CN107703564B - 一种降雨预测方法、系统及电子设备 - Google Patents
一种降雨预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN107703564B CN107703564B CN201710958075.4A CN201710958075A CN107703564B CN 107703564 B CN107703564 B CN 107703564B CN 201710958075 A CN201710958075 A CN 201710958075A CN 107703564 B CN107703564 B CN 107703564B
- Authority
- CN
- China
- Prior art keywords
- radar
- rainfall prediction
- time
- neural network
- rainfall
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 119
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 54
- 125000004122 cyclic group Chemical group 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 34
- 230000007787 long-term memory Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 32
- 238000011176 pooling Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims 2
- 230000007774 longterm Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 12
- 238000001556 precipitation Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ecology (AREA)
- Electromagnetism (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及气象服务技术领域，特别涉及一种降雨预测方法、系统及电子设备。所述降雨预测方法包括：步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；步骤b：构建基于深度神经网络的降雨预测模型；步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。本申请有效利用了雷达图随时间变化趋势中的长期与短期时序依赖关系，并融入其他气象信息，综合多种数据信息源，从而精准预测短期内未来降雨量。
Description
技术领域
本申请涉及气象服务技术领域，特别涉及一种降雨预测方法、系统及电子设备。
背景技术
降水预报，在气象服务领域一直是非常重要的问题。准确的天气预报服务可以帮助人们计划户外活动，甚至可以提供洪水或交通等事故的预警。短期降水预测是一个在现实生活中具有重要意义同时很有挑战的任务，为了预测短期降水量，通常涉及以下信息的分析：当前降水量与雷达折射率之间的关系、目标地点与周边地区之间的降水关系，根据历史数据，发现降水量演变的一些模式。
多普勒雷达探测降水是气象中常用的方法。在雷达气象中，气象目标对雷达波后向散射能力的强弱通常称为气象目标强度，常用的表示气象目标强度的参量有反射率和反射率因子。单位体积重云雨粒子后向散射截面的总和，称为气象目标的反射率。降水目标物单位体积中降水粒子直径6次方的总和称为雷达反射率因子，用Z表示，其常用单位为mm6/m3。反射率因子Z值的大小，反映了气象目标内部降水粒子的尺度和数密度，常用来表示气象目标的强度。
近年来，各地气象站收集了大量雷达图数据和其他气象数据，并开始利用雷达图数据进行短期降雨预测。但现有短期降雨预测方法主要是使用单一高度的雷达图数据信息，利用传统的光流法做雷达图随时间的外推，再进行人工估计，这是比较常规的短期降雨预测方法，也是当前气象预报中天气雷达系统和强天气预警业务的基本组成部分。但这种的预测效率较低且对雷达图数据信息挖掘不充分，预测精度低，对于预测未来一个小时的情况尚可，但对于更后的第二小时、第三小时预测则很糟糕，严重难以满足当前预报要求。
近年来，深度学习颠覆了图像识别、文本理解、语音识别等众多领域算法设计思路，逐渐形成了从训练数据出发，通过训练一个端到端的深度神经网络模型，直接输出最终结果的新模式。由于深度学习中的每一层都可以为了最终的任务来调整自己，最终实现各层之间的通力合作，因而可以大大提高任务的准确度。随着大数据时代的到来以及GPU(Graphics Processing Unit，图形处理器)等各种更加强大的计算设备的发展，深度学习可以充分利用各种海量数据，完全自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。
中国专利申请(申请号CN 201610752369)中提出了一种降雨预测方法及系统，其利用各气象自动站的风速、温度、气压和湿度数据，设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度SVM降雨错位预测模型；计算模型参数gamma值和参数C值，输入SVM降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果，根据所述降雨量预测结果计算降雨概率。但该技术主要是针对风速、温度、气压和湿度数据，缺乏对雷达图这一有效信息的挖掘利用，同时由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
北京邮电大学计算机学院的郭尚瓒、肖达、袁行远等在基于神经网络和模型集成的短时降雨预测方法中，提出了一个基于神经网络的预测模型，可通过多普勒雷达图像序列预测某区域36min内的降雨概率。通过对神经网络和传统光流法的对比分析，还提出了一种结合了两种方法各自优点的集成预测模型。该方法使用单一高度的雷达图序列训练卷积神经网络，以预测目标像素点未来36min内是否有降雨，即二分类问题。该方法虽然利用了雷达图信息和卷积神经网络，但对其中的时空信息挖掘有限，仅使用单一高度雷达图，而未考虑不同高度云层相互运动变化关系，仅在平面卷积对空间特征信息提取不足，而将不同时序的雷达图作为卷积神经网络的多通道输入，则对时序信息提取不足。且最终预测仅为未来36分钟内是否有降雨，预测时间偏短，且预测粒度较粗。
发明内容
本申请提供了一种降雨预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种降雨预测方法，包括：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本申请实施例采取的技术方案还包括：在所述步骤a中，所述提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述构建基于深度神经网络的降雨预测模型还包括：将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练。
本申请实施例采取的技术方案还包括：所述降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络，所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练具体包括：
步骤b1：初始化所述基于深度神经网络的降雨预测模型的参数；
步骤b2：将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
