【技术实现步骤摘要】
本专利技术涉及降水预测，具体地涉及一种基于集合预报的雅砻江流域中长期强降水预测方法、一种基于集合预报的雅砻江流域中长期强降水预测装置。
技术介绍
1、在现有技术中，往往对短期(1-10天)内的天气能够进行较为精确的预报，然而随着天气预报技术的不断推移，人们对天气预报的预报周期、预报精度提出了更高的要求，因此现有技术无法满足实际需求。
2、在现有的天气预报技术中，一方面，在对数据采集精度要求不高的基础上，往往只能对短期内的天气进行较为精确的预报；另一方面，若要对长周期内的天气进行精确预报，则需要长期的、精确的观测数据支撑，然而在实际应用过程中，技术人员发现，这种精细化的观测数据通常只覆盖经济发达的大型城市群，对于其余的大部分地区，往往无法提供精细的观测数据，而只能提供有限的、低精度的气象资料，因此现有技术无法满足实际需求，如何在有限的、低精度的气象资料的基础上，进行精确的中长期降水量预测是亟待解决的问题。
技术实现思路
1、为了克服现有技术中存在的上述技术问题，本专利技术实施例提供一种基于集合预报的雅砻江流域中长期强降水预测方法、装置，通过对传统的降水预测方法进行改进，从而实现在粗分辨率数据的基础上，实现更精确的降水预测。
2、为了实现上述目的，本专利技术实施例提供一种基于集合预报的雅砻江流域中长期强降水预测方法，所述方法包括：获取雅砻江流域在中长期内的粗分辨率集合预报数据以及历史日降水量数据，所述中长期为10-30天；对所述粗分辨率集合预报数据执行预处理操作
3、优选地，所述对所述粗分辨率集合预报数据执行预处理操作获得处理后数据，包括：从所述粗分辨率集合预报数据中确定待处理数据；基于预设标准化规则对所述待处理数据执行标准化处理，初步处理数据，所述预设标准化规则表征为：其中zi表征为标准化处理后的数据，xi表征为原始数据，和σ表征为数据集的均值和标准差；基于所述初步处理数据对所述粗分辨率集合预报数据进行更新，生成处理后数据。
4、优选地，所述基于所述处理后数据和所述历史日降水量数据生成训练数据，包括：确定所述处理后数据中的每个成员；确定在所述中长期内每天的第一采集时刻和第二采集时刻，基于所述第一采集时刻和所述第二采集时刻生成采集时间序列；从所述处理后数据中提取与所述采集时间序列对应的预报数据；建立每个成员与对应预报数据之间的映射关系；基于每个成员、所述映射关系以及对应预报数据生成一维数组；基于所述一维数组和所述历史日降水量数据生成与每个成员对应的训练数据。
5、优选地，所述预设深度学习模型包括损失函数，所述基于所述粗分辨率集合预报数据的强降水预测精度对所述预设深度学习模型进行优化，获得优化后模型，包括：基于所述历史降水量数据对对应的粗分辨率集合预报数据进行分析，生成强降水预测精度；获取所述损失函数针对不同降水量等级的初始损失权重；基于所述强降水预测精度对所述初始损失权重进行强降水权重优化，生成优化后权重；基于所述优化后权重对所述损失函数进行优化，生成优化后损失函数；基于所述优化后损失函数生成优化后模型
6、优选地，所述基于所述预测模型执行中长期降水预测，生成对应的预测结果，包括：获取最新集合预报数据；基于所述预测模型对所述最新集合预报数据中每个成员的预报数据进行降水特征识别，获得对应的成员降水特征；对所有成员的成员降水特征进行叠加分析，生成中长期降水特征；基于所述中长期降水特征生成对应的预测结果。
7、相应的，本专利技术还提供一种基于集合预报的雅砻江流域中长期强降水预测装置，所述装置包括：数据获取单元，用于获取雅砻江流域在中长期内的粗分辨率集合预报数据以及历史日降水量数据，所述中长期为10-30天；预处理单元，用于对所述粗分辨率集合预报数据执行预处理操作获得处理后数据，基于所述处理后数据和所述历史降水量数据生成训练数据；优化单元，用于获取预设深度学习模型，基于所述粗分辨率集合预报数据的强降水预测精度对所述预设深度学习模型进行优化，获得优化后模型；训练单元，用于基于所述训练数据对所述优化后模型进行训练，生成预测模型；预测单元，用于基于所述预测模型执行中长期降水预测，生成对应的预测结果。
8、优选地，所述预处理单元具体用于：从所述粗分辨率集合预报数据中确定待处理数据；基于预设标准化规则对所述待处理数据执行标准化处理，初步处理数据，所述预设标准化规则表征为：其中zi表征为标准化处理后的数据，xi表征为原始数据，和σ表征为数据集的均值和标准差；基于所述初步处理数据对所述粗分辨率集合预报数据进行更新，生成处理后数据。
