一种基于深度置信网络的气象预报方法和系统技术方案

本申请公开了一种基于深度置信网络的气象预报方法和系统，该方法包括根据目标区域的场地信息获得多个历史观测数据；构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；将第一预测数据输入CFD计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；将训练数据集的训练样本输入DBN深度神经网络，对该DBN深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。通过本发明专利技术的方法和系统可以提供预报气象的精度。

A method and system of meteorological forecast based on depth confidence network

【技术实现步骤摘要】
一种基于深度置信网络的气象预报方法和系统
本申请涉及气象服务情报保障领域，特别是涉及一种基于深度置信网络的气象预报方法和系统。
技术介绍
气象预报保障对用户开展的众多活动安全顺利举办具有重大的影响。传统的气象情报保障是构建于HPC及云平台混合架构的气象数据服务平台上，通过开展基于数值预报、统计学习、高性能计算等信息技术，重点围绕多源资料同化短临预报在气象预测方面的应用研究，提升气象预测速率、精准度，面向不同目标群体，提供精细化、专业化的气象服务，做好场所精细化智慧气象服务，支撑重点场所气象服务保障。然而，构建于HPC及云平台混合架构的气象数据服务平台上的气象预报方法由于具有初始误差和模式误差，存在预报精度低的缺陷。针对数值预报问题，模式初值存在客观因素，模式的初始条件只是大气真实状态下的一种近似，因此初始误差是持久存在的，主要是观测过程中所产生的误差，即观测误差。只利用气象卫星观测时，大气对可见光的散射使得探测出的地面反照率和云顶资料存在一定的偏差，由直接观测的红外辐射资料反演云顶和地面温度的过程中也存在一定的误差。气象雷达观测，按照降水量和雷达回波强度之间的经验关系推测降水量会存在误差，尤其是远距离探测时产生的误差更大。模式误差是模式对物理过程描述不准确而产生的误差。由于大气运动中的湍流过程，在模式中小尺度系统的生消机制是难以准确进行描述的。在模式中通常采用了参数化的方法来考虑这些过程的影响，平均过程将次网格的物理过程和动力过程表示出网格以上尺度的平均影响。这种描述和真实次网格过程之间的误差就存在误差；因而在预报气象时存在精度低的缺陷。
技术实现思路
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。根据本申请的一个方面，提供一种基于深度置信网络的气象预报方法，该气象预报方法包括以下步骤：根据目标区域的场地信息获得多个历史观测数据；构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；将第一预测数据输入CFD计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；将训练数据集的训练样本输入DBN深度神经网络，对该DBN深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。可选的，所述气象预报方法将DBN深度神经网络获得的预测结果与传统物理模型获得的预报结果进行比对分析，以对第一预测数据的参数进行调优。可选的，采用地物回波识别算法对CFD模型的第一预测数据的参数进行调优，具体包括以下子步骤：采集雷达的基数据，根据所述基数据获得回波特征参数；运用统计方法对所述回波特征参数进行分析，确定地物回波与降水回波特征参数的差异；根据每个所述地物回波与降水回波特征参数的差异分别设置隶属函数，将所述隶属函数转换成识别结果，其中，该识别结果在[0,1]范围内；对所述识别结果进行加权平均获得某点的判据值，当所述某点的判据值超过预设的阈值时，则该点就被判定为地物回波。可选的，所述传统物理模型为模式方程组求解大气演变模型、多个动态核心和物理选项求解模型。可选的，所述增强决策树为CART决策树模型。可选的，构建所述CART决策树模型包括以下子步骤：基于基尼指数并利用特征选择方法获得气象特征；根据所述气象特征并依据回归方差划分得到回归树；对所述回归树进行剪枝，并采用后剪枝方法对所述回归树进行修正，根据修正后的回归树构建出所述CART决策树模型。可选的，所述根据所述第二预测数据得到来流条件下的流场分布包括以下子步骤：将第一预测数据的场所来流条件对流场进行CFD预计算，得到关键流场数据，将该关键流场数据存入数据库中，建立场景流场特性数据库；利用场景流场特性数据库进行风速预测，获得第二预测数据；将所述第二预测数据作为CFD模型的输入边界条件，查询第二预测数据相近的来流条件，并调用场景流场特性数据库的流场分布数据，以获得来流条件下的流场分布。可选的，对历史观测数据、第一预测数据或第二预测数据进行优化，以得到标准化的预测数据，基于所述标准化的预测数据构建所述训练数据集。根据本申请的另一个方面，提供了一种基于深度置信网络的气象预报系统，该系统包括获取模块、第一训练模块、模拟模块、插值模块和第二训练模块；所述获取模块用于根据目标区域的场地信息获得多个历史观测数据；所第一训练模块用于构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；所述模拟模块用于将第一预测数据输入CFD计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；所述插值模块基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；所述第二训练模块用于将训练数据集的训练样本输入DBN深度神经网络，对该DBN深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。可选的，所述模拟模块执行以下操作：将第一预测数据的场所来流条件对流场进行CFD预计算，得到关键流场数据，将该关键流场数据存入数据库中，建立场景流场特性数据库；利用场景流场特性数据库进行风速预测，获得第二预测数据；将所述第二预测数据作为CFD模型的输入边界条件，查询第二预测数据相近的来流条件，并调用场景流场特性数据库的流场分布数据，以获得来流条件下的流场分布。根据本申请的另一个方面，提供了一种计算机电子设备，该计算设备包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，该计算机程序存储于存储器中的用于程序代码的空间，该计算机程序在由处理器执行时实现用于执行任一项根据本专利技术的气象预报方法步骤。根据本申请的另一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本专利技术的气象预报方法步骤的程序，该程序被处理器执行。根据本申请的另一个方面，提供了一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行根据本专利技术的气象预报方法步骤。本实施例通过CFD计算流体动力学模型对历史观测数据和实时观测数据进行预测，可以实现精细化的预报，该CFD计算流体动力学模型在时间维度上的挖掘观测数据，识别并学习历史上反复出现的天气模式，从而能够预测天气现象的大气运动过程；另外利用克里金插值方法将第二预测数据从观测点位置扩充到目标区域范围内任意点；同时考虑各气象要素间的相关性，利用DBN深度神经网络对模拟出风速值进行训练，从而对待观测的数据进行预报，体现出各观测数据的不同要素之间在物理上的相关性；本实施例的气象预报方法实本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的气象预报方法，该气象预报方法包括以下步骤：/n根据目标区域的场地信息获得多个历史观测数据；/n构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；/n将第一预测数据输入CFD计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；/n基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；/n将训练数据集的训练样本输入DBN深度神经网络，对该DBN深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。/n

