation)：气象预测上指利用雷达回波、自动站、卫星等观测数据建模云团生消运动变化，对短时临近(比如0～2小时)的降雨、对流等天气现象进行分钟级、公里或街道级的降雨概率预报。

背景场(background)：利用物理公式计算后的一个大气状态结果。

观测场(observation)：利用探测器和观测站测得的大气状态结果。

分析场(analysis)：综合考虑了物理公式和观测结果后得出的最接近真实大气的状态结果。

时空分辨率(temporal-spatial resolution)：反映现象或者事物随时间与空间变化细节的能力。通常为单位时间内现象或事物重现的次数与单个栅格单元所表达的地球表面实地面积。

其次，对本申请涉及的应用场景进行说明。

数值天气预报(numerical weather prediction)是指根据大气实际情况，给定一定的初值和边界条件，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方程组，从而制作天气预报预测未来一定时段的大气运动状态和天气现象的方法。数值天气预报技术广泛发展，多个国家或组织都建立了自己的全球数值模式预报系统，其中比较著名的有欧洲的ECMWF-IFS、美国的NCEP-GFS、中国的GRAPES-GFS。

但是，全球数值模式预报系统以常规观测资料搭建，其本身的动力框架、物理过程的参数化方案选择、时空分辨率、地形等的设置偏向于大范围内的总体情况。但在实际天气预报服务中，更关注的是局部地区(如省域、市域、流域等较小范围)的预报效果。这种建模范围和应用需求的巨大差异，经常导致预报数据和实际站点观测存在较大差别，预报结果难以应用于实际生产生活。

如果使用高分辨率的观测数据来实现数值天气预报，比如多普勒天气雷达、气象卫星等高分辨率观测数据等，这些数据虽然时空分辨率较高，对提高局部地区的预报效果有着明显提升，但是该类数据的计算量巨大，计算耗时十分严重，经常会出现短时天气已经发生，但是预测结果还未计算完毕的问题，难以满足短临强天气预报的服务需求。

综上可知，当前的气象预报使用全球数值模式预报系统进行预报时，对局部地区的预测结果效果很差，难以应用于实际生活，使用高分辨率的观测数据进行预报时，对局部地区的预测速度又太慢，难以满足短临强天气预报的服务需求，因此，当前的气象预报效果差，难以满足用户的使用需求。

为了解决当前气象预报效果差，难以满足用户的使用需求的问题，本申请提供了一种气象预报系统，通过获取第一地区的数值天气预报结果和第二地区的观测数据，其中第一地区包括第二地区，数值天气预报结果的时空分辨率低于观测数据的时空分辨率，根据观测数据确定第二地区在未来第一时段的第一气象预报结果，根据数值天气预报结果、观测数据以及第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，其中第一时段早于第二时段，这样获得的气象预报结果是针对局部地区的预报结果，并且覆盖了未来第一时段和第二时段，解决了数值天气预报结果的建模范围和应用需求的巨大差异，经常导致预报数据和实际站点观测存在较大差别，预报结果难以应用于实际生产生活的问题，提高用户的使用体验。

如图1所示，图1是本申请提供的一种气象预报系统的架构示意图，该架构包括采集装置100、数值天气预报系统200以及气象预报系统300，其中，采集装置100、数值天气预报系统200以及气象预报系统300之间存在通信连接，具体可以是有线连接也可以是无线连接，本申请不作具体限定，并且，采集装置100、数值天气预报系统200以及气象预报系统300的数量也可以是一个或者多个，本申请不作具体限定。

采集装置100用于采集观测数据，该观测数据可包括高分辨率的气象观测数据以及雷达观测数据，比如多普勒雷达数据，气象卫星数据、风廓线雷达数据、地空观测数据等高分辨率、局地、多源的观测数据，本申请不作具体限定。采集装置100可以是高分辨率多普勒雷达、双偏振雷达、风廓线雷达、局地气象观测自动站、地空摄像头等观测传感器，本申请不作具体限定。

数值天气预报系统200指的是基于数值天气预报方法来预测未来一定时段的大气运动状态和天气现象的系统，具体实现中，数值天气预报系统200可以是基于全球数值模式的中尺度或者常规尺度模式预报系统，比如前述内容中的ECMWF-IFS、NCEP-GFS以及GRAPES-GFS全球数值模式预报系统，本申请不作具体限定。数值天气预报系统200输出的数值天气预报结果可包括天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预测结果，数值天气预报结果覆盖的时段可包括短期和中长期，其中，短期通常指的是未来0-2小时，中长期可以是未来几天到几个季节，应理解，上述举例用于说明，本申请不作具体限定。

数值天气预报系统200可以是计算设备或者由多个计算设备组成的计算机集群，该计算设备可包括但不限于物理服务器、虚拟机、容器等，其中，物理服务器可包括但不限于ARM服务器、X86服务器等；虚拟机指的是网络功能虚拟化(network functionsvirtualization,NFV)技术实现的、通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统；容器指的是一组受到资源限制，彼此间相互隔离的进程。

可选地，数值天气预报系统200输出的数值天气预报结果可以是第一地区的气象预报结果，采集装置100采集的观测数据可以是对第二地区进行气象观测后获得的，其中，第一地区包括第二地区。比如第二地区是第一地区的局部地区，举例来说，比如第二地区是A国B省的C市，那么第一地区可以是全球，也可以是A国，也可以是B省，观测数据可以是C市观测数据，数值天气预报结果可以是A国的数值天气预报结果，本申请不作具体限定。

可选地，采集装置100采集的观测数据的时空分辨率不低于数值天气预报系统200输出的数值天气预报结果。参考前述内容可知，数值天气预报系统200本身的动力框架、物理过程的参数化方程选择、地形等设置偏向于大范围内的总体情况，因此数值天气预报系统200输出的数值天气预报结果的时空分辨率较低，对于局部地区(比如省、市、流域等较小范围)的气象预报效果较差，采集装置100所采集的观测数据可以是针对局部地区的高时空分辨率数据，结合观测数据可以提高数值天气预报系统200输出的数值天气预报结果的精度，弥补其对局部地区气象预报效果差的问题。

气象预报系统300用于根据采集装置100采集的第二地区的观测数据以及数值天气预报系统200输出的第一地区的数值天气预报结果，确定第二地区的气象预报结果，该气象预报结果至少包括在未来第一时段的第一气象预报结果以及未来第二时段的第二气象预报结果，其中，未来第一时段早于未来第二时段。举例来说，未来第一时段是短临时段，未来第二时段是中长时段，其中，短临时段可以是未来0-2小时的时段，中长时段为未来几天到几个季节，本申请不作具体限定。