步骤b3：通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；
步骤b4：通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。
本申请实施例采取的技术方案还包括：所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练还包括：
步骤b5：根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；
步骤b6：判断损失函数是否满足最小值，如果不满足最小值，执行步骤b7；如果满足最小值，执行步骤b8；
步骤b7：运用反向传播算法，根据损失函数调整网络参数；
步骤b8：保存网络参数，模型训练结束。
本申请实施例采取的技术方案还包括：所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。
本申请实施例采取的技术方案还包括：所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。
本申请实施例采取的另一技术方案为：一种降雨预测系统，包括：
雷达图提取模块：用于提取不同时间段内不同高度的雷达图；
气象信息提取模块：用于提取所述雷达图对应时间段内的气象信息序列；
网络模型构建模块：用于构建基于深度神经网络的降雨预测模型；
降雨预测模块：用于将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本申请实施例采取的技术方案还包括：所述雷达图提取模块提取不同时间段内不同高度的雷达图具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；所述气象信息提取模块提取雷达图对应时间段内的气象信息序列具体为：获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式。
本申请实施例采取的技术方案还包括网络模型训练模块，所述网络模型训练模块用于将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练。
本申请实施例采取的技术方案还包括：所述降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络，所述网络模型训练模块包括：
初始化单元：用于初始化所述基于深度神经网络的降雨预测模型的参数；
样本输入单元：用于将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
第一特征提取单元：用于通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；
第二特征提取单元：用于通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。
本申请实施例采取的技术方案还包括：所述网络模型训练模块还包括：
损失函数计算单元：用于根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；
损失函数值判断单元：用于判断损失函数是否满足最小值，如果不满足最小值，通过网络优化单元优化网络参数；如果满足最小值，通过参数存储单元存储网络参数；
网络优化单元：用于运用反向传播算法，根据损失函数调整网络参数；
参数存储单元：用于保存网络参数，模型训练结束。
本申请实施例采取的技术方案还包括：所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。
本申请实施例采取的技术方案还包括：所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。
本申请实施例采取的又一技术方案为：一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的降雨预测方法的以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的降雨预测方法、系统及电子设备通过使用不同高度的雷达图，并使用3D卷积神经网络在单一高度的雷达图平面上提取目标区域与周边地区的云层信息，同时学习相邻高度的雷达图之间的关系，并自动提取雷达图空间特征信息；再通过长短期记忆循环神经网络对雷达图空间特征信息的变化趋势及气象信息序列与历史降雨量信息做时序分析，有效利用了雷达图随时间变化趋势中的长期与短期时序依赖关系，并融入其他气象信息，综合多种数据信息源，达到优势互补目的，能更好的对雷达图随时间变化趋势以及雷达图与降雨间关系进行建模，进一步降低误差，从而精准预测短期内未来降雨量；且能省时省力，高效快捷，避免了传统方法利用单一高度雷达图，导致信息丢失，造成预测误差增大的缺点。
附图说明
图1是本申请实施例的降雨预测方法的流程图；
图2为时刻t前a个时间跨度的雷达图；
图3为目标站点示意图；
图4为第一种实现方式的网络架构图；
图5为第二种实现方式的网络架构图；
图6是本申请实施例的3个门结构的原理图；
图7是本申请实施例的降雨预测系统的结构示意图；
图8是本发明实施例提供的降雨预测方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
现有技术中，传统的基于雷达图的短期降雨预测方法仅选取单一高度的雷达图进行分析，但由于某一时间段内的雷达图具有不同高度的多张，且不同高度的雷达图之间存在相互变化关系，单一高度的雷达图造成了大量的信息损失，并导致预测误差大。为了解决现有技术存在的问题，本申请实施例的降雨预测方法通过将同一时间段内不同高度的多张雷达图数据叠加，并使用3D卷积神经网络在单一高度的雷达图平面上提取目标区域与周边地区的云层信息，同时学习相邻高度的雷达图之间的关系，并自动提取雷达图空间特征信息；再通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，从而精准预测短期内未来降雨量。
具体地，请参阅图1，是本申请实施例的降雨预测方法的流程图。本申请实施例的降雨预测方法包括以下步骤：
步骤100：从气象数据中提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的多张雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；
在步骤100中，本申请实施例通过选取同一个目标站点和周边地区在不同时间段内不同高度下的一系列雷达图，并将雷达图处理为指定大小与维度，从而预测目标站点在未来某一时间段内的地面总降雨量。本申请通过充分利用不同高度分布的雷达图，不但在单一高度的雷达图平面上进行卷积，提取目标区域与周边地区的云层信息，同时在雷达图高度这一维度上进行卷积，学习相邻高度间雷达图的关系，充分利用雷达图数据，避免了传统方法利用单一高度雷达图导致的信息丢失，从而提高预测精度。具体地，雷达图样本数据包括以下维度：
1、每个雷达图样本数据中包含一个目标站点(目标站点位于雷达图样本数据的中心)；
2、每个雷达图样本数据中包含目标站点在某一时间段内的降雨总量；
3.每个雷达图样本数据由a个时间跨度的雷达图叠加组成，不同时间跨度下的雷达图，间隔时间为6分钟，具体可根据实际应用进行设定；不同高度下的雷达图，共H个高度；单个雷达图样本数据具体如图2所示，为时刻t前a个时间跨度的雷达图，该雷达图样本数据的样本标签为(t+i)至(t+i+1)的降雨总量，i为时刻t之后的时间段。
4.根据目标站点的纬度和经度，每个雷达图样本数据占地面积m*m平方公里，该区域被标记为m×m格；具体如图3所示，为目标站点示意图，图中心位置的点即为目标站点。
步骤200：获取每个雷达图样本数据对应时间段内的气象信息序列，得到由雷达图样本数据和对应气象信息序列组成的训练样本数据集；
