一种构建降水等级预测模型的方法及装置制造方法及图纸

本发明专利技术提供了一种构建降水等级预测模型的方法及装置，方法包括：收集目标区域的气象要素数据以及地面地形数据；依据收集的数据获取历史时序的气象类别叠加数据；利用特征提取网络，对气象类别叠加数据进行气象类别中层特征以及气象类别高层特征提取，并获取预测时序的预测特征；依据预测时序的预测特征以及该预测时序的融合特征，调整特征提取网络的参数，直至得到完成训练的特征提取网络；将时序卷积网络输出的预测特征输入分类器，得到各预测时序的短时降水等级，基于预测时序的短时降水等级及该预测时序的实际短时降水等级，训练分类器，依据完成训练的特征提取网络以及分类器，构建降水等级预测模型。可以提高降水等级预测的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种构建降水等级预测模型的方法及装置


[0001]本专利技术涉及气象预报
，具体而言，涉及一种构建降水等级预测模型的方法及装置。

技术介绍

[0002]短时降水等级预测是气象学预测的重要组成部分，是在统计过去一段时序内历史气象数据的基础上，预测未来若干时序的降水等级，从而为城市交通管理、市民出行、工农业生产、航空航海等提供技术支持。但由于影响降雨等级的气象因素较多，各因素之间关联度十分复杂，使得在依据历史时序内历史气象数据分析基础上得到的经验数据，预测未来时序的降水等级的准确性较低。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供构建降水等级预测模型的方法及装置，以提高降水等级预测的准确性。
[0004]第一方面，本专利技术实施例提供了构建降水等级预测模型的方法，包括：收集目标区域各历史时序内不同高度层的气象要素数据以及地面地形数据，所述气象要素数据包括一个或多个气象类别数据；针对每一历史时序，依据气象类别数据以及地面地形数据，获取该历史时序的气象类别叠加数据；利用特征提取网络中的残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，基于气象类别中层特征以及气象类别高层特征，获取预测时序的预测特征；依据预测时序的预测特征以及该预测时序的融合特征，调整残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络的参数，直至预测时序的预测特征以及该预测时序的融合特征的均方差满足预设的均方误差阈值，得到完成训练的特征提取网络；将完成训练的特征提取网络中的时序卷积网络输出的各预测时序的预测特征输入分类器，得到各预测时序的短时降水等级，基于预测时序的短时降水等级以及该预测时序的实际短时降水等级，训练分类器，依据完成训练的特征提取网络以及分类器，构建降水等级预测模型。
[0005]结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，所述利用特征提取网络中的残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，基于气象类别中层特征以及气象类别高层特征，获取预测时序的预测特征，包括：
利用残差网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取；利用反卷积网络对气象类别高层特征进行反卷积处理，得到气象类别高层一致特征，气象类别高层一致特征的尺寸与气象类别中层特征的尺寸一致；针对每一历史时序，利用特征融合网络，分别对各气象类别高层一致特征以及气象类别中层特征进行融合，得到时序高层融合特征以及时序中层融合特征；利用膨胀卷积网络对时序高层融合特征进行卷积处理，得到多尺度高层融合特征；利用上采样网络，对多尺度高层融合特征进行上采样，得到融合特征；利用时序卷积网络，对按照历史时序排列的融合特征进行处理，获取预测时序的预测特征。
[0006]结合第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，所述利用膨胀卷积网络对时序高层融合特征进行卷积处理，得到多尺度高层融合特征，包括：将时序高层融合特征分别输入5个并行的分支，其中，第一分支为1x1卷积层，感受野为1；第二分支为3x3卷积层，空洞率为6、感受野为13，第三分支为3x3卷积层，空洞率为12、感受野为25；第四分支为3x3卷积层，空洞率为18、感受野为37；第五分支为全局平均池化层；使用1x1卷积层对5个并行分支的输出进行融合，得到多尺度高层融合特征。
[0007]结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述针对每一历史时序，依据气象类别数据以及地面地形数据，获取该历史时序的气象类别叠加数据，包括：针对每一历史时序中的每一高度层，将该高度层的各气象类别数据分别与地面地形数据进行融合，得到气象类别高度层融合数据，将该历史时序的各气象类别高度层融合数据，按照高度顺序进行叠加，得到气象类别叠加数据。
[0008]结合第一方面的第三种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述气象要素数据包括：温度、相对湿度、U分量风速、V分量风速，地面地形数据包括：地形图像数据以及太阳辐射数据，所述将该高度层的各气象类别数据分别与地面地形数据进行融合，得到气象类别高度层融合数据，包括：将该高度层的温度与太阳辐射数据、地形图像数据进行融合，得到温度高度层融合数据；将相对湿度与太阳辐射数据、地形图像数据进行融合，得到相对湿度高度层融合数据；将U分量风速与太阳辐射数据、地形图像数据进行融合，得到U分量风速高度层融合数据；以及，将V分量风速与太阳辐射数据、地形图像数据进行融合，得到V分量风速高度层融合数据。
[0009]结合第一方面、第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一种可能的实施方式，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，所
述方法还包括：获取目标区域内一个或多个在先时序内不同高度层的气象要素数据以及地面地形数据；针对每一在先时序，依据气象类别数据以及地面地形数据，获取该在先时序的气象类别叠加数据；将各在先时序的气象类别叠加数据输入所述降水等级预测模型，得到预设的各未来时序的短时降水等级。
[0010]第二方面，本专利技术实施例还提供了一种构建降水等级预测模型的装置，包括：气象数据收集模块，用于收集目标区域各历史时序内不同高度层的气象要素数据以及地面地形数据，所述气象要素数据包括一个或多个气象类别数据；数据预处理模块，用于针对每一历史时序，依据气象类别数据以及地面地形数据，获取该历史时序的气象类别叠加数据；特征提取模块，用于利用特征提取网络中的残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，基于气象类别中层特征以及气象类别高层特征，获取预测时序的预测特征；特征训练模块，用于依据预测时序的预测特征以及该预测时序的融合特征，调整残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络的参数，直至预测时序的预测特征以及该预测时序的融合特征的均方差满足预设的均方误差阈值，得到完成训练的特征提取网络；模型构建模块，用于将完成训练的特征提取网络中的时序卷积网络输出的各预测时序的预测特征输入分类器，得到各预测时序的短时降水等级，基于预测时序的短时降水等级以及该预测时序的实际短时降水等级，训练分类器，依据完成训练的特征提取网络以及分类器，构建降水等级预测模型。
[0011]第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0012]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建降水等级预测模型的方法，其特征在于，包括：收集目标区域各历史时序内不同高度层的气象要素数据以及地面地形数据，所述气象要素数据包括一个或多个气象类别数据；针对每一历史时序，依据气象类别数据以及地面地形数据，获取该历史时序的气象类别叠加数据；利用特征提取网络中的残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，基于气象类别中层特征以及气象类别高层特征，获取预测时序的预测特征；依据预测时序的预测特征以及该预测时序的融合特征，调整残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络的参数，直至预测时序的预测特征以及该预测时序的融合特征的均方差满足预设的均方误差阈值，得到完成训练的特征提取网络；将完成训练的特征提取网络中的时序卷积网络输出的各预测时序的预测特征输入分类器，得到各预测时序的短时降水等级，基于预测时序的短时降水等级以及该预测时序的实际短时降水等级，训练分类器，依据完成训练的特征提取网络以及分类器，构建降水等级预测模型。2.根据权利要求1所述的方法，其特征在于，所述利用特征提取网络中的残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，基于气象类别中层特征以及气象类别高层特征，获取预测时序的预测特征，包括：利用残差网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取；利用反卷积网络对气象类别高层特征进行反卷积处理，得到气象类别高层一致特征，气象类别高层一致特征的尺寸与气象类别中层特征的尺寸一致；针对每一历史时序，利用特征融合网络，分别对各气象类别高层一致特征以及气象类别中层特征进行融合，得到时序高层融合特征以及时序中层融合特征；利用膨胀卷积网络对时序高层融合特征进行卷积处理，得到多尺度高层融合特征；利用上采样网络，对多尺度高层融合特征进行上采样，得到融合特征；利用时序卷积网络，对按照历史时序排列的融合特征进行处理，获取预测时序的预测特征。3.根据权利要求2所述的方法，其特征在于，所述利用残差网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，包括：针对每一气象类别叠加数据，对该气象类别叠加数据进行二维卷积第一运算；对二维卷积第一运算的输出进行第一池化操作，得到第一池化特征；对第一池化特征进行二维卷积第二运算，对二维卷积第二运算的输出进行二维卷积第三运算，对二维卷积第三运算的输出进行二维卷积第四运算，得到第一卷积特征；对第一池化特征以及第一卷积特征执行恒等映射，得到第一映射特征；对第一映射特征进行二维卷积第二运算，对二维卷积第二运算的输出进行二维卷积第三运算，对二维卷积第三运算的输出进行二维卷积第四运算，得到第二卷积特征；
对第一卷积特征以及第二卷积特征执行恒等映射，得到第二映射特征；对第二映射特征进行二维卷积第二运算，对二维卷积第二运算的输出进行二维卷积第三运算，对二维卷积第三运算的输出进行二维卷积第四运算，得到第三卷积特征；对第二卷积特征以及第三卷积特征执行恒等映射，得到第三映射特征；对第三映射特征进行二维卷积第五运算，得到气象类别中层特征，对气象类别中层特征进行二维卷积第六运算，对二维卷积第六运算的输出进行二维卷积第七运算，得到第四卷积特征；对第三卷积特征以及第四卷积特征执行恒等映射，得到第四映射特征；对第四映射特征进行二维卷积第五运算，对二维卷积第五运算的输出进行二维卷积第六运算，对二维卷积第六运算的输出进行二维卷积第七运算，得到第五卷积特征；对第四卷积特征以及第五卷积特征执行恒等映射，得到第五映射特征；对第五映射特征进行二维卷积第五运算，对二维卷积第五运算的输出进行二维卷积第六运算，对二维卷积第六运算的输出进行二维卷积第七运算，得到第六卷积特征；对第五卷积特征以及第六卷积特征执行恒等映射，得到第六映射特征；对第六映射特征进行二维卷积第五运算，对二维卷积第五运算的输出进行二维卷积第六运算，对二维卷积第六运算的输出进行二维卷积第七运算，得到第七卷积特征；对第六卷积特征以及第七卷积特征执行恒等映射，得到第七映射特征；对第七映射特征进行二维卷积第八运算，对二维卷积第八运算的输出进行二维卷积第九运算，对二维卷积第九运算的输出进行二维卷积第十运算，得到第八卷积特征；对第七卷积特征以及第八卷积特征执行恒等映射，得到第八映射特征；对第八映射特征进行二维卷积第八运算，对二维卷积第八运算的输出进行二维卷积第九运算，对二维卷积第九运算的输出进行二维卷积第十运算，得到第九卷积特征；对第八卷积特征以及第九卷积特征执行恒等映射，得到第九映射特征；对第九映射特征进行二维卷积第八运算，对二维卷积第八运算的输出进行二维卷积第九运算，对二维卷积第九运算的输出进行二维卷积第十运算，得到第十卷积特征；对第九卷积特征以及第十卷积特征执行恒等映射，得到第十映射特征；对第十映射特征进行二维卷积第八运算，对二维卷积第八运算的输出进行二维卷积第九运算，对二维卷积第九运算的输出进行二维卷积第十运算，得到第十一卷积特征；对第十卷积特征以及第十一卷积特征执行恒...

【专利技术属性】
技术研发人员：匡秋明，向世明，靳淇兆，于廷照，胡骏楠，
申请(专利权)人：中国气象局公共气象服务中心国家预警信息发布中心，
类型：发明
国别省市：