[发明专利]一种基于机器学习的风暴潮灾预警模型训练及预警方法

说明书

本发明公开了一种基于机器学习的风暴潮灾预警模型训练及预警方法，训练方法包括：获取风暴潮灾样本特征数据以及风暴潮灾样本特征数据对应的样本预警结果，构造样本数据集；将样本数据集作为输入，对机器学习模型进行训练、验证，得到最优模型，将最优模型作为风暴潮灾预警模型；其中，风暴潮灾特征数据包括：台风特征数据、降水特征数据以及风速特征数据，台风特征数据通过采集得到，降水特征数据以及风速特征数据通过台风特征数据计算得到。本发明中，将不同维度的与风暴潮有关的特征数据作为样本数据，充分对数据特征维度进行拓展，有效探究各特征维度的关联性，使得模型有效的学习的主要特征，从而对风暴潮灾进行高效、准确、合理的预警预测。

技术领域

本发明涉及灾害预警领域，更具体地，涉及一种基于机器学习的风暴潮灾预警模型训练及预警方法。

背景技术

风暴潮是一种灾害性的自然现象。由于剧烈的大气扰动，如强风和气压骤变(通常指台风和温带气旋等灾害性天气系统)导致海水异常升降，同时和天文潮(通常指潮汐)叠加时的情况，如果这种叠加恰好是强烈的低气压风暴涌浪形成的高涌浪与天文高潮叠加则会形成更强的破坏力。又可称“风暴增水”、“风暴海啸”、“气象海啸”或“风潮”。风暴潮灾害居海洋灾害之首位，世界上绝大多数因强风暴引起的特大海岸灾害都是由风暴潮造成的。根据《2017年中国海洋灾害公报》显示，当年广东省受风暴潮灾害影响最严重。根据历史灾害统计，广东在全国中受到风暴潮灾害影响程度也位居前列。

机器学习是基于对数据的初步认识以及学习目的的分析，选择合适的数学模型，拟定超参数，并输入样本数据，依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。因此机器学习擅长从数据中发现一些人类难以用特定公式去量化的或模拟的规律，从而对某些行为或事件进行推测及判断。

当前预警主要基于风暴潮与波浪耦合数值预报模型，主要利用潮流项与波浪辐射应力项模拟风暴潮过程进行预测。其中，台风路径点数据相对完整，自1949年以来所有的台风路径都有记录，但是潮位数据相对缺少，暂仅找到广东省2018年以后基站的潮位数据，同时此间发生的潮灾统计相对较少，以及大气数据信息由于精度不足，导致广东省内发生与不发生风暴潮灾时各基站对应的大气数据样本相同，故仅以上述数据作为数据样本，进行模型预测，则将使得模型预测有偏向性，导致无法学习到主要特征，低估风暴潮灾的预警概率，模型预测准确率及合理性不高。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于机器学习的风暴潮灾预警模型训练及预警方法，用于解决现有预报模型无法学习主要特征，导致低估风暴潮灾的预警概率，模型预测准确率及合理性不高的问题。

本发明采取的技术方案是，一种基于机器学习的风暴潮灾预警模型训练方法，包括以下步骤：

获取风暴潮灾样本特征数据以及所述风暴潮灾样本特征数据对应的样本预警结果，构造样本数据集；

将所述样本数据集作为输入，对机器学习模型进行训练、验证，得到最优模型，将所述最优模型作为风暴潮灾预警模型；

其中，所述历史风暴潮灾特征数据包括：台风特征数据、降水特征数据以及风速特征数据，所述台风特征数据通过采集得到，所述降水特征数据以及风速特征数据通过所述台风特征数据计算得到。

进一步的，所述台风特征数据包括：台风中心与基站距离；

所述降水特征数据通过所述台风特征数据计算得到，具体包括：

所述降水特征数据通过所述台风特征数据，采用以下公式，计算得到：

其中，D表示台风中心与基站距离；

进一步的，所述台风特征数据还包括：台风等级；

所述风速特征数据通过所述台风特征数据计算得到，具体包括：