CN116931129A - 基于多模式集合的短期降水预报方法、装置、设备及介质 - Google Patents
基于多模式集合的短期降水预报方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116931129A CN116931129A CN202310924818.1A CN202310924818A CN116931129A CN 116931129 A CN116931129 A CN 116931129A CN 202310924818 A CN202310924818 A CN 202310924818A CN 116931129 A CN116931129 A CN 116931129A
- Authority
- CN
- China
- Prior art keywords
- sequence
- radar echo
- short
- prediction
- precipitation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001556 precipitation Methods 0.000 title claims description 91
- 238000010586 diagram Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000013213 extrapolation Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Electromagnetism (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多模式集合的短期降水预报方法、装置、设备及介质,其方法包括获取雷达采集的目标区域在当前时段的雷达回波图序列,并进行预处理;根据预处理后的当前时段的雷达回波图序列,获取短未来时段的雷达回波图序列;根据短未来时段的雷达回波图序列,获取目标区域在短未来时段的降水强度序列预测;获取各第三方提供的目标区域在长未来时段的降水强度序列预测;根据各长未来时段的降水强度序列预测,获取目标区域在长未来时段的降水强度序列最终预测;将目标区域在短未来时段的降水强度序列预测和长未来时段的降水强度序列最终预测进行拼接,得到短期降水强度序列预测并进行预报;本发明提供的降水预报具有较高的准确性。
Description
技术领域
本发明涉及一种基于多模式集合的短期降水预报方法、装置、设备及介质,属于降水预报技术领域。
背景技术
降水预报是气象学中的重要研究领域,旨在预测未来一段时间内的降水量、降水时空分布等信息。降水预报的准确性和精度对于农业、水利、交通运输、能源和城市规划等方面都有着重要的意义和应用价值。
在降水预报中,常用的方法包括物理模型、统计方法、人工神经网络、机器学习等。其中,物理模型是基于物理原理和气象学理论构建的数学模型,能够通过对大气环境的参数变化进行计算,预测未来的降水情况。统计方法则是基于历史气象数据和统计学原理进行分析和预测,适用于一定时段内的降水预报。人工神经网络和机器学习则是通过对大量数据进行学习和训练,建立预测模型,从而实现降水预报。但是,上述常用的方法的准确性仍然无法满足日益提高的使用需求。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于多模式集合的短期降水预报方法、装置、设备及介质,解决现有技术的降水预报准确性仍需要提高的技术问题。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于多模式集合的短期降水预报方法,包括:
获取雷达采集的目标区域在当前时段的雷达回波图序列,并进行预处理;
将预处理后的所述当前时段的雷达回波图序列输入训练好的雷达回波外推模型,获取短未来时段的雷达回波图序列;
将所述短未来时段的雷达回波图序列输入拟合好的降水强度估计模型,获取目标区域在所述短未来时段的降水强度序列预测;
获取各第三方提供的目标区域在长未来时段的降水强度序列预测;
将各所述长未来时段的降水强度序列预测输入训练好的RNN堆叠模型,获取目标区域在长未来时段的降水强度序列最终预测;
将目标区域在所述短未来时段的降水强度序列预测和所述长未来时段的降水强度序列最终预测进行拼接,得到目标区域的短期降水强度序列预测并进行预报。
可选的,所述雷达回波外推模型包括卷积层、最大池化层、seq2seq模型以及逆卷积层;所述seq2seq模型包括编码器和解码器,所述编码器和解码器均包括多个堆叠的RainNet模块,所述RainNet模块包括ConvLSTM模块和CBAM卷积注意力模块;所述CBAM卷积注意力模块包括空间注意力模块和通道注意力模块。
可选的,所述雷达回波外推模型的训练过程包括:
获取目标区域在多个历史时段的雷达回波图序列,并进行预处理;
