基于气象数据利用机器深度学习实现汛情提前预警的方法技术

本发明专利技术涉及一种基于气象数据利用机器深度学习实现汛情提前预警的方法，包括以下步骤：步骤S1:采集区域内站点的水位数据和气象数据的历史数据；步骤S2:对得到的水位数据和气象数据进行预处理；步骤S3:构建机器深度学习模型，并根据预处理后的数据训练，调优得到最优率定参数，得到最优的机器深度学习模型；步骤S4:采集实时气象数据和水位数据，并根据得到的最优的机器深度学习模型，得到预测的水位数据；步骤S5:根据预设的数据级别在GIS系统上对计算得出数据进行展示，若达到预警级别地区进行预警。本发明专利技术能够准确高效的获取汛情预测数据，实现汛情提前预警。实现汛情提前预警。实现汛情提前预警。

【技术实现步骤摘要】
基于气象数据利用机器深度学习实现汛情提前预警的方法


[0001]本专利技术涉及防汛信息化及防汛预警应用领域，具体涉及一种基于气象数据利用机器深度学习实现汛情提前预警的方法。

技术介绍

[0002]汛期暴雨洪水频发，破坏力和危害性极大，特别是暴雨洪水诱发的泥石流、滑坡等灾害年年发生，随着近年来的气候变化，中小河流暴雨洪水灾害的范围、频次、危害程度呈现逐步扩大趋势，因此水文监测和预报预警作为重要的非工程措施，在提前预报、防灾减灾等方面起着关键性作用，做好预报预警工作是实现水利防灾减灾的重要一环。
[0003]目前，大部分降雨预报都是事发预警，其及时性和准确性也是远远不够的，而且对于预报预警，实现提前预报、准确预报更是极其缺乏和缺失的，这也是导致防汛预警能力薄弱的重要原因。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于气象数据利用机器深度学习实现汛情提前预警的方法，能够准确高效的获取汛情预测数据，实现汛情提前预警。
[0005]为实现上述目的，本专利技术采用如下技术方案：一种基于气象数据利用机器深度学习实现汛情提前预警的方法，包括以下步骤：步骤S1:采集区域内站点的水位数据和气象数据的历史数据；步骤S2:对得到的水位数据和气象数据进行预处理；步骤S3:构建机器深度学习模型，并根据预处理后的数据训练，调优得到最优率定参数，得到最优的机器深度学习模型；步骤S4:采集实时气象数据和水位数据，并根据得到的最优的机器深度学习模型，得到预测的水位数据；步骤S5:根据预设的数据级别在GIS系统上对计算得出数据进行展示，若达到预警级别地区进行预警。
[0006]进一步的，所述气象数据包括降雨量、卫星云图、雷达和风力数据。
[0007]进一步的，所述步骤S2具体为：根据数据时间判断是否存在缺失，根据要素数据范围判断是否是正常数据；若为正常数据直接进入正常数据库，若为异常数据，进入异常数据库并提供展示页面，完成数据完整性和数据准确性验证处理。
[0008]进一步的，所述机器深度学习模型采用光流和卷积神经网络,建立短时降雨预测的深度神经网络模型。由于降水过程具有规律较难学习、数据量大以及变化趋势复杂的特点，基于本身具有时序的属性，适合深度神经网络对数据进行训练与学习。通过实时的雷达图像，根据建立深度神经网络模型，将目标站点的未来降水量作为标注，训练线性模型，输出结果为降水量的误差值，从而对未来短时期的降水量进行预测。
[0009]进一步的，所述步骤S5中预设的数据级别在GIS系统上对计算得出数据进行展示，
支持人机交 互在线修正数据。
[0010]本专利技术与现有技术相比具有以下有益效果：本专利技术能够准确高效的获取汛情预测数据，实现汛情提前预警。
附图说明
[0011]图1是本专利技术方法流程图；图2是本专利技术一实施例中数据采集示意图；图3是本专利技术一实施例中数据预处理流程图；图4是本专利技术一实施例中机器深度学习训练示意图；图5是本专利技术一实施例中深度神经网络模型训练过程示意图。
具体实施方式
[0012]下面结合附图及实施例对本专利技术做进一步说明。
[0013]请参照图1，本专利技术提供一种基于气象数据利用机器深度学习实现汛情提前预警的方法，包括以下步骤：步骤S1:采集区域内站点的历史降雨、水位、雷达、云图等数据，特别是发生过的重大事件时期的历史数据；在本实施例中，以noaa气象数据采集为例，以ftp形式访问获取站点基础数据和数据格式文件,下载对应年份的.gz文件，根据数据格式文件解析得到原始监测数据。
[0014]步骤S2:对得到的水位数据和气象数据进行预处理，根据数据时间判断是否存在缺失，根据要素数据范围判断是否是正常数据。若为正常数据直接进入正常数据库，若为异常数据，进入异常数据库并提供展示页面，可以进行纠正后进入正常数据库或者直接删除，从而完成数据完整性和数据准确性验证等处理；；步骤S3:采用光流和卷积神经网络,建立短时降雨预测的深度神经网络模型。通过实时的雷达图像，根据建立深度神经网络模型，将经过时序和高度提取的雷达图像重塑为合适尺寸的样本矩阵 (x1,x2,x3,
⋯
,xn)T ，融合数据标签值 (y1,y2,y3,
⋯
,yn)T 作为输入层的数据。经过卷积层的卷积操作提取每批次样本的高阶特征信息，并通过池化层下采样缩小特征矩阵的尺寸，生成固定大小的特征图，最后通过反向传播算法传播误差损失函数，更新网络权重以及参数，反复迭代使得梯度下降直至条件收敛。迭代次数训练100次，对于输入批次的样本数量的模型学习率Learning-rate进行了多组实验，观察训练损失误差Loss的数值和趋势曲线，直到训练误差趋于稳定。结合典型事件的历史气象数据和雨量、水位海量数据，与训练得出参数,与典型事件数据对比判断是否在误差范围内，若不在误差范围内，经过多次数据验证和调优从而得出最优率定参数;步骤S4:采集实时气象数据和水位数据，并根据得到的最优的机器深度学习模型，训练过程中发现受降水过程影响，降水具有规律较难学习、数据量大以及变化趋势复杂的特点，得出的预报数据适用于短时降雨预报，时间越长准确性越低；优选的，本实施例中将3天作为模型的预报时长。将实时监测数据输入从而得出后3天的雨量、水位监测数据;步骤S5:依据划分的数据级别，在GIS系统上对计算得出数据进行展示，支持人机交互
在线修正数据，并对达到预警级别地区通过短信、传真等多种方式进行预警安排，实现提前预警；以上所述仅为本专利技术的较佳实施例，凡依本专利技术申请专利范围所做的均等变化与修饰，皆应属本专利技术的涵盖范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于气象数据利用机器深度学习实现汛情提前预警的方法，其特征在于，包括以下步骤：步骤S1:采集区域内站点的水位数据和气象数据的历史数据；步骤S2:对得到的水位数据和气象数据进行预处理；步骤S3:构建机器深度学习模型，并根据预处理后的数据训练，调优得到最优率定参数，得到最优的机器深度学习模型；步骤S4:采集实时气象数据和水位数据，并根据得到的最优的机器深度学习模型，得到预测的水位数据；步骤S5:根据预设的数据级别在GIS系统上对计算得出数据进行展示，若达到预警级别地区进行预警。2.根据权利要求1所述的基于气象数据利用机器深度学习实现汛情提前预警的方法，其特征在于，所述气象数据包括降雨量、卫星云图、雷达和风力数据。3.根据权利...

【专利技术属性】
技术研发人员：潘艳玫，黄敏，陈金满，陈星星，
申请(专利权)人：浙江知水信息技术有限公司，
类型：发明
国别省市：