【技术实现步骤摘要】
本专利技术涉及水文气象学、数据分析和机器学习，尤其涉及一种逐小时降水预测方法及存储介质、电子设备。
技术介绍
1、短期降水预测是一个时空预测问题，旨在预测目标区域短时间内(0-6h)的降水量，长期以来一直是天气预测领域的重要课题。在全球变暖的背景下，洪水、干旱、台风、沙尘暴等极端天气现象日益增多。可靠的短期降水预测可为洪水、干旱和泥石流等自然灾害的预警和预防提供有效依据，有利于地区安全和经济发展。
2、目前，降水预测方法一般分为两类：基于天气动力学过程的数值天气预报和利用人工智能(ai)技术的数据驱动降水预测。数值天气预报是目前中国主要的预测方法。然而，天气动力学过程的建模和求解需要复杂地考虑大量物理条件，如气压、温度和风速，并需要大量计算资源。初始条件和参数化方案的不确定性导致短期(0-6小时)降水预测存在相当大的预测偏差和误差。相比之下，数据驱动降水预测在预测精度和逐小时降水预测的运行时间方面，相对于传统数值模型(如metnet模型)能取得更好的性能。数据驱动方法在次季节降水预测(两周到一个季节)方面也显示出比数值天气预测更好的结。以人工智能技术为代表的降水预测方法与数值天气预测方法的主要区别在于，前者是一种数据驱动方法，而后者是一种基于物理的模型驱动方法。数据驱动模型不是基于大气基本物理属性的数学物理模型计算，而是从历史气象数据中分析提取信息，从数据驱动的角度进行学习，建立降水与其影响因素之间的内在联系。因此，数据驱动的降水预测不受物理过程的限制，也不需要复杂的物理过程计算，这可能会提高预测精度。
技术实现思路
1、为了解决上述问题，本专利技术提供一种逐小时降水预测方法，包括以下步骤：
2、s1、获取研究区域一段历史时间内的时降水数据，使用长度为l的滑动窗口选取降水数据作为样本数据集，将样本数据后一小时的降水数据作为标签数据，将样本数据集和标签数据进行预处理，得到预处理后样本数据集和标签数据，将预处理后样本数据集划分为训练数据集、验证数据集、测试数据集；
3、s2、构建空间自相关模块，将空间自相关模块嵌入模型convlstm中，形成单元a，将单元a的普通卷积替换成可变形卷积形成单元b；
4、s3、将单元a和单元b交叉堆叠，形成四层内存流框架，得到降水预测模型；
5、s4、将训练数据集输入所述降水预测模型进行训练，完成对所述模型的参数更新和优化，得到训练后的降水预测模型；
6、s5、将验证数据集输入训练后的降水预测模型，完成对训练后的降水预测模型的参数更新和优化，得到最终的降水预测模型；
7、s6、将测试数据集输入最终的降水预测模型，将得到的数据与所述预处理后的标签数据进行对比，评估模型的精度。
8、进一步地，使用归一化方法对样本数据集和标签数据进行预处理：
9、
10、其中，x′表示归一化后的样本数据或标签数据，x是样本数据或标签数据，min是样本数据或标签数据的最小值，max是样本数据或标签数据的最大值。
11、进一步地，将单元a的普通卷积替换成可变形卷积具体为：
12、(1)使用输入特征图x上的规则网格r进行采样，创建偏移域；
13、r＝{(-1,-1),(-1,0),…,(0,1),(1,1)} (2)
14、(2)计算采样值的权重之和，使用普通卷积法对输入特征图x进行运算后得到的输出特征图y上的点表示为：
15、
16、其中，y(p0)表示采样值的权重之和，pn∈r表示pn属于实数，w(pn)表示第n次卷积计算时卷积核的权重，p0表示输出特征图上点的位置，pn表示第n次卷积计算时卷积输出的点相对于视野场上点的偏移量，是一个整数，x(p0+pn)表示p0+pn处的特征图；
17、使用可变形卷积对输入特征图x进行运算后得到的输出特征图y上的点表示为：
18、
19、其中，δpn表示第n次卷积计算时的偏移量；
20、对x(p0+pn+δpn)进行可变形卷积采样双线性插值表示为：
21、x(p)＝∑qg(q,p)·x(q)＝∑qg(qx,px)·g(qy,py)·x(q) (5)
22、其中，q表示特征图x中整数点的位置，g(q,p)是双线性插值核函数，g(a,b)＝max(0,1-|a-b|)，max(0,1-|a-b|)表示取0和1-|a-b|两个值之间的最大值，x(q)表示q处的特征图，qx表示q处的x坐标，px表示p处的x坐标，qy表示q处的y坐标，py表示p处的y坐标。
23、进一步地，通过小时降水量数据计算出的局部莫兰指数作为空间自相关特征单元s的本文档来自技高网...
【技术保护点】
1.一种逐小时降水预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种逐小时降水预测方法，其特征在于，使用归一化方法对样本数据集和标签数据进行预处理：
3.根据权利要求1所述的一种逐小时降水预测方法，其特征在于，将单元A的普通卷积替换成可变形卷积，可变形卷积的实现过程具体为：
4.根据权利要求1所述的一种逐小时降水预测方法，其特征在于，
5.根据权利要求4所述的一种逐小时降水预测方法，其特征在于，
6.根据权利要求5所述的一种逐小时降水预测方法，其特征在于，将空间自相关模块嵌入模型ConvLSTM中具体为：
7.根据权利要求1所述的一种逐小时降水预测方法，其特征在于，S5中，使用R-平方、均方误差根、平均绝对误差或皮尔逊相关系数的方法评估模型的精度。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7任一所述方法的步骤。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器相
...【技术特征摘要】
1.一种逐小时降水预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种逐小时降水预测方法，其特征在于，使用归一化方法对样本数据集和标签数据进行预处理：
3.根据权利要求1所述的一种逐小时降水预测方法，其特征在于，将单元a的普通卷积替换成可变形卷积，可变形卷积的实现过程具体为：
4.根据权利要求1所述的一种逐小时降水预测方法，其特征在于，
5.根据权利要求4所述的一种逐小时降水预测方法，其特征在于，
6.根据权利要求5所述的一种逐小时降水预测方法，其特征在于，将空间自相关模块嵌入模型convlstm中...
【专利技术属性】
技术研发人员：许磊，张喜皓，陶雲，陈能成，
申请(专利权)人：中国地质大学武汉，
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。