气象预报系统300可以是计算设备、终端设备、边缘计算设备或者计算机集群，该计算设备可包括但不限于物理服务器、虚拟机、容器、芯片等，其中，物理服务器可包括但不限于ARM服务器、X86服务器等；虚拟机指的是网络功能虚拟化(network functionsvirtualization,NFV)技术实现的、通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统；容器指的是一组受到资源限制，彼此间相互隔离的进程；终端设备可以是智能手机、掌上处理设备、平板电脑、移动笔记本、增强现实(augmentedreality,AR)设备、虚拟现实(virtual reality,VR)设备、一体化掌机、穿戴设备、车载设备、智能会议设备、智能广告设备、智能家电等等，此处不作具体限定。边缘计算设备指的是与采集装置100距离较近的、拥有计算能力的计算设备。

可选地，气象预报系统300可以与上述数值天气预报系统200部署于同一个计算设备上，或者，同一个计算机集群中，本申请不作具体限定。

可选地，气象预报系统300可以部署于公有云中，举例来说，用户通过公有云的控制台(console)或者API购买气象预报服务之后，可以输入观测数据以及数值天气预报结果至该云服务中，获得第二地区的气象预报结果，也可以根据公有云提供的接口，将其与需求气象预报功能的业务系统进行对接，本申请不作具体限定。

可选地，气象预报系统300也可以集成于一些气象预报软件、监测软件、预警软件等需要气象预报功能的软硬件当中，比如气象预报系统300可以集成于机场跑道上部署的监测预警软件中，该监测预警软件可以根据气象预报系统生成的气象预报结果，进行跑道风、起飞降落航路强天气的预报，对不适合起飞降落的极端天气进行提前预警，比如台风天气、雷暴天气等等，本申请不作具体限定。

可选地，气象预报系统300也可以打包为独立的气象预报工具，比如一个应用程序、微服务、app或者API，部署于一台计算设备上，用户可以获取观测数据以及数值天气预报结果后，将其输入该气象预报工具，获得气象预报结果。

应理解，气象预报系统300还可以有更多种类的形态，具体可根据实际的应用场景决定，这里不一一展开赘述。

进一步地，气象预报系统300可划分为多个单元模块，各个单元模块可以是软件模块也可以是硬件模块，也可以是部分软件模块部分硬件模块，本申请不作具体限定。图1是一种示例性划分方式，如图1所示，该气象预报系统300可以包括获取单元310、第一预报单元320、第二预报单元330、融合单元340、校正单元350以及输出单元360，其中，获取单元310、第一预报单元320、第二预报单元330、融合单元340、校正单元350以及输出单元360之间存在通信连接，具体可以是有线连接或者无线连接，本申请不作具体限定。

获取单元310用于获取第一地区的数值天气预报结果和第二地区的观测数据，其中，第一地区、第二地区、数值天气预报结果以及观测数据的描述可参考前述内容，这里不重复赘述。

可选地，获取单元310可以对获取到的数值天气预报结果和观测数据进行预处理，具体可包括但不限于降噪、滤波等等，本申请不作具体限定。

第一预报单元320用于根据第二地区的观测数据，获得第二地区在未来第一时段的第一气象预报结果，其中，第一时段可以是短临时段，比如未来0-2小时，本申请不作具体限定。

具体实现中，第一预报单元320可将观测数据输入短临外推模型，获得第二地区在未来第一时段的第一气象预报结果，即短临外推模型的短临外推结果。该观测数据可包括但不限于高分辨率多普勒雷达观测数据、双偏振雷达观测数据、高分辨率气象数据、风廓线雷达数据等等，具体可参考前述内容中关于观测数据的描述这里不重复赘述。

可选地，上述短临外推模型可包括但不限于雷达回波外推模型、机器学习模型、线性外推模型、反演外推模型等等，机器学习模型可包括但不限于卷积神经网络、深度神经网络、残差神经网络等等，本申请不作具体限定。举例来说，短临外推模型可以是ConvLSTM系列模型，该模型的输入数据可以包括高分辨率多普勒雷达或双偏振雷达观测序列、对应时间段的高分辨率局地气象观测数据、风廓线雷达数据以及地空观测数据等多模态数据，输出结果可以是未来短临时间的外推分析场，即第一气象预报结果。

需要说明的，上述第一气象预报结果可包括但不限天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预报结果，比如未来的降雨分布、温度曲线、风力方向、空气质量、湿度等，具体可根据实际的应用场景的需求，确定第一气象预报结果中所需的气象要素，本申请不作具体限定。

第二预报单元330用于根据第二地区的观测数据、第一地区的数值天气预报结果以及第一预报单元320输出的第一气象预报结果，确定第二地区的第二气象预报结果。其中，第一气象预报结果是第二地区未来第一时段的气象预报结果，第二气象预报结果是未来第二时段的气象预报结果，未来第一时段的起始时间早于未来第二时段的起始时间，这里第一时段可以是短临时段，比如未来0-2小时，第二时段为中长时段，比如未来几天到几个季节，本申请不作具体限定。

具体实现中，第二预报单元330可以将观测数据、数值天气预报结果以及第一气象预报结果输入局地高分辨率预报模型，获得第二地区的第二气象预报结果。其中，局地高分辨率预报模型是可以基于数值天气预报结果作为驱动，提供背景场，实际运行时通过资料同化算法对观测数据以及第一气象预报结果，通过高分辨率中尺度或者对流尺度数值模式计算求解未来第二时段的预报分析场，即第二气象预报结果。

应理解，资料同化算法可以运用各种数学物理手段，将不同来源、不同误差信息、不同时空分辨率的观测数据，尽可能完整、准确地整合到一个空间分布均匀、时间序列连续、物理意义合理的气象场中。由于数值天气预报结果偏向于大范围内的总体气象情况(第一地区的气象情况)，无法准确预报出局部地区的临近时段的气象预测结果，那么通过资料同化算法将观测数据、数值天气预报结果以及第一气象预报结果整合到一个合理的气象场中，其中观测数据和第一气象预报结果是针对局部地区(第二地区)的高分辨率观测数据和预报数据，这样再基于该气象场进行高分辨率中尺度或者对流尺度数值模式计算求解出来未来第二时段的第二气象预报结果，可以弥补数值天气预报结果对于局部地区的气象预测结果不足的问题，从而提高未来第二时段的第二气象预报结果的精度。