在步骤200中，为了保持与雷达图样本数据一致且方便处理，从气象站采集到的气象信息中提取出与雷达图样本数据时间段相对应的风速、温度、气压、湿度等气象信息序列，并将提取的气象信息序列处理为向量形式。
步骤300：构建基于深度神经网络的降雨预测模型；
在步骤300中，本申请实施例的基于深度神经网络的降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络两部分，基于深度神经网络的降雨预测模型包括两种实现方式，如图4所示，为第一种实现方式的网络架构图。第一种实现方式为雷达图样本数据与气象信息序列完全分离：该方式先通过3D卷积神经网络和长短期记忆神经网络提取雷达图样本数据中的雷达图时空特征，根据提取的雷达图时空特征预测第一降雨量；再通过长短期记忆神经网络提取气象信息序列的时序特征，并根据气象信息时序特征预测第二降雨量；最后将预测到的两个降雨量进行权重融合，得到最终的降雨量预测值。
请参阅图5，为第二种实现方式的网络架构图。第二种实现方式为：通过3D卷积神经网络分别对各个雷达图样本数据进行卷积操作，得到各个时间段的雷达图空间特征信息，并将雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络进行时序分析，得到雷达图时空特征及气象信息时序特征，通过综合目标区域与周边地区云层分布及其变化趋势以及气象信息的变化趋势，得到最终的降雨量预测值。由于两种实现方式在实现细节上大体类似，本申请以下实施例仅以第二种实现方式为例进行具体说明，具体实现方式可根据实际情况进行选择。
具体地，请一并参阅图4，是本申请实施例的基于深度神经网络的降雨预测模型总体架构图。本申请实施例的基于深度神经网络的降雨预测模型包括：输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对各个时间段的雷达图样本数据分别进行卷积操作，并通过校正层和池化层进行校正和池化处理后，由第二卷积层输出各个时间段的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，通过长短期记忆循环神经网络学习雷达图空间特征信息以及气象信息序列随时间的变换趋势，得到各个时间段的雷达图时空特征及气象信息时序特征，最后通过输出层输出降雨量预测值。
进一步地，本申请实施例中，长短期记忆循环神经网络包括遗忘门(forgetgate)、输入门(input gate)和输出门(output gate)。门是一种让信息选择式通过的方法，通过3个门结构可以去除或者增加雷达图空间特征信息与气象信息序列到长短期记忆神经网络的细胞状态，即雷达图空间特征信息与气象信息序列可以通过3个门结构被有选择地遗忘和保存。通过遗忘门实时选择雷达图空间特征信息与气象信息序列中的有效信息，抛弃无效信息，再由输入门加入新的雷达图空间特征信息与气象信息序列，以此循环往复，长短期记忆循环神经网络能够学习到雷达图空间特征信息与气象信息序列中的长期依赖信息，挖掘雷达图空间特征信息与气象信息序列的变化趋势，从而降低预测误差。
具体地，请一并参阅图6，是本申请实施例的3个门结构的原理图。遗忘门、输入门和输出门的作用如下：
1、遗忘门：用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；由于每个雷达图样本数据和气象信息序列中包括当前时刻及过去多个时刻的雷达图与气象信息序列，但过去多个时刻的雷达图与气象信息序列中提取到的有些信息随时间发展可能成为了无效信息，因此需要通过遗忘门丢弃掉这部分无效信息，而保留过去多个时刻的雷达图与气象信息序列中依然有效的信息。遗忘门根据当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息
)，输出一个在0到1之间的遗忘参数
其中0表示完全遗忘过去积累的雷达图与气象信息序列，1表示完全记忆过去积累的雷达图与气象信息序列。
2、输入门：用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将其加入对雷达图与气象信息序列的长期记忆Ct中。本申请实施例中，输入门通过当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息
)决定当前时刻雷达图与气象信息序列对整体雷达图与气象信息序列的影响程度it，然后由遗忘门得到的遗忘参数
提取长期记忆Ct中的雷达图与气象信息序列的有效信息，由输入门得到的影响程度it提取当前时刻输入的雷达图与气象信息序列中对雷达图与气象信息序列长期记忆的有用信息，更新雷达图与气象信息序列的长期记忆Ct。
3、输出门，用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息
输出门基于当前时刻对于雷达图与气象信息序列的长期记忆Ct以及当前时刻输入的雷达图与气象信息序列，即雷达图与气象信息序列的长期记忆Ct反映了根据前期信息提取到的雷达图与气象信息序列的整体变化趋势，加上当前时刻输入的雷达图与气象信息序列，则可在一定程度上反映出对下一时刻雷达图与气象信息序列的预期。
步骤400：将训练样本数据集中的雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对基于深度神经网络的降雨预测模型进行训练；
在步骤400中，对基于深度神经网络的降雨预测模型进行训练的训练方式包括以下步骤：
步骤410：初始化基于深度神经网络的降雨预测模型的参数；
步骤420：将带有降雨量标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
步骤430：通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行不断卷积池化操作，提取各个时间段的雷达图空间特征信息；
步骤440：将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络，通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值；
步骤450；根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数L；
步骤460：判断损失函数L是否满足最小值，如果不满足最小值，执行步骤470；如果满足最小值，执行步骤480；
在步骤460中，由于本申请的目标是预测确切的降雨量，以减少预测误差，因此，本申请使用均方根误差(RMSE)来作为损失函数评估性能；RMSE定义如下：
上述公式中，X为预测向量，Y为观测值的向量，n为观测数据大小。
步骤470：运用反向传播算法，根据损失函数L调整网络参数，直到损失函数L满足最小值；
步骤480：保存网络参数，模型训练结束。
步骤500：使用训练好的基于深度神经网络的降雨预测网络模型进行短期降雨预测。
在步骤500中，要预测某一目标区域当前时刻的未来某一时间段(第i时刻到第i+1时刻)的降雨量，则只需以该目标区域为中心提取当前时刻前几个小时m x m范围内a个时间跨度的雷达图与气象信息序列，将雷达图与气象信息序列处理成与训练样本数据集中相同的形式后，输入基于深度神经网络的降雨预测模型，通过基于深度神经网络的降雨预测模型自动完成对雷达图时空特征的提取、对雷达图在空间与时间域上变换趋势的建模、雷达图与对应降雨量间关系的建模、对气象信息随时间变化趋势的建模以及气象信息与对应降雨量关系的建模过程，并直接输出当前时刻后第i至第i+1时间段的降雨量预测值，省去了人工估计过程，更加省时省力，方便易用。
请参阅图7，是本申请实施例的降雨预测系统的结构示意图。本申请实施例的降雨预测系统包括雷达图提取模块、气象信息提取模块、网络模型构建模块、网络模型训练模块和降雨预测模块。
雷达图提取模块：用于从气象数据中提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的多张雷达图进行叠加，得到各个时间段对应的雷达图样本数据；其中，本申请实施例通过选取同一个目标站点和周边地区在不同时间段内不同高度下的一系列雷达图，并将雷达图处理为指定大小与维度，从而预测目标站点在未来某一时间段内的地面总降雨量。具体地，雷达图样本数据包括以下维度：
