本发明专利技术提供了基于transformer深度学习模型的暴雨落区识别预警方法和装置，涉及气象监测的技术领域，包括：获取样本气象降水观测数据，并基于样本气象降水观测数据的标签确定出本气象降水观测数据对应的目标数据；基于因子分析算法和目标数据，确定出特征因子；基于样本气象降水观测数据和特征因子，对Swin_Transformer暴雨识别深度学习模型进行训练，得到目标深度学习模型；在获取到待处理目标数据之后，利用目标深度学习模型和待处理目标数据，预测待处理目标数据对应的暴雨落区，解决了现有的暴雨落区识别预警方法的准确性较差的技术问题。的技术问题。的技术问题。
【技术实现步骤摘要】
基于transformer深度学习模型的暴雨落区识别预警方法和装置
[0001]本专利技术涉及气象监测的
，尤其是涉及基于transformer深度学习模型的暴雨落区识别预警方法和装置。
技术介绍
[0002]暴雨既包括长时间的持续降水累积效应，也包括短时强降水造成的短时雨量增大现象，尤其是后者，具有突发性强、持续时间短、局地性强等特点。
[0003]短时强降水多是在有利的大尺度环境条件下由中小尺度天气系统直接产生。以往短时强降水业务预报中，按整点时刻划分，小时降水量不低于20mm即认为是一次短时强降水过程。短时强降水业务预报一般采用“配料法”进行监测预警或预报，即预报员根据大尺度环境条件，分析不同地区的水汽、热力与可能的触发抬升机制等环境特征，并综合预报经验，给出预报落区。这对筛选表征环境特征的物理量和确定客观阈值具有很高的要求，也很容易存在输入信息不足、模型结构简单等问题，难以识别和预报强对流复杂演变过程。
[0004]针对上述问题，还未提出有效的解决方案。
技术实现思路
[0005]有鉴于此，本专利技术的目的在于提供基于transformer深度学习模型的暴雨落区识别预警方法和装置，以缓解了现有的暴雨落区识别预警方法的准确性较差的技术问题。
[0006]第一方面，本专利技术实施例提供了基于transformer深度学习模型的暴雨落区识别预警方法，包括：获取样本气象降水观测数据，并基于所述样本气象降水观测数据的标签确定出所述本气象降水观测数据对应的目标数据，其中，所述标签用于表征所述样本气象降水观测数据对应的气象站点和观测时次，所述目标数据至少包括：所述观测时次前预设时长的雷达组网数据和所述观测时次前预设时长的卫星云图数据；基于因子分析算法和所述目标数据，确定出特征因子；利用所述样本气象降水观测数据和所述特征因子，对Swin_Transformer暴雨识别深度学习模型进行训练，得到目标深度学习模型；在获取到待处理目标数据之后，利用所述目标深度学习模型和所述待处理目标数据，预测所述待处理目标数据对应的暴雨落区。
[0007]进一步地，所述样本气象降水观测数据包括正样本气象降水观测数据和负样本气象降水观测数据，其中，所述正样本气象降水观测数据为小时雨量大于预设雨量的样本气象降水观测数据，所述负样本气象降水观测数据为小时雨量小于或等于所述预设雨量的样本气象降水观测数据。
[0008]进一步地，基于因子分析算法和所述目标数据，确定出特征因子，包括：基于显著性指标和敏感性指标，确定出所述目标数据对应的初始特征因子；基于Battlett
’
s球状检验算法和/或KMO检验算法，对所述初始特征因子进行必要性检验，得到所述特征因子。
[0009]进一步地，利用所述目标深度学习模型和所述待处理目标数据，预测所述待处理
目标数据对应的暴雨落区，包括：基于因子分析算法和所述待处理目标数据，确定出所述待处理目标数据对应的特征因子；将所述待处理目标数据对应的特征因子输入所述目标深度学习模型，确定出所述待处理目标数据对应的概率识别结果；将所述概率识别结果大于预设阈值的区域确定为所述暴雨落区。
[0010]第二方面，本专利技术实施例还提供了基于transformer深度学习模型的暴雨落区识别预警装置，包括：获取单元，获取样本气象降水观测数据，并基于所述样本气象降水观测数据的标签确定出所述本气象降水观测数据对应的目标数据，其中，所述标签用于表征所述样本气象降水观测数据对应的气象站点和观测时次，所述目标数据至少包括：所述观测时次前预设时长的雷达组网数据和所述观测时次前预设时长的卫星云图数据；确定单元，用于基于因子分析算法和所述目标数据，确定出特征因子；训练单元，用于利用所述样本气象降水观测数据和所述特征因子，对Swin_Transformer暴雨识别深度学习模型进行训练，得到目标深度学习模型；预测单元，用于在获取到待处理目标数据之后，利用所述目标深度学习模型和所述待处理目标数据，预测所述待处理目标数据对应的暴雨落区。
