【技术实现步骤摘要】
本专利技术涉及一种人工增雨效果评估量化方法，特别是一种基于深度学习的人工增雨效果评估量化方法。
技术介绍
1、为了增加降水量，许多地区通过精确选择作业时间来实施人工增雨。基于云物理学和人工增雨的科学原理，人工增雨的效果主要体现在目标云系的微观结构和降水过程的改变上。这种影响表现在两个方面：首先，人工作用直接改变云的宏观和微观物理属性，即为直接效果；其次，通过催化作用间接增加地面降水量，这是人工天气调控的最终目标，即间接效果。然而，目前缺乏有效的评估工具和方法，使得如何科学地评估人工增雨效果成为天气调控研究与实践中最复杂和挑战性的问题之一。
2、目前评估人工增雨效果的方法主要有三种。首先是广泛认可的随机对照试验法。然而，该方法需要较大的样本量，可能会牺牲部分作业机会，从而延长试验周期。此外，它也未能有效应对自然降水的高变异性。其次是利用数值模拟进行效果评估。尽管已开发了二维及三维云降水模拟技术，但这些技术仍未成熟，精度有待提高。最后是通过比较影响区与对照区的方法进行评估。然而，由于我国降水在时间和空间上的自然差异极大，这种方法在选择对比目标区域时缺乏有效标准。
3、随着深度学习的高度发展，利用多层的人工神经网络结构模仿人脑处理信息的机制，能够有效执行复杂的模式识别和数据预测任务。该技术在众多领域展现出良好的能力，在气象领域，尤其是在评估人工增雨效果方面，深度学习提供了一种全新的视角和方法。相较于传统方法依赖于分析地面降水变化，深度学习通过模型学习能够区分自然降水和人工增雨导致的降水变化，从而精确量化评估人工
4、相关专利文献cn114660678a公开了一种基于卫星遥感数据的飞机增雨效果评估方法，该方法通过对多源多时相卫星遥感数据和常规地面气象观测资料以及飞机增雨作业信息的综合使用，研判飞机增雨作业影响区，设置对比区，并分析影响区和对比区的云和降水宏微观物理变化，计算作业影响区和对比区的面积和增雨量数据，最后生成飞机增雨效果评估报告。
5、以上技术方案并未较好地解决人工增雨效果难以评估和量化的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的人工增雨效果评估量化方法，该方法能够更加精确地模拟和预测降雨过程，在定量评估人工增雨效果方面性能良好，以解决人工增雨效果难以评估和量化的问题。
2、为解决上述技术问题，本专利技术采用的技术方案如下：
3、一种基于深度学习的人工增雨效果评估量化方法，其技术方案在于它包括如下步骤：
4、s1:收集风云4号气象卫星(即fy-4a卫星)数据、实际降雨量观测数据和人工增雨作业记录数据，并分析风云4号气象卫星的多个通道，选取多个(可以是五个)与降雨量预测相关的通道用作实验数据，对这些数据进行时间同步的严格调整，以确保这些数据在空间和时间维度上的一致性，得到调整处理后的数据集，步骤s1为数据获取和初步处理步骤；
5、s2:将步骤s1得到的调整处理后的数据，进行自然条件下短期降雨量预测模型实验，在实验中首先排除(2020年湖北地区143个)受人工增雨作业影响的时间点，剔除因人工干预产生的异常降雨数据，同时也剔除对应的时间是风云4号气象卫星数据，接着根据实际降雨量数据的经纬度，对步骤s1调整处理后的实际降雨量观测数据和风云4号气象卫星数据进行经纬度对齐，因为分辨率的不同，导致实际降雨量观测数据与经纬度对齐后的风云4号气象卫星数据在图像尺寸上不一致，因此在实验中(预处理过程中)采用卷积神经网络cnn对风云4号气象卫星数据进行卷积处理，调整风云4号气象卫星数据在图像的尺寸与降雨量数据保持一致，得到处理后的数据集；
6、s3:将步骤s1和步骤s2处理后的数据集输入多通道高效通道注意力unet(mc-eca-unet)网络模型进行训练，该模型在unet基础上进行了改进，具体包括添加了eca模块、在网络的最后一层引入了多通道权重机制，并优化了网络损失函数的策略。具体是mc-eca-unet模型是在unet模型的基础上进行改进，unet网络因其良好的性能和适应能力，已被广泛应用于多个领域，如卫星图像分析和环境监测等，但unet网络面对多通道风云4号气象卫星数据的复杂性包括多波段光谱信息、高动态范围及丰富的空间细节，同时要分析风云4号气象卫星数据中携带着对大气和气象分析至关重要的光谱特性，这些都使得风云4号气象卫星数据的处理难度超出常规图像数据范畴。而unet网络缺少处理这些特性差异的能力，这可能导致关键信息丢失，从而影响最终的图像处理效果。改进之处是在原有的unet模型中的跳跃连接中融入了eca模块，同时多通道高效通道注意力unet网络模型最后一层采用创新的多通道权重机制，最后mc-eca-unet模型改进的损失函数，采用了结合mse损失与正则化的策略。最终将改进完成mc-eca-unet网络模型进行了大量的实验，验证了模型可靠性。
7、s4：评估人工增雨作业效果，采用某地的多次人工增雨作业数据(可采用湖北省武汉市和宜昌市的四次人工增雨作业数据)，对训练完成的模型进行人工增雨效果评估，通过模型反演获得同一地区人工增雨条件下自然形成的降雨量，然后和人工增雨后的实际降雨量进行比较，并利用残差值来评估量化人工增雨的有效性，最后利用模型对每一次作业数据进行评估量化。该方法包含数据处理、模型建立和结果输出模块。
8、上述技术方案中，优选的技术方案可以是，所述步骤s1具体包括:
9、s1.1:获取风云4号气象卫星数据、实际降雨量观测数据和人工增雨作业记录数据,其中风云4号气象卫星数据是在风云卫星遥感数据服务网获取的一定地域范围(2020年我国范围)2km分辨率卫星数据；
10、在实验中风云4号气象卫星数据是2020年我国区域2km分辨率数据，然后以某地(如湖北地区)的经纬度为基准，将我国区域2km分辨率卫星数据进行剪裁处理，得到某地(如湖北地区)范围内的2020年2km分辨率风云4号气象卫星数据。
11、风云4号气象卫星相较于风云2号气象卫星，风云4号气象卫星增加了9个光谱波段以及实现更高的时空分辨率，agri通道数已经从14增加到了18，同时红外空间分辨率也提高至2公里。这使得卫星能够更加准确地获取全圆盘卫星云图，并且风云4号气象卫星数据有助于深入分析云和降水的微物理特征，也提升了对人工增雨潜力的认识和评估。实际降雨量观测数据和人工增雨作业记录数据由某地气象服务部门提供(可由湖北省气象服务中心提供)。实际降雨量观测数据详细追踪了降雨事件及其后续影响，涵盖了日、月、年降雨数据，还包含了降雨强度、降雨持续时间以及降雨的空间分布等详细信息。人工增雨作业记录数据记录了每个事件的具体地点本文档来自技高网...
【技术保护点】
1.一种基于深度学习的人工增雨效果评估量化方法，其特征在于它包括如下步骤：
2.根据权利要求1所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤S1包括:
3.根据权利要求2所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤S2包括:
4.根据权利要求1所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤S3包括:
5.根据权利要求4所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤S4包括:
6.根据权利要求1所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤S4中所得到的残差值包括计算均方根误差、平均绝对误差和平均相对误差，残差值反映实际观测与预测之间的差异，均方根误差反映偏离程度，平均绝对误差反映平均误差。
7.根据权利要求5所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤S4.2中三种网络预测模型在实验中都是对降雨量进行周期为7小时的降雨量预测。
8.根据权利要求1所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤S1中
...【技术特征摘要】
1.一种基于深度学习的人工增雨效果评估量化方法，其特征在于它包括如下步骤：
2.根据权利要求1所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤s1包括:
3.根据权利要求2所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤s2包括:
4.根据权利要求1所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤s3包括:
5.根据权利要求4所述的基于深度学习的人工增雨效果评估量化方法，其特征在于步骤s4包括:
6.根据权利要求1所述的...
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。