9、优选地，所述数据生成单元具体用于：确定所述处理后数据中的每个成员；确定在所述中长期内每天的第一采集时刻和第二采集时刻，基于所述第一采集时刻和所述第二采集时刻生成采集时间序列；从所述处理后数据中提取与所述采集时间序列对应的预报数据；建立每个成员与对应预报数据之间的映射关系；基于每个成员、所述映射关系以及对应预报数据生成一维数组；基于所述一维数组和所述历史日降水量数据生成与每个成员对应的训练数据。
10、优选地，所述预设深度学习模型包括损失函数，所述优化单元具体用于：基于所述历史降水量数据对对应的粗分辨率集合预报数据进行分析，生成强降水预测精度；获取所述损失函数针对不同降水量等级的初始损失权重；基于所述强降水预测精度对所述初始损失权重进行强降水权重优化，生成优化后权重；基于所述优化后权重对所述损失函数进行优化，生成优化后损失函数；基于所述优化后损失函数生成优化后模型。
11、优选地，所述预测单元具体用于：获取最新集合预报数据；基于所述预测模型对所述最新集合预报数据中每个成员的预报数据进行降水特征识别，获得对应的成员降水特征；对所有成员的成员降水特征进行叠加分析，生成中长期降水特征；基于所述中长期降水特征生成对应的预测结果。
12、通过本专利技术提供的技术方案，本专利技术至少具有如下技术效果：
13、通过对传统的降水预测方法进行改进，在传统的粗分辨率集合预报数据的基础上，通过对原始数据进行适应性预处理，采用时间序列的方式获取训练数据，并对适应性优化后的深度学习模型进行训练，从而有效提高深度学习模型对强降水量的预测准确性，满足了时间需求。
14、本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种基于集合预报的雅砻江流域中长期强降水预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述粗分辨率集合预报数据执行预处理操作获得处理后数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述处理后数据和所述历史日降水量数据生成训练数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述预设深度学习模型包括损失函数，所述基于所述粗分辨率集合预报数据的强降水预测精度对所述预设深度学习模型进行优化，获得优化后模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述预测模型执行中长期降水预测，生成对应的预测结果，包括：
6.一种基于集合预报的雅砻江流域中长期强降水预测装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述预处理单元具体用于：
8.根据权利要求6所述的装置，其特征在于，所述数据生成单元具体用于：
9.根据权利要求8所述的装置，其特征在于，所述预设深度学习模型包括损失函数，所述优化单元
10.根据权利要求9所述的装置，其特征在于，所述预测单元具体用于：
...【技术特征摘要】
1.一种基于集合预报的雅砻江流域中长期强降水预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述粗分辨率集合预报数据执行预处理操作获得处理后数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述处理后数据和所述历史日降水量数据生成训练数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述预设深度学习模型包括损失函数，所述基于所述粗分辨率集合预报数据的强降水预测精度对所述预设深度学习模型进行优化，获得优化后模型，包括：
5.根据权利要...
【专利技术属性】
技术研发人员：缪益平，陈逸炜，蹇德平，朱成涛，唐圣钧，黄光伦，成建军，王大卫，郑钰，宋涛，熊世川，高进宇，刘洪宇，
申请(专利权)人：北京玖天气象科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。