需要说明的，上述第二气象预报结果可包括但不限天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预报结果，比如未来的降雨分布、温度曲线、风力方向、空气质量、湿度等，具体可根据实际的应用场景的需求，确定第二气象预报结果中所需的气象要素，本申请不作具体限定。并且，参考前述内容可知，第一气象预报结果是针对短临时段的预报结果，第二气象预报结果由于受计算时间的限制，通常为针对中长时段的预报结果，二者由于业务需求的不同，第一气象预报结果和第二气象预报结果中所包含的气象要素可以相同或者不同，本申请不作具体限定。

可以理解的，第一气象预报结果是将观测数据输入短临外推模型获得的，获得第一气象预报结果所需的时间较短，第二气象预报结果是基于数值天气预报结果作为驱动，通过资料同化算法对观测数据以及第一气象预报结果进行高分辨率中尺度或者对流尺度数值模式计算求解获得的预报分析场，计算较为复杂，获得第二气象预报结果所需的时间较长，因此在未来第一时段下，有极大可能第二气象预报结果还在计算中，因此未来第一时段的气象预报结果可以使用短临外推模型获得的第一气象预报结果，从而避免短时天气已经发生，但是预测结果还未计算完毕的问题，提高用户的使用体验。

融合单元340用于根据第一预报单元320输出的第一气象预报结果以及第二预报单元330输出的第二气象预报结果，确定第二地区在未来第三时段的第三气象预报结果，其中，未来第三时段早于未来第二时段，未来第一时段早于未来第三时段。

具体实现中，未来第三时段可以介于未来第一时段和未来第二时段之间，举例来说，第一预报单元320输出的第一气象预报结果是未来0-2小时的气象预报结果，第二预报单元330输出的第二气象预报结果是未来2-30天的气象预报结果，融合单元340输出的第三气象预报结果是未来2小时-48小时的气象预报结果。应理解，上述举例用于说明，本申请不作具体限定。

可以理解的，根据第一气象预报结果和第二气象预报结果的融合结果确定第三时段的第三气象预报结果，可以对第一气象预报结果和第二气象预报结果未覆盖的时段的气象预报进行填补，确保用户可以获得未来全时段的气象预报，避免出现漏报问题，提高用户的使用体验。

可选地，如果未来第二时段与未来第一时段之间存在重叠时段，那么未来第三时段可以是未来第一时段和未来第二时段之间的重叠时段，举例来说，0-2小时为未来第一时段，1.5-48小时为未来第二时段，那么1.5-2小时可以是未来第三时段。那么该应用场景下第一气象预报结果为未来0-1.5小时的预报结果，第三气象预报结果是未来1.5-2小时的预报结果，第二气象预报结果是未来2-48小时的预报结果。应理解，上述举例用于说明，本申请不作具体限定。

可以理解的，将第一气象预报结果和第二气象预报结果的融合结果作为未来第一时段和未来第二时段至今的重叠时段的预报结果，可以使得重叠时段的预报结果也可以更加精确，提高用户的使用体验。

可选地，第一气象预报结果包括多个第一气象要素的预报结果，第二气象预报结果可以包括多个第二气象要素的预报结果，第三气象预报结果可以包括多个第三气象要素的预报结果，其中，多个第一气象要素和多个第二气象要素可以包括多个相同或者不同的气象要素，多个第三气象要素可以是多个第一气象要素和多个第二气象要素的并集。举例来说，第一气象预报结果包括气象要素ABCD的预报结果，第二气象预报结果包括气象要素ABEFG的预测结果，那么第三气象预报结果可包括气象要素ABCDEFG的预测结果，应理解，上述举例用于说明，本申请不作具体限定。

具体实现中，可以将第一气象预报结果和第二气象预报结果中相同的气象要素对应的预报结果进行融合获得第三气象预报结果，不同的气象要素对应的预报结果进行继承获得第三气象预报结果。仍以上述例子为例，第三气象预报结果中气象要素CD的预报结果可以是通过继承第一气象预报结果中气象要素CD的预报结果获得，第三气象预报结果中气象要素EFG的预报结果可以是通过继承第二气象预报结果中气象要素EFG的预报结果获得，第三气象预报结果中气象要素AB的预报结果可以是通过融合第一气象预报中气象要素AB的预报结果与第二气象预报中气象要素AB的预报结果之后获得的，上述举例用于说明，本申请不作具体限定。

可选地，融合单元340可以将第一气象预报结果和第二气象预报结果输入融合模型，获得融合后的第三气象预报结果。其中，融合模型可以是机器学习模型、概率统计模型或者经验模型，本申请不作具体限定。

举例来说，输入融合模型的第一气象预报结果中的降雨范围为A1，第二气象预报结果中的降雨范围为A2，那么输出的第三气象预报结果中的降雨范围A3可以是A1与A2的并集；再举例来说，输入融合模型的第一气象预报结果中的降雨强度为B1，第二气象预报结果中的降雨强度为B2，那么输出的第三气象预报结果中的降雨强度B3可以通过模式计算确定；再举例来说，还可以根据经验，比如第一气象预报结果中显示风力强度为C1，第二气象预报结果中显示风力强度为C2，根据经验该地风力强度在晚上都很高，第三气象预报结果对应的未来第三时段是晚上，那么结合经验可以确定第三气象预报结果中的风力强度为C3。应理解，上述举例用于说明，本申请不作具体限定。

机器学习模型可包括但不限于卷积神经网络(convolutional neural networks,CNN)模型、长短期记忆网络(long short-term memory,LSTM)模型、一阶段统一实时目标检测(you only look once:unified,real-time object detection,Yolo)模型、单镜头多盒检测器(single shot multi box detector,SSD)模型、区域卷积神经网络(regionconvolutional neural network,RCNN)模型或快速区域卷积神经网络(fast regionconvolutional neural network,Fast-RCNN)模型等，本申请不作具体限定。概率统计模型可包括但不限于蒙特卡洛模型、马尔科夫模型、逻辑回归模型、聚类分析模型、贝叶斯模型等等，本申请不作具体限定。经验模型可以是根据经验人工设置的模型，比如设置第三气象预报结果的风力值，是第一气象预报结果预测的风力值与第二气象预报结果预测的风力值的加权平均值，这里的权重可以根据经验设定，上述举例用于说明，本申请不作具体限定。

可选地，对于机器学习模型和概率统计模型来说，融合模型可以使用第一样本集对机器学习模型或者概率统计模型进行训练，该第一样本集可包括多组输入数据和对应的输出数据，使得融合模型具有根据输入数据预测输出数据的能力，这里的输入数据为第一气象预报结果和第二气象预报结果，输出数据为第三气象预报结果。对于经验模型来说，可以设置多组输入数据和对应的输出数据之间的对应关系，这里的对应关系可包括但不限于公式、映射等等，本申请不作具体限定。