1、每个雷达图样本数据中包含一个目标站点(目标站点位于雷达图样本数据的中心)；
2、每个雷达图样本数据中包含目标站点在某一时间段内的降雨总量；
3.每个雷达图样本数据由a个时间跨度的雷达图叠加组成，不同时间跨度下的雷达图，间隔时间为6分钟，具体可根据实际应用进行设定；不同高度下的雷达图，共H个高度；单个雷达图样本数据具体如图2所示，为时刻t前a个时间跨度的雷达图，该雷达图样本数据的样本标签为(t+i)至(t+i+1)的降雨总量，i为时刻t之后的时间段。
4.根据目标站点的纬度和经度，每个雷达图样本数据占地面积m*m平方公里，该区域被标记为m×m格；具体如图3所示，为目标站点示意图，图中心位置的点即为目标站点。
气象信息提取模块：用于获取每个雷达图样本数据对应时间段内的气象信息序列；其中，为了保持与雷达图样本数据一致且方便处理，从气象站采集到的气象信息中提取出与雷达图样本数据时间段相对应的风速、温度、气压、湿度等气象信息序列，并将提取的气象信息序列处理为向量形式。
网络模型构建模块：用于构建基于深度神经网络的降雨预测模型；其中，本申请实施例的基于深度神经网络的降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络两部分，基于深度神经网络的降雨预测模型包括两种实现方式，第一种实现方式为雷达图样本数据与气象信息序列完全分离：该方式先通过3D卷积神经网络和长短期记忆神经网络提取雷达图样本数据中的雷达图时空特征，根据提取的雷达图时空特征预测第一降雨量；再通过长短期记忆神经网络提取气象信息序列的时序特征，并根据气象信息时序特征预测第二降雨量；最后将预测到的两个降雨量进行权重融合，得到最终的降雨量预测值。
第二种实现方式为：通过3D卷积神经网络分别对各个雷达图样本数据进行卷积操作，得到各个时间段的雷达图空间特征信息，并将雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络进行时序分析，得到雷达图时空特征及气象信息时序特征，通过综合目标区域与周边地区云层分布及其变化趋势以及气象信息的变化趋势，得到最终的降雨量预测值。由于两种实现方式在实现细节上大体类似，本申请以下实施例仅以第二种实现方式为例进行具体说明。
具体地，是本申请实施例的基于深度神经网络的降雨预测模型总体架构图。本申请实施例的基于深度神经网络的降雨预测模型包括：输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对各个时间段的雷达图样本数据分别进行卷积操作，并通过校正层和池化层进行校正和池化处理后，由第二卷积层输出各个时间段的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，通过长短期记忆循环神经网络提取各个时间段的雷达图时空特征与气象信息时序特征，最后通过输出层输出降雨量预测值。
进一步地，本申请实施例中，长短期记忆循环神经网络包括遗忘门(forgetgate)、输入门(input gate)和输出门(output gate)。门是一种让信息选择式通过的方法，通过3个门结构可以去除或者增加雷达图空间特征信息与气象信息序列到长短期记忆神经网络的细胞状态，即雷达图空间特征信息与气象信息序列可以通过3个门结构被有选择地遗忘和保存。通过遗忘门实时选择雷达图空间特征信息与气象信息序列中的有效信息，抛弃无效信息，再由输入门加入新的雷达图空间特征信息与气象信息序列，以此循环往复，长短期记忆循环神经网络能够学习到雷达图空间特征信息与气象信息序列中的长期依赖信息，挖掘雷达图空间特征信息与气象信息序列的变化趋势，从而降低预测误差。具体地，遗忘门、输入门和输出门的作用如下：
1、遗忘门：用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；由于每个雷达图样本数据和气象信息序列中包括当前时刻及过去多个时刻的雷达图与气象信息序列，但过去多个时刻的雷达图与气象信息序列中提取到的有些信息随时间发展可能成为了无效信息，因此需要通过遗忘门丢弃掉这部分无效信息，而保留过去多个时刻的雷达图与气象信息序列中依然有效的信息。遗忘门根据当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息)，输出一个在0到1之间的遗忘参数
其中0表示完全遗忘过去积累的雷达图与气象信息序列，1表示完全记忆过去积累的雷达图与气象信息序列。
2、输入门：用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将其加入对雷达图与气象信息序列的长期记忆Ct中。本申请实施例中，输入门通过当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息)决定当前时刻雷达图与气象信息序列对整体雷达图与气象信息序列的影响程度it，然后由遗忘门得到的遗忘参数
提取长期记忆Ct中的雷达图与气象信息序列的有效信息，由输入门得到的影响程度it提取当前时刻输入的雷达图与气象信息序列中对雷达图与气象信息序列长期记忆的有用信息，更新雷达图与气象信息序列的长期记忆Ct。
3、输出门，用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息
输出门基于当前时刻对于雷达图与气象信息序列的长期记忆Ct以及当前时刻输入的雷达图与气象信息序列，即雷达图与气象信息序列的长期记忆Ct反映了根据前期信息提取到的雷达图与气象信息序列的整体变化趋势，加上当前时刻输入的雷达图与气象信息序列，则可在一定程度上反映出对下一时刻雷达图与气象信息序列的预期。
网络模型训练模块：用于根据雷达图样本数据和对应气象信息序列组成训练样本数据集，并将训练样本数据集中的雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对基于深度神经网络的降雨预测模型进行训练；具体地，网络模型训练模块包括：
初始化单元：用于初始化基于深度神经网络的降雨预测模型的参数；
样本输入单元：用于将带有降雨量标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
第一特征提取单元：用于通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行不断卷积池化操作，提取各个时间段的雷达图空间特征信息；
第二特征提取单元：用于将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络，通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值；
损失函数计算单元：用于根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数L；
损失函数值判断单元：用于判断损失函数L是否满足最小值，如果不满足最小值，通过网络优化单元优化网络参数；如果满足最小值，通过参数存储单元存储网络参数；其中，由于本申请的目标是预测确切的降雨量，以减少预测误差，因此，本申请使用均方根误差(RMSE)来作为损失函数评估性能；RMSE定义如下：
上述公式中，X为预测向量，Y为观测值的向量，n为观测数据大小。
网络优化单元：用于运用反向传播算法，根据损失函数L调整网络参数，直到损失函数L满足最小值；
参数存储单元：用于保存网络参数，模型训练结束。