【技术特征摘要】
1.一种基于深度置信网络的气象预报方法，该气象预报方法包括以下步骤：
根据目标区域的场地信息获得多个历史观测数据；
构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；
将第一预测数据输入CFD计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；
基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；
将训练数据集的训练样本输入DBN深度神经网络，对该DBN深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。


2.根据权利要求1所述的气象预报方法，其特征在于，所述气象预报方法将DBN深度神经网络获得的预测结果与传统物理模型获得的预报结果进行比对分析，以对第一预测数据的参数进行调优。


3.根据权利要求2所述的气象预报方法，其特征在于，采用地物回波识别算法对CFD模型的第一预测数据的参数进行调优，具体包括以下子步骤：
采集雷达的基数据，根据所述基数据获得回波特征参数；
运用统计方法对所述回波特征参数进行分析，确定地物回波与降水回波特征参数的差异；
根据每个所述地物回波与降水回波特征参数的差异分别设置隶属函数，将所述隶属函数转换成识别结果，其中，该识别结果在[0,1]范围内；
对所述识别结果进行加权平均获得某点的判据值，当所述某点的判据值超过预设的阈值时，则该点就被判定为地物回波。


4.根据权利要求2所述的气象预报方法，其特征在于，所述传统物理模型为模式方程组求解大气演变模型、多个动态核心和物理选项求解模型。


5.根据权利要求1所述的气象预报方法，其特征在于，所述增强决策树为CART决策树模型。


6.根据权利要求5所述的气象预报方法，其特征在于，构建所述CART决策树模型包括以下子步骤：
基于基尼指数并利用特征选择方法获得气象特征；
根据所述气象特征并依据回归方差划分得到回归树；
对所述回归树进行剪枝，并采用后剪枝方法对所述回归树进行修正，根据修正后的回归树...

【专利技术属性】
技术研发人员：赵琉涛，
申请(专利权)人：北京北科融智云计算科技有限公司，
类型：发明
国别省市：北京;11