校正单元350用于对第一预报单元320输出的第一气象预报结果、第二预报单元330输出的第二气象预报结果以及融合单元340输出的第三气象预报结果进行校正，获得校正结果，该校正结果可包括校正后的第一气象预报结果、校正后的第二气象预报结果以及校正后的第三气象预报结果。

具体实现中，校正单元350可以将第一气象预报结果、第二气象预报结果以及第三气象预报结果输入校正模型，获得校正后的第一气象预报结果、校正后的第二气象预报结果以及校正后的第三气象预报结果。

可选地，校正模型可以使用第二样本集对机器学习模型进行训练，获得训练好的校正模型。该第二样本集可包括大量历史收集的已知的气象预报结果和对应的已知的校正后的气象预报结果，该机器学习模型可包括但不限于CNN模型、LSTM模型、RCNN模型或Fast-RCNN模型等，还可以包括其他类型的机器学习模型，本申请不作具体限定。

具体实现中，上述第二样本集中的数据可以是历史收集的第二地区的气象数据，输入数据可以是气象预报结果，输出数据是气象预报结果对应时段的观测结果，也就是真实数据。这样，校正模型可以通过第二样本集学习真实数据的数据分布规律，学习真实数据和输入数据之间的隐含关系，使得校正模型可以根据真实数据的分布规则，对第一气象预报结果、第二气象预报结果以及第三气象预报结果进行校正。举例来说，观测数据显示该地区该时段下的数据分布在一定时间内存在衰减，如果第一气象预报结果、第二气象预报结果以及第三气象预报结果并不存在衰减，那么可以将其进行修正，使其符合观测数据的衰减规律。应理解，上述举例用于说明，本申请不作具体限定。

输出单元360用于输出气象预报结果，该气象预报结果可包括第一气象预报结果和第二气象预报结果，或者，气象预报结果可以是上述校正结果，或者，该气象预报结果可以是第一气象预报结果和第二气象预报结果，具体可以根据实际情况确定。

具体实现中，输出单元360可以将校正结果输出至客户端或者存储服务器，其中，客户端可以是用于供客户查询气象预报的客户端，存储服务器可以是用于存储气象预报的服务器，该存储服务器可以是用于进行气象预报的一些平台的服务器，比如气象台的服务器，也可以是一些需要气象预报功能的监测预警平台的服务器，比如机场跑道上部署的监测预警系统的服务器，该坚持预警系统可以根据存储服务器中存储的校正结果，进行跑道风、起飞降落航路强天气的预报，对不适合起飞降落的极端天气进行提前预警，比如台风天气、雷暴天气等等，本申请不作具体限定。

需要说明的，该校正结果可包括校正后的第一气象预报结果、校正后的第二气象预报结果以及校正后的第三气象预报结果，其中，校正后的第一气象预报结果可包括第二地区未来第一时段的气象预报结果，校正后的第二气象预报结果可包括第二地区未来第二时段的气象预报结果，校正后的第三气象预报结果可包括第二地区未来第三时段的气象预报结果，其中，未来三时段可以位于未来第一时段和未来第二时段之间，或者，未来第三时段是未来第一时段和未来第二时段的重叠时段。这样，第二气象预报结果在计算期间，可以使用第一气象预报结果作为此时的气象预报，从而避免由于高分辨率数值模式计算周期长导致的滞后问题，并且最终获得的气象预报结果，不仅具有短临时段的局地预报结果，即第一气象预报结果，也具有中长时段的局地预报结果，即第二气象预报结果，还通过第三气象预报结果弥补了短临时段和中长时段之间可能缺漏的时段，极大提升了气象预报的精度，解决了数值天气预报结果难以应用于实际生产生活的问题，提升用户的使用体验。

综上可知，本申请提供的气象预报系统，通过获取第一地区的数值天气预报结果和第二地区的观测数据，其中第一地区包括第二地区，数值天气预报结果的时空分辨率低于观测数据的时空分辨率，根据观测数据确定第二地区在未来第一时段的第一气象预报结果，根据数值天气预报结果、观测数据以及第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，其中第一时段早于第二时段，这样获得的气象预报结果是针对局部地区的预报结果，并且覆盖了未来第一时段和第二时段，解决了数值天气预报结果的建模范围和应用需求的巨大差异，经常导致预报数据和实际站点观测存在较大差别，预报结果难以应用于实际生产生活的问题，提高用户的使用体验。

图2是本申请提供的一种气象预报方法，该方法可应用于图1所示的气象预报系统中，该方法可包括以下步骤：

S210：获取第一地区的数值天气预报结果和第二地区的观测数据。该步骤可以由图1实施例中的获取单元310实现。

其中，第一地区包括第二地区，也就是说第一地区的范围大于第二地区的范围，比如第二地区是第一地区的局部地区，举例来说，比如第二地区是A国B省的C市，那么第一地区可以是全球，也可以是A国，也可以是B省，观测数据可以是C市观测数据，数值天气预报结果可以是A国的数值天气预报结果，本申请不作具体限定。

观测数据可以包括高分辨率的气象观测数据以及雷达观测数据，比如多普勒雷达数据，气象卫星数据、风廓线雷达数据、地空观测数据等高分辨率局地多源的观测数据，本申请不作具体限定。观测数据可以是高分辨率多普勒雷达、双偏振雷达、风廓线雷达、局地气象观测自动站、地空摄像头等观测传感器采集的，本申请不作具体限定。

数值天气预报结果可以是数值天气预报系统200输出的预报结果，天气预报系统200是基于数值天气预报方法来预测未来一定时段的大气运动状态和天气现象的系统，具体实现中，数值天气预报系统200可以是基于全球数值模式的中尺度或者常规尺度模式预报系统，比如前述内容中的ECMWF-IFS、NCEP-GFS以及GRAPES-GFS全球数值模式预报系统，本申请不作具体限定。数值天气预报系统200输出的数值天气预报结果可包括天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预测结果，数值天气预报结果覆盖的时段可包括短期和中长期，其中，短期通常指的是未来0-2小时，中长期可以是未来几天到几个季节，应理解，上述举例用于说明，本申请不作具体限定。

