降水预报方法、装置、电子设备及存储介质制造方法及图纸

本公开的实施例提供了降水预报方法、装置、电子设备及存储介质，应用于天气预报领域。所述方法包括获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。以此方式，可以结合地面雷达数据来改进微波湿度计的降水反演预报算法，具有预报降水覆盖面广、预报精度高、预报时间长的优点。预报时间长的优点。预报时间长的优点。

【技术实现步骤摘要】
降水预报方法、装置、电子设备及存储介质


[0001]本公开涉及天气预报领域，尤其涉及降水量预测
，具体涉及降水预报方法、装置、电子设备及存储介质。

技术介绍

[0002]降水预报具有高度非线性复杂的变化趋势，需要较高时空分辨率和时效性较强的数据来训练预测模型。目前，在降水预报方面，最常见的为数理统计方法、传统的数值天气预报降水、以及使用雷达回波外推预报降水。数理统计方法主要是通过收集和降水相关性较高的相关因子，建立物理统计模型，进而对降水进行预测。数值天气预报是指根据大气实际情况，在设置一定的初值及边界场条件下，通过求解热动力学方程和流体力学方程，来预报未来的天气形势。比如，一种结合中尺度数值天气预报模型和“外推”的临近预报技术，利用数值预报校正场调整相应时间数值预报的定量降水区域和强度，将数值模式定量降水预报和临近降水预报结果进行融合，弥补“外推预报”在2h以上降水预报不足的缺陷。人工智能技术与气象领域相结合的应用已经非常广泛，气象雷达具有6分钟扫描一次、1km空间分辨率的优势，在短临预报降水中应用广泛。短时临近降雨最常用的方法为卷积LSTM，将短临降水预报模型变为一个可以用 Seq2Seq 学习框架解决的时空序列预测问题，预报降水区域被划分为网格数据，每个网格数据均代表一定时间间隔的降水数据，以此将数据转为时空三维数据，搭建了多层ConLSTM实现端到端的预报模型。ConLSTM改进了LSTM缺乏空间相关性的弱点，通过卷积提取特征来刻画局部空间特征，实现时空卷积预报。
[0003]但是，物理统计模型需要结合大量的先验知识，同时对数据的质量要求非常高。数值天气预报模式可以在一定程度上实现更长时间的较为精确的预测，但是这个过程需要具备热力学、气候动力学等相关知识，并伴随着物理模型较为复杂的特点。而基于雷达外推的深度学习方法可以对具有非线性、复杂性的降水数据进行建模，预报准确率高，但具有随着预报时长的增加，预测精度随之下降的缺点，同时由于雷达观测半径有限，存在很多预报区域无法预测的问题。

技术实现思路

[0004]本公开提供了一种降水预报方法、装置、电子设备及存储介质。
[0005]根据本公开的第一方面，提供了一种降水预报方法。该方法包括：获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
[0006]进一步地，所述时间序列降水预测模型的样本生成过程，包括：
获取历史亮温数据、历史雷达反射率数据；根据历史雷达反射率数据对对应时间的历史亮温数据进行标识；将标识后的历史亮温数据作为训练样本。
[0007]进一步地，所述时间序列降水预测模型的训练包括对训练样本的输入长度进行处理，具体包括：在Informer模型的每两个自注意力块之间使用卷积层和最大池化层来修建训练样本的输入长度。
[0008]进一步地，所述时间序列降水预测模型包括时序特征训练层，具体包括：将训练样本输入到Informer模型进行数据的时序特征训练；响应于输出的雷达反射率数据与标识的雷达反射率数据的差异度小于第一预设阈值，完成对所述时间序列降水预测模型的学习。
[0009]进一步地，对所述时间序列降水预测模型的学习，还包括对模型的调参处理，具体包括：基于交叉验证对训练样本进行数据分割，得到训练样本集、验证样本集；基于验证样本集输出的雷达反射率数据与训练样本集输出的雷达反射率数据之间的误差值，调整所述时间序列降水预测模型的参数。
[0010]进一步地，所述基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报，包括：将输出的雷达反射率数据作为所述待测区域的降水量数据；根据所述降水量数据的大小，确定降水强度等级；根据确定的降水强度等级和对应的时间信息进行气象预报。
[0011]进一步地，所述方法还包括：获取当前时刻的实际降水量数据；将当前时刻的实际降水量数据与模型预测的降水量数据进行比较分析，当误差超过第二预设阈值时，进行模型预警及订正。
[0012]根据本公开的第二方面，提供了一种降水预报装置。该装置包括：数据获取模块，用于获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；降水预测模块，用于将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；降水预报模块，用于基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。
[0013]根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0014]根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面所述的方法。
[0015]本公开的实施例提供的降水预报方法、装置、电子设备及存储介质，通过获取的微波湿度计大气窗区的亮温数据，引入地面雷达数据作为标识，并通过Informer模型和卷积神经网络模型的结合，对训练样本进行训练，实现时间序列降水预测模型预报降水覆盖面
广、预报精度高、预报时间长的目标，最终根据时间序列降水预测模型输出的雷达反射率确定降水强度，并进行降水气象预报，能够解决随着预测序列长度增加，预测难度逐渐增大的问题，以及解决预报降水覆盖区域不完全的问题。
[0016]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0017]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：图1示出了根据本公开的实施例的一种降水预报方法的流程图；图2示出了根据本公开的实施例的Informer模型的结构示意图；图3示出了根据本公开的实施例的时间序列降水预测模型的训练样本的生成过程示意图；图4示出了根据本公开的实施例的堆叠三个自注意力块的网络示意图；图5示出了根据本公开的实施例的基于输出的雷达反射率数据进行降水气象预报的流程示意图；图6示出了根据本公开的实施例的一种降水预报装置的框图；图7示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
[0018]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
[0019]另外本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种降水预报方法，其特征在于，包括：获取待测区域的亮温数据；所述亮温数据是通过微波湿度计的探测通道获取的大气窗区数据；将所述亮温数据输入预先训练的时间序列降水预测模型中，输出对应的雷达反射率数据；基于所述雷达反射率数据确定所述待测区域的降水量，并进行对应强度的降水气象预报。2.根据权利要求1所述的方法，其特征在于，所述时间序列降水预测模型的样本生成过程，包括：获取历史亮温数据、历史雷达反射率数据；根据历史雷达反射率数据对对应时间的历史亮温数据进行标识；将标识后的历史亮温数据作为训练样本。3.根据权利要求2所述的方法，其特征在于，所述时间序列降水预测模型的训练包括对训练样本的输入长度进行处理，具体包括：在Informer模型的每两个自注意力块之间使用卷积层和最大池化层来修建训练样本的输入长度。4.根据权利要求2所述的方法，其特征在于，所述时间序列降水预测模型包括时序特征训练层，具体包括：将训练样本输入到Informer模型进行数据的时序特征训练；响应于输出的雷达反射率数据与标识的雷达反射率数据的差异度小于第一预设阈值，完成对所述时间序列降水预测模型的学习。5.根据权利要求4所述的方法，其特征在于，对所述时间序列降水预测模型的学习，还包括对模型的调参处理，具体包括：基于交叉验证对训练样本进行数据分割，得到训练样本集、验证样本集；基于验证样本集输出的雷达反射率数据与训练样本集输出的雷达反射率数据之间的误差值，调整所述时间序列降水预测模型的参数。6.根据权利要...

【专利技术属性】
技术研发人员：燕广庆，郭晓芳，冯德财，王江伟，董玮，陈昌硕，喻家麒，
申请(专利权)人：中科星图维天信北京科技有限公司，
类型：发明
国别省市：