[发明专利]逐日气象干旱预测方法、装置、存储介质和设备

权利要求书

1.一种逐日气象干旱预测方法，其特征在于，包括：

从气象站点的逐日气象要素数据库中，获取发生在待测日期之前、且时间连续的预设数量个日期的特征要素；所述特征要素为预设气象要素的观测值；

将发生在所述待测日期之前、且时间连续的各个日期的预设气象要素的观测值，输入至气象干旱预测模型中，得到所述气象干旱预测模型输出的当前干旱预测结果；其中，所述气象干旱预测模型基于发生在预设历史时间段内、且时间连续的多个日期的预设气象要素的观测值作为LSTM模型的输入，并以针对所述预设历史时间段内各个日期，预先标注的气象干旱等级作为训练目标，预先训练得到；所述当前干旱预测结果用于指示所述待测日期的气象干旱等级。

2.根据权利要求1所述的方法，其特征在于，所述基于发生在预设历史时间段内、且时间连续的多个日期的预设气象要素的观测值作为LSTM模型的输入，并以针对所述预设历史时间段内各个日期，预先标注的气象干旱等级作为训练目标，预先训练得到所述气象干旱预测模型的过程，包括：

预先定义LSTM模型的超参数、优化算法、损失函数；所述超参数包括时间窗口大小、输出维度、神经元个数、输入层的激活函数、隐藏层的激活函数、输出层的激活函数、丢弃率、隐藏层层数、训练代数、训练批大小；所述优化算法为Adam模型优化算法；所述损失函数为交叉熵损失函数；

基于所述时间窗口大小、所述输出维度、所述神经元个数、所述输入层的激活函数、所述隐藏层的激活函数、所述输出层的激活函数、所述丢弃率、所述隐藏层层数、所述训练代数、所述训练批大小，编译生成所述LSTM模型；

基于发生在预设历史时间段内、且时间连续的多个日期的预设气象要素的观测值，作为所述LSTM模型的输入，并以针对所述预设历史时间段内各个日期，预先标注的气象干旱等级作为训练目标，使用所述Adm模型优化算法和所述交叉熵损失函数，对所述LSTM模型进行训练，得到所述气象干旱预测模型。

3.根据权利要求2所述的方法，其特征在于，所述基于发生在预设历史时间段内、且时间连续的多个日期的预设气象要素的观测值，作为所述LSTM模型的输入，包括：

获取气象站点在预设历史时间段内采集的逐日气象观测数据；所述逐日气象观测数据包括发生在所述预设历史时间段内、且时间连续的多个日期的各类气象要素的观测值；所述各类气象要素包括降水、平均气温、日照时数、2m平均风速、平均相对湿度、蒸发、气象干旱综合指数；

对各类气象要素进行全组合，得到多种候选特征要素；所述候选特征要素包括各类气象要素之间的任意一种组合；

利用发生在所述预设历史时间段内、且时间连续的多个日期的各种候选特征要素，对所述LSTM模型进行训练，得到与每种所述候选特征要素对应的候选LSTM模型；

利用混淆矩阵，计算各种所述候选LSTM模型的分类指标；

选择与分类指标最高的候选LSTM模型对应的候选特征要素，作为预设气象要素；其中，所述预设气象要素包括降水、平均气温；

基于发生在所述预设历史时间段内、且时间连续的多个日期的降水观测值、平均气温观测值，作为所述LSTM模型的输入。

4.根据权利要求2所述的方法，其特征在于，所述利用发生在所述预设历史时间段内、且时间连续的多个日期的各种候选特征要素，对所述LSTM模型进行训练，得到与每个所述候选特征要素对应的候选LSTM模型，包括：

对于每种候选特征要素，对发生在所述预设历史时间段内、且时间连续的多个日期的候选特征要素的观测值进行独热编码处理，以使各个所述日期的候选特征要素的观测值均为连续型数值；

将各个所述日期的候选特征要素的观测值，按照预先定义的时间窗口大小进行时态化处理，得到与每种所述候选特征要素对应的训练样本；

利用与每种所述候选特征要素对应的训练样本，对所述LSTM模型进行训练，得到与每种所述候选特征要素对应的候选LSTM模型。