[发明专利]一种空间推理与机器学习相结合的区域降雨预测方法

说明书

一种空间推理与机器学习相结合的区域降雨预测方法，使用空间推理的方法和理论，对待监测区域的空间位置和气候状态信息进行描述；然后借助机器学习中的深度神经网络模型对其进行分析和降雨预测，具体实现步骤依次为：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；提升了降雨预测的精度，降低了降雨预测模型的复杂度，保证了其运用的实时性。

技术领域

本发明涉空间推理和机器学习，具体涉及一种基于空间推理和机器学习的区域降雨预测方法。

背景技术

随着当今社会的发展，气象变化对人们的社会生活生产的影响不容忽视，人们对于气象预测的实时性和精确度的要求也越来越高，尤其是降雨预测。但是，天气系统的形成和变化与地理环境、大气运动互相影响，所以天气预报决策较困难、水平较低，现有的降雨预测模型方程非常复杂。

发明内容

本发明目的在于提供一种基于空间推理和机器学习的区域降雨预测方法，用于对局部区域降雨的快速和精确监测。

为实现上述目的，本发明提供了一种空间推理与机器学习相结合的区域降雨预测方法，使用空间推理的方法和理论，对待监测区域的空间位置和气候状态信息进行描述；然后借助机器学习中的深度神经网络模型对其进行分析和降雨预测，具体实现步骤依次为：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；

所述观测数据采集，利用分布于固定位置的n个无线电探空仪检测大气的状态，作为观测数据；所述观测数据包括温度值，湿度，是否降雨，以及风速和风向；

所述观测数据预处理，包括对空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理，得到预处理特征值；

所述特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；

所述预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；

所述空间关系因子特征网络输入为基于空间信息的空间推理，(n+2)²交集矩阵，描述n+2个简单区域的空间位置关系，即为空间关系矩阵；

所述空间关系因子特征网络由3个结构相同的卷积模块1级联而成；

所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；

所述三个卷积层的卷积核大小分别为1×1,3×3,5×5，填充分别为0,1,2，步进为1；

第一个卷积模块1中卷积层输出通道数设置为4；

第二个卷积模块1中卷积层输出通道数设置为16；

第三个卷积模块1中卷积层输出通道数设置为32；

所述空间关系因子特征网络输出为空间关系因子特征：通道数为32，宽高均为n+2；

所述风因子特征网络输入为风速矩阵和风向矩阵，由一个concat层和三个结构相同的卷积模块2级联而成；

所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；

所述concat层输入为风速矩阵和方向矩阵；采用第二维度拼接；

所述风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；

所述风因子特征网络输出为风因子特征，通道数为32，宽高均为n+2；