[0011]进一步地，所述样本气象降水观测数据包括正样本气象降水观测数据和负样本气象降水观测数据，其中，所述正样本气象降水观测数据为小时雨量大于预设雨量的样本气象降水观测数据，所述负样本气象降水观测数据为小时雨量小于或等于所述预设雨量的样本气象降水观测数据。
[0012]进一步地，所述确定单元，用于：基于显著性指标和敏感性指标，确定出所述目标数据对应的初始特征因子；基于Battlett
’
s球状检验算法和/或KMO检验算法，对所述初始特征因子进行必要性检验，得到所述特征因子。
[0013]进一步地，所述预测单元，用于：基于因子分析算法和所述待处理目标数据，确定出所述待处理目标数据对应的特征因子；将所述待处理目标数据对应的特征因子输入所述目标深度学习模型，确定出所述待处理目标数据对应的概率识别结果；将所述概率识别结果大于预设阈值的区域确定为所述暴雨落区。
[0014]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
[0015]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
[0016]在本专利技术实施例中，通过获取样本气象降水观测数据，并基于所述样本气象降水观测数据的标签确定出所述本气象降水观测数据对应的目标数据，其中，所述标签用于表征所述样本气象降水观测数据对应的气象站点和观测时次，所述目标数据至少包括：所述观测时次前预设时长的雷达组网数据和所述观测时次前预设时长的卫星云图数据；基于因子分析算法和所述目标数据，确定出特征因子；利用所述样本气象降水观测数据和所述特征因子，对Swin_Transformer暴雨识别深度学习模型进行训练，得到目标深度学习模型；在获取到待处理目标数据之后，利用所述目标深度学习模型和所述待处理目标数据，预测所述待处理目标数据对应的暴雨落区，达到了对暴雨落区进行精准预测的目的，进而解决了现有的暴雨落区识别预警方法的准确性较差的技术问题，从而实现了提高暴雨落区预测准确性的技术效果。
[0017]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0018]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0019]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[002本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于transformer深度学习模型的暴雨落区识别预警方法，其特征在于，包括：获取样本气象降水观测数据，并基于所述样本气象降水观测数据的标签确定出所述本气象降水观测数据对应的目标数据，其中，所述标签用于表征所述样本气象降水观测数据对应的气象站点和观测时次，所述目标数据至少包括：所述观测时次前预设时长的雷达组网数据和所述观测时次前预设时长的卫星云图数据；基于因子分析算法和所述目标数据，确定出特征因子；利用所述样本气象降水观测数据和所述特征因子，对Swin_Transformer暴雨识别深度学习模型进行训练，得到目标深度学习模型；在获取到待处理目标数据之后，利用所述目标深度学习模型和所述待处理目标数据，预测所述待处理目标数据对应的暴雨落区。2.根据权利要求1所述的方法，其特征在于，所述样本气象降水观测数据包括正样本气象降水观测数据和负样本气象降水观测数据，其中，所述正样本气象降水观测数据为小时雨量大于预设雨量的样本气象降水观测数据，所述负样本气象降水观测数据为小时雨量小于或等于所述预设雨量的样本气象降水观测数据。3.根据权利要求1所述的方法，其特征在于，基于因子分析算法和所述目标数据，确定出特征因子，包括：基于显著性指标和敏感性指标，确定出所述目标数据对应的初始特征因子；基于Battlett
’
s球状检验算法和/或KMO检验算法，对所述初始特征因子进行必要性检验，得到所述特征因子。4.根据权利要求1所述的方法，其特征在于，利用所述目标深度学习模型和所述待处理目标数据，预测所述待处理目标数据对应的暴雨落区，包括：基于因子分析算法和所述待处理目标数据，确定出所述待处理目标数据对应的特征因子；将所述待处理目标数据对应的特征因子输入所述目标深度学习模型，确定出所述待处理目标数据对应的概率识别结果；将所述概率识别结果大于预设阈值的区域确定为所述暴雨落区。5.一种基于transformer深度学习模型的暴雨落区识别预警装置，其特征在于，包括：获取单元，获取样本气象降水观测数据，并基于所述样本气象降水...
【专利技术属性】
技术研发人员：刘海洋，陈云刚，姜钤川，林超，蔡昌洪，虞雅璠，方璘王昊，
申请(专利权)人：北京弘象科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。