[發明專利]一種降雨強度預報方法及相關裝置

在審

• 申請號: 201810008194.8
• 申請日: 2018-01-04
• 公開（公告）號: CN107977758A
• 公開（公告）日: 2018-05-01
• 發明（設計）人: 任丹琴;劉羽;朱紅;陳俊;崔坤磊
• 申請（專利權）人: 鄭州云海信息技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

技術領域

本發明涉及氣象預報領域，更具體地說，涉及一種降雨強度預報方法、系統、裝置及計算機可讀存儲介質。

背景技術

降雨強度的預測是氣象預報中非常重要的一部分，降雨事件也與人們的生活密切相關，強降水事件，比如暴雨及雷暴天氣會嚴重影響生產生活，甚至造成氣象災害現象，準確預測降雨強度能夠提前做好預防措施，盡可能減少災害的發生及經濟損失。

氣象數值預報方法作為傳統且主流的一種預測降雨的方法，通常是利用氣象數值模式以及背景場氣象數據在高性能計算機上數值模擬得到未來一段時間的氣象數據，通過數據處理分析以及可視化方法得到包括降雨強度在內的氣象預報產品。這種利用數值模型的方法能夠盡可能真實的模擬大氣的動力過程及物理機制，能夠預測未來數天的天氣過程。然而，大氣動力過程包含了多種不同尺度的非線性過程，這就使得即使非常成熟的數值模型也存在許多預測的不確定性因素，影響預測結果的準確性，降雨強度的預測受到多種不確定性因素的影響，預測結果準確率往往不高。

近幾年，利用深度學習的方法越來越成熟，預測未來某一段時間事件發生的概率作為深度學習重要的方向，已經有許多人嘗試用于氣象預測領域，包括降雨強度、臺風強度預測、海浪、風能預測等，并且多種網絡模型技術的應用使得預測技術不斷發展，能夠深度挖掘觀測數據背后的規律，使得預測的準確率也不斷提升。然而，深度學習的方法僅僅是基于數據本身訓練學習獲得某一種規律，某些異常天氣現象或者超過24小時以上的預報往往非常不準確，只能適用于短時臨近的預報。該方法不能反映真實的大氣物理過程，這種局限性也決定了傳統數值預測方法的不可替代性。

因此，如何提高預測降水強度的準確性，是本領域技術人員需要解決的問題。

發明內容

本發明的目的在于提供一種降雨強度預報方法、系統、裝置及計算機可讀存儲介質，以提高預測降水強度的準確性。

為實現上述目的，本發明實施例提供了如下技術方案：

一種降雨強度預報方法，包括：

S101，利用初始氣象數據和氣象數值預報模式進行傳統氣象預報，得到對應預設時間內每個預設時刻的預報結果；其中，所述預設時間內每個預設時刻包括目標時刻；

S102，利用初始云量數據與深度學習網絡模型計算得到目標時刻的目標云量數據；并利用所述目標云量數據確定目標時刻的第一降雨強度；其中，初始云量數據對應的初始時刻為所述預設時間中，目標時刻的前一時刻；

S103，利用目標時刻的所述預報結果與所述第一降雨強度計算得到目標時刻第二降雨強度；

S104，判斷當前的目標時刻是否為所述預設時間內最后一個的預設時刻；若是，則輸出所有所述第二降雨強度；若否，則執行S105；

S105，將當前的目標時刻更新為所述預設時間內目標時刻的下一個預設時刻，利用所述第二降雨強度確定對應目標時刻的云量數據，并利用該目標時刻的云量數據更新初始云量數據，并返回S102。

其中，所述S101包括：

確定初始氣象數據；

將所述初始氣象數據作為氣象數值預報模式的輸入數據進行傳統氣象預報，得到對應預設時間內每個預設時刻的預報結果。

其中，所述S102包括：

確定初始云量數據對應的初始時刻前的連續目標張數的衛星云圖歷史數據；

利用所述衛星云圖歷史數據與深度學習網絡模型計算得到目標時刻的目標云量數據；

利用所述目標云量數據確定目標時刻的第一降雨強度。

其中，所述S103包括：

利用歷史誤差值確定誤差權重系數；

利用所述誤差權重系數、時間衰減系數、目標時刻的所述預報結果與所述第一降雨強度進行計算得到目標時刻的第二降雨強度。

其中，所述利用歷史誤差值確定誤差權重系數，包括：

確定所述預報結果的第一誤差值；

確定所述第一降雨強度的第二誤差值；

對所述第一誤差值與所述第二誤差值進行均一化處理得到誤差權重系數。

為解決上述技術問題，本發明還提供了一種降雨強度預報系統，包括：傳統氣象數值預報模塊，用于利用初始氣象數據和氣象數值預報模式進行傳統氣象預報，得到對應預設時間內每個預設時刻的預報結果；其中，所述預設時間內每個預設時刻包括目標時刻；