基于深度卷积神经网络模型的海雾能见度预报方法与系统技术方案

本发明专利技术公开了基于深度卷积神经网络模型的海雾能见度预报方法与系统，涉及海雾能见度预报领域，其通过将一天等分为预设个时段得到预测时段，在每个预测时段分别建立预设数量的深度卷积神经网络模型，并通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型，其在每一天的各个预测时段中构建各预报时效对应的海雾能见度预报模型，以在实际进行预测时，可根据当前时间所对应的预测时段，以及所需要的预报时效选择对应的海雾能见度预报模型进行预测，其有效的提高了模型预测的精准度，解决了目前常规的预报产品其准确性较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题。务需求的问题。务需求的问题。

【技术实现步骤摘要】
基于深度卷积神经网络模型的海雾能见度预报方法与系统


[0001]本专利技术涉及海雾能见度预报领域，尤其涉及基于深度卷积神经网络模型的海雾能见度预报方法与系统。

技术介绍

[0002]目前，大多数的港口是货物运输的枢纽，其对气象预报服务的要求较高，而目前海上缺少足够的观测数据，港口附近地形复杂，除了容易出现系统性大范围的雾外，还容易在航道上出现一些小范围的团雾。针对这些情况，有效的研究和预报方法都还比较少。目前常规的预报产品以定性为主，其准确性、时间与空间的分辨率都较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求，其严重影响了港口作业效率和航行安全。
[0003]当前人工智能技术蓬勃发展，尤其以深度学习技术为代表的机器学习技术，在图像识别，语音识别，自动驾驶等诸多领域得到了广泛的研究和应用。深度学习技术也开始在气象预报方面不断获得应用，比如把短临降雨的预报变换为视频预测问题，在天气系统自动识别、卫星云图识别和云量计算等方面，相较于传统方法，也取得了一些进展。本专利技术针对目前常规的预报产品其海雾预报能力不强(预报的精细度较低)的问题基于深度学习技术提出了一种基于深度卷积神经网络模型的海雾能见度预报方法与系统。

技术实现思路

[0004]为了提高海雾能见度的预报精度，以解决目前常规的预报产品其准确性、时间与空间的分辨率都较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题，本专利技术提出了一种基于深度卷积神经网络模型的海雾能见度预报方法，包括步骤：
[0005]S1：获取预设时长内各检测站点的观测数据，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；
[0006]S2：将一天等分为预设个时段以得到各预测时段，并在每个预测时段分别建立预设数量的深度卷积神经网络模型；
[0007]S3:通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；
[0008]S4:根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。
[0009]进一步地，所述步骤S03之前还包括：
[0010]通过预设筛选规则筛选样本数据集，并对满足预设筛选规则的数据进行归一化处理，以得到目标数据集；所述步骤S03中，具体为通过目标数据集训练深度卷积神经网络模型。
[0011]进一步地，通过目标数据集训练深度卷积神经网络模型，具体包括步骤：
[0012]S31：根据各预测时段的起止时间点，以及预测时段对应的各预报时效，将目标数据集中观测数据对应的网格点数据与预报数据对应的网格点数据进行组合，以得到预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集；
[0013]S32：以目标数据子集中的预报因子组合作为模型的输入，目标数据子集对应预报时次的观测数据中其能见度数据作为模型的输出，训练该预报时次对应的深度卷积神经网络模型以得到各预测时段下各预报时效对应的海雾能见度预报模型。
[0014]进一步地，所述各检测站点的观测数据包括：各整点对应的实际能见度、相对湿度、温度；所述各预报时次对应的预报数据包括：预报时次对应的相对湿度、温度与预测能见度。
[0015]进一步地，所述预设筛选规则为：
[0016]观测数据中的实际能见度小于预设值且相对湿度大于预设百分比，或者预报数据中的相对湿度大于预设百分比。
[0017]进一步地，所述步骤S32中，观测数据中的能见度数据为：
[0018]实际能见度或实际能见度差值；
[0019]所述实际能见度差值为预报时次对应的实际能见度与当前时次实际能见度的差值；所述当前时次表示模型的起报时间点。
[0020]进一步地，所述对满足预设筛选规则的数据进行归一化处理的公式为：
[0021][0022]式中，x表示实际能见度；x
max
表示筛选后的样本数据集中的能见度最大值；x
min
表示筛选后的样本数据集中的能见度最小值；y表示对实际能见度归一化处理后得到的无量纲实际能见度。
[0023]进一步地，所述实际能见度差值在输入模型之前还包括对其进行归一化处理，公式为：
[0024][0025]式中，y表示实际能见度差值；y
max
表示筛选后的样本数据集中各预报时次的实际能见度与其对应当前时次实际能见度的差值中的最大绝对值；y
out
表示对实际能见度差值归一化处理后得到的无量纲实际能见度差值。
[0026]进一步地，所述各检测站点的观测数据中还包括有：港区管制记录。
[0027]本专利技术还提出了一种基于深度卷积神经网络模型的海雾能见度预报系统，包括：
[0028]数据集获取模块，用于获取预设时长内各检测站点的观测数据以及港区管制记录，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；
[0029]模型建立模块，用于将一天等分为预设个时段以得到各预测时段，并在每个预测
时段分别建立预设数量的深度卷积神经网络模型；
[0030]训练模块，用于通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；
[0031]预测模块，用于根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。
[0032]与现有技术相比，本专利技术至少含有以下有益效果：
[0033](1)本专利技术通过将一天等分为预设个时段得到预测时段，在每个预测时段分别建立预设数量的深度卷积神经网络模型，并通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型，其在每一天的各个预测时段中构建各预报时效(各预报时效不相等)对应的海雾能见度预报模型，以在实际进行预测时，可根据当前时间所对应的预测时段，以及所需要的预报时效选择对应的海雾能见度预报模型进行预测，其有效的提高了模型预测的精准度，解决了目前常规的预报产品其准确性较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题；
[0034](2)本专利技术通过获取预设时长内各检测站点的观测数据与预设时长内各预报时次对应的预报数据，并将观测数据与预报数据转换为网格点数据以得到用于模型训练的样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，包括步骤：S1：获取预设时长内各检测站点的观测数据，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；S2：将一天等分为预设个时段以得到各预测时段，并在每个预测时段分别建立预设数量的深度卷积神经网络模型；S3:通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；S4:根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。2.根据权利要求1所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述步骤S03之前还包括：通过预设筛选规则筛选样本数据集，并对满足预设筛选规则的数据进行归一化处理，以得到目标数据集；所述步骤S03中，具体为通过目标数据集训练深度卷积神经网络模型。3.根据权利要求2所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，通过目标数据集训练深度卷积神经网络模型，具体包括步骤：S31：根据各预测时段的起止时间点，以及预测时段对应的各预报时效，将目标数据集中观测数据对应的网格点数据与预报数据对应的网格点数据进行组合，以得到预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集；S32：以目标数据子集中的预报因子组合作为模型的输入，目标数据子集对应预报时次的观测数据中其能见度数据作为模型的输出，训练该预报时次对应的深度卷积神经网络模型以得到各预测时段下各预报时效对应的海雾能见度预报模型。4.根据权利要求3所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述各检测站点的观测数据包括：各整点对应的实际能见度、相对湿度、温度；所述各预报时次对应的预报数据包括：预报时次对应的相对湿度、温度与预测能见度。5.根据权利要求4所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述预设筛选规则为：观测数据中的实际能见度小于预设值且相对湿度大于预设百分比，或者预报数据中的相对湿度大于预设百分...

【专利技术属性】
技术研发人员：孙军波，沃伟峰，钱峥，潘婧茹，钱燕珍，
申请(专利权)人：慈溪市气象局，
类型：发明
国别省市：