一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法技术

本发明专利技术涉及一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，首先使用双线性插值和反距离权重插值处理NCEP风速网格数据和气象站观测点的风速数据，然后使用基于高斯过程回归的数据融合模型对两种数据进行数据融合，得到高分辨率和高准确度的风速数据，最后将此风速数据放入风速预测模型，进而完成对风速的预测；整个方案设计相比于已有技术，具有更强的抗噪性和准确性，提高了目标区域风场风速预测的精度，能够实现了对大风天气的长时序有效预测。气的长时序有效预测。气的长时序有效预测。

【技术实现步骤摘要】
一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法


[0001]本专利技术涉及一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，属于风速预测


技术介绍

[0002]大风天气会对柑橘生产产生极大影响，当风速到达一定程度时，会使柑橘的产量减产，为了使果农们提前做好措施应对大风天气，需要预测出大风天气。
[0003]现有风速预测常会涉及NCEP、气象站点数据，NCEP是由美国环境预报中心和美国大气研究中心联合推出的气象领域数据，其数据向全世界免费提供使用，其中包括风速，湿度等数据，因其数据更新及时、免费等因素被广泛应用于气象预测方面。
[0004]但是现有技术关于风速的预测方式中，没有一个完整、高效的系统测量方式，并且在实际的风速预测过程中，预测结果准确率不高。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，采用全新模型结构和控制策略，能够高效、准确实现风速预测。
[0006]本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，用于实现对目标区域的风速预测，包括如下步骤：
[0007]步骤A.基于自当前时间向历史时间方向的预设数量各时间的当前采集时长范围，获得目标区域分别对应当前采集时长范围中各时间的NCEP风速网格数据，以及获得目标区域中各气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，然后进入步骤B；
[0008]步骤B.根据目标区域分别对应当前采集时长范围中各时间的NCEP风速网格数据，结合预设大于该NCEP风速网格数据中网格分辨率的高网格分辨率，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第一风速数据；
[0009]同时，根据目标区域中各气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第二风速数据，然后进入步骤C；
[0010]步骤C.根据目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第一风速数据、第二风速数据，以及目标区域高网格分辨率下各网格的经纬度信息、高度信息、坡度信息、坡向信息，应用已训练好以网格所对应的第一风速数据、第二风速数据、经纬度信息、高程信息、坡度信息、坡向信息为输入，网格所对应的融合风速数据为输出的数据融合模型，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的融合风速数据，然后进入步骤D；
[0011]步骤D.根据目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的融合风速数据，应用已训练好以网格所对应当前采集时长范围中各时间的融合风速数据为输入，网格对应相对当前采集时长范围的未来下一时间的风速预测数据为输出的风速预测模型，获得目标区域高网格分辨率下各网格分别对应相对当前采集时长范围的未来下一时间的风速预测数据，即实现目标区域对应相对当前采集时长范围的未来下一时间的风速预测。
[0012]作为本专利技术的一种优选技术方案：基于当前采集时长范围中各时间的融合风速数据，以及相对当前采集时长范围的未来下一时间的预测风速数据，执行步骤D滚动预测K次，即实现目标区域分别对应自当前时间的下一时间起的未来K个时间的风速预测。
[0013]作为本专利技术的一种优选技术方案：所述步骤B中，根据目标区域分别对应当前采集时长范围中各时间的NCEP风速网格数据，结合预设大于该NCEP风速网格数据中网格分辨率的高网格分辨率，应用双线性插值方法，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第一风速数据；
[0014]同时，根据目标区域中各气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，应用反距离权重插值方法，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第二风速数据。
[0015]作为本专利技术的一种优选技术方案：所述步骤B中，分别针对目标区域高网格分辨率下的各个网格，根据相距网格最近的n个气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，应用反距离权重插值方法，获得分别对应当前采集时长范围中各时间的插值风速数据，作为该网格分别对应当前采集时长范围中各时间的第二风速数据；进而获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第二风速数据；其中，1<n≤N，N表示目标区域中气象站观测点的数量。
[0016]作为本专利技术的一种优选技术方案：所述步骤C中的数据融合模型，按如下步骤C1至步骤C4进行训练获得；
[0017]步骤C1.获得目标区域分别对应预设各历史时间的NCEP风速网格数据，以及获得目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据，然后进入步骤C2；
[0018]步骤C2.根据目标区域分别对应预设各历史时间的NCEP风速网格数据，进行双线性插值，获得目标区域中各气象站观测点分别对应预设各历史时间的第一插值风速数据；
[0019]同时，根据目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据，应用反距离权重插值方法，获得目标区域中各气象站观测点分别对应预设各历史时间的第二插值风速数据；
[0020]然后进入步骤C3；
[0021]步骤C3.根据目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据、第一插值风速数据、第二插值风速数据，以及各气象站观测点分别对应的经纬度信息、高程信息、坡度信息、坡向信息，以气象站观测点所对应的第一插值风速数据、第二插值风速数据、经纬度信息、高程信息、坡度信息、坡向信息为输入，气象站观测点所对应的实测风速数据为输出，针对基于高斯过程回归的待训练数据融合模型进行训练，获得数据融合模型，然后进入步骤C4；
[0022]步骤C4.针对所获得的数据融合模型，定义其各输入中气象站观测点所对应的第
一插值风速数据、第二插值风速数据、经纬度信息、高程信息、坡度信息、坡向信息，对应于目标区域中网格所对应的第一风速数据、第二风速数据、经纬度信息、高程信息、坡度信息、坡向信息，以及定义其输出中气象站观测点所对应的实测风速数据，对应于目标区域中网格所对应的融合风速数据，即更新获得以网格所对应的第一风速数据、第二风速数据、经纬度信息、高程信息、坡度信息、坡向信息为输入，网格所对应的融合风速数据为输出的数据融合模型。
[0023]作为本专利技术的一种优选技术方案：所述步骤C2中，分别针对目标区域中的各个气象站观测点，根据相距气象站观测点最近的n个气象站观测点分别对应预设各历史时间的实测风速数据，应用反距离权重插值方法，获得分别对应预设各历史时间的插值风速数据，作为该气象站观测点分别对应预设各历史时间的第二插值风速数据；进而获得目标区域中各气象站观测点别对应预设各历史时间的第二插值风速数据；其中，1<n≤N，N表示目标区域中气象站观测点的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，用于实现对目标区域的风速预测，其特征在于，包括如下步骤：步骤A.基于自当前时间向历史时间方向的预设数量各时间的当前采集时长范围，获得目标区域分别对应当前采集时长范围中各时间的NCEP风速网格数据，以及获得目标区域中各气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，然后进入步骤B；步骤B.根据目标区域分别对应当前采集时长范围中各时间的NCEP风速网格数据，结合预设大于该NCEP风速网格数据中网格分辨率的高网格分辨率，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第一风速数据；同时，根据目标区域中各气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第二风速数据，然后进入步骤C；步骤C.根据目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第一风速数据、第二风速数据，以及目标区域高网格分辨率下各网格的经纬度信息、高度信息、坡度信息、坡向信息，应用已训练好以网格所对应的第一风速数据、第二风速数据、经纬度信息、高程信息、坡度信息、坡向信息为输入，网格所对应的融合风速数据为输出的数据融合模型，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的融合风速数据，然后进入步骤D；步骤D.根据目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的融合风速数据，应用已训练好以网格所对应当前采集时长范围中各时间的融合风速数据为输入，网格对应相对当前采集时长范围的未来下一时间的风速预测数据为输出的风速预测模型，获得目标区域高网格分辨率下各网格分别对应相对当前采集时长范围的未来下一时间的风速预测数据，即实现目标区域对应相对当前采集时长范围的未来下一时间的风速预测。2.根据权利要求1所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，其特征在于：基于当前采集时长范围中各时间的融合风速数据，以及相对当前采集时长范围的未来下一时间的预测风速数据，执行步骤D滚动预测K次，即实现目标区域分别对应自当前时间的下一时间起的未来K个时间的风速预测。3.根据权利要求1所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，其特征在于：所述步骤B中，根据目标区域分别对应当前采集时长范围中各时间的NCEP风速网格数据，结合预设大于该NCEP风速网格数据中网格分辨率的高网格分辨率，应用双线性插值方法，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第一风速数据；同时，根据目标区域中各气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，应用反距离权重插值方法，获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第二风速数据。4.根据权利要求3所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，其特征在于：所述步骤B中，分别针对目标区域高网格分辨率下的各个网格，根据相距网格最近的n个气象站观测点分别对应当前采集时长范围中各时间的实测风速数据，应用反距离权重插值方法，获得分别对应当前采集时长范围中各时间的插值风速数据，作为
该网格分别对应当前采集时长范围中各时间的第二风速数据；进而获得目标区域高网格分辨率下各网格分别对应当前采集时长范围中各时间的第二风速数据；其中，1<n≤N，N表示目标区域中气象站观测点的数量。5.根据权利要求1所述一种基于数据融合和卷积长短时序分析网络模型的区域风速预测方法，其特征在于：所述步骤C中的数据融合模型，按如下步骤C1至步骤C4进行训练获得；步骤C1.获得目标区域分别对应预设各历史时间的NCEP风速网格数据，以及获得目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据，然后进入步骤C2；步骤C2.根据目标区域分别对应预设各历史时间的NCEP风速网格数据，进行双线性插值，获得目标区域中各气象站观测点分别对应预设各历史时间的第一插值风速数据；同时，根据目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据，应用反距离权重插值方法，获得目标区域中各气象站观测点分别对应预设各历史时间的第二插值风速数据；然后进入步骤C3；步骤C3.根据目标区域中各气象站观测点分别对应预设各历史时间的实测风速数据、第一插值风速数据、第二插值风速数据，以及各气象站观测点分别对应的经纬度信息、高程信息、坡度信息、坡向信息，以气象站观测点所对应的第一插值风速数据、第二插值风速数据、经纬度信息、高程信息、坡度信...

【专利技术属性】
技术研发人员：刘向阳，石峰，葛莹，庄翠珍，郭家贤，
申请(专利权)人：新平褚氏农业有限公司，
类型：发明
国别省市：