一种降雨预测方法、系统及电子设备技术方案

本申请涉及气象服务技术领域，特别涉及一种降雨预测方法、系统及电子设备。所述降雨预测方法包括：步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；步骤b：构建基于深度神经网络的降雨预测模型；步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。本申请有效利用了雷达图随时间变化趋势中的长期与短期时序依赖关系，并融入其他气象信息，综合多种数据信息源，从而精准预测短期内未来降雨量。

A method, system and electronic equipment for rainfall prediction

The application relates to the field of meteorological service technology, in particular a rainfall prediction method, system and electronic equipment. The rainfall prediction method includes the following steps: step a: extraction of meteorological information sequence in different time at different heights of the radar chart as well as the corresponding time period; step B: to construct prediction model of neural network based on the depth of rainfall; step C: the extraction of radar map and meteorological information sequence input rainfall prediction model of time series analysis the rainfall prediction model of radar map and meteorological information input sequence, obtained temporal and spatial characteristics of every period of time corresponding to the radar meteorological information and timing characteristics, and predictive value according to the map of spatial and temporal characteristics of radar and meteorological information each time the corresponding output timing characteristics of rainfall. This application effectively utilizes the long-term and short-term timing dependence of radar chart in the trend of time change, integrates other meteorological information, and integrates various data sources, so as to predict the future rainfall in the near future accurately.

【技术实现步骤摘要】
一种降雨预测方法、系统及电子设备
本申请涉及气象服务
，特别涉及一种降雨预测方法、系统及电子设备。
技术介绍
降水预报，在气象服务领域一直是非常重要的问题。准确的天气预报服务可以帮助人们计划户外活动，甚至可以提供洪水或交通等事故的预警。短期降水预测是一个在现实生活中具有重要意义同时很有挑战的任务，为了预测短期降水量，通常涉及以下信息的分析：当前降水量与雷达折射率之间的关系、目标地点与周边地区之间的降水关系，根据历史数据，发现降水量演变的一些模式。多普勒雷达探测降水是气象中常用的方法。在雷达气象中，气象目标对雷达波后向散射能力的强弱通常称为气象目标强度，常用的表示气象目标强度的参量有反射率和反射率因子。单位体积重云雨粒子后向散射截面的总和，称为气象目标的反射率。降水目标物单位体积中降水粒子直径6次方的总和称为雷达反射率因子，用Z表示，其常用单位为mm6/m3。反射率因子Z值的大小，反映了气象目标内部降水粒子的尺度和数密度，常用来表示气象目标的强度。近年来，各地气象站收集了大量雷达图数据和其他气象数据，并开始利用雷达图数据进行短期降雨预测。但现有短期降雨预测方法主要是使用单一高度的雷达图数据信息，利用传统的光流法做雷达图随时间的外推，再进行人工估计，这是比较常规的短期降雨预测方法，也是当前气象预报中天气雷达系统和强天气预警业务的基本组成部分。但这种的预测效率较低且对雷达图数据信息挖掘不充分，预测精度低，对于预测未来一个小时的情况尚可，但对于更后的第二小时、第三小时预测则很糟糕，严重难以满足当前预报要求。近年来，深度学习颠覆了图像识别、文本理解、语音识别等众多领域算法设计思路，逐渐形成了从训练数据出发，通过训练一个端到端的深度神经网络模型，直接输出最终结果的新模式。由于深度学习中的每一层都可以为了最终的任务来调整自己，最终实现各层之间的通力合作，因而可以大大提高任务的准确度。随着大数据时代的到来以及GPU(GraphicsProcessingUnit，图形处理器)等各种更加强大的计算设备的发展，深度学习可以充分利用各种海量数据，完全自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。中国专利申请(申请号CN201610752369)中提出了一种降雨预测方法及系统，其利用各气象自动站的风速、温度、气压和湿度数据，设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度SVM降雨错位预测模型；计算模型参数gamma值和参数C值，输入SVM降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果，根据所述降雨量预测结果计算降雨概率。但该技术主要是针对风速、温度、气压和湿度数据，缺乏对雷达图这一有效信息的挖掘利用，同时由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。北京邮电大学计算机学院的郭尚瓒、肖达、袁行远等在基于神经网络和模型集成的短时降雨预测方法中，提出了一个基于神经网络的预测模型，可通过多普勒雷达图像序列预测某区域36min内的降雨概率。通过对神经网络和传统光流法的对比分析，还提出了一种结合了两种方法各自优点的集成预测模型。该方法使用单一高度的雷达图序列训练卷积神经网络，以预测目标像素点未来36min内是否有降雨，即二分类问题。该方法虽然利用了雷达图信息和卷积神经网络，但对其中的时空信息挖掘有限，仅使用单一高度雷达图，而未考虑不同高度云层相互运动变化关系，仅在平面卷积对空间特征信息提取不足，而将不同时序的雷达图作为卷积神经网络的多通道输入，则对时序信息提取不足。且最终预测仅为未来36分钟内是否有降雨，预测时间偏短，且预测粒度较粗。
技术实现思路
本申请提供了一种降雨预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。为了解决上述问题，本申请提供了如下技术方案：一种降雨预测方法，包括：步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；步骤b：构建基于深度神经网络的降雨预测模型；步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。本申请实施例采取的技术方案还包括：在所述步骤a中，所述提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式。本申请实施例采取的技术方案还包括：在所述步骤b中，所述构建基于深度神经网络的降雨预测模型还包括：将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练。本申请实施例采取的技术方案还包括：所述降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络，所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练具体包括：步骤b1：初始化所述基于深度神经网络的降雨预测模型的参数；步骤b2：将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；步骤b3：通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；步骤b4：通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。本申请实施例采取的技术方案还包括：所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练还包括：步骤b5：根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；步骤b6：判断损失函数是否满足最小值，如果不满足最小值，执行步骤b7；如果满足最小值，执行步骤b8；步骤b7：运用反向传播算法，根据损失函数调整网络参数；步骤b8：保存网络参数，模型训练结束。本申请实施例采取的技术方案还包括：所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。本申请实施例采取的技术方案还包括：所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存本文档来自技高网...