降雨预测模块：用于使用训练好的基于深度神经网络的降雨预测网络模型进行短期降雨预测。其中，要预测某一目标区域当前时刻的未来某一时间段(第i时刻到第i+1时刻)的降雨量，则只需以该目标区域为中心提取当前时刻前几个小时m x m范围内a个时间跨度的雷达图与气象信息序列，将雷达图与气象信息序列处理成与训练样本数据集中相同的形式后，输入基于深度神经网络的降雨预测模型，通过基于深度神经网络的降雨预测模型自动完成对雷达图时空特征的提取、对雷达图在空间与时间域上变换趋势的建模、雷达图与对应降雨量间关系的建模、对气象信息随时间变化趋势的建模以及气象信息与对应降雨量关系的建模过程，并直接输出当前时刻后第i至第i+1时间段的降雨量预测值，省去了人工估计过程，更加省时省力，方便易用。
图8是本发明实施例提供的降雨预测方法的硬件设备结构示意图，如图8所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的方法。
本发明实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本申请实施例的降雨预测方法、系统及电子设备通过使用不同高度的雷达图，并使用3D卷积神经网络在单一高度的雷达图平面上提取目标区域与周边地区的云层信息，同时学习相邻高度的雷达图之间的关系，并自动提取雷达图空间特征信息；再通过长短期记忆循环神经网络对雷达图空间特征信息的变化趋势及气象信息序列与历史降雨量信息做时序分析，有效利用了雷达图随时间变化趋势中的长期与短期时序依赖关系，并融入其他气象信息，综合多种数据信息源，达到优势互补目的，能更好的对雷达图随时间变化趋势以及雷达图与降雨间关系进行建模，进一步降低误差，从而精准预测短期内未来降雨量；且能省时省力，高效快捷，避免了传统方法利用单一高度雷达图，导致信息丢失，造成预测误差增大的缺点。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种降雨预测方法，其特征在于，包括：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值；
在所述步骤a中，所述提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式；
在所述步骤b中，所述构建基于深度神经网络的降雨预测模型还包括：将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练；
所述降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络，所述通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练具体包括：
步骤b1：初始化所述基于深度神经网络的降雨预测模型的参数；
步骤b2：将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
步骤b3：通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；
步骤b4：通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。
2.根据权利要求1所述的降雨预测方法，其特征在于，所述通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练还包括：
步骤b5：根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；
步骤b6：判断损失函数是否满足最小值，如果不满足最小值，执行步骤b7；如果满足最小值，执行步骤b8；
步骤b7：运用反向传播算法，根据损失函数调整网络参数；
步骤b8：保存网络参数，模型训练结束。
3.根据权利要求1或2所述的降雨预测方法，其特征在于，所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。
4.根据权利要求3所述的降雨预测方法，其特征在于，所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。
5.一种降雨预测系统，其特征在于，包括：
雷达图提取模块：用于提取不同时间段内不同高度的雷达图；
气象信息提取模块：用于提取所述雷达图对应时间段内的气象信息序列；
网络模型构建模块：用于构建基于深度神经网络的降雨预测模型；
降雨预测模块：用于将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值；
所述雷达图提取模块提取不同时间段内不同高度的雷达图具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；所述气象信息提取模块提取雷达图对应时间段内的气象信息序列具体为：获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式；
还包括网络模型训练模块，所述网络模型训练模块用于将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练；
所述降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络，所述网络模型训练模块包括：
初始化单元：用于初始化所述基于深度神经网络的降雨预测模型的参数；
样本输入单元：用于将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
第一特征提取单元：用于通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；
第二特征提取单元：用于通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。
6.根据权利要求5所述的降雨预测系统，其特征在于，所述网络模型训练模块还包括：
损失函数计算单元：用于根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；
损失函数值判断单元：用于判断损失函数是否满足最小值，如果不满足最小值，通过网络优化单元优化网络参数；如果满足最小值，通过参数存储单元存储网络参数；
网络优化单元：用于运用反向传播算法，根据损失函数调整网络参数；
参数存储单元：用于保存网络参数，模型训练结束。
7.根据权利要求5或6所述的降雨预测系统，其特征在于，所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。
8.根据权利要求7所述的降雨预测系统，其特征在于，所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述权利要求1至4任一项所述的降雨预测方法的以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710958075.4A CN107703564B (zh) | 2017-10-13 | 2017-10-13 | 一种降雨预测方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710958075.4A CN107703564B (zh) | 2017-10-13 | 2017-10-13 | 一种降雨预测方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107703564A CN107703564A (zh) | 2018-02-16 |
| CN107703564B true CN107703564B (zh) | 2020-04-14 |
Family
ID=61183831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710958075.4A Active CN107703564B (zh) | 2017-10-13 | 2017-10-13 | 一种降雨预测方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107703564B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102576427B1 (ko) | 2021-04-19 | 2023-09-08 | 중앙대학교 산학협력단 | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
