CN113962465A - 降水预报方法、设备、装置及存储介质 - Google Patents

降水预报方法、设备、装置及存储介质 Download PDF

Info

Publication number
CN113962465A
CN113962465A CN202111248447.7A CN202111248447A CN113962465A CN 113962465 A CN113962465 A CN 113962465A CN 202111248447 A CN202111248447 A CN 202111248447A CN 113962465 A CN113962465 A CN 113962465A
Authority
CN
China
Prior art keywords
precipitation
forecast
magnitude
kpa
forecast model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111248447.7A
Other languages
English (en)
Inventor
周康辉
王婷波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Meteorological Center Central Meteorological Station
Original Assignee
National Meteorological Center Central Meteorological Station
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Meteorological Center Central Meteorological Station filed Critical National Meteorological Center Central Meteorological Station
Priority to CN202111248447.7A priority Critical patent/CN113962465A/zh
Publication of CN113962465A publication Critical patent/CN113962465A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种降水预报方法、设备、装置及存储介质，该方法包括：将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。本申请实施例能够实现更精准的连续降水量预报。

Description

降水预报方法、设备、装置及存储介质
技术领域
本申请涉及天气预报技术领域，尤其涉及一种降水预报方法、设备、装置及存储介质。
背景技术
数值天气预报模式(Numerical weather prediction，NWP)已发展成为现代天气预报业务的核心与基础。
温度、气压、湿度和风场等基本气象要素，可以用大气基本方程进行描述，其预报结果具有较高的准确性。然而，对于某些物理过程，如积云对流、云微物理、湍流和辐射等，无法从大气基本方程中得到解析，而需借助于参数化方案。不同的NWP模式，可能使用了不同的参数化方案，参数化方案包含所模拟的天气的关键特征，对预报性能起到决定性的作用。然而，物理参数化方案存在内在的不确定性，一方面源于对降水过程中的大气物理过程尚未完全了解，另一方面源于在可解析尺度上存在不可解析过程的影响，使得参数化方案成为制约提高NWP预报性能的重要瓶颈。
因此，如何实现更优的不同强度降水过程定量化中短期预报，成为亟待解决的关键问题。
发明内容
本申请实施例提供一种降水预报方法、设备、装置及存储介质，用以解决现有技术中实现更优的不同强度降水过程定量化中短期预报的问题，能够实现连续性降水的更精确的预报。
第一方面，本申请实施例提供一种降水预报方法，所述方法包括：
将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
可选地，根据本申请一个实施例的降水预报方法，所述将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级，包括：
通过确定所述降水量数据的范围及降水量级分辨率，得到所述离散化后的降水量级；其中，所述降水量级包括：
RC＝{0,Rmin,Rmin+ΔR,Rmin+2·ΔR,…,Rmax}
其中，RC表示所述离散化后的降水量级，Rmin表示最小的降水量数据，Rmax表示最大的降水量数据，ΔR表示所述降水量级分辨率。
可选地，根据本申请一个实施例的降水预报方法，通过深度学习方式建立所述降水预报模型。
可选地，根据本申请一个实施例的降水预报方法，所述降水预报模型包括：卷积层、残差连接层、池化层、上采样层、注意力层和softmax分类器；所述卷积层、所述池化层和所述上采样层用于提取三维空间的天气***特征；所述残差连接层用于对所述降水预报模型进行训练；所述注意力层用于提取所述预报因子的全局特征；所述softmax分类器用于输出所述离散化后的降水量级的概率。
可选地，根据本申请一个实施例的降水预报方法，所述NWP的基本气象要素包括温度、气压、湿度和风场；