从预处理后的多个所述历史时段的雷达回波图序列中提取各所述历史时段的雷达回波图序列对应的短未来时段的雷达回波图序列;
将各所述历史时段的雷达回波图序列及其对应的短未来时段的雷达回波图序列组合,生成第一训练集;
将所述第一训练集输入所述雷达回波外推模型进行训练,通过反向传播算法和优化器更新所述雷达回波外推模型的模型参数,得到训练好的雷达回波外推模型。
可选的,所述降水强度估计模型的拟合过程包括:
构建雷达反射率与降水强度的关系方程:
Z=aRb
式中,Z、R为雷达反射率和降水强度,a、b为待求系数;
构建雷达回波强度和雷达反射率的关系方程:
dBZ=10lgZ
式中,dBZ为雷达回波图记载的雷达回波强度;
根据关系方程拟合出降水强度估计模型:
式中,R为降水强度;
获取目标区域在多个历史时段的雷达回波图序列和降水强度序列,并对多个所述历史时段的雷达回波图序列进行预处理;
将多个所述历史时段的降水强度序列和预处理后的雷达回波图序列代入所述降水强度估计模型求解待求系数a、b,确定降水强度估计模型;
通过注意力机制融合雷达回波图,对降水强度进行修正,确定最终的降水强度估计模型:
Q=Wq*dBZT-1
K=Wk*dBZT-1
V=Wv*dBZT
式中,dBZT-1、dBZT为时间步T、T-1的雷达回波图,Wq、Wk、Wv为注意力机制的权重矩阵,Q、K、V为注意力机制的输入特征;为Hadamard乘积;yT为时间步T修正后的降水强度。
可选的,所述预处理包括:
通过kriging插值法对雷达回波图序列进行插值处理,通过高斯平滑对插值处理后的雷达回波图序列进行滤波处理,得到预处理后的雷达回波图序列。
可选的,所述RNN堆叠模型的训练过程包括:
获取各第三方提供的目标区域在多个历史时段的降水强度序列预测,并进行空间尺度和时间尺度上的对其处理;
获取多个所述历史时段对应的长未来时段的降水强度序列,并集合对其处理后的多个所述历史时段的降水强度序列预测,生成第二训练集;
将所述第二训练集输入所述RNN堆叠模型进行训练,通过反向传播算法和优化器更新所述RNN堆叠模型的模型参数,得到训练好的RNN堆叠模型。
可选的,所述将目标区域在所述短未来时段的降水强度序列预测和所述长未来时段的降水强度序列最终预测进行拼接包括:
利用反距离权重方法对所述短未来时段的降水强度序列预测进行空间上插值处理,得到目标空间尺度上的所述短未来时段的降水强度序列预测;
利用反距离权重方法对所述长未来时段的降水强度序列最终预测进行空间和时间上插值处理,得到目标空间尺度和目标时间尺度上的所述长未来时段的降水强度序列最终预测;所述目标时间尺度为所述短未来时段的降水强度序列预测的时间尺度;
在目标空间尺度和目标时间尺度上,将所述长未来时段中短未来时段的降水强度序列最终预测替换为短未来时段的降水强度序列预测完成拼接。
第二方面,本发明提供了一种基于多模式集合的短期降水预报装置,所述装置包括:
回波获取模块,用于获取雷达采集的目标区域在当前时段的雷达回波图序列,并进行预处理;
回波预测模块,用于将预处理后的所述当前时段的雷达回波图序列输入训练好的雷达回波外推模型,获取短未来时段的雷达回波图序列;
降水估计模块,用于将所述短未来时段的雷达回波图序列输入拟合好的降水强度估计模型,获取目标区域在所述短未来时段的降水强度序列预测;
多模式获取模块,用于获取各第三方提供的目标区域在长未来时段的降水强度序列预测;
降水预测模块,用于将各所述长未来时段的降水强度序列预测输入训练好的RNN堆叠模型,获取目标区域在长未来时段的降水强度序列最终预测;
降水预报模块,用于将目标区域在所述短未来时段的降水强度序列预测和所述长未来时段的降水强度序列最终预测进行拼接,得到目标区域的短期降水强度序列预测并进行预报。
第三方面,本发明提供了一种电子设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的一种基于多模式集合的短期降水预报方法、装置、设备及介质,其方法通过雷达获取雷达回波图,基于雷达回波外推模型和降水强度估计模型获取短未来时段的降水强度预测;通过第三方获取长未来时段的降水强度预测,基于RNN堆叠模型获取长未来时段的降水强度最终预测;将目标区域在短未来时段的降水强度序列预测和长未来时段的降水强度序列最终预测进行拼接,得到目标区域的短期降水强度序列预测并进行预报;在长未来时段和短未来时段采用不同技术手段,从而获取相应时段准确的预测数据,在拼接后得到更加准确的预测数据,相比现有技术方案,预报的准确性大大提升;其装置、设备及介质,采用上述方法,能够实现同等的技术效果。
附图说明
图1是本发明实施例提供的基于多模式集合的短期降水预报方法的流程图;
图2是本发明实施例提供的通过注意力机制修正降水强度的示意图;
图3是本发明实施例提供的雷达回波外推模型的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1所示,本发明提供了一种基于多模式集合的短期降水预报方法,包括以下步骤:
S1、获取雷达采集的目标区域在当前时段的雷达回波图序列,并进行预处理;
在本实施例中,预处理包括:通过kriging插值法对雷达回波图序列进行插值处理,通过高斯平滑对插值处理后的雷达回波图序列进行滤波处理,得到预处理后的雷达回波图序列。
S2、将预处理后的当前时段的雷达回波图序列输入训练好的雷达回波外推模型,获取短未来时段的雷达回波图序列;
其中,当前时段和短未来时段可根据实际需求灵活设置,例如将当前时段设置为当前时刻前2小时,短未来时段为当前时刻后2小时。
在本实施例中,雷达回波外推模型的训练过程包括:
获取目标区域在多个历史时段的雷达回波图序列,并进行预处理;
从预处理后的多个历史时段的雷达回波图序列中提取各历史时段的雷达回波图序列对应的短未来时段的雷达回波图序列;例如,多个历史时段分别为连续的历史时段1-10,每个历史时段为2小时,而短未来时段也为2小时,则历史时段2可以作为历史时段1的短未来时段;
将各历史时段的雷达回波图序列及其对应的短未来时段的雷达回波图序列组合,生成第一训练集;
将第一训练集输入雷达回波外推模型进行训练,通过反向传播算法和优化器(例如Adam优化器)更新雷达回波外推模型的模型参数,得到训练好的雷达回波外推模型。
S3、将短未来时段的雷达回波图序列输入拟合好的降水强度估计模型,获取目标区域在短未来时段的降水强度序列预测;
在本实施例中,降水强度估计模型的拟合过程包括:
构建雷达反射率与降水强度的关系方程:
Z=aRb
式中,Z、R为雷达反射率和降水强度,a、b为待求系数;
构建雷达回波强度和雷达反射率的关系方程:
dBZ=10lgZ
式中,dBZ为雷达回波图记载的雷达回波强度;
根据关系方程拟合出降水强度估计模型:
式中,R为降水强度;
获取目标区域在多个历史时段的雷达回波图序列和降水强度序列,并对多个历史时段的雷达回波图序列进行预处理;
将多个历史时段的降水强度序列和预处理后的雷达回波图序列代入降水强度估计模型求解待求系数a、b,确定降水强度估计模型;
如图2所示,通过注意力机制融合雷达回波图,对降水强度进行修正,确定最终的降水强度估计模型:
Q=Wq*dBZT-1
K=Wk*dBZT-1
V=Wv*dBZT
式中,dBZT-1、dBZT为时间步T、T-1的雷达回波图,Wq、Wk、Wv为注意力机制的权重矩阵,Q、K、V为注意力机制的输入特征;为Hadamard乘积;yT为时间步T修正后的降水强度。
S4、获取各第三方提供的目标区域在长未来时段的降水强度序列预测;
其中,长未来时段可根据实际需求灵活设置,例如将长未来时段为当前时刻后72小时。
第三方预报产品很多,本实施例采用EC欧洲模式数据以及GFS模式数据,EC欧洲模式数据的全称为“欧洲中心数值预报模式”,英文全称是“European Centre for Medium-Range Weather Forecasts(ECMWF)”,是由欧洲中心数值预报模式开发和维护的。ECMWF是全球最具代表性的数值预报模式之一,被广泛应用于气象预报和气候研究等领域。GFS模式数据的全称是“全球预报***模式”,英文全称是“Global Forecast System”,是由美国国家海洋和大气管理局(NOAA)开发和维护的。GFS模式是全球最古老、最广泛使用的数值预报模式之一,被广泛应用于天气预报、风能预测、环境污染预测等领域
S5、将各长未来时段的降水强度序列预测输入训练好的RNN堆叠模型,获取目标区域在长未来时段的降水强度序列最终预测;
在本实施例中,RNN堆叠模型的训练过程包括:
获取各第三方提供的目标区域在多个历史时段的降水强度序列预测,并进行空间尺度和时间尺度上的对其处理;
获取多个历史时段对应的长未来时段的降水强度序列(虽然各第三方提供的目标区域在多个历史时段的降水强度序列预测是可能不同的,但是在多个历史时段的降水强度序列是实际唯一的),并集合对其处理后的多个历史时段的降水强度序列预测,生成第二训练集;
将第二训练集输入RNN堆叠模型进行训练,通过反向传播算法和优化器更新RNN堆叠模型的模型参数,得到训练好的RNN堆叠模型。
S6、将目标区域在短未来时段的降水强度序列预测和长未来时段的降水强度序列最终预测进行拼接,得到目标区域的短期降水强度序列预测并进行预报;
在本实施例中,拼接过程包括:
利用反距离权重方法对短未来时段的降水强度序列预测进行空间上插值处理,得到目标空间尺度上的短未来时段的降水强度序列预测;
利用反距离权重方法对长未来时段的降水强度序列最终预测进行空间和时间上插值处理,得到目标空间尺度和目标时间尺度上的长未来时段的降水强度序列最终预测;目标时间尺度为短未来时段的降水强度序列预测的时间尺度;
在目标空间尺度和目标时间尺度上,将长未来时段中短未来时段的降水强度序列最终预测替换为短未来时段的降水强度序列预测完成拼接。
例如,将长未来时段(当前时刻后72小时)中当前时刻后2小时的降水强度序列最终预测,替换为短未来时段(当前时刻后2小时)的降水强度序列预测完成拼接。
如图3所示,在本实施例中,雷达回波外推模型包括卷积层、最大池化层、seq2seq模型以及逆卷积层;seq2seq模型包括编码器和解码器,编码器和解码器均包括多个堆叠的RainNet模块,RainNet模块包括ConvLSTM模块和CBAM卷积注意力模块;CBAM卷积注意力模块包括空间注意力模块和通道注意力模块。
输入图像经卷积层和最大池化层提取和处理之后得到适合ConvLSTM模块输入形式的特征数据,ConvLSTM模块对输入特征进行提取计算,空间注意力模块(SpatialAttention Module)和通道注意力模块(Channel Attention Module)结合起来CBAM卷积注意力模块是一种轻量级的模块,将该模块加入到网络中产生的额外开销非常小,且在多个数据集和多个任务上都取得了较好效果,具有良好的适用性。ConvLSTM模块得到的输出特征再经过CBAM卷积注意力模块进行处理,CBAM中的通道注意力模块首先对ConvLSTM输入的数据进行权重分配,得到适合空间注意力模块处理的特征数据,空间注意力模块对输入的特征数据进行计算处理并输出。由于RainNet模型最终要做的是生成预测数据,因此需要生成和原始图像尺寸一致的预测图像,而卷积和池化等操作往往会降低图片尺寸,所以要通过上采样的操作将输出图像还原到与原始图像相同的尺寸,空间注意力模块的输出要经过特定的操作将输出数据的尺寸进行还原,逆卷积操作刚好可以实现这个功能,最后输出符合需要的特征数据。
通过编码器-解码器(seq2seq),分为编码网络和预测网络两个部分,预测网络的初始状态和单元输出都是由编码网络的最后状态复制得到的;编码网络把输入进网络的整个序列压缩为隐藏状态,预测网络把隐藏状态展开并给出最后的预测结果。
实施例二:
本发明实施例提供了一种基于多模式集合的短期降水预报装置,装置包括:
回波获取模块,用于获取雷达采集的目标区域在当前时段的雷达回波图序列,并进行预处理;
回波预测模块,用于将预处理后的当前时段的雷达回波图序列输入训练好的雷达回波外推模型,获取短未来时段的雷达回波图序列;
降水估计模块,用于将短未来时段的雷达回波图序列输入拟合好的降水强度估计模型,获取目标区域在短未来时段的降水强度序列预测;
多模式获取模块,用于获取各第三方提供的目标区域在长未来时段的降水强度序列预测;
降水预测模块,用于将各长未来时段的降水强度序列预测输入训练好的RNN堆叠模型,获取目标区域在长未来时段的降水强度序列最终预测;
降水预报模块,用于将目标区域在短未来时段的降水强度序列预测和长未来时段的降水强度序列最终预测进行拼接,得到目标区域的短期降水强度序列预测并进行预报。
实施例三:
基于实施例一,本发明实施例提供了一种电子设备,其特征在于,包括处理器及存储介质;
存储介质用于存储指令;
处理器用于根据指令进行操作以执行根据上述方法的步骤。
实施例四:
基于实施例一,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/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。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理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数据处理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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于多模式集合的短期降水预报方法,其特征在于,包括:
获取雷达采集的目标区域在当前时段的雷达回波图序列,并进行预处理;
将预处理后的所述当前时段的雷达回波图序列输入训练好的雷达回波外推模型,获取短未来时段的雷达回波图序列;
将所述短未来时段的雷达回波图序列输入拟合好的降水强度估计模型,获取目标区域在所述短未来时段的降水强度序列预测;
获取各第三方提供的目标区域在长未来时段的降水强度序列预测;
将各所述长未来时段的降水强度序列预测输入训练好的RNN堆叠模型,获取目标区域在长未来时段的降水强度序列最终预测;
将目标区域在所述短未来时段的降水强度序列预测和所述长未来时段的降水强度序列最终预测进行拼接,得到目标区域的短期降水强度序列预测并进行预报。
2.根据权利要求1所述的基于多模式集合的短期降水预报方法,其特征在于,所述雷达回波外推模型包括卷积层、最大池化层、seq2seq模型以及逆卷积层;所述seq2seq模型包括编码器和解码器,所述编码器和解码器均包括多个堆叠的RainNet模块,所述RainNet模块包括ConvLSTM模块和CBAM卷积注意力模块;所述CBAM卷积注意力模块包括空间注意力模块和通道注意力模块。
3.根据权利要求1所述的基于多模式集合的短期降水预报方法,其特征在于,所述雷达回波外推模型的训练过程包括:
获取目标区域在多个历史时段的雷达回波图序列,并进行预处理;
从预处理后的多个所述历史时段的雷达回波图序列中提取各所述历史时段的雷达回波图序列对应的短未来时段的雷达回波图序列;
将各所述历史时段的雷达回波图序列及其对应的短未来时段的雷达回波图序列组合,生成第一训练集;
将所述第一训练集输入所述雷达回波外推模型进行训练,通过反向传播算法和优化器更新所述雷达回波外推模型的模型参数,得到训练好的雷达回波外推模型。
4.根据权利要求1所述的基于多模式集合的短期降水预报方法,其特征在于,所述降水强度估计模型的拟合过程包括:
构建雷达反射率与降水强度的关系方程:
Z=aRb
式中,Z、R为雷达反射率和降水强度,a、b为待求系数;
构建雷达回波强度和雷达反射率的关系方程:
dBZ=10lgZ
式中,dBZ为雷达回波图记载的雷达回波强度;
根据关系方程拟合出降水强度估计模型:
式中,R为降水强度;
获取目标区域在多个历史时段的雷达回波图序列和降水强度序列,并对多个所述历史时段的雷达回波图序列进行预处理;
将多个所述历史时段的降水强度序列和预处理后的雷达回波图序列代入所述降水强度估计模型求解待求系数a、b,确定降水强度估计模型;
通过注意力机制融合雷达回波图,对降水强度进行修正,确定最终的降水强度估计模型:
Q=Wq*dBZT-1
K=Wk*dBZT-1
V=Wv*dBZT
式中,dBZT-1、dBZT为时间步T、T-1的雷达回波图,Wq、Wk、Wv为注意力机制的权重矩阵,Q、K、V为注意力机制的输入特征;°为Hadamard乘积;yT为时间步T修正后的降水强度。
5.根据权利要求1所述的基于多模式集合的短期降水预报方法,其特征在于,所述预处理包括:
通过kriging插值法对雷达回波图序列进行插值处理,通过高斯平滑对插值处理后的雷达回波图序列进行滤波处理,得到预处理后的雷达回波图序列。
6.根据权利要求1所述的基于多模式集合的短期降水预报方法,其特征在于,所述RNN堆叠模型的训练过程包括:
获取各第三方提供的目标区域在多个历史时段的降水强度序列预测,并进行空间尺度和时间尺度上的对其处理;
获取多个所述历史时段对应的长未来时段的降水强度序列,并集合对其处理后的多个所述历史时段的降水强度序列预测,生成第二训练集;
将所述第二训练集输入所述RNN堆叠模型进行训练,通过反向传播算法和优化器更新所述RNN堆叠模型的模型参数,得到训练好的RNN堆叠模型。
7.根据权利要求1所述的基于多模式集合的短期降水预报方法,其特征在于,所述将目标区域在所述短未来时段的降水强度序列预测和所述长未来时段的降水强度序列最终预测进行拼接包括:
利用反距离权重方法对所述短未来时段的降水强度序列预测进行空间上插值处理,得到目标空间尺度上的所述短未来时段的降水强度序列预测;
利用反距离权重方法对所述长未来时段的降水强度序列最终预测进行空间和时间上插值处理,得到目标空间尺度和目标时间尺度上的所述长未来时段的降水强度序列最终预测;所述目标时间尺度为所述短未来时段的降水强度序列预测的时间尺度;
在目标空间尺度和目标时间尺度上,将所述长未来时段中短未来时段的降水强度序列最终预测替换为短未来时段的降水强度序列预测完成拼接。
8.一种基于多模式集合的短期降水预报装置,其特征在于,所述装置包括:
回波获取模块,用于获取雷达采集的目标区域在当前时段的雷达回波图序列,并进行预处理;
回波预测模块,用于将预处理后的所述当前时段的雷达回波图序列输入训练好的雷达回波外推模型,获取短未来时段的雷达回波图序列;
降水估计模块,用于将所述短未来时段的雷达回波图序列输入拟合好的降水强度估计模型,获取目标区域在所述短未来时段的降水强度序列预测;
多模式获取模块,用于获取各第三方提供的目标区域在长未来时段的降水强度序列预测;
降水预测模块,用于将各所述长未来时段的降水强度序列预测输入训练好的RNN堆叠模型,获取目标区域在长未来时段的降水强度序列最终预测;
降水预报模块,用于将目标区域在所述短未来时段的降水强度序列预测和所述长未来时段的降水强度序列最终预测进行拼接,得到目标区域的短期降水强度序列预测并进行预报。
9.一种电子设备,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924818.1A CN116931129A (zh) | 2023-07-25 | 2023-07-25 | 基于多模式集合的短期降水预报方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924818.1A CN116931129A (zh) | 2023-07-25 | 2023-07-25 | 基于多模式集合的短期降水预报方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116931129A true CN116931129A (zh) | 2023-10-24 |
Family
ID=88393916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310924818.1A Pending CN116931129A (zh) | 2023-07-25 | 2023-07-25 | 基于多模式集合的短期降水预报方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116931129A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117950088A (zh) * | 2024-03-26 | 2024-04-30 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
-
2023
- 2023-07-25 CN CN202310924818.1A patent/CN116931129A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117950088A (zh) * | 2024-03-26 | 2024-04-30 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
CN117950088B (zh) * | 2024-03-26 | 2024-06-04 | 南京满星数据科技有限公司 | 基于多模式的降水预报数据融合订正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN114254561A (zh) | 一种内涝预测方法、***及存储介质 | |
CN111737640B (zh) | 水位预测方法、装置及计算机可读存储介质 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN116931129A (zh) | 基于多模式集合的短期降水预报方法、装置、设备及介质 | |
CN116449462B (zh) | 海浪有效波高时空序列预测方法、***、存储介质及设备 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN110909447A (zh) | 一种高精度电离层区域短期预报方法 | |
Wang et al. | Customized deep learning for precipitation bias correction and downscaling | |
CN117096875A (zh) | 一种基于ST-Transformer模型的短期负荷预测方法及*** | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和*** | |
CN116152206A (zh) | 一种光伏输出功率预测方法、终端设备及存储介质 | |
CN115358060A (zh) | 一种支持新能源发电功率高精度预测的高效算法框架 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
CN117706660A (zh) | 基于CNN-ViT技术强对流天气预报的方法 | |
CN117313990A (zh) | 基于元集成学习的空调负荷预测方法、***和电子设备 | |
CN116911178A (zh) | 一种基于气象预报的中小型水库容量预测方法及*** | |
CN112488413A (zh) | 基于awa-drcn的人口空间化方法 | |
CN116596169A (zh) | 一种电力***预测方法、装置及存储介质 | |
CN115952743A (zh) | 耦合随机森林和hasm的多源降水数据协同降尺度方法和*** | |
CN114169646B (zh) | 水华预测方法、装置、电子设备及计算机可读存储介质 | |
Li et al. | Deepphysinet: Bridging deep learning and atmospheric physics for accurate and continuous weather modeling | |
CN116108761B (zh) | 一种耦合深度学习和hasm的区域气候模拟方法和*** | |
CN117421601B (zh) | 一种海面蒸发波导临近期快速预报方法 | |
JP3245238U (ja) | 学習装置と予測補正装置を備える予測補正システム |
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 |