本發明涉及氣象預報，具體涉及基于深度學習的對流性大風短時預報方法及系統。

背景技術：

1、中國氣象觀測業務規定，瞬時風速達到或超過17米/秒(或目測估計風力達到或超過8級)的風為大風。大風是我國主要的災害性天氣之一，對工農業、交通運輸和人民生活造成極大危害。而對流性大風是突發性的大風天氣，龍卷、下擊暴流和颮線引起的大風都屬于對流性大風，強度大，破壞性強，防御時間短。提前預報對流性大風的出現，有利于居民提前做好防護措施，降低對流性大風天氣的危害。

2、近些年機器學習方法在氣象上的應用得到長足發展，國內外的專家在對流性大風預報方面做了大量的相關研究，使得通過從歷史數據中學習對流性大風形成的原因來進行預報成為可能，也改進了數值預報受制于初值誤差、模式誤差等的缺陷，大大提升了預報的效果。而隨著深度學習方法的研究越來越深入，從事氣象領域的學者也逐漸將深度學習引入對流性大風的預報，使人工智能方法與氣象行業實現結合。

3、在將深度學習模型應用于對流性大風短時預報中時，通常只通過收集溫度、濕度以及氣壓數據作為與對流性大風相關的關鍵特征對深度學習模型進行訓練，再設置小于8級大風(17.2m/s的風速)的閾值，但由于未考慮會影響對流性大風在位移運動過程中的風速和運動速度的地形條件，雖然擴大了對流性大風的預報范圍，提高了預報概率，但同時也增加了錯報、誤報的概率。該方法，將未達大風標準的天氣一并預報，降低了預報準確性。因此有必要設計一種能夠提高預報準確性，并降低錯報、誤報概率的基于深度學習的對流性大風短時預報方法及系統。

技術實現思路

1、為解決上述問題，本發明提供基于深度學習的對流性大風短時預報方法及系統，用于收集目標地區的地形特征數據，并分類對深度學習模型進行訓練，再由深度學習模型分別進行預報，提高預報的準確性。

2、為了實現上述目的，本發明的技術方案如下：基于深度學習的對流性大風短時預報方法，包括以下步驟：

3、s1、歷史氣象數據的收集與預處理：首先將目標地區分為若干待測區域，在待測區域內設置若干預測點，然后分別收集各待測區域內的地形特征數據和預測點的位置信息，并依據地形特征數據將各待測區域進行分組，再分別收集各待測區域遭遇對流性大風時對應的風速、溫度、濕度和氣壓數據，并將若干溫度、濕度和氣壓數據分別整合歸納進行數據預處理；

4、s2、深度學習模型的構建與訓練：將地形特征和預測點位置信息以及歷史溫度、濕度和氣壓作為輸入數據，將對應各預測點采集到的歷史風速數據作為輸出數據，構建并訓練深度學習模型；

5、s3、實時監測采集數據：實時監測若干待測區域的溫度、濕度和氣壓數據，并將數據輸入到訓練后的深度學習模型中，由深度學習模型分析數據輸出不同位置的對流性大風預報結果；

6、s4、預報結果的輸出：深度學習模型完成數據的分析并確定存在對流性大風時，輸出對流性大風區域和對流性大風等級；

7、s5、實時數據后處理與提取篩選：完成對流性大風的預報后，將采集的實時數據作為深度學習模型更新訓練的數據，對深度學習模型進行持續的更新優化，并提取目標地區的風速分布圖，篩選出需要加強防護的大風區。

8、進一步，s1中，依據地形特征數據將若干待測區域進行分類，分類組別包括風速減緩型地形、風速增強型地形和風速影響忽略型地形。

9、進一步，分類分組按照以下描述進行：地形特征數據收集處理后基本包括峽谷山口、平原、湖泊海洋、丘陵盆地、城市工業區和河谷河道，以峽谷山口和河谷河道為風速增強型地形，平原和湖泊海洋為風速影響忽略型地形，城市工業區和丘陵盆地為風速減緩型地形。

10、進一步，s1中，各區域的氣壓數據的收集主要收集層次：地球表面、850hpa、700hpa和500hpa層次的氣壓數據。

11、進一步，s1中，對數據進行預處理的具體包括去除重復數據和無效數據，對于缺失值，采用插值法或均值替代法進行填補，對于異常值，則進行單獨識別并修正。

12、進一步，s2中，對深度學習模型的構建與訓練，收集歷史數據中對流性大風從某一待測區域的任意預測點抵達其他待測區域任意預測點的時間以及抵達各區域的對流性大風的強度作為檢驗矯正數據。

13、進一步，s3中，對流性大風的短時預報中需要播報大風抵達各區域的時間，通過如下公式計算各區域對流性大風抵達的時間：

14、

15、式中x為各區域的編號，tx為預測對流大風達到各區域所需的時間，sx為各區域與預測點之間的距離，n為風速減緩型地形、風速增強型地形和風速影響忽略型地形的類型編碼，vn為各區域對應類型的對流性大風位移速度；