Families Citing this family (69)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446798A (zh) * | 2018-03-08 | 2018-08-24 | 重庆邮电大学 | 基于双路径时空残差网络的城市人群流动预测方法 |
| CN108680911B (zh) * | 2018-05-17 | 2022-06-03 | 电子科技大学 | 一种基于神经网络的雷达目标测向方法 |
| CN108761461B (zh) * | 2018-05-29 | 2022-02-18 | 南京信息工程大学 | 基于天气雷达回波时序图像的降水预报方法 |
| JP7438655B2 (ja) * | 2018-06-05 | 2024-02-27 | 株式会社東芝 | 気象解析装置、気象解析方法、およびプログラム |
| CN108897073A (zh) * | 2018-06-20 | 2018-11-27 | 西安电子科技大学 | 基于北斗信号及地面无线信号的天气预测方法 |
| CN110659641B (zh) * | 2018-06-28 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 一种文字识别的方法、装置及电子设备 |
| CN109239807A (zh) * | 2018-06-29 | 2019-01-18 | 平安科技（深圳）有限公司 | 降雨量评估方法及系统和终端 |
| CN109064460B (zh) * | 2018-08-01 | 2021-09-28 | 中国科学院合肥物质科学研究院 | 基于多时序属性元素深度特征的小麦重度病害预测方法 |
| CN109272144B (zh) * | 2018-08-16 | 2021-05-04 | 天津大学 | 基于bpnn的中国北方草原地区ndvi的预测方法 |
| CN109190810B (zh) * | 2018-08-16 | 2021-05-04 | 天津大学 | 基于tdnn的中国北方草原地区ndvi的预测方法 |
| CN109344992B (zh) * | 2018-08-21 | 2021-10-19 | 广东工业大学 | 一种融合时空因素的智能家居用户操控行为习惯建模方法 |
| CN109409561B (zh) * | 2018-08-22 | 2022-04-19 | 国网天津市电力公司 | 多时间尺度时间序列协同预测模型的构建方法 |
| CN110929543B (zh) * | 2018-08-30 | 2023-08-25 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
| CN109614744B (zh) * | 2018-12-28 | 2022-11-22 | 浙江理工大学 | 一种基于大数据的降水量检测方法及系统 |
| CN109976153B (zh) * | 2019-03-01 | 2021-03-26 | 北京三快在线科技有限公司 | 控制无人驾驶设备及模型训练的方法、装置及电子设备 |
| CN109799550B (zh) * | 2019-03-20 | 2022-02-18 | 北京百度网讯科技有限公司 | 用于预测降雨强度的方法和装置 |
| RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
| CN110096795B (zh) * | 2019-04-29 | 2023-07-18 | 国网湖南省电力有限公司 | 一种大气雾霾数值预报的校正预报方法及系统 |
| NL2023188B1 (en) * | 2019-05-24 | 2020-12-02 | Studio34 B V | Method and apparatus for generating a weather forecast |
| CN110135654B (zh) * | 2019-05-24 | 2021-08-27 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
| CN110363327B (zh) * | 2019-06-04 | 2021-09-03 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
| CN110633626A (zh) * | 2019-07-31 | 2019-12-31 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度在线量化方法 |
| CN110610190A (zh) * | 2019-07-31 | 2019-12-24 | 浙江大学 | 一种针对雨天图片的卷积神经网络降雨强度分类方法 |
| CN110457374B (zh) * | 2019-08-20 | 2023-04-18 | 贵州东方世纪科技股份有限公司 | 一种识别时段典型暴雨过程的方法 |
| CN110568441B (zh) * | 2019-09-09 | 2023-04-07 | 大连海事大学 | 一种基于卷积神经网络的船用雷达测雨识别方法 |
| CN110728411B (zh) * | 2019-10-18 | 2022-04-12 | 河海大学 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
| CN110824481A (zh) * | 2019-10-28 | 2020-02-21 | 兰州大方电子有限责任公司 | 一种基于雷达反射率外推的定量降水预测方法 |
| CN110766333B (zh) * | 2019-10-29 | 2024-01-26 | 北京依派伟业数码科技有限公司 | 一种天气现象信息智能处理方法及系统 |
| CN111062410B (zh) * | 2019-11-05 | 2023-05-30 | 复旦大学 | 基于深度学习的星型信息桥气象预测方法 |
| CN115438841A (zh) * | 2019-11-13 | 2022-12-06 | 吉林农业大学 | 基于人工智能精准预测降雨模型的训练方法及预测方法 |
| CN111008604A (zh) * | 2019-12-09 | 2020-04-14 | 上海眼控科技股份有限公司 | 预测图像获取方法、装置、计算机设备和存储介质 |
| CN110929963A (zh) * | 2019-12-16 | 2020-03-27 | 深圳智润新能源电力勘测设计院有限公司 | 风速预测方法、装置以及存储介质 |
| CN110934061A (zh) * | 2019-12-26 | 2020-03-31 | 裕华生态环境股份有限公司 | 园林灌溉节水系统 |
| CN111123410A (zh) * | 2019-12-26 | 2020-05-08 | 国网北京市电力公司 | 降水量监测系统及方法、存储介质、处理器 |
| CN111145245B (zh) * | 2019-12-31 | 2023-07-21 | 哈尔滨工业大学（深圳） | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
| CN111239739A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
