[發明專利]逐日氣象干旱預測方法、裝置、存儲介質和設備

在審

• 申請號: 202310051582.5
• 申請日: 2023-02-02
• 公開（公告）號: CN116245227A
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 王國復;石偉偉;李瑩;高歌;劉遠;陳逸驍;楊海軍;盧尚男
• 申請（專利權）人: 國家氣候中心;北京超圖軟件股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0639;G06Q50/26;G06F18/214;G06F18/24;G06N3/0442;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 陳志海

1.一種逐日氣象干旱預測方法，其特征在于，包括：

從氣象站點的逐日氣象要素數據庫中，獲取發生在待測日期之前、且時間連續的預設數量個日期的特征要素；所述特征要素為預設氣象要素的觀測值；

將發生在所述待測日期之前、且時間連續的各個日期的預設氣象要素的觀測值，輸入至氣象干旱預測模型中，得到所述氣象干旱預測模型輸出的當前干旱預測結果；其中，所述氣象干旱預測模型基于發生在預設歷史時間段內、且時間連續的多個日期的預設氣象要素的觀測值作為LSTM模型的輸入，并以針對所述預設歷史時間段內各個日期，預先標注的氣象干旱等級作為訓練目標，預先訓練得到；所述當前干旱預測結果用于指示所述待測日期的氣象干旱等級。

2.根據權利要求1所述的方法，其特征在于，所述基于發生在預設歷史時間段內、且時間連續的多個日期的預設氣象要素的觀測值作為LSTM模型的輸入，并以針對所述預設歷史時間段內各個日期，預先標注的氣象干旱等級作為訓練目標，預先訓練得到所述氣象干旱預測模型的過程，包括：

預先定義LSTM模型的超參數、優化算法、損失函數；所述超參數包括時間窗口大小、輸出維度、神經元個數、輸入層的激活函數、隱藏層的激活函數、輸出層的激活函數、丟棄率、隱藏層層數、訓練代數、訓練批大小；所述優化算法為Adam模型優化算法；所述損失函數為交叉熵損失函數；

基于所述時間窗口大小、所述輸出維度、所述神經元個數、所述輸入層的激活函數、所述隱藏層的激活函數、所述輸出層的激活函數、所述丟棄率、所述隱藏層層數、所述訓練代數、所述訓練批大小，編譯生成所述LSTM模型；

基于發生在預設歷史時間段內、且時間連續的多個日期的預設氣象要素的觀測值，作為所述LSTM模型的輸入，并以針對所述預設歷史時間段內各個日期，預先標注的氣象干旱等級作為訓練目標，使用所述Adm模型優化算法和所述交叉熵損失函數，對所述LSTM模型進行訓練，得到所述氣象干旱預測模型。

3.根據權利要求2所述的方法，其特征在于，所述基于發生在預設歷史時間段內、且時間連續的多個日期的預設氣象要素的觀測值，作為所述LSTM模型的輸入，包括：

獲取氣象站點在預設歷史時間段內采集的逐日氣象觀測數據；所述逐日氣象觀測數據包括發生在所述預設歷史時間段內、且時間連續的多個日期的各類氣象要素的觀測值；所述各類氣象要素包括降水、平均氣溫、日照時數、2m平均風速、平均相對濕度、蒸發、氣象干旱綜合指數；

對各類氣象要素進行全組合，得到多種候選特征要素；所述候選特征要素包括各類氣象要素之間的任意一種組合；

利用發生在所述預設歷史時間段內、且時間連續的多個日期的各種候選特征要素，對所述LSTM模型進行訓練，得到與每種所述候選特征要素對應的候選LSTM模型；

利用混淆矩陣，計算各種所述候選LSTM模型的分類指標；

選擇與分類指標最高的候選LSTM模型對應的候選特征要素，作為預設氣象要素；其中，所述預設氣象要素包括降水、平均氣溫；

基于發生在所述預設歷史時間段內、且時間連續的多個日期的降水觀測值、平均氣溫觀測值，作為所述LSTM模型的輸入。

4.根據權利要求2所述的方法，其特征在于，所述利用發生在所述預設歷史時間段內、且時間連續的多個日期的各種候選特征要素，對所述LSTM模型進行訓練，得到與每個所述候選特征要素對應的候選LSTM模型，包括：

對于每種候選特征要素，對發生在所述預設歷史時間段內、且時間連續的多個日期的候選特征要素的觀測值進行獨熱編碼處理，以使各個所述日期的候選特征要素的觀測值均為連續型數值；

將各個所述日期的候選特征要素的觀測值，按照預先定義的時間窗口大小進行時態化處理，得到與每種所述候選特征要素對應的訓練樣本；

利用與每種所述候選特征要素對應的訓練樣本，對所述LSTM模型進行訓練，得到與每種所述候選特征要素對應的候選LSTM模型。