所述预报因子的位势高度层包括以下一个或多个：100百帕、150百帕、200百帕、250百帕、300百帕、400百帕、500百帕、600百帕、700百帕、800百帕、850百帕、900百帕、925百帕、950百帕、1000百帕以及地面层。
可选地，根据本申请一个实施例的降水预报方法，所述基于所述降水预报模型进行降水多分类预测，包括：
利用损失函数对所述降水预报模型进行训练；其中，所述损失函数包括：
Figure BDA0003321885730000031
其中，Loss表示损失函数，N表示格点数量，m表示类别总量,i表示第i个格点，α和γ为权重，yi为格点i的类别标记，c为类别，pi,c为预测i格点为第c类的概率。
可选地，根据本申请一个实施例的降水预报方法，所述基于所述降水预报模型进行降水多分类预测，包括：
利用类别函数对所述降水量级的类别进行预测；其中，所述类别函数包括：
Figure BDA0003321885730000032
其中，
Figure BDA0003321885730000033
Figure BDA0003321885730000034
max为取最大值函数，Predi为预测降水量级对应类别，m为类别数量，c为降水量级，pc为softmax分类器输出降水量级c的概率，τc为用于得到连续的降水量预报的每个降水量级c设置的概率阈值。
第二方面，本申请实施例还提供一种电子设备，所述电子设备包括：存储器，收发机，处理器：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行以下操作：
将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
第三方面，本申请实施例还提供一种降水预报装置，所述降水预报装置包括：
处理单元，用于将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
确定单元，用于将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
获取单元，用于基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
预测单元，用于基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
第四方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上所述第一方面所述的降水预报方法的步骤。
第五方面，本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述第一方面所述的降水预报方法的步骤。
本申请实施例提供的降水预报方法、设备、装置及存储介质，可以将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级，用于对降水量强度精准划分。将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子，基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型。基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。本申请实施例能够实现更精准的连续降水量预报，进而实现更精准的连续性降水预报。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1是本申请实施例提供的降水预报方法的流程示意图；
图2是本申请实施例提供的降水预报装置的结构示意图；
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
本申请实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1是本申请实施例提供的降水预报方法的流程示意图，如图1所示，该降水预报方法可以包括如下步骤：
步骤101、将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级。
降雨和降雪统称为降水。降水量是指一定时间内，从天空降落到地面上的液态或固态(经融化后)水，未经蒸发、渗透、流失，而在水平面上积聚的深度。降水累积的深度以毫米为单位，降雪计量需要将降雪融化后折算成水量。降水强度是降水过程中某一时间段降下水量的多少，计量时段常取6小时、12小时或24小时为一个时段，有时也以10分钟或1小时为一个时段。降水强度能够反映一次降水过程的快慢缓急程度。
离散化处理是指将无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。降水预报本身属于连续值的预测，属于回归问题，本申请实施例将降水预报转化为多分类问题。根据不同性质、不同物理过程的大气过程，本申请实施例将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级。其中，降水量数据可以来自于中国气象局多源融合降水分析***(China Meteorological Administration multi-sourcemerged precipitation analysis system，CMPAS)中国区域地面-卫星-雷达三源融合降水分析产品(CMPAS-V2.1)，它是我国高时空分辨率的多源降水融合分析产品。CMPAS-V2.1由实时生成，适用于精细化气象格点预报、中小尺度极端降水事件监测、水文模型等，可为天气预报、防灾减灾等业务应用和研究提供高效、高质量、高分辨率的融合降水产品。独立检验表明，融合降水产品质量优于任一单来源降水资料的质量，对强降水的把握更优，更适用于对强降水天气过程的监测。
