一种基于机器学习的短时中强降水预警方法技术

本发明专利技术公开了一种基于机器学习的短时中强降水预警方法，包括：将最近

【技术实现步骤摘要】
一种基于机器学习的短时中强降水预警方法


[0001]本专利技术涉及气象预警
，具体而言，涉及一种基于机器学习的短时中强降水预警方法
。

技术介绍

[0002]暴雨是主要的气象灾害之一，会造成山洪
、
泥石流
、
城市内涝等严重灾害，强降水（小时降雨量
≥20mm
）是重要的预报对象
。
在青藏高原东侧等复杂地形区域，中强降雨（小时降雨量
≥10mm
）就可能引发山洪等次生灾害，但目前开展中强降雨短临预警算法模型研究较少
。
[0003]现有技术缺陷：尽管数值天气预报近年来取得了不少进展，但
NWP
模式对对流尺度
(1
ꢀ‑ꢀ
5 km)
的预报能力仍然十分有限
。
因此，基于气象雷达观测数据进行直接外推预报仍然是这种尺度上的主要方法
。
这也是由于
NWP
模型的计算复杂度高，初始条件对模型的同化不完善
。
由于短时强降水往往是由中小尺度天气系统造成，数值预报模式对强降水的落区和强度不能很好地预报，但是天气系统的系统
、
能量
、
水汽等物理量场能够更好把握
。
同时气象雷达观测数据能够捕获到大的水滴（降雨）回波的发生发展，站点实况观测数据能够反应地面气温
、
水汽
、
气压
、
相对湿度等物理量的变化，对未来1小时短时强降水都有复杂的非线性关联
。
但是，数值预报模式预报的系统
、
能量
、
水汽等物理量场
、
气象多普勒雷达观测数据
、
自动站观测数据具有不同的时空分辨率
、
物理含义
、
强降水关系等，但无法直接融合应用这些数据，这是短临强降水预警亟待解决的关键技术难题
。

技术实现思路

[0004]本专利技术在于提供一种基于机器学习的短时中强降水预警方法，其能够缓解上述问题
。
[0005]为了缓解上述的问题，本专利技术采取的技术方案如下：一种基于机器学习的短时中强降水预警方法，包括以下步骤：
S1、
将最近
10
个时次的雷达回波组合反射率数据输入基于
MAE
的雷达回波反射率预训练模型，输出得到雷达回波组合反射率编码特征；
S2、
将预处理后的
ECMWF
数值预报数据输入基于
MAE
的物理量预训练模型，输出得到气象物理量场编码特征；
S3、
对预处理后的自动气象站观测数据送入自动气象站观测数据编码器，输出得到自动气象站观测数据编码特征；
S4、
将雷达回波组合反射率编码特征
、
气象物理量场编码特征和自动气象站观测数据编码特征进行拼接，得到融合编码特征；
S5、
将融合编码特征送入站点中强降水分类器进行分类，得到短时中强降水分类结果
。
[0006]在本专利技术的一较佳实施方式中，步骤
S1
中，获取雷达回波组合反射率数据的方法
包括以下步骤：
S11、
获取气象多普勒雷达原始体扫基数据文件；
S12、
基于气象多普勒雷达原始体扫基数据文件，进行地物杂波抑制
、
距离去折叠和速度退模糊质量控制，得到质控后体扫基数据文件；
S13、
基于质控后体扫基数据文件，采用基于
Python
的雷达数据处理库，生成雷达回波组合反射率数据
。
[0007]在本专利技术的一较佳实施方式中，步骤
S2
具体包括以下步骤：
S21、
基于
MICAPS4
分布式数据环境，获取
ECMWF
数值预报数据；
S22、
对
ECMWF
数值预报数据进行区域裁剪
、
归一化和物理量数据堆叠，得到物理量数组；
S23、
将物理量数组输入基于
MAE
的物理量预训练模型，得到气象物理量场编码特征
。
[0008]在本专利技术的一较佳实施方式中，步骤
S3
具体包括以下步骤：
S31、
获取自动气象站观测数据，其中包括气温
、
降水
、
风向和风速四个气象要素，；
S32、
将最近2个小时内的气象要素进行归一化处理，然后拼接为一个自动站输入特征向量；
S33、
将自动站输入特征向量送入自动气象站观测数据编码器，得到自动气象站观测数据编码特征
。
[0009]与现有技术相比，本专利技术的有益效果是：1）基于雷达回波组合反射率预训练模型，可以获取中小尺度天气系统快速发生
、
发展的时空特征，并用特征编码形式便于端到端模型应用；2）基于气象物理量场预训练模型，可以获取天气系统
、
能量
、
水汽等关键特征，并用特征编码形式便于端到端模型应用；3）通过编码嵌入方式，在隐编码空间融合了地面自动站观测数据
、
雷达回波数据
、
气象要素物理量场数据，将不同时空分辨率
、
不同作用机理的气象数据信息有机进行了整合应用
。
[0010]为使本专利技术的上述目的
、
特征和优点能更明显易懂，下文特举本专利技术实施例，并配合所附附图，作详细说明如下
。
附图说明
[0011]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图
。
[0012]图1是具体实施方式中基于机器学习的短时中强降水预警系统框架图；图2是具体实施方式中自动气象站和气象雷达布局图
。
具体实施方式
[0013]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，下面将结合本专利技术实施例
中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例
。
[0014]请参照图1，本专利技术提供了一种基于机器学习的短时中强降水预警方法，具体如下：短时中强降水定义：在某整点时刻
T
，站点
S
在未来1小时累积降水量
≥10mm
，就定义为站点
S
在
T+1
时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的短时中强降水预警方法，其特征在于，包括以下步骤：
S1、
将最近
10
个时次的雷达回波组合反射率数据输入基于
MAE
的雷达回波反射率预训练模型，输出得到雷达回波组合反射率编码特征；
S2、
将预处理后的
ECMWF
数值预报数据输入基于
MAE
的物理量预训练模型，输出得到气象物理量场编码特征；
S3、
对预处理后的自动气象站观测数据送入自动气象站观测数据编码器，输出得到自动气象站观测数据编码特征；
S4、
将雷达回波组合反射率编码特征
、
气象物理量场编码特征和自动气象站观测数据编码特征进行拼接，得到融合编码特征；
S5、
将融合编码特征送入站点中强降水分类器，进行是否发生短时中强降水的二分类，得到短时中强降水分类结果
。2.
根据权利要求1所述基于机器学习的短时中强降水预警方法，其特征在于，步骤
S1
中，获取雷达回波组合反射率数据的方法包括以下步骤：
S11、
获取气象多普勒雷达原始体扫基数据文件；
S12、
基于气象多普勒雷达原始体扫基数据文件，进行地物杂波抑制
、
距离去折叠和速度退模糊质量控制，得到质控后体扫基数据文件；
S13、
基于质控后体扫基数据文件，采用基于
Python
的雷达数据处理库，生成雷达回波组合反射率数据
。3.
根据权利要求2所述基于机器学习的短时中强降水预警方法，其特征在于，步骤
S11
中，基于天擎气象大数据云平台，申请应用账户，开通雷达基数据访问权限，通过
API
接口获取到气象多普勒雷达原始体扫基数据文件
。4.
根据权利要求1所述基于机器学习的短时中强降水预警方法，其特征在于，步骤
S2
具体包括以下步骤：
S21、
基于
...

【专利技术属性】
技术研发人员：张成宏，蒋兴文，董元昌，黄晓龙，
申请(专利权)人：中国气象局成都高原气象研究所，
类型：发明
国别省市：