[发明专利]一种降雨预测方法、系统及电子设备

说明书

本申请涉及气象服务技术领域，特别涉及一种降雨预测方法、系统及电子设备。所述降雨预测方法包括：步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；步骤b：构建基于深度神经网络的降雨预测模型；步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。本申请有效利用了雷达图随时间变化趋势中的长期与短期时序依赖关系，并融入其他气象信息，综合多种数据信息源，从而精准预测短期内未来降雨量。

技术领域

本申请涉及气象服务技术领域，特别涉及一种降雨预测方法、系统及电子设备。

背景技术

降水预报，在气象服务领域一直是非常重要的问题。准确的天气预报服务可以帮助人们计划户外活动，甚至可以提供洪水或交通等事故的预警。短期降水预测是一个在现实生活中具有重要意义同时很有挑战的任务，为了预测短期降水量，通常涉及以下信息的分析：当前降水量与雷达折射率之间的关系、目标地点与周边地区之间的降水关系，根据历史数据，发现降水量演变的一些模式。

多普勒雷达探测降水是气象中常用的方法。在雷达气象中，气象目标对雷达波后向散射能力的强弱通常称为气象目标强度，常用的表示气象目标强度的参量有反射率和反射率因子。单位体积重云雨粒子后向散射截面的总和，称为气象目标的反射率。降水目标物单位体积中降水粒子直径6次方的总和称为雷达反射率因子，用Z表示，其常用单位为mm6/m3。反射率因子Z值的大小，反映了气象目标内部降水粒子的尺度和数密度，常用来表示气象目标的强度。

近年来，各地气象站收集了大量雷达图数据和其他气象数据，并开始利用雷达图数据进行短期降雨预测。但现有短期降雨预测方法主要是使用单一高度的雷达图数据信息，利用传统的光流法做雷达图随时间的外推，再进行人工估计，这是比较常规的短期降雨预测方法，也是当前气象预报中天气雷达系统和强天气预警业务的基本组成部分。但这种的预测效率较低且对雷达图数据信息挖掘不充分，预测精度低，对于预测未来一个小时的情况尚可，但对于更后的第二小时、第三小时预测则很糟糕，严重难以满足当前预报要求。

近年来，深度学习颠覆了图像识别、文本理解、语音识别等众多领域算法设计思路，逐渐形成了从训练数据出发，通过训练一个端到端的深度神经网络模型，直接输出最终结果的新模式。由于深度学习中的每一层都可以为了最终的任务来调整自己，最终实现各层之间的通力合作，因而可以大大提高任务的准确度。随着大数据时代的到来以及GPU(Graphics Processing Unit，图形处理器)等各种更加强大的计算设备的发展，深度学习可以充分利用各种海量数据，完全自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。

中国专利申请(申请号CN 201610752369)中提出了一种降雨预测方法及系统，其利用各气象自动站的风速、温度、气压和湿度数据，设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度SVM降雨错位预测模型；计算模型参数gamma值和参数C值，输入SVM降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果，根据所述降雨量预测结果计算降雨概率。但该技术主要是针对风速、温度、气压和湿度数据，缺乏对雷达图这一有效信息的挖掘利用，同时由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。