一种基于时空双向多粒度动态集成的未来降雨预测方法技术

本发明专利技术涉及未来降雨预测技术领域，尤其涉及一种基于时空双向多粒度动态集成的未来降雨预测方法，针对当前现有的未来降雨预测方法仍存在精确度不够高、计算量大，难以满足时效性和准确性的问题，现提出如下方案，其中包括以下步骤：S1：预测准备,S2:数据分析，S3：图像分析,S4：数据处理，S5：进行预测，S6：二次预测，本发明专利技术的目的是通过对采集的所有数据按照像素进行多粒度分割，提高数据的准确度，同时通过二次预测，将预测结果进行对比，通过对预测进行再确定最终提高预测的准确性。进行再确定最终提高预测的准确性。

【技术实现步骤摘要】
一种基于时空双向多粒度动态集成的未来降雨预测方法


[0001]本专利技术涉及未来降雨预测
，尤其涉及一种基于时空双向多粒度动态集成的未来降雨预测方法。

技术介绍

[0002]传统的降雨预测方法大致分为两类：一种是基于数值天气预报方法，另一种是基于雷达回波图外推方法。数值天气预报法是对描述天气变化过程的流体力学和热力学的相关方程组进行求解，预测出未来时间段大气运动状态。这种方法在实时预报方面精确度不够高、计算量很大，难以满足时效性和准确性的要求。雷达回波图外推方法，一是单体质心法，对某一雷暴回波相邻两个时刻的质心位置进行最小二乘拟合后外推预测，但当回波发生分裂或合并时，跟踪预测准确率较低；二是交叉相关法，通过分析计算出连续两个时刻的空间相关性，为强对流轨迹作短时外推预测，但相对来说对于移动变化较快的雷暴型天气预测准确度较低；三是基于光流的方法，是对于雷达回波变分方法的实时光流算法，利用图像序列中像素在实际域上的变化以及相邻帧之间的相关性，结合气候等因素完成预测。但光流估计步骤和雷达回波外推步骤是分开的，确定模型参数十分困难，并且随着光谱值的快速减少和消失，对区域内实时降雨的预测有一定局限性。在现有的短时强降雨预测方法中，通常将雷达回波外推技术作为临近天气预报的主要技术手段，具体是根据气象雷达探测到的回波数据，确定回波的强度分布以及回波体(如降水区)的移动速度和移动方向，然后再通过对回波体做线性或者非线性外推，预测出一定时间段后的雷达回波状态。同时气候事件的出现本身具有一定的偶然性，降水的过程受到区域的大气环流、气候带和潮汐等气候因素的影响，所以在这些随机因素的影响下，区域内的短时间降水的分布情况呈现复杂的变化趋势，需要多特征融合大量气象样本数据资料来对人工智能识别模型进行训练。相对于传统的强对流降雨预测预报方法，结合时间和空间等数据进行深度挖掘和分析，提高预测模型性能。
[0003]但是目前现有的未来降雨预测方法仍存在精确度不够高、计算量大，难以满足时效性和准确性的问题，因此，我们提出一种基于时空双向多粒度动态集成的未来降雨预测方法用于解决上述问题。

技术实现思路

[0004]本专利技术的目的是为了解决目前现有的未来降雨预测方法仍存在精确度不够高、计算量大，难以满足时效性和准确性等问题，而提出的一种秦岭冰蓝林木的栽培育苗方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于时空双向多粒度动态集成的未来降雨预测方法，包括以下步骤：
[0007]S1：预测准备：采集目标区域在不同时刻的雷达回波图序列以及降雨量实际值；
[0008]S2：数据分析：对采集的数据进行分析，并按照时间长短生成时间数据集；
[0009]S3：图像分析：对采集的图像进行进行多粒度分割，并对目标区域内的每个子点进
行数据采集；
[0010]S4：数据处理：把时间数据和空间数据进行重新组合生成函数，并采用现有的技术对数据进行处理；
[0011]S5：进行预测:从生成的函数中进行，并将数据整合，通过整合的数据进行分析和建模，得出预测结果；
[0012]S6：二次预测：再次获取数据并进行二次预测，将预测结果进行对比；
[0013]优选的，所述S1中，预先采集目标区域在不同采集时刻的雷达回波图序列以及降雨量实际值，并由采集到的所有雷达回波图序列和降雨量实际值共同形成目标区域实际降雨数据集，其中所述目标区域实际降雨数据集中，同一采集时刻的雷达回波图序列与降雨量实际值为一一对应关系；
[0014]优选的，所述S2中，对采集的数据按照时间等级进行多粒度分割，按照时间长短生成时间数据集，其中对时间数据进行多粒度分割时单位可以按照时间成5分钟、10分钟、30分钟、60分钟、120分钟、240分钟和360分钟进行分割，并按照(t
‑
5)、(t
‑
4)、(t
‑
3)、(t
‑
2)、(t
‑
1)、t、(t+1)、(t+2)、(t+3)、(t+4)、(t+5)不同时间组合成全新的数据集，在获取到雷达数据后，按照其中一个时间单位把数据进行多粒度分割，分割成该时间单位的多组数据，把当前时间t对应的光矢量数值进行处理生成一个函数，并将时间单位往前推一单位,时间(t
‑
1)所对应的光矢量数值再次生成一个函数直至时间往前推到(t
‑
5),通过参考相邻的时间单位和对应的光矢量数据预测相邻时间单位内的光矢量值，例如在(t
‑
1)时间里光矢量的数值，参照t时间中光矢量的数值，可以预测(t+1)时间中光矢量的数值，同样可以根据相邻的两个时间的数值，预测另一个时间里的光矢量值，在选择的其中一个时间单位时将生成一组数据集，根据时间单位的不同，可以生成不同的数据集，将生成的所有数据集作为后期的时间数据总集；
[0015]优选的，所述S3中，对采集的图像数据按照像素进行多粒度分割，对目标区域内的每个子点进行数据采集，对云图位置中的空间位置可以按照从大到小的顺序，并按照国、省、市、区、街道、小区不同空间区域进行分割，生成不同的空间数据集时每个空间位置对应一个相应的预测数值，同时把数据按照空间位置进行多粒度切割，把图像按照空间地理位置划分成多级空间位置，按照空间位置从大到小的顺序、受地面雷达位置和监测面积的大小和空间的多粒度进行分割，其中按照省、市、区、街道、小区的空间位置进行多粒度分割，采取最小的空间分割单位，选择其中一个空间位置和它所对应的数据值生成一个函数，在同一空间等级下面有多个子集空间位置，且每个空间位置坐标对应一个数值，空间单位切换到另一空间级别时该级别则由多个空间子集组成，并将空间对应的数据组成改为空间级别的数据集；
[0016]优选的，所述S4中，采用SVG算法实现对数据集的重新组合，其中数据整合是按照时间数据和空间数据全新的组合方式生成新得数据集，并按照时间分割后数据和空间分割后的数据再次交叉组合生成全新的数据集，并将不同时间单位对应的数据加上空间单位的数据值，采用组合数据集生成大量的原始数据集作为后期根据目的位置随机采样的原始数据集；
[0017]优选的，所述S5中，根据预测位置的时间和空间从所有生成的函数中选择一部分函数，并将数据进行整合，无法选择全部的目标数集则选择部分函数集，并进行数据整合和
分析，其中在预测目标地之前需要选择多组参考数据，将选择的数据集做为采样的数据，根据数据集的数据预测目的位置的数据情况，然后根据采集的数据值对应的降雨情况预测未来降雨的情况；
[0018]优选的，所述S6中，重新获取采集目标区域在不同时刻的雷达回波图序列以及降雨量实际值，将数据传回后由专业人员进行数据和图像分析，并将数据以及分析结果与第一次传回数据和分析结果进行对比，数据误差在合理范围内的直接进行二次预测，预测结果与第一次预测结果进行对比，数据误差超过合理误差范围则由专业人员对误差数据进行分析，通过分析对误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空双向多粒度动态集成的未来降雨预测方法，其特征在于，包括以下步骤：S1：预测准备：采集目标区域在不同时刻的雷达回波图序列以及降雨量实际值；S2：数据分析：对采集的数据进行分析，并按照时间长短生成时间数据集；S3：图像分析：对采集的图像进行进行多粒度分割，并对目标区域内的每个子点进行数据采集；S4：数据处理：把时间数据和空间数据进行重新组合生成函数，并采用现有的技术对数据进行处理；S5：进行预测:从生成的函数中进行，并将数据整合，通过整合的数据进行分析和建模，得出预测结果；S6：二次预测：再次获取数据并进行二次预测，将预测结果进行对比。2.根据权利要求1所述的一种基于时空双向多粒度动态集成的未来降雨预测方法，其特征在于，所述S1中，预先采集目标区域在不同采集时刻的雷达回波图序列以及降雨量实际值，并由采集到的所有雷达回波图序列和降雨量实际值共同形成目标区域实际降雨数据集，其中所述目标区域实际降雨数据集中，同一采集时刻的雷达回波图序列与降雨量实际值为一一对应关系。3.根据权利要求1所述的一种基于时空双向多粒度动态集成的未来降雨预测方法，其特征在于，所述S2中，对采集的数据按照时间等级进行多粒度分割，按照时间长短生成时间数据集，其中对时间数据进行多粒度分割时单位可以按照时间成5分钟、10分钟、30分钟、60分钟、120分钟、240分钟和360分钟进行分割，并按照(t
‑
5)、(t
‑
4)、(t
‑
3)、(t
‑
2)、(t
‑
1)、t、(t+1)、(t+2)、(t+3)、(t+4)、(t+5)不同时间组合成全新的数据集。4.根据权利要求1所述的一种基于时空双向多粒度动态集成的未来降雨预测方法，其特征在于，所述S2中，在获取到雷达数据后，按照其中一个时间单位把数据进行多粒度分割，分割成该时间单位的多组数据，把当前时间t对应的光矢量数值进行处理生成一个函数，并将时间单位往前推一单位,时间(t
‑
1)所对应的光矢量数值再次生成一个函数直至时间往前推到(t
‑
5),通过参考相邻的时间单位和对应的光矢量数据预测相邻时间单位内的光矢量值。5.根据权利要求1所述的一种基于时空双向多粒度动态集成的未来降雨预测方法，其特...

【专利技术属性】
技术研发人员：ꢀ五一IntClG零六Q一零零四，
申请(专利权)人：山西勇利信息科技有限公司，
类型：发明
国别省市：