可选地，观测数据的时空分辨率不低于数值天气预报结果。参考前述内容可知，数值天气预报系统200本身的动力框架、物理过程的参数化方程选择、地形等设置偏向于大范围内的总体情况，因此数值天气预报系统200输出的数值天气预报结果的时空分辨率较低，对于局部地区(比如省、市、流域等较小范围)的气象预报效果较差，观测数据是针对局部地区的高时空分辨率数据，结合观测数据可以提高数值天气预报结果的精度，弥补其对局部地区气象预报效果差的问题。

需要说明的，观测数据、数值天气预报结果、第一地区以及第二地区的描述可参考图1实施例，这里不重复展开赘述。

S220：根据观测数据确定第二地区在未来第一时段的第一气象预报结果。该步骤可以由图1实施例中的第一预报单元320实现。

可选地，上述未来第一时段可以是短临时段，比如未来0-2小时，未来0-1小时，未来30分钟等等，具体可根据实际应用场景确定短临时段的范围，本申请不作具体限定。

具体实现中，可将观测数据输入短临外推模型，获得第二地区在未来第一时段的第一气象预报结果，即短临外推模型的短临外推结果。该观测数据可包括但不限于高分辨率多普勒雷达观测数据、双偏振雷达观测数据、高分辨率气象数据、风廓线雷达数据等等，具体可参考前述内容中关于观测数据的描述这里不重复赘述。

可选地，上述短临外推模型可包括但不限于雷达回波外推模型、机器学习模型、线性外推模型、反演外推模型等等，机器学习模型可包括但不限于卷积神经网络、深度神经网络、残差神经网络等等，本申请不作具体限定。

举例来说，短临外推模型可以是基于深度学习卷积神经网络实现的雷达回波图时空序列外推算法，比如ConvLSTM系列模型，该模型的输入数据可以包括高分辨率多普勒雷达或双偏振雷达观测序列、对应时间段的高分辨率局地气象观测数据、风廓线雷达数据以及地空观测数据等多模态数据，输出结果可以是未来短临时间的外推分析场，即第一气象预报结果。该模型可以运用光流法、单体质心法、交叉相关法等，根据前后两个时刻的雷达回波计算回波像素或单体的运动场来外推未来时刻的雷达回波，获得降雨图，还可以结合卷积神经网络对回波云团的生消过程进行建模，获得更加准确的未来第一时段的第一气象预报结果。应理解，上述举例用于说明，本申请不作具体限定。

需要说明的，上述第一气象预报结果可包括但不限天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预报结果，比如未来的降雨分布、温度曲线、风力方向、空气质量、湿度等，具体可根据实际的应用场景的需求，确定第一气象预报结果中所需的气象要素，本申请不作具体限定。

S230：根据数值天气预报结果、第一气象预报结果和观测数据，确定第二地区在未来第二时段的第二气象预报结果。该步骤可以由图1实施例中的第二预报单元330实现。

可选地，第一气象预报结果是第二地区未来第一时段的气象预报结果，第二气象预报结果是未来第二时段的气象预报结果，未来第一时段的起始时间早于未来第二时段的起始时间，这里第一时段可以是短临时段，比如未来0-2小时，第二时段为中长时段，比如未来几天到几个季节，本申请不作具体限定。

可选地，可以将观测数据、数值天气预报结果以及第一气象预报结果输入局地高分辨率预报模型，获得第二地区的第二气象预报结果。其中，局地高分辨率预报模型是可以基于数值天气预报结果作为驱动，提供背景场，实际运行时通过资料同化算法对观测数据以及第一气象预报结果，通过高分辨率中尺度或者对流尺度数值模式计算求解未来第二时段的预报分析场，即第二气象预报结果。

应理解，资料同化算法可以运用各种数学物理手段，将不同来源、不同误差信息、不同时空分辨率的观测数据，尽可能完整、准确地整合到一个空间分布均匀、时间序列连续、物理意义合理的气象场中。由于数值天气预报结果偏向于大范围内的总体气象情况(第一地区的气象情况)，无法准确预报出局部地区的临近时段的气象预测结果，那么通过资料同化算法将观测数据、数值天气预报结果以及第一气象预报结果整合到一个合理的气象场中，其中观测数据和第一气象预报结果是针对局部地区(第二地区)的高分辨率观测数据和预报数据，这样再基于该气象场进行高分辨率中尺度或者对流尺度数值模式计算求解出来未来第二时段的第二气象预报结果，可以弥补数值天气预报结果对于局部地区的气象预测结果不足的问题，从而提高未来第二时段的第二气象预报结果的精度。

需要说明的，上述第二气象预报结果可包括但不限天空状况、天气现象、降水量、温度、湿度、风等常规气象要素的预报结果，比如未来的降雨分布、温度曲线、风力方向、空气质量、湿度等，具体可根据实际的应用场景的需求，确定第二气象预报结果中所需的气象要素，本申请不作具体限定。并且，参考前述内容可知，第一气象预报结果是针对短临时段的预报结果，第二气象预报结果由于受计算时间的限制，通常为针对中长时段的预报结果，二者由于业务需求的不同，第一气象预报结果和第二气象预报结果中所包含的气象要素可以相同或者不同，本申请不作具体限定。

可以理解的，第一气象预报结果是将观测数据输入短临外推模型获得的，获得第一气象预报结果所需的时间较短，第二气象预报结果是基于数值天气预报结果作为驱动，通过资料同化算法对观测数据以及第一气象预报结果进行高分辨率中尺度或者对流尺度数值模式计算求解获得的预报分析场，计算较为复杂，获得第二气象预报结果所需的时间较长，因此在未来第一时段下，有极大可能第二气象预报结果还在计算中，因此未来第一时段的气象预报结果可以使用短临外推模型获得的第一气象预报结果，从而避免短时天气已经发生，但是预测结果还未计算完毕的问题，提高用户的使用体验。

S240：输出气象预报结果，该气象预报结果可包括第一气象预报结果和第二气象预报结果。该步骤可以由图1实施例中的输出单元360实现。

在一实施例中，该气象预报结果还可以包括第三气象预报结果，该第三气象预报结果是第一气象预报结果和第二气象预报结果融合后获得的，该第三气象预报结果是第二地区未来第三时段的气象预报结果。其中，未来第三时段早于未来第二时段，未来第一时段早于未来第三时段。

具体实现中，未来第三时段可以介于未来第一时段和未来第二时段之间，举例来说，第一气象预报结果是未来0-2小时的气象预报结果，第二气象预报结果是未来2-30天的气象预报结果，第三气象预报结果是未来2小时-48小时的气象预报结果。应理解，上述举例用于说明，本申请不作具体限定。

