[发明专利]基于深度神经网络的多特征融合沙尘暴预测方法

说明书

一种基于深度神经网络的多特征融合沙尘暴预测方法，首先将以中国地面气候资料日值数据、中国强沙尘暴序列及其支撑数据为主的地面数据和以中国陆地区域云图(IR1)为主的云图数据进行预处理，使用时间滑动窗口的方式划分地面数据集，使其成为时间序列，能够有效提高数据的利用率；同时采用SMOTE算法和透视变换方法增强地面数据和卫星云图数据，缓解了数据不平衡问题；然后利用卷积神经网络提取卫星云图的空间特征，将其融合到地面数据中，使其成为输入属性；最后利用循环神经网络的时序记忆能力和卷积神经网络的特征提取能力，建立一种融合沙尘暴数据地面特性和空间特性的CNN‑LSTM沙尘暴预测模型，从而提高模型预测性能。

技术领域

本发明属于人工智能技术领域，特别涉及一种基于深度神经网络的多特征融合沙尘暴预测方法。

背景技术

沙尘暴(Sand-dust Storms)是指强风从地面卷起大量沙尘，水平能见度小于1千米的灾害性天气现象。它的形成受自然因素和人类活动因素的共同影响，具有突发性强、持续时间短以及危害性大等特点，同时也是土地荒漠化的标志。据统计。沙尘天气的空间分布与特定的地理条件和天气气候系统密切相关，因此对沙尘天气进行分区研究具有重要意义。

现有沙尘暴预测方法包括基于统计方法、基于BP神经网络的方法等，均存在以下三点不足。其一，仅使用卫星云图数据进行沙尘暴天气预测，数据单一化所导致预测效率低的问题。其二，普通的神经网络对沙尘暴爆发相关庞大的气象数据难以拟合，或难以泛化的问题。其三，单一神经网络进行沙尘暴天气预测数据特征提取不充分的问题。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于深度神经网络的多特征融合沙尘暴预测方法，一方面缓解数据不平衡问题，另一方面，解决不能重复利用沙尘暴数据所有特征的问题，最终提高预测性能。

为了实现上述目的，本发明采用的技术方案是：

基于深度神经网络的多特征融合沙尘暴预测方法，包括如下步骤：

步骤1，分别对沙尘暴的地面数据和卫星云图数据进行预处理，将地面数据转换为时间序列，并采用SMOTE算法平衡；将卫星云图数据进行格式转换，并通过透视变换增强卫星云图数据；

步骤2，利用卷积神经网络(Convolutional Neural Network，CNN)提取卫星云图数据的空间特征，并将其融合到地面数据中，使其成为输入属性；

步骤3，利用循环网络的时序记忆能力，提取地面数据特征，建立基于长短期记忆(Long Short-Term Memory，LSTM)神经网络的沙尘暴预测模型；

步骤4，建立一种融合多特征的CNN-LSTM沙尘暴预测模型，用来预测最终的沙尘暴等级。

与现有技术相比，本发明的有益效果是：

(1)本发明中数据资料包含1954年至2014年约60年日值数据和2005年至今约14万张卫星云图数据，为所用到的技术方法提供可靠的数据支撑。本发明不仅采用使用时间滑动窗口方式将地面数据转换为时间序列数据进一步规范数据，而且采用SMOTE算法和透视变换增强地面数据和卫星云图数据，缓解了过拟合问题。

(2)本发明采用了效率更高且适合于卫星云图数据的卷积神经网络结构，有效的提取了卫星云图所表现的沙尘暴空间特征，并建立基于卫星云图的卷积神经网络沙尘暴预测模型。同时利用BN算法提高了模型的准确率。

(3)本发明通过利用卷积神经网络提取卫星云图的特征，并将其融合到地面数据中，使其成为输入属性，利用循环神经网络的时序记忆能力和卷积神经网络的特征提取能力，建立一种融合沙尘暴地面特征和空间特征的CNN-LSTM沙尘暴预测模型。从全方位、深层次、多角度分析预测沙尘暴等级。

附图说明