【技术保护点】
一种降雨预测方法，其特征在于，包括：步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；步骤b：构建基于深度神经网络的降雨预测模型；步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。

【技术特征摘要】
1.一种降雨预测方法，其特征在于，包括：步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；步骤b：构建基于深度神经网络的降雨预测模型；步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。2.根据权利要求1所述的降雨预测方法，其特征在于，在所述步骤a中，所述提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式。3.根据权利要求2所述的降雨预测方法，其特征在于，在所述步骤b中，所述构建基于深度神经网络的降雨预测模型还包括：将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练。4.根据权利要求3所述的降雨预测方法，其特征在于，所述降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络，所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练具体包括：步骤b1：初始化所述基于深度神经网络的降雨预测模型的参数；步骤b2：将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；步骤b3：通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；步骤b4：通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。5.根据权利要求4所述的降雨预测方法，其特征在于，所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练还包括：步骤b5：根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；步骤b6：判断损失函数是否满足最小值，如果不满足最小值，执行步骤b7；如果满足最小值，执行步骤b8；步骤b7：运用反向传播算法，根据损失函数调整网络参数；步骤b8：保存网络参数，模型训练结束。6.根据权利要求4或5所述的降雨预测方法，其特征在于，所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。7.根据权利要求6所述的降雨预测方法，其特征在于，所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。8.一种降雨预测系统，其特征在于，包括：雷达图提取模块：用于提取不同时间段内不同高度的雷达图；气象信息提取模块：用于提取所述雷达图对应时间段内的气象信息序列；网络模型构建模块：用于构建基于深度神经网络的降雨预测模型；降雨预测模块：用于将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空...

【专利技术属性】
技术研发人员：王永灿，王书强，申妍燕，邓黎明，胡明辉，曹松，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东,44