可以理解的，根据第一气象预报结果和第二气象预报结果的融合结果确定第三时段的第三气象预报结果，可以对第一气象预报结果和第二气象预报结果未覆盖的时段的气象预报进行填补，确保用户可以获得未来全时段的气象预报，避免出现漏报问题，提高用户的使用体验。

可选地，如果未来第二时段与未来第一时段之间存在重叠时段，那么未来第三时段可以是未来第一时段和未来第二时段之间的重叠时段，举例来说，0-2小时为未来第一时段，1.5-48小时为未来第二时段，那么1.5-2小时可以是未来第三时段。那么该应用场景下第一气象预报结果为未来0-1.5小时的预报结果，第三气象预报结果是未来1.5-2小时的预报结果，第二气象预报结果是未来2-48小时的预报结果。应理解，上述举例用于说明，本申请不作具体限定。

示例性地，图3是本申请提供的一种气象预报方法在一应用场景下每个时段的示例图，如图3所示，假设在T1时刻下获得的T1-T3时刻的第一气象预报结果，在T2时刻下将会获得T2-T4时刻的第二气象预报结果，那么在T1时刻，可以输出T1-T2时刻的第一气象预报结果，在T2时刻输出T2-T3时刻的第三气象预报结果，在T3时刻输出T3-T4时刻的第二气象预报结果。应理解，上述举例用于说明，本申请不作具体限定。

可以理解的，将第一气象预报结果和第二气象预报结果的融合结果作为未来第一时段和未来第二时段至今的重叠时段的预报结果，可以使得重叠时段的预报结果也可以更加精确，提高用户的使用体验。

可选地，第一气象预报结果包括多个第一气象要素的预报结果，第二气象预报结果可以包括多个第二气象要素的预报结果，第三气象预报结果可以包括多个第三气象要素的预报结果，其中，多个第一气象要素和多个第二气象要素可以包括多个相同或者不同的气象要素，多个第三气象要素可以是多个第一气象要素和多个第二气象要素的并集。举例来说，第一气象预报结果包括气象要素ABCD的预报结果，第二气象预报结果包括气象要素ABEFG的预测结果，那么第三气象预报结果可包括气象要素ABCDEFG的预测结果，应理解，上述举例用于说明，本申请不作具体限定。

具体实现中，可以将第一气象预报结果和第二气象预报结果中相同的气象要素对应的预报结果进行融合获得第三气象预报结果，不同的气象要素对应的预报结果进行继承获得第三气象预报结果。仍以上述例子为例，第三气象预报结果中气象要素CD的预报结果可以是通过继承第一气象预报结果中气象要素CD的预报结果获得，第三气象预报结果中气象要素EFG的预报结果可以是通过继承第二气象预报结果中气象要素EFG的预报结果获得，第三气象预报结果中气象要素AB的预报结果可以是通过融合第一气象预报中气象要素AB的预报结果与第二气象预报中气象要素AB的预报结果之后获得的，上述举例用于说明，本申请不作具体限定。

可选地，可以将第一气象预报结果和第二气象预报结果输入融合模型，获得融合后的第三气象预报结果。其中，融合模型可以是机器学习模型、概率统计模型或者经验模型，本申请不作具体限定。

举例来说，输入融合模型的第一气象预报结果中的降雨范围为A1，第二气象预报结果中的降雨范围为A2，那么输出的第三气象预报结果中的降雨范围A3可以是A1与A2的并集；再举例来说，输入融合模型的第一气象预报结果中的降雨强度为B1，第二气象预报结果中的降雨强度为B2，那么输出的第三气象预报结果中的降雨强度B3可以通过模式计算确定；再举例来说，还可以根据经验，比如第一气象预报结果中显示风力强度为C1，第二气象预报结果中显示风力强度为C2，根据经验该地风力强度在晚上都很高，第三气象预报结果对应的未来第三时段是晚上，那么结合经验可以确定第三气象预报结果中的风力强度为C3。应理解，上述举例用于说明，本申请不作具体限定。

机器学习模型可包括但不限于CNN模型、LSTM模型、Yolo模型、SSD模型、RCNN模型或Fast-RCNN模型等，本申请不作具体限定。概率统计模型可包括但不限于蒙特卡洛模型、马尔科夫模型、逻辑回归模型、聚类分析模型、贝叶斯模型等等，本申请不作具体限定。经验模型可以是根据经验人工设置的模型，比如设置第三气象预报结果的风力值，是第一气象预报结果预测的风力值与第二气象预报结果预测的风力值的加权平均值，这里的权重可以根据经验设定，上述举例用于说明，本申请不作具体限定。

可选地，对于机器学习模型和概率统计模型来说，融合模型可以使用第一样本集对机器学习模型或者概率统计模型进行训练，该第一样本集可包括多组输入数据和对应的输出数据，使得融合模型具有根据输入数据预测输出数据的能力，这里的输入数据为第一气象预报结果和第二气象预报结果，输出数据为第三气象预报结果。对于经验模型来说，可以设置多组输入数据和对应的输出数据之间的对应关系，这里的对应关系可包括但不限于公式、映射等等，本申请不作具体限定。

在一实施例中，气象预报结果可包括校正后的第一气象预报结果以及校正后的第二气象预报结果，还可包括校正后的第三气象预报结果。其中，校正模型是使用样本集对机器学习模型进行训练后获得的，该样本集包括历史的气象预报结果和同时空下历史的真实气象观测结果。

具体实现中，以将第一气象预报结果、第二气象预报结果以及第三气象预报结果输入校正模型，获得校正后的第一气象预报结果、校正后的第二气象预报结果以及校正后的第三气象预报结果。

可选地，校正模型可以使用第二样本集对机器学习模型进行训练，获得训练好的校正模型。该第二样本集可包括大量历史收集的已知的气象预报结果和对应的已知的校正后的气象预报结果，该机器学习模型可包括但不限于CNN模型、LSTM模型、RCNN模型或Fast-RCNN模型等，还可以包括其他类型的机器学习模型，本申请不作具体限定。

具体实现中，上述第二样本集中的数据可以是历史收集的第二地区的气象数据，输入数据可以是气象预报结果，输出数据是气象预报结果对应时段的观测结果，也就是真实数据。这样，校正模型可以通过第二样本集学习真实数据的数据分布规律，学习真实数据和输入数据之间的隐含关系，使得校正模型可以根据真实数据的分布规则，对第一气象预报结果、第二气象预报结果以及第三气象预报结果进行校正。举例来说，观测数据显示该地区该时段下的数据分布在一定时间内存在衰减，如果第一气象预报结果、第二气象预报结果以及第三气象预报结果并不存在衰减，那么可以将其进行修正，使其符合观测数据的衰减规律。应理解，上述举例用于说明，本申请不作具体限定。