16、其中深度學習模型所預測計算的對流性大風位移速度vn，通過如下公式計算：

17、vn＝y*v

18、式中v為深度學習模型預測的對流性大風移動速度，y為不同地形類型區域對應的對流性大風位移速度增減比例，風速減緩型地形區域y取0.96～0.98，風速增強型地形區域y取1.02～1.04，而風速影響忽略型地形區域y取1.00。

19、進一步，基于深度學習模型所計算出各區域的對流性大風位移速度vn，風速減緩型地形區域的vn大于17.5m/s即需要進行對流性大風預報，風速影響忽略型地形區域vn大于17.0m/s即需要進行對流性大風預報，風速增強型地形區域vn大于16.5m/s即需要進行對流性大風預報。

20、進一步，s5中，對數據的篩選具體為，篩選出風速大于等于15m/s的觀測數據，并在篩選出的風速數據中，使用閾值分割法提取出所有連通的風速大于閾值的區域，將這些區域標記為潛在的大風區。

21、基于深度學習的對流性大風短時預報系統，基于所述的對流性大風短時預報方法運行，包括：

22、數據收集模塊，用于收集目標地區的特征數據；

23、數據預處理模塊，用于根據接收的數據收集模塊采集的地形特征數據，將若干待測區域以風速增強型地形、風速影響忽略型地形和風速減緩型地形的特征分別標識，再搜索收集若干類別區域對應遭遇對流行大風時的風速、溫度、濕度、氣壓以及與預測點的距離，將各數據對應整合到各區域對應的數據塊中，最后，對若干數據進行去除或識別修正所收集數據中的重復數據、無效數據和錯誤數據的操作；

24、深度學習模塊，用于將地形特征和預測點位置信息以及歷史溫度、濕度和氣壓作為輸入數據，將對應各預測點采集到的歷史風的數據作為輸出數據，構建并訓練深度學習模型；

25、實時監測模塊，用于實時監測采集若干待測區域的溫度、濕度和氣壓數據，并將數據輸入到訓練后的深度學習模型中，由深度學習模型分析數據輸出不同位置的對流性大風預測結果，將即將遭受對流性大風的天氣的待測區域標記上代表“需要預報”的信號傳遞到預報模塊；

26、預報模塊，用于接收深度學習模型完成數據的分析并確定存在對流性大風天氣時，當識別到“需要預報”的標識后，實時預報該區域將遭受的對流性大風強度以及大風抵達時間tx；

27、實時數據處理模塊，用于在完成對流性大風的預報后，將采集的實時數據作為深度學習模型更新訓練的數據，對深度學習模型進行持續的更新優化，并提取目標地區的風速分布圖，篩選出需要加強防護的大風區。

28、采用上述方案有以下有益效果：

29、1、本方案，首先對目標地區進行劃分，將其分為若干個區域。在收集到若干待測區域的地形特征數據后，依據地形特征數據將若干待測區域進行分類，由于多種地形特征會影響氣流的速度和方向，因此根據地形對風速的不同影響來進行分類，分為風速減緩型地形、風速增強型地形和風速不變型地形，根據地形對風速產生的不同影響，可以更加準確地預測不同地形區域下對流性大風的風速情況，此外相較于分別對不同區域進行單獨的預測，采用這種分類預測的方法可以大大提高預測的效率。因為我們可以根據地形特征對區域進行分類，然后針對每個類別進行統一的預測和分析，從而避免了對每個區域進行重復和繁瑣的預測工作。這樣不僅可以節省時間和精力，還可以提高預測的準確性和可靠性。

30、2、本方案，根據收集到的地形特征、溫度、濕度和氣壓數據，構建深度學習模型。使用歷史數據對模型進行訓練，同時收集對流性大風從預測點抵達各區域的時間以及抵達時的大風強度作為檢驗矯正數據。通過訓練，深度學習模型能夠學習到對流性大風的形成機制、傳播規律和影響因素，從而具備預測對流性大風的能力。

31、3、本方案，各區域都會進行包括850hpa、700hpa和500hpa等不同層次的氣壓的多層次的氣壓數據收集工作，不僅包括地表的氣壓。由于對流性大風等惡劣天氣主要發生在對流層內，通過對流層內多層次氣壓檢測，可以更加準確地捕捉到天氣變化的信息，從而提高氣壓數據的準確性，此外，這些準確的數據，又是提高氣象預報準確性的重要基礎。

32、4、本方案，在構建和訓練深度學習模型的過程中，以各待測區域的在遭受對流性大風時的歷史預測抵達時間和大風強度為主，輔以對流性大風從某一待測區域的任意預測點抵達相鄰待測區域的任意預測點時間以及大風強度，對深度學習模型的結果輸出進行檢驗與矯正，提高深度學習模型的預測精準度。

33、5、本方案，實時數據的后處理與提取篩選設計，能夠更新訓練深度學習模型，使深度學習模型更加高效和準確，此外，通過篩選需要加強防護的大風區，能夠強化安全防護，提高對對流性大風天氣的應對能力。

34、6、本方案，根據不同地形進行對應的預報計算以及對應的預報方式，提高預報的針對性，相較于不考慮地形區域進行統一預報的方式，能夠減少預報的錯報、誤報概率，提高預報的精準度，減少無效防護的設置，節約社會資源。

35、本發明的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明的實踐了解到。