步骤102、将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子。
具体地，预报因子指的是影响降水的因素，包括气温、气压、温度和风场等。预报因子是由NWP的基本气象要素基于降水的物理机理和预报因子重要性分析确定的，降水的物理机理指的是受到地理位置、大气环流、天气***条件等因素综合影响，大气中的水汽凝结后以液态水或固态水降落到地面的现象。
预报因子是根据NWP的基本气象要素确定的，NWP的基本气象要素数据选取来源于第五代欧洲中期天气预报中心(European Centre for Medium-Range WeatherForecasts，ECMWF)全球气候大气再分析数据(fifth generation ECMWF atmosphericreanalysis of the global climate，ERA5)。
ERA5提供了全球范围的高空、地面分析场，时间分辨率为1h，高空分析场空间分辨率为25km，地面分析场的空间分辨率为12.5km。本申请实施例建模所用的地面和高空分析场优选为25km的分辨率。
本申请实施例选取的预报因子，可以包括从地面到高空的气温、气压、湿度、风场等信息，同时，预报因子的位势高度层可以包括以下一个或多个：100百帕(hpa)、150百帕(hpa)、200百帕(hpa)、250百帕(hpa)、300百帕(hpa)、400百帕(hpa)、500百帕(hpa)、600百帕(hpa)、700百帕(hpa)、800百帕(hpa)、850百帕(hpa)、900百帕(hpa)、925百帕(hpa)、950百帕(hpa)、1000百帕(hpa)以及地面层。比如，以地理范围为18°～54°N，72°～135°E的地区为例，下述表1所示为降水预报模型所用到的预报因子。
表1
Figure BDA0003321885730000081
步骤103、基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型。
具体地，在确定预报因子与降水量级后，获取降水预报模型，该降水预报模型可以是通过预先训练得到的。
步骤104、基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
具体地，本申请实施例的降水预报模型采用降水多分类预测，比如，可以将3h(h表示小时)累积降水量R3h的预报可以分为102类，在此不作具体限定。该102类的累计降水量可以表示为{0,0.1,1,2,3……99,≥100}mm。通过采用降水多分类预测，可以进一步获取连续的降水预报结果。
由上述实施例可见，可以将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级，用于对降水量强度精准划分。根据NWP的基本气象要素确定用于降水预报的预报因子，基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型。基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。本申请实施例能够实现更精准的连续降水量预报，进而实现更精准的连续性降水预报。
可选地，所述将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级，包括：
通过确定所述降水量数据的范围及降水量级分辨率，得到所述离散化后的降水量级；其中，所述降水量级包括：
RC＝{0,Rmin,Rmin+ΔR,Rmin+2·ΔR,…,Rmax}
其中，RC表示所述离散化后的降水量级，Rmin表示最小的降水量数据，Rmax表示最大的降水量数据，ΔR表示所述降水量级分辨率。
具体地，将用于降水预报的降水量数据进行离散化处理，获得离散化后的降水量可以包括：
(1)确定降水量数据的范围，降水量数据的范围可以用区间[Rmin,Rmax]来表示，Rmin为该区间内最小的降水量数据，Rmax为该区间内最大的降水量数据。
(2)确定降水量级分辨率，降水量级分辨率可以用ΔR来表示。
(3)根据降水量数据的范围和降水量级分辨率，确定离散化后的降水量级为：RC＝{0,Rmin,Rmin+ΔR,Rmin+2·ΔR,…,Rmax}。并且，降水量级的类别数量Nc为：
Figure BDA0003321885730000091
由上述实施例可见，通过降水量数据的范围和降水量级分辨率，确定离散化后的降水量级，能够更好的确定降水强度，实现降水的精准预报。
可选地，通过深度学习方式建立降水预报模型。
具体地，基于深度学习建立降水预报模型，用于实现预报因子与降水之间的映射关系。其中，深度学习具有特征提取能力，可以从历史观测数据及预报因子数据中，自动提取相关特征，建立具备良好预报能力的降水预报模型。
由上述实施例可见，通过建立基于深度学习的降水预报模型，能够自动提取有用的天气***特征信息，更好的确定降水预报结果。
可选地，降水预报模型包括：卷积层、残差连接层、池化层、上采样层、注意力层和softmax分类器；卷积层、池化层和上采样层用于提取三维空间的天气***特征；所述残差连接层用于对所述降水预报模型进行训练；所述注意力层用于提取所述预报因子的全局特征；所述softmax分类器用于输出所述离散化后的降水量级的概率。
具体地，针对降水天气发生发展的特征，基于预报因子建立基于深度学习的降水预报模型RainNet，RainNet可以包括卷积层、残差连接层、池化层、上采样层、注意力层和softmax分类器。
各类预报因子的天气***特征，能够对天气的判断发挥积极的辅助作用。因此，需要建立一个基于深度学习的降水预报模型，从三维空间提取天气***的发生发展特征。ERA5数据提供高空和地面的再分析场，能够提供三维空间的天气再分析场。
降水预报模型中，卷积层可以是三维卷积结构，池化层可以是三维池化层，上采样层可以是三维上采样层，在此不作具体限定。通过三维卷积卷积结构、三维池化层、三维上采样层等，可以构建三维语义分割模型，用来提取三维空间的天气***特征。
残差连接层可以用于进行降水预报模型的训练。深度学习过程中，各个预报因子的特征不断的经过非线性变换，越深的网络输出表示能力越强的特征。然而，增加深度面临诸多挑战，如梯度***或消散问题，由于层数增多，反向传播过程中梯度会变得不稳定。本申请实施例提出的降水预报模型中的残差连接层的层次较深，优选设置层次为124层，在此不作具体限定，通过残差连接层可以加速降水预报模型的训练。
注意力层用于通过确定全局注意力图来提取预报因子的全局特征。降水预报过程中需要综合判断预报因子的全局特征，预报因子的全局特征包括需要观察对流天气的天气尺度背景，比如冷涡、高空槽、台风等***，还包括需要寻找中小尺度，比如低层辐合线、冷池等***。
本申请实施例中的注意力层可以使用卷积块注意力模块(convolutional blockattention module，CBAM)，在此不作具体限定。CBAM通过计算确定各个格点上与降水实况的相关系数，使降水预报模型具备更好的全局特征提取能力。
最后，通过softmax分类器输出离散化后的降水量级的概率，能够用来更准确的判断降水量级。
由上述实施例可见，降水预报模型包括：卷积层、残差连接层、池化层、上采样层、注意力层、softmax分类器，卷积层、池化层和上采样层，能够实现更好的提取天气***的特征，残差连接层加速降水预报模型的训练，注意力层更好地捕捉各个尺度的天气***，从而对是否发生对流天气进行判断，softmax分类器能够用来更准确的判断降水量级，从而确定降水强度。
可选地，通过深度学习方式建立降水预报模型，包括：
基于设定机制建立降水预报模型，其中，设定机制包括以下一项或多项：
编码解码结构；
残差机制；
注意力机制；
多分类训练机制。
具体地，在通过深度学习方式建立降水预报模型过程中，可以基于编码解码结构、残差机制、注意力机制、多分类训练机制等设定机制来建立降水预报模型，具体描述如下：
通过编码解码结构，对预报因子进行分析判断，提取有效降水预报信息，得到降水预报结果，可以包括如下步骤：
在编码过程中，降水预报模型通过设定次数的池化过程进行特征图的压缩，本申请实施例优选设定次数为4次，在此不作具体限定。经过4次池化过程，特征图(featuremap)不断压缩，最后三维尺寸被压缩为原来的1/16，从而提取预处理后的降水信息。
由于经过压缩后的特征图细节特征有所丢失，因此需要对预处理后的降水信息进行解码过程，经过对过程细节信息的不断恢复，得到精确地逐像素的降水信息。并且，由于编码解码结构网络对应层中存在跳接(skip connection)，用高阶特征图指导低阶特征图，学习细节特征，最终实现对每个格点的天气预报。
降水预报模型中的残差连接层的功能是通过残差机制来实现的，该残差机制可以用来进行降水预报模型的训练。深度学习过程中，各个预报因子的特征不断的经过非线性变换，越深的网络输出表示能力越强的特征。然而，增加深度面临诸多挑战，如梯度***或消散问题，由于层数增多，反向传播过程中梯度会变得不稳定。
本申请实施例提出的降水预报模型中的残差连接层的层次较深，优选设置层次为124层，在此不作具体限定。残差机制可以通过自动学习恒等映射(identity mapping)，加速降水预报模型的训练。
降水预报模型中的注意力层的功能作用是基于注意力机制来实现的，该注意力机制可以用于提取预报因子的全局特征。
降水预报过程中需要综合判断预报因子的全局特征，预报因子的全局特征可以包括需要观察对流天气的天气尺度背景，比如冷涡、高空槽、台风等***，还可以包括需要寻找中小尺度，比如低层辐合线、冷池等***。
本申请实施例中的注意力层可以使用卷积块注意力模块(convolutional blockattention module，CBAM)，在此不作具体限定。CBAM通过计算各个格点上与降水实况的相关系数，使降水预报模型具备更好的全局特征提取能力。能够更好地捕捉各个尺度的天气***，继而对是否发生对流天气进行判断。具体的计算过程如下：
通过平均池化(average pooling)和最大池化(max pooling)操作来聚合特征映射的空间信息，发送至一个共享多层感知机网络(Multilayer Perceptron，MLP)，进一步压缩输入特征图的空间维数，逐元素求和合并，产生通道注意力图Mc：
Figure BDA0003321885730000131
其中，F为输入的特征图(feature map)，Mc(F)为通道注意力图，σ为sigmoid激活函数，MLP为共享多层感知机网络，AvgPool(F)为平均池化函数，AaxPool(F)最大池化函数，
Figure BDA0003321885730000132
和
Figure BDA0003321885730000133
分别为经过全局平均池化和全局最大池化的特征图，W0和W1为多层感知机模型中的两层参数。
继续使用平均池化和最大池化对输入特征图(feature map)进行压缩操作，这里的压缩可以是通道层面上的压缩，连接起来，用7×7卷积生成空间注意力图Ms：
Figure BDA0003321885730000134
其中，F为输入的特征图(feature map)，Ms(F)为空间注意力图，σ为sigmoid激活函数，AvgPool(F)为平均池化函数，MaxPool(F)最大池化函数，
Figure BDA0003321885730000135
和
Figure BDA0003321885730000136
分别为经过全局平均池化和全局最大池化的特征图，W0和W1为多层感知机模型中的两层参数，f7×7表示滤波器尺度为7*7的卷积。
对于多分类训练机制，降水预测属于连续值的预测，属于回归问题。然而，回归预测模型的调参优化具有更大的难度，因此将回归问题转化为多分类问题成为实际可行的方法。
由于不同强度的降水过程，可能代表不同性质、不同物理过程的大气过程，本申请实施例优选将3h累积降水量R3h的预报分为102类，在此不作具体限定，该102类对应的降水量分别为{0,0.1,1,2,3……99,≥100}mm。基于多分类训练机制可以训练降水预报模型，从而实现上述区间的预报结果。
由上述实施例可见，通过设定机制建立降水预报模型，能够加速模型的训练，提取有效地降水信息，获得降水预报结果。
可选地，所述基于所述降水预报模型进行降水多分类预测，包括：
利用损失函数对所述降水预报模型进行训练；其中，所述损失函数包括：
Figure BDA0003321885730000141
其中，Loss表示损失函数，N表示格点数量，m表示类别总量,i表示第i个格点，α和γ为权重，yi为格点i的类别标记，c为类别，pi,c为预测i格点为第c类的概率。
具体地，在RainNet训练过程中，不仅需要关注降水强度更大的格点，同时对于降水难以预报的样本同样需要重点关注。因此，在训练过程中，可以通过多分类的Loss损失函数来对RainNet进行训练，该损失函数包括：
Figure BDA0003321885730000142
其中，Loss表示损失函数，N表示格点数量，m表示类别总量,i表示第i个格点，α和γ为权重，yi为格点i的类别标记，c为类别，pi,c为预测i格点为第c类的概率。
另外，训练过程中，可以采用默认配置，分别优选α和γ为0.25和2.0，在此不对α和γ值作具体限定。
下面可以通过示例，构建训练集和测试集，来模拟降水预报模型的训练过程：
可以通过利用2016～2018年的ERA5数据和降水量数据，构建训练集。假设样本中ERA5的时间为T，用(T～T+3)h的降水实况作为标记，最终得到训练样本6542个。
训练样本的尺寸为Nh×145×253×Np，其中Nh为层次(从地面至100百帕，共16层)。Np为样本中的特征数量，包含气温、湿度、气压、U、V、W共6个预报因子，其中U为纬向风，V为经向风，W为垂直速度。地面要素中，无W变量，可以加入海拔高度，从而最终构成Nh×145×253×Np的四维数组。
并且，可以通过测试集，选取2019年降水较强的夏季(7～9月)，用于验证模型的预报效果。
RainNet训练可以设置100个迭代周期(epoch)，迭代周期个数在此不作具体限定。采用早停(Ealystop)策略，当RainNet的损失连续超过10轮(epoch)停止减小，则自动停止，保存验证集上损失最小的权重。此处的10轮为优选值，在此不作具体限定。批次大小可以(batch size)为8，每轮迭代(iterations)次数可以为3140次。其中，批次大小与每轮迭代次数均为本申请实施例的优选值，在此不作具体限定。可以利用ADAM优化算法对模型进行训练。训练过程中，学习率可以设置为10-4，在此不作具体限定，其余设置则采用ADAM优化算法的默认配置。
由上述实施例可见，所述基于所述降水预报模型进行降水多分类预测，包括：
利用类别函数对所述降水量级的类别进行预测；其中，所述类别函数包括：
Figure BDA0003321885730000161
其中，
Figure BDA0003321885730000162
Figure BDA0003321885730000163
max为取最大值函数，Predi为预测降水量级对应类别，m为类别数量，c为降水量级，pc为softmax分类器输出降水量级c的概率，τc为用于得到连续的降水量预报的每个降水量级c设置的概率阈值。
具体地，由于大量级降水气候概率偏低，小量级降水气候概率相对较高。softmax分类器输出的各量级降水的概率，如果直接取最大概率的降水量级作为降水预测值，那么会导致预报的降水量级偏小。因此，本申请实施例根据设定规则确定降水预报结果对应的降水量级，设定规则中包括一个或多个设定降水量级可以是softmax分类器输出降水量级，假设为c，每个降水量级都有其对应的设定阈值，该设定阈值可以是概率阈值，假设为τc。与气候概率保持一致，τc的值随着降水量级c的递增而递减。对于降水量级c，计算超过该量级的累积概率p′c,假如p′c大于τc,则该点取c。对于多个累积概率p′c大于τc的情况，取最大的降水量级，本申请实施例中的类别函数可以包括：
Figure BDA0003321885730000164
其中，
Figure BDA0003321885730000165
Figure BDA0003321885730000166
max为取最大值函数，Predi为预测降水量级对应类别，m为类别数量，c为降水量级，pc为softmax分类器输出降水量级c的概率，τc为用于得到连续的降水量预报的每个降水量级c设置的概率阈值。
由上述实施例可见，通过在设定规则下确定降水预报结果对应的降水量级，能够更好的确定降水强度大小，实现更准确的不同强度降水的预报。
图2是本申请实施例提供的降水预报装置的结构示意图；如图2所示，该降水预报装置包括：
处理单元21，用于将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
确定单元22，用于将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
获取单元23，用于基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
预测单元24，用于基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图3是本申请实施例提供的电子设备的结构示意图；该电子设备可以用于执行图1所示的降水预报方法，包括：
将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
可选地，所述将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级，包括：
通过确定所述降水量数据的范围及降水量级分辨率，得到所述离散化后的降水量级；其中，所述降水量级包括：
RC＝{0,Rmin,Rmin+ΔR,Rmin+2·ΔR,…,Rmax}
其中，RC表示所述离散化后的降水量级，Rmin表示最小的降水量数据，Rmax表示最大的降水量数据，ΔR表示所述降水量级分辨率。
可选地，通过深度学习方式建立所述降水预报模型。
可选地，所述降水预报模型包括：卷积层、残差连接层、池化层、上采样层、注意力层和softmax分类器；所述卷积层、所述池化层和所述上采样层用于提取三维空间的天气***特征；所述残差连接层用于对所述降水预报模型进行训练；所述注意力层用于提取所述预报因子的全局特征；所述softmax分类器用于输出所述离散化后的降水量级的概率。
可选地，所述NWP的基本气象要素包括温度、气压、湿度和风场；
所述预报因子的位势高度层包括以下一个或多个：100百帕、150百帕、200百帕、250百帕、300百帕、400百帕、500百帕、600百帕、700百帕、800百帕、850百帕、900百帕、925百帕、950百帕、1000百帕以及地面层。
可选地，所述基于所述降水预报模型进行降水多分类预测，包括：
利用损失函数对所述降水预报模型进行训练；其中，所述损失函数包括：
Figure BDA0003321885730000191
其中，Loss表示损失函数，N表示格点数量，m表示类别总量,i表示第i个格点，α和γ为权重，yi为格点i的类别标记，c为类别，pi,c为预测i格点为第c类的概率。
可选地，所述基于所述降水预报模型进行降水多分类预测，包括：
利用类别函数对所述降水量级的类别进行预测；其中，所述类别函数包括：
Figure BDA0003321885730000192
其中，
Figure BDA0003321885730000193
Figure BDA0003321885730000194
max为取最大值函数，Predi为预测降水量级对应类别，m为类别数量，c为降水量级，pc为softmax分类器输出降水量级c的概率，τc为用于得到连续的降水量预报的每个降水量级c设置的概率阈值。
如图3所示，收发机300，用于在处理器310的控制下接收和发送数据。其中，在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器310代表的一个或多个处理器和存储器320代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机300可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器310负责管理总线架构和通常的处理，存储器320可以存储处理器310在执行操作时所使用的数据。
处理器310可以是中央处埋器(CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)，处理器也可以采用多核架构。
另一方面，本申请实施例还提供一种处理器可读存储介质，处理器可读存储介质存储有计算机程序，计算机程序用于使处理器执行上述各实施例提供的方法，包括：
将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
另一方面，本申请实施例提供一种计算机程序产品，计算机程序产品包括指令，当计算机程序产品在计算机上运行时，使得计算机执行上述方法的步骤，具体请详见上述方法实施例的内容，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程电子设备的处理器以产生一个机器，使得通过计算机或其他可编程电子设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程电子设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程电子设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种降水预报方法，其特征在于，包括：
将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
将数值天气预报模式NWP的基本气象要素,确定为用于降水预报的预报因子；
基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
2.根据权利要求1所述的降水预报方法，其特征在于，所述将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级，包括：
通过确定所述降水量数据的范围及降水量级分辨率，得到所述离散化后的降水量级；其中，所述降水量级包括：
RC＝{0,Rmin,Rmin+ΔR,Rmin+2·ΔR,…,Rmax}；
其中，RC表示所述离散化后的降水量级，Rmin表示最小的降水量数据，Rmax表示最大的降水量数据，ΔR表示所述降水量级分辨率。
3.根据权利要求1所述的降水预报方法，其特征在于，通过深度学习方式建立所述降水预报模型。
4.根据权利要求3所述的降水预报方法，其特征在于，所述降水预报模型包括：卷积层、残差连接层、池化层、上采样层、注意力层和softmax分类器；
所述卷积层、所述池化层和所述上采样层用于提取三维空间的天气***特征；
所述残差连接层用于对所述降水预报模型进行训练；
所述注意力层用于提取所述预报因子的全局特征；
所述softmax分类器用于输出所述离散化后的降水量级的概率。
5.根据权利要求1所述的降水预报方法，其特征在于，所述NWP的基本气象要素包括温度、气压、湿度和风场；
所述预报因子的位势高度层包括以下一个或多个：100百帕、150百帕、200百帕、250百帕、300百帕、400百帕、500百帕、600百帕、700百帕、800百帕、850百帕、900百帕、925百帕、950百帕、1000百帕以及地面层。
6.根据权利要求1所述的降水预报方法，其特征在于，所述基于所述降水预报模型进行降水多分类预测，包括：
利用损失函数对所述降水预报模型进行训练；其中，所述损失函数包括：
Figure FDA0003321885720000021
其中，Loss表示损失函数，N表示格点数量，m表示类别总量,i表示第i个格点，α和γ为权重，yi为格点i的类别标记，c为类别，pi,c为预测i格点为第c类的概率。
7.根据权利要求1所述的降水预报方法，其特征在于，所述基于所述降水预报模型进行降水多分类预测，包括：
利用类别函数对所述降水量级的类别进行预测；其中，所述类别函数包括：
Figure FDA0003321885720000022
其中，
Figure FDA0003321885720000023
Figure FDA0003321885720000024
max为取最大值函数，Predi为预测降水量级对应类别，m为类别数量，c为降水量级，pc为softmax分类器输出降水量级c的概率，τc为用于得到连续的降水量预报的每个降水量级c设置的概率阈值。
8.一种电子设备，其特征在于，所述电子设备包括：存储器，收发机，处理器：
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并以下操作：
将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
9.一种降水预报装置，其特征在于，所述降水预报装置包括：
处理单元，用于将用于降水预报的降水量数据进行离散化处理，得到离散化后的降水量级；
确定单元，用于将数值天气预报模式NWP的基本气象要素，确定为用于降水预报的预报因子；
获取单元，用于基于所述预报因子与所述降水量级，获取预先训练好的降水预报模型；
预测单元，用于基于所述降水预报模型进行降水多分类预测，得到连续的降水量预报结果。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至7任一项所述降水预报方法的步骤。
CN202111248447.7A 2021-10-26 2021-10-26 降水预报方法、设备、装置及存储介质 Pending CN113962465A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111248447.7A CN113962465A (zh) 2021-10-26 2021-10-26 降水预报方法、设备、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111248447.7A CN113962465A (zh) 2021-10-26 2021-10-26 降水预报方法、设备、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113962465A true CN113962465A (zh) 2022-01-21

Family

ID=79467197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111248447.7A Pending CN113962465A (zh) 2021-10-26 2021-10-26 降水预报方法、设备、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113962465A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114647018A (zh) * 2022-02-23 2022-06-21 中国人民解放军国防科技大学 一种基于冷池的飑线强度评估方法
CN115047544A (zh) * 2022-08-16 2022-09-13 成都信息工程大学 一种覆冰预警方法及***
CN115113301A (zh) * 2022-08-23 2022-09-27 南京信息工程大学 一种基于多源数据融合的应急短临预报方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
CN109636032A (zh) * 2018-12-11 2019-04-16 中国科学院深圳先进技术研究院 基于多模式集成的降水预报方法、***、终端及存储介质
CN113496104A (zh) * 2021-07-16 2021-10-12 中科技术物理苏州研究院 基于深度学习的降水预报订正方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
CN109636032A (zh) * 2018-12-11 2019-04-16 中国科学院深圳先进技术研究院 基于多模式集成的降水预报方法、***、终端及存储介质
CN113496104A (zh) * 2021-07-16 2021-10-12 中科技术物理苏州研究院 基于深度学习的降水预报订正方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114647018A (zh) * 2022-02-23 2022-06-21 中国人民解放军国防科技大学 一种基于冷池的飑线强度评估方法
CN115047544A (zh) * 2022-08-16 2022-09-13 成都信息工程大学 一种覆冰预警方法及***
CN115113301A (zh) * 2022-08-23 2022-09-27 南京信息工程大学 一种基于多源数据融合的应急短临预报方法及***
CN115113301B (zh) * 2022-08-23 2022-11-18 南京信息工程大学 一种基于多源数据融合的应急短临预报方法及***

Similar Documents

Publication Publication Date Title
CN108761574B (zh) 基于多源信息融合的降雨量估算方法
CN113962465A (zh) 降水预报方法、设备、装置及存储介质
CN114254561A (zh) 一种内涝预测方法、***及存储介质
CN111795681A (zh) 一种山洪灾害预警方法、装置、服务器及存储介质
CN101354757A (zh) 一种精细尺度下的动态风险及易损性预测方法
CN110705115A (zh) 一种基于深度置信网络的气象预报方法和***
CN112598883B (zh) 基于贝叶斯网络的输电线路落雷概率预警方法及预警***
CN112285807A (zh) 一种气象信息预测方法及装置
Saxena et al. A review study of weather forecasting using artificial neural network approach
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
CN117113236B (zh) 一种智慧城市监控***及数据处理方法
CN114611778A (zh) 一种基于入库流量的水库水位预警方法及***
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN111505740A (zh) 气象预测方法、装置、计算机设备和存储介质
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN114594532B (zh) 一种寒潮天气预测方法、装置、电子设备及计算机可读介质
CN114564487B (zh) 预报预测相结合的气象栅格数据更新方法
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
CN115329930A (zh) 一种基于混合深度学习模型的洪水过程概率预报方法
CN116739172A (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN115598738A (zh) 一种冰雹预警方法和装置
CN117332291B (zh) 一种面向分布式光伏的区域资源监测布局方法及***
CN115508917B (zh) 机场气象要素预报方法、装置、设备和存储介质
CN115830807A (zh) 一种矿山安全预警方法、***、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination