[发明专利]一种基于深度学习的降水临近预报方法及装置

说明书

本发明涉及信息技术领域，提供了一种基于深度学习的降水临近预报方法及装置。目的在于解决传统模型训练对强回波预测上的关注不够以及解决雷达回波时空序列预测难的问题。主要方案包括以下步骤：步骤S1、首先对天气雷达基数据作预处理；步骤S2、将预处理后的雷达回波数据分为深度学习网络训练所用的训练集、验证集与测试集；步骤S3、使用训练集、验证集与测试集进行时空编码预测网络模型训练，利用训练好的时空编码预测网络模型进行雷达回波外推，得到预测回波数据，并对预测回波数据与实际观测数据进行对比；步骤S4、最后将预测后的雷达回波进行雷达定量降水估测，并和地面真实降水数据对比进行降水预报检测。

技术领域

本发明涉及信息技术领域，提供了一种基于深度学习的降水临近预报方法及装置。

背景技术

目前降水临近预报的研究方法主要基于天气雷达数据的雷达回波外推技术以及基于数值天气预报(Numerical Weather Prediction，NWP)技术，传统的雷达回波外推技术是根据前几个时刻的雷达观测回波数据来推断雷达回波未来所移动的位置和强度变化，以实现对强对流天气的跟踪预报，现阶段国内外普遍使用的雷达回波外推方法为雷达回波单体质心跟踪算法和雷达回波区域跟踪算法。雷达回波单体质心跟踪算法首先识别风暴单体，通过拟合识别到的雷达回波的质心的路径去线性推断后一时刻的回波位置，但该方法依赖反射率阈值来识别风暴单体所以只对强回波信息的利用较为充分，仅适合应用于对风暴的追踪，在预测大范围降水的回波变化上效果很差，雷达回波单体质心跟踪算法主要基于单个雷达反射率因子，可识别单个的3D雷暴单体并跟踪单体质心路径，它适用于跟踪和临近预报强雷暴单体，但并没有考虑大气动力和热力学等因素对回波强度变化的影响，所以在天气现象较弱或一般降水天气的临近预报方面应用很差。尽管雷达回波区域跟踪算法可以处理平缓变化的层状降水系统，但是由于运动矢量的错误使得计算量增加，因此雷达回波区域跟踪算法难以预测快速运动和快速发展的强对流天气。NWP技术是指使用大气与海洋的数学模型来预测大气状态的变化，它能够很好地考虑到大气运动中发生的物理过程，包括热力学过程和云内微物理发展等，从而能够模拟对流系统的生成、发展与消亡。NWP方法确实可以模拟潜在的大气物理学，并且可以提供可靠的预测，但是通常需要花费数小时来进行模拟，这限制了其在临近预报中的使用能力，尽管NWP模型已经取得了很大的进步，但仍然面临一些困难和挑战，例如对流尺度的模型误差快速增长，该方法仍不足以进行短临预报。因此，这些传统的临近预报技术几乎无法及时、准确预测回波的发生、消失和强度变化，所以需要开发新的临近预报技术。

发明内容

本发明的目的在于解决传统模型训练对强回波预测上的关注不够以及解决雷达回波时空序列预测难的问题。

本发明为了解决上述技术问题，因此采用以下技术手段：

一种基于深度学习的降水临近预报方法，包括以下步骤：

步骤S1、首先对天气雷达基数据作预处理；

步骤S2、将预处理后的雷达回波数据分为深度学习网络训练所用的训练集、验证集与测试集；

步骤S3、使用训练集、验证集与测试集进行时空编码预测网络模型训练，利用训练好的时空编码预测网络模型进行雷达回波外推，得到预测回波数据，并对预测回波数据与实际观测数据进行对比；

步骤S4、最后将预测后的雷达回波进行雷达定量降水估测，并和地面真实降水数据对比进行降水预报检测。

上述技术方案中，步骤S1包括以下步骤：

S1.1、取雷达反射率数据，通过比较雷达位置所在经纬度的相同方位角相同距离处不同高度处的反射率数值，取最大值保留为组合反射率数组内数值，将极坐标数据转换成笛卡尔坐标格点上，实现数据网格化，最终获得组合反射率数据；

S1.2、利用组合反射率数据中的最大值和最小值将原始的反射率因子Z通过线性变换为像素值P将反射率因子归一化映射在[0,1]之间：