| CN111291903A (zh) * | 2020-01-20 | 2020-06-16 | 上海眼控科技股份有限公司 | 降水量预估方法、装置、计算机设备及可读存储介质 |
| CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
| CN111427101B (zh) * | 2020-04-07 | 2022-04-26 | 南京气象科技创新研究院 | 一种雷雨大风分级预警方法、系统、存储介质 |
| CN111507929A (zh) * | 2020-04-15 | 2020-08-07 | 上海眼控科技股份有限公司 | 气象云图预测方法、装置、计算机设备和存储介质 |
| CN111487624A (zh) * | 2020-04-23 | 2020-08-04 | 上海眼控科技股份有限公司 | 一种预测降雨量的方法与设备 |
| CN111487695A (zh) * | 2020-04-28 | 2020-08-04 | 国网江苏省电力有限公司电力科学研究院 | 一种飑线系统的预报方法及预报系统 |
| CN111830595A (zh) * | 2020-06-09 | 2020-10-27 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
| CN111856618A (zh) * | 2020-06-11 | 2020-10-30 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
| CN111983732B (zh) * | 2020-07-27 | 2022-08-05 | 南京信息工程大学 | 一种基于深度学习的降水强度估计方法 |
| CN111882128B (zh) * | 2020-07-28 | 2021-09-28 | 中原工学院 | 基于tcn的汛期气候趋势预测方法 |
| CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
| CN111983729A (zh) * | 2020-08-20 | 2020-11-24 | 上海眼控科技股份有限公司 | 天气现象确定方法、装置、计算机设备和介质 |
| CN111736157B (zh) * | 2020-08-26 | 2021-01-05 | 蔻斯科技(上海)有限公司 | 基于ppi数据的临近预报的预测方法及设备 |
| CN111950812B (zh) * | 2020-08-31 | 2022-05-24 | 福建农林大学 | 一种自动识别与预测雨量的方法及其装置 |
| CN112183886B (zh) * | 2020-10-22 | 2024-03-15 | 南京信息工程大学 | 基于卷积网络和注意力机制的短时临近降雨预测方法 |
| CN112470888A (zh) * | 2020-11-02 | 2021-03-12 | 广东职业技术学院 | 一种智慧社区的自动浇水方法及系统 |
| CN112415635B (zh) * | 2020-11-19 | 2022-03-29 | 中山大学 | 一种耦合伽马与高斯分布的月尺度降水预报校正方法 |
| CN112698427B (zh) * | 2020-12-09 | 2023-01-31 | 最美天气(上海)科技有限公司 | 一种基于时空预测模型的短临预报方法及系统 |
| CN112711083B (zh) * | 2021-01-07 | 2022-07-05 | 国网福建省电力有限公司 | 基于自适应权重特征的多源降水数据动态融合方法及系统 |
| CN112764129B (zh) * | 2021-01-22 | 2022-08-26 | 易天气(北京)科技有限公司 | 一种雷暴短临预报方法、系统及终端 |
| CN112800691B (zh) * | 2021-04-15 | 2021-07-30 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建降水等级预测模型的方法及装置 |
| CN112988853B (zh) * | 2021-05-20 | 2021-09-10 | 北京市水利自动化研究所 | 一种基于地统计和优化算法的雨量站网布设方法 |
| CN114118544A (zh) * | 2021-11-11 | 2022-03-01 | 深圳市赑玄阁科技有限公司 | 一种城市积涝检测方法及装置 |
| CN114091765A (zh) * | 2021-11-25 | 2022-02-25 | 山西勇利信息科技有限公司 | 一种基于时空双向多粒度动态集成的未来降雨预测方法 |
| CN114492952B (zh) * | 2022-01-06 | 2023-08-01 | 清华大学 | 一种基于深度学习的短临降水预报方法和装置 |
| CN114399235B (zh) * | 2022-03-25 | 2022-07-08 | 北京慧图科技(集团)股份有限公司 | 一种基于雨情数据判定灾害风险等级的方法及系统 |
| CN115792847B (zh) * | 2022-11-08 | 2023-07-18 | 江西师范大学 | 一种基于神经网络和回波垂直信息的定量降水估测方法 |
| CN115629431B (zh) * | 2022-12-22 | 2023-03-14 | 成都数之联科技股份有限公司 | 一种水汽含量预测方法、装置、设备及介质 |
| CN116047633B (zh) * | 2023-01-28 | 2023-10-03 | 广州爱浦路网络技术有限公司 | 一种基于5gs的降雨监测方法 |
| CN116740935B (zh) * | 2023-06-26 | 2024-04-30 | 河北高速公路集团有限公司 | 一种高速公路环境预测方法、装置、设备及存储介质 |
| CN117434624B (zh) * | 2023-09-28 | 2024-04-16 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于语义分割的强对流天气识别和发展预判方法 |
| CN117492113B (zh) * | 2023-12-29 | 2024-04-09 | 江西飞尚科技有限公司 | 一种降雨监测调控方法、系统、电子设备及存储介质 |
| CN117991412B (zh) * | 2024-04-07 | 2024-06-04 | 无锡九方科技有限公司 | 一种基于多模态数据的极端降水预报方法与系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08211161A (ja) * | 1995-02-06 | 1996-08-20 | Tokyo Electric Power Co Inc:The | 気象災害予測方式 |
| JP2006208195A (ja) * | 2005-01-28 | 2006-08-10 | National Research Institute For Earth Science & Disaster Provention | 降雨強度と雨水量の３次元分布推定装置および方法 |
| JP2010054266A (ja) * | 2008-08-27 | 2010-03-11 | Kajima Corp | 浸水予測装置 |
| KR101352568B1 (ko) * | 2012-12-28 | 2014-01-24 | 경북대학교 산학협력단 | 강우강도 측정 장치 및 그 방법 |
| JP2015175834A (ja) * | 2014-03-18 | 2015-10-05 | 日本電気株式会社 | 情報収集システム、情報提供端末、サービス管理サーバ、情報収集方法、情報提供端末制御プログラムおよびサービス管理サーバ制御プログラム |
| CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及系统 |
| CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
| CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
| CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
| RU2015154086A (ru) * | 2015-12-16 | 2017-06-21 | Федеральное государственное бюджетное учреждение "Арктический и антарктический научно-исследовательский институт" | Способ оценки интенсивности дождя по данным измерений спутникового микроволнового радиометра amsr2 |
| CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
-
2017
- 2017-10-13 CN CN201710958075.4A patent/CN107703564B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08211161A (ja) * | 1995-02-06 | 1996-08-20 | Tokyo Electric Power Co Inc:The | 気象災害予測方式 |
| JP2006208195A (ja) * | 2005-01-28 | 2006-08-10 | National Research Institute For Earth Science & Disaster Provention | 降雨強度と雨水量の３次元分布推定装置および方法 |
| JP2010054266A (ja) * | 2008-08-27 | 2010-03-11 | Kajima Corp | 浸水予測装置 |
| KR101352568B1 (ko) * | 2012-12-28 | 2014-01-24 | 경북대학교 산학협력단 | 강우강도 측정 장치 및 그 방법 |
| JP2015175834A (ja) * | 2014-03-18 | 2015-10-05 | 日本電気株式会社 | 情報収集システム、情報提供端末、サービス管理サーバ、情報収集方法、情報提供端末制御プログラムおよびサービス管理サーバ制御プログラム |
| CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及系统 |
| RU2015154086A (ru) * | 2015-12-16 | 2017-06-21 | Федеральное государственное бюджетное учреждение "Арктический и антарктический научно-исследовательский институт" | Способ оценки интенсивности дождя по данным измерений спутникового микроволнового радиометра amsr2 |
| CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
| CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
| CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
| CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于BP神经网络的降雨量预测研究;葛彩莲;《节水灌溉》;20160516;正文107-109页 * |
| 基于神经网络和模型集成的段时降雨预测方法;郭尚瓒;《气象科技进展》;20170215;正文第8-9页 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102576427B1 (ko) | 2021-04-19 | 2023-09-08 | 중앙대학교 산학협력단 | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107703564A (zh) | 2018-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
| US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
| CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
| CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
| CN112016052A (zh) | 基于多源数据的近地表日最高气温估算方法、系统及终端 | |
| CN113505521B (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
| CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
| CN114067019A (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
| CN113420939A (zh) | 云图预报方法、设备及存储介质 | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| CN116108761B (zh) | 一种耦合深度学习和hasm的区域气候模拟方法和系统 | |
| Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
| CN114330935A (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
| Ye et al. | Multi-year ENSO forecasts using parallel convolutional neural networks with heterogeneous architecture | |
| CN111811465B (zh) | 基于多正弦函数分解神经网络预测海浪有效波高的方法 | |
| CN116955450A (zh) | 一种融合流域产汇流时空过程的水文预报方法和系统 | |
| CN113159434A (zh) | 一种雷达回波预测方法、装置、设备及存储介质 | |
| CN116090596A (zh) | 一种台风强度预测方法、装置、设备及存储介质 | |
| CN114861530A (zh) | 一种enso智能预测方法、装置、设备及存储介质 | |
| CN115099318A (zh) | 一种风速时空预测网络的训练方法、应用方法及电子设备 | |
| CN116522648A (zh) | 湖泊藻类状态预测方法及应用 | |
| Qiu et al. | A short-term precipitation prediction model based on spatiotemporal convolution network and ensemble empirical mode decomposition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |