基于CNN-XGBOOST模型的短时强降水预测方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
基于CNN
‑
XGBOOST模型的短时强降水预测方法


[0001]本专利技术属于城市内涝监测预警领域，尤其涉及一种基于CNN
‑
XGBOOST模型的短时强降水预测方法。

技术介绍

[0002]短时强降水是造成洪涝灾害的主要降水形式。现有短时强降水预测模型多依赖雷达数据，不适用于雷达数据缺失或失真的情况。此外还可以依赖大气环境物理量进行预测，但多使用机器学习方法和CNN等深度学习方法，机器学习方法无法很好的应对特征变量很多的情况及提取特征变量的时间变化特征；而CNN等深度学习方法可以很好的提取特征，但无法很好的运行特征进行预测。研究解决如何在没有雷达回波数据的情况下进行短时强降水预测，提取降水特征变量的时间变化特征，实现短时强降水预测预报，具有重要理论与技术意义，同时也是提升气象预报部门业务能力，提高降水预报的准确性与可靠性的重要技术途径。

技术实现思路

[0003]专利技术目的：本专利技术的目的在于提供一种基于CNN
‑
XGBOOST模型的短时强降水预测方法，可以在不需求雷达回波数据的情况下进行短时强降水预测，同时可以提取特征变量的时间变化特征，并充分利用提取出的特征进行预测方法。
[0004]技术方案：本专利技术的基于CNN
‑
XGBOOST模型的短时强降水预测方法，按如下步骤，训练获得短时强降水预测模型，并应用短时强降水预测模型实现目标预测时刻的预测；步骤1：提取目标区域内在预设各历史时刻是否发生短时降水的结果，以及目标区域内分别在各历史时刻向预设间隔时长的大气再分析数据，并提取覆盖目标区域的各气象监测站点的经纬度；步骤2：分别针对各大气再分析数据，根据大气再分析数据计算目标区域对应CNN
‑
XGBOOST模型所需的特征物理量；步骤3：以历史时刻是否发生短时降水的结果，以及目标区域内在历史时刻向预设间隔时长的大气再分析数据、及特征物理量，结合覆盖目标区域的各气象监测站点的经纬度，构成样本，获得各个样本，进而构建训练集和测试集；步骤4：基于训练集，以大气再分析数据、特征物理量和各气象监测站点的经纬度作为输入，目标区域是否发生短时降水的预测结果作为输出，针对CNN
‑
XGBOOST模型进行训练，并通过计算损失并通过反向传播算法对CNN
‑
XGBOOST模型的参数进行调整，获得优化后的CNN
‑
XGBOOST模型；步骤5：通过测试集测试优化后的CNN
‑
XGBOOST模型的精度，若模型在10个训练轮次内精度未达到当前记录的最佳精度，则终止训练，否则更新当前模型的最佳精度，返回步骤4，直至达到预设的训练轮次，在训练停止后，将达到最佳精度的模型确定为短时强降水预测模型。
[0005]进一步的，步骤1中，所述大气再分析数据包括1000hpa、925hpa、850hpa、700hpa、500hpa大气高度下分别对应的位势涡度、散度、垂直速度、比湿、相对湿度、气温、风U分量和风V分量。
[0006]进一步的，步骤2中，所述特征物理量包括修正的K指数MK、对流稳定度指数IC、条件
‑
对流稳定性指数ILC、强天气威胁指数SWEAT、总指数TT、水汽通量散度和假相当位温；具体计算公式如下：（1）修正的K指数MK：K指数是一种用于分析大气稳定程度的气象学单位，MK指数相比K指数考虑地面温度的状况，MK值越大表示气团底层越暖湿，稳定度越小，越有利于对流产生，其表达式为：
[0007]式中T0,T
500
,T
850
和T
700
分别代表地表、500hpa、850hpa和700hpa高度的温度K，T
d0
、T
d850
和T
d700
分别代表地表、850hpa、700hpa高度的露点温度K；（2）对流稳定度指数IC：对流稳定度描述了抬升气层层底和层顶的客观能量的状态，这种能量状态分布决定了整个气层受迫整体抬升后，气层内的稳定度状况，其计算公式为：
[0008]式中θ
se500
和θ
se850
分别代表500hpa、850hpa高度的假相当位温；（3）条件
‑
对流稳定性指数ILC：条件
‑
对流稳定性指数在对流稳定性指数的基础上引入了条件稳定性指数，以表征气块收扰动抬升后与周围环境相比，其稳定性的情况，其表达式为：
[0009]式中θ
*se500
表示500hpa高度的饱和假相当位温,θ
se0
表示地表的假相当位温；（4）总指数TT：总指数通过温度和湿度的垂直梯度来衡量强对流天气发生的概率及其严重程度，总指数越大，越容易发生对流天气，其计算方式如下：
[0010]（5）强天气威胁指数SWEAT：强天气威胁指数综合反映了中低层大气的热力稳定度特征及适宜强对流天气发生的动力环境，其表达式为：
[0011][0012]式中f
850
、f
500
代表850hpa, 500hpa高度的风速(knots/h)，a
500
,a
850
代表850hpa, 500hpa高度的风向，式中各项在小于0时取0值，强天气威胁指数永远为正数；（6）水汽通量散度：水汽通量散度定量的描述了水汽输送的方向，水汽通量散度为正表明水汽从该地向外部辐散；水汽通量散度为负表明水汽从外部向该地输入，有利于降水的产生，其表达式
如下：
[0013]式中g代表地表加速度，通常取9.8m/s，q代表比湿(g/g)，u和v分别代表风的u分量和v分量(m/s)：（7）假相当位温：假相当位温是指未饱和湿空气块上升，直到气块内水汽全部凝结后，再按干绝热下沉到1000hpa处，此时气块所具有的温度，当假相当位温随气压降低而减小时，气块为对流不稳定状态，其表达式为：
[0014]式中T代表大气温度K，p代表气压hPa，p0代表参考大气压1000hPa，T
c
代表冷凝温度K，r代表水汽混合比kg/kg。
[0015]进一步的，步骤3具体为：每个样本由三部分数据组成：第一部分数据是气象监测站点的经度和纬度；第二部分数据是气象监测站点所在经纬度的修正的K指数、对流稳定度指数、条件
‑
对流稳定性指数、强天气威胁指数、总指数；第三部分数据是气象监测站点所在经纬度的1000hpa、925hpa、850hpa、700hpa、500hpa大气高度上的散度、位势涡度、垂直速度、水汽通量散度、假相当位温、露点温度差数据；（a）构建训练集：选取区域所有站点近十年中小时降水量大于等于20mm的数据作为正样本，选取每个站点小时降水量小于20mm的数据中小时降水量最大的50条数据作为负样本；（b）构建测试集：选取区域所有站点近两年中小时降水量大于等于20mm的数据作为正样本，选取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
XGBOOST模型的短时强降水预测方法，其特征在于，按如下步骤，训练获得短时强降水预测模型，并应用短时强降水预测模型实现目标预测时刻的预测；步骤1：提取目标区域内在预设各历史时刻是否发生短时降水的结果，以及目标区域内分别在各历史时刻向预设间隔时长的大气再分析数据，并提取覆盖目标区域的各气象监测站点的经纬度；步骤2：分别针对各大气再分析数据，根据大气再分析数据计算目标区域对应CNN
‑
XGBOOST模型所需的特征物理量；步骤3：以历史时刻是否发生短时降水的结果，以及目标区域内在历史时刻向预设间隔时长的大气再分析数据、及特征物理量，结合覆盖目标区域的各气象监测站点的经纬度，构成样本，获得各个样本，进而构建训练集和测试集；步骤4：基于训练集，以大气再分析数据、特征物理量和各气象监测站点的经纬度作为输入，目标区域是否发生短时降水的预测结果作为输出，针对CNN
‑
XGBOOST模型进行训练，并通过计算损失并通过反向传播算法对CNN
‑
XGBOOST模型的参数进行调整，获得优化后的CNN
‑
XGBOOST模型；步骤5：通过测试集测试优化后的CNN
‑
XGBOOST模型的精度，若模型在10个训练轮次内精度未达到当前记录的最佳精度，则终止训练，否则更新当前模型的最佳精度，返回步骤4，直至达到预设的训练轮次，在训练停止后，将达到最佳精度的模型确定为短时强降水预测模型。2.根据权利要求1所述基于CNN
‑
XGBOOST模型的短时强降水预测方法，其特征在于，步骤1中，所述大气再分析数据包括1000hpa、925hpa、850hpa、700hpa、500hpa大气高度下分别对应的位势涡度、散度、垂直速度、比湿、相对湿度、气温、风U分量和风V分量。3.根据权利要求1所述基于CNN
‑
XGBOOST模型的短时强降水预测方法，其特征在于，步骤2中，所述特征物理量包括修正的K指数MK、对流稳定度指数IC、条件
‑
对流稳定性指数ILC、强天气威胁指数SWEAT、总指数TT、水汽通量散度和假相当位温；具体计算公式如下：（1）修正的K指数MK：K指数是一种用于分析大气稳定程度的气象学单位，MK指数相比K指数考虑地面温度的状况，MK值越大表示气团底层越暖湿，稳定度越小，越有利于对流产生，其表达式为：；式中T0, T
500
, T
850
和T
700
分别代表地表、500hpa、850hpa和700hpa高度的温度K， T
d0
、T
d850
和T
d700
分别代表地表、850hpa、700hpa高度的露点温度K；（2）对流稳定度指数IC：对流稳定度描述了抬升气层层底和层顶的客观能量的状态，这种能量状态分布决定了整个气层受迫整体抬升后，气层内的稳定度状况，其计算公式为：；式中θ
se500
和θ
se850 分别代表500hpa、850hpa高度的假相当位温；（3）条件
‑
对流稳定性指数ILC：条件
‑
对流稳定性指数在对流稳定性指数的基础上引入了条件稳定性指数，以表征气块收扰动抬升后与周围环境相比，其稳定性的情况，其表达式为：
；式中θ
*se500 表示500hpa高度的饱和假相当位温, θ
se0
表示地表的假相当位温；（4）总指数TT：总指数通过温度和湿度的垂直梯度来衡量强对流天气发生的概率及其严重程度，总指数越大，越容易发生对流天气，其计算方式如下：；（5）强天气威胁指数SWEAT：强天气威胁指数综合反映了中低层大气的热力稳定度特征及适宜强对流天气发生的动力环境，其表达式为：；；式中f
850
、f
500
代表850hpa, 500hpa高度的风速(knots/h)，a
500
, a
850 代表850hpa, 500hpa高度的风向，式中各项在小于0时取0值，强天气威胁指数永远为正数；（6）水汽通量散度：水汽通量散度定量的描述了水汽...

【专利技术属性】
技术研发人员：薛丰昌，韩宇，万家权，陈笑娟，陈迪，
申请(专利权)人：南京宸象空间信息技术有限公司，
类型：发明
国别省市：