为了使本申请能够被更好地理解，下面结合图4对本申请提供的气象预报方法进行举例说明，图4是本申请提供的气象预报方法在一应用场景下的流程示意图，如图4所示，本申请的气象预报方法，先通过观测结果确定第一气象预报结果，然后根据观测结果、第一气象预报结果以及数值天气预报结果确定第二气象预报结果，然后融合第一气象预报结果、第二气象预报结果获得第三气象预报结果。最后输出的气象预报结果可分为三个时段的气象预报结果，其中，T1-T2时段为未来第一时段，T2-T3为未来第三时段，T3-T4为未来第二时段，其中，未来第一时段对应第一气象预报，未来第三时段对应第三气象预报，未来第二时段对应第二气象预报。应理解，图4所示的例子中，第三时段位于第一时段和第二时段之间，在其他例子中，如果第一时段和第二时段存在重叠时段，例如图3所示的例子，那么第三时段可以是第一时段和第二时段的重叠时段，本申请不作具体限定。

综上可知，本申请提供的气象预报方法，通过获取第一地区的数值天气预报结果和第二地区的观测数据，其中第一地区包括第二地区，数值天气预报结果的时空分辨率低于观测数据的时空分辨率，根据观测数据确定第二地区在未来第一时段的第一气象预报结果，根据数值天气预报结果、观测数据以及第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，其中第一时段早于第二时段，这样获得的气象预报结果是针对局部地区的预报结果，并且覆盖了未来第一时段和第二时段，解决了数值天气预报结果的建模范围和应用需求的巨大差异，经常导致预报数据和实际站点观测存在较大差别，预报结果难以应用于实际生产生活的问题，提高用户的使用体验。

图5是本申请提供的一种计算设备的结构示意图，该计算设备500是图1至图5实施例中的气象预报系统300。

进一步地，计算设备500包括处理器501、存储单元502、存储介质503和通信接口504，其中，处理器501、存储单元502、存储介质503和通信接口504通过总线505进行通信，也通过无线传输等其他手段实现通信。

处理器501由至少一个通用处理器构成，例如CPU、NPU或者CPU和硬件芯片的组合。上述硬件芯片是专用集成电路(Application-Specific Integrated Circuit，ASIC)、编程逻辑器件(Programmable Logic Device，PLD)或其组合。上述PLD是复杂编程逻辑器件(Complex Programmable Logic Device，CPLD)、现场编程逻辑门阵列(Field-Programmable Gate Array，FPGA)、通用阵列逻辑(Generic Array Logic，GAL)或其任意组合。处理器501执行各种类型的数字存储指令，例如存储在存储单元502中的软件或者固件程序，它能使计算设备500提供较宽的多种服务。

具体实现中，作为一种实施例，处理器501包括一个或多个CPU，例如图5中所示的CPU0和CPU1。

在具体实现中，作为一种实施例，计算设备500也包括多个处理器，例如图5中所示的处理器501和处理器506。这些处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

存储单元502用于存储程序代码，并由处理器501来控制执行，以执行上述图1-图5中任一实施例中气象预报系统的处理步骤。程序代码中包括一个或多个软件单元。上述一个或多个软件单元是图1实施例中的获取单元、第一预报单元、第二预报单元、输出单元，其中，获取单元用于获取第一地区未来的数值天气预报结果和第二地区当前的观测数据，第一预报单元用于根据观测数据确定第二地区在未来第一时段的第一气象预报结果，第二预报单元用于根据数值天气预报结果、观测数据和第一气象预报结果，确定第二地区在未来第二时段的第二气象预报结果，输出单元用于输出气象预报结果，其中，气象预报结果包括第一气象预报结果和第二气象预报结果。其中，获取单元用于执行图2实施例中的步骤S210及其可选步骤，第一预报单元用于执行图2实施例中的步骤S220及其可选步骤，第二预报单元用于执行图2实施例中的步骤S230及其可选步骤，输出单元用于执行图2实施例中的步骤S240及其可选步骤，此处不再赘述。

存储单元502包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储单元502还包括非易失性随机存取存储器。存储单元502是易失性存储器或非易失性存储器，或包括易失性和非易失性存储器两者。其中，非易失性存储器是只读存储器(read-only memory，ROM)、编程只读存储器(programmable ROM，PROM)、擦除编程只读存储器(erasable PROM，EPROM)、电擦除编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器是随机存取存储器(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RAM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 date 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，DRRAM)。还是硬盘(hard disk)、U盘(universal serial bus，USB)、闪存(flash)、SD卡(secure digital memory Card,SD card)、记忆棒等等，硬盘是硬盘驱动器(hard diskdrive,HDD)、固态硬盘(solid state disk,SSD)、机械硬盘(mechanical hard disk,HDD)等，本申请不作具体限定。

存储介质503是存储数据的载体，比如硬盘(hard disk)、U盘(universal serialbus，USB)、闪存(flash)、SD卡(secure digital memory Card,SD card)、记忆棒等等，硬盘可以是硬盘驱动器(hard disk drive,HDD)、固态硬盘(solid state disk,SSD)、机械硬盘(mechanical hard disk,HDD)等，本申请不作具体限定。

通信接口504为有线接口(例如以太网接口)，为内部接口(例如高速串行计算机扩展总线(Peripheral Component Interconnect express,PCIe)总线接口)、有线接口(例如以太网接口)或无线接口(例如蜂窝网络接口或使用无线局域网接口)，用于与其他服务器或单元进行通信。

总线505是快捷外围部件互联标准(Peripheral Component InterconnectExpress，PCIe)总线，或扩展工业标准结构(extended industry standard architecture，EISA)总线、统一总线(unified bus，Ubus或UB)、计算机快速链接(compute express link，CXL)、缓存一致互联协议(cache coherent interconnect for accelerators，CCIX)等。总线505分为地址总线、数据总线、控制总线等。

总线505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线505。

需要说明的，图5仅仅是本申请实施例的一种能的实现方式，实际应用中，计算设备500还包括更多或更少的部件，这里不作限制。关于本申请实施例中未示出或未描述的内容，参见前述图1-图4实施例中的相关阐述，这里不再赘述。

本申请实施例提供一种计算机集群，包括多个计算设备500，多个计算设备之间存在通信连接。具体实现中，天气预报系统的各个单元模块可以分别部署于计算机集群中的不同的计算设备上，也可以部分部署于同一个计算设备，部分部署于其他计算设备上，本申请不作具体限定。

本申请实施例提供一种计算机存储介质，包括：该计算机存储介质中存储有指令；当该指令在计算设备上运行时，使得该计算设备执行上述图1至图4描述的气象预报方法。

上述实施例，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，上述实施例全部或部分地以计算机程序产品的形式实现。计算机程序产品包括至少一个计算机指令。在计算机上加载或执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机为通用计算机、专用计算机、计算机网络、或者其他编程装置。计算机指令存储在计算机读存储介质中，或者从一个计算机读存储介质向另一个计算机读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)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。计算机读存储介质是计算机能够存取的任何用介质或者是包含至少一个用介质集合的服务器、数据中心等数据存储节点。用介质是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc,DVD)、或者半导体介质。半导体介质是SSD。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，轻易想到各种等效的修复或替换，这些修复或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种气象预报方法，其特征在于，所述方法包括：

获取第一地区未来的数值天气预报结果和第二地区当前的观测数据，其中，所述第一地区包括所述第二地区，所述数值天气预报结果的时空分辨率低于所述观测数据的时空分辨率；

根据所述观测数据确定所述第二地区在未来第一时段的第一气象预报结果；

根据所述数值天气预报结果、所述观测数据和所述第一气象预报结果，确定所述第二地区在未来第二时段的第二气象预报结果，其中，所述未来第一时段的起始时间早于所述未来第二时段的起始时间；

输出气象预报结果，所述气象预报结果包括所述第一气象预报结果和所述第二气象预报结果。

2.根据权利要求1所述的方法，其特征在于，所述气象预报结果还包括第三气象预报结果，所述第三气象预报结果是对所述第一气象预报结果和所述第二气象预报结果进行融合后获得的，所述第三气象预报结果是所述第二地区在未来第三时段的第三气象预报结果，所述未来第三时段的起始时间早于所述未来第二时段，所述未来第一时段的起始时间早于所述未来第三时段。

3.根据权利要求2所述的方法，其特征在于，所述未来第三时段位于所述未来第一时段和所述未来第二时段之间，或者，所述未来第三时段是所述未来第一时段和所述未来第二时段的重叠时段。

4.根据权利要求1至3任一权利要求所述的方法，其特征在于，所述输出气象预报结果包括：

将所述气象预报结果输入校正模型，获得校正后的气象预报结果，输出所述校正后的气象预报结果，其中，所述校正模型是使用样本集对机器学习模型进行训练后获得的，所述样本集包括历史的气象预报结果和同时空下历史的真实气象观测结果。

5.根据权利要求1至4任一权利要求所述的方法，其特征在于，所述根据所述数值天气预报结果、所述观测数据和所述第一气象预报结果，确定所述第二地区在未来第二时段的第二气象预报结果包括：

将所述数值天气预报结果作为背景场，通过资料同化算法将所述观测数据和所述第一气象预报结果与所述背景场整合至同一个气象场中，基于所述气象场进行高分辨率中尺度或者对流尺度数值模式计算求解所述未来第二时段的第二气象预报结果。

6.根据权利要求1至5任一权利要求所述的方法，其特征在于，所述观测数据包括高分辨率多普勒雷达观测数据、双偏振雷达观测数据、高分辨率气象数据、风廓线雷达数据中的一种或者多种。

7.根据权利要求1至6任一权利要求所述的方法，其特征在于，所述数值天气预报结果是数值天气预报系统输出的第一地区的气象预报结果，所述数值天气预报系统包括基于全球数值模式的中尺度或者常规尺度模式预报系统。

8.一种气象预报系统，其特征在于，所述系统包括：

获取单元，用于获取第一地区未来的数值天气预报结果和第二地区当前的观测数据，其中，所述第一地区包括所述第二地区，所述数值天气预报结果的时空分辨率低于所述观测数据的时空分辨率；

第一预报单元，用于根据所述观测数据确定所述第二地区在未来第一时段的第一气象预报结果；

第二预报单元，用于根据所述数值天气预报结果、所述观测数据和所述第一气象预报结果，确定所述第二地区在未来第二时段的第二气象预报结果，其中，所述未来第一时段的起始时间早于所述未来第二时段的起始时间；

输出单元，用于输出气象预报结果，所述气象预报结果包括所述第一气象预报结果和所述第二气象预报结果。

9.根据权利要求8所述的系统，其特征在于，所述气象预报结果还包括第三气象预报结果，所述第三气象预报结果是对所述第一气象预报结果和所述第二气象预报结果进行融合后获得的，所述第三气象预报结果是所述第二地区在未来第三时段的第三气象预报结果，所述未来第三时段的起始时间早于所述未来第二时段，所述未来第一时段的起始时间早于所述未来第三时段。

10.根据权利要求9所述的系统，其特征在于，所述未来第三时段位于所述未来第一时段和所述未来第二时段之间，或者，所述未来第三时段是所述未来第一时段和所述未来第二时段的重叠时段。

11.根据权利要求8至10任一权利要求所述的系统，其特征在于，所述输出单元，用于将所述气象预报结果输入校正模型，获得校正后的气象预报结果，输出所述校正后的气象预报结果，其中，所述校正模型是使用样本集对机器学习模型进行训练后获得的，所述样本集包括历史的气象预报结果和同时空下历史的真实气象观测结果。

12.根据权利要求8至11任一权利要求所述的系统，其特征在于，所述第二预报单元，用于将所述数值天气预报结果作为背景场，通过资料同化算法将所述观测数据和所述第一气象预报结果与所述背景场整合至同一个气象场中，基于所述气象场进行高分辨率中尺度或者对流尺度数值模式计算求解所述未来第二时段的第二气象预报结果。

13.根据权利要求8至12任一权利要求所述的系统，其特征在于，所述观测数据包括高分辨率多普勒雷达观测数据、双偏振雷达观测数据、高分辨率气象数据、风廓线雷达数据中的一种或者多种。

14.根据权利要求8至13任一权利要求所述的系统，其特征在于，所述数值天气预报结果是数值天气预报系统输出的第一地区的气象预报结果，所述数值天气预报系统包括基于全球数值模式的中尺度或者常规尺度模式预报系统。

15.一种计算设备，其特征在于，包括存储器和处理器，所述存储器用于存储代码，所述处理器用于运行所述代码实现如权利要求1至7任一权利要求所述的方法。

16.一种计算机可读存储介质，其特征在于，包括指令，所述指令在计算机上运行时使得所述计算机实现如权利要求1至7任一权利要求所述的方法。