本發明涉及天氣預報，尤其涉及一種基于深度學習融合雷達的大風預報方法及系統。

背景技術：

1、大風具有災害性強、發生時間短的特點，對生命財產安全造成嚴重危害，對電力設施安全、公共基礎服務運行等也造成極大的影響。因而對大風進行監測預警是當前天氣預報業務面臨的重要需求。

2、但受制于以下幾個因素，大風的監測與預警依然是個難點。首先是觀測網覆蓋少，常規地面風觀測站點數量和質量不足以支撐監測空間尺度范圍較小的快速大風過程。其次是預警預報存在困難，大風形成的機理復雜，如下擊暴流或者龍卷等，都可能引起致災大風，當前對于這些復雜的物理過程、生消機理等還存在很多的認識不足。

3、在解決大風預報的技術難題方面，以往的方法存在顯著的局限性。現有方法主要包括統計方法、數值模型方法和最近流行的深度學習外推預報方法。但以上三類方法，目前來看均存在一定的局限性。首先是統計方法，統計類方法一般選取大風影響變量進行回歸計算，但大氣和陸面對大風影響的因素變量太多，選取的因素往往具有很強的主觀性，難以描述大風與因素之間的定量關系，且這種預測方法普適性存在較大的不確定性，因子權重會因為不同的場景發生變化。其次是數值模式類方法，由于當前的模式結構和參數化對于大風的大氣動力形成機制和復雜下墊面影響機理還不具備很好的描述能力，同時模式依賴初始場的準確性，即精確的大風模式預報需要高分辨率的初始場信息和準確的模式參數化及結構表征。最后是近年來逐漸流行的深度學習外推預報方法，這種方法利用深度學習算法的高度非線性表達能力，預報效果優于傳統統計方法。但以往的技術手段或僅考慮風速數據外推，或僅將雷達資料與風速資料在輸入層簡單融合，因此容易過擬合，且預報不符合物理一致性，對于風暴位置和強度的初步估計存在較大誤差。

4、因此，提供一種能夠充分融合雷達觀測數據信息，有效估計未來風暴信息，以此提高預報精度并使預報符合物理一致性的新方法是極具挑戰性的。

技術實現思路

1、本發明提供一種基于深度學習融合雷達的大風預報方法及系統，用以解決現有技術中大風預報精度不高，且預報不符合物理一致性的缺陷，實現提高大風預報精度并使預報符合物理一致性。

2、本發明提供一種基于深度學習融合雷達的大風預報方法，包括：

3、根據待預報區域在歷史時間段內的雷達反射率因子，使用雷達反射率因子預報模型預測所述待預報區域在未來時間段內的雷達反射率因子；

4、根據所述待預報區域在所述歷史時間段內的風速和在所述未來時間段內的雷達反射率因子，使用風速預報模型預測所述待預報區域在所述未來時間段內的風速；

5、所述雷達反射率因子預報模型和所述風速預報模型通過對深度學習模型進行訓練得到。

6、根據本發明提供的一種基于深度學習融合雷達的大風預報方法，根據待預報區域在歷史時間段內的雷達反射率因子，使用雷達反射率因子預報模型預測所述待預報區域在未來時間段內的雷達反射率因子，包括：

7、使用第一雷達反射率因子訓練集對多種深度學習模型進行訓練，得到對應的多種雷達反射率因子預報模型；

8、使用第一雷達反射率因子驗證集對每種雷達反射率因子預報模型進行評分，將評分最高的雷達反射率因子預報模型作為最優雷達反射率因子預報模型；

9、根據待預報區域在歷史時間段內的雷達反射率因子，使用所述最優雷達反射率因子預報模型預測所述待預報區域在未來時間段內的雷達反射率因子。

10、根據本發明提供的一種基于深度學習融合雷達的大風預報方法，根據所述待預報區域在所述歷史時間段內的風速和在所述未來時間段內的雷達反射率因子，使用風速預報模型預測所述待預報區域在所述未來時間段內的風速，包括：

11、使用所述最優雷達反射率因子預報模型預測第二雷達反射率因子訓練集對應的雷達反射率因子預報結果；

12、使用與所述第二雷達反射率因子訓練集時空相對應的風速數據訓練集和所述雷達反射率因子預報結果，對多種深度學習模型進行訓練，得到對應的多種風速預報模型。

13、使用第二雷達反射率因子驗證集，以及與所述第二雷達反射率因子驗證集時空相對應的風速數據驗證集對每種風速預報模型進行評分，將評分最高的風速預報模型作為最優風速預報模型；

14、根據所述待預報區域在所述歷史時間段內的風速和在所述未來時間段內的雷達反射率因子，使用所述最優風速預報模型預測所述待預報區域在所述未來時間段內的風速。

15、根據本發明提供的一種基于深度學習融合雷達的大風預報方法，根據待預報區域在歷史時間段內的雷達反射率因子，使用雷達反射率因子預報模型預測所述待預報區域在未來時間段內的雷達反射率因子，包括：

16、利用雙線性插值方法，將所述待預報區域在歷史時間段內的雷達反射率因子插值到笛卡爾坐標，形成雷達反射率因子格點化數據；

17、根據所述待預報區域在歷史時間段內的雷達反射率因子格點化數據，使用雷達反射率因子預報模型預測所述待預報區域在未來時間段內的雷達反射率因子格點化數據。

18、根據本發明提供的一種基于深度學習融合雷達的大風預報方法，根據所述待預報區域在所述歷史時間段內的風速和在所述未來時間段內的雷達反射率因子，使用風速預報模型預測所述待預報區域在所述未來時間段內的風速，包括：

19、利用雙線性插值方法，將所述待預報區域在所述歷史時間段內的風速插值到笛卡爾坐標，形成風速格點化數據；

20、根據所述待預報區域在所述歷史時間段內的風速格點化數據和在所述未來時間段內的雷達反射率因子格點化數據，使用風速預報模型預測所述待預報區域在未來時間段內的風速格點化數據。

21、根據本發明提供的一種基于深度學習融合雷達的大風預報方法，使用第一雷達反射率因子訓練集對多種深度學習模型進行訓練的損失函數為：

22、

23、其中，為損失函數值，n為所述第一雷達反射率因子訓練集中的樣本數量，和分別為所述深度學習模型輸出的樣本的雷達反射率因子預報結果和雷達反射率因子實際值。

24、根據本發明提供的一種基于深度學習融合雷達的大風預報方法，所述雷達反射率因子預報模型的評分為csi評分，所述第一雷達反射率因子驗證集為格點化數據，通過以下公式使用第一雷達反射率因子驗證集對每種雷達反射率因子預報模型進行評分：

25、csi?=?tp/(tp+fa+ms)

26、其中，csi為所述雷達反射率因子預報模型的評分，tp表示觀測和預報的雷達反射率因子都位于預設范圍內的格點數，ms表示觀測的雷達反射率因子在所述預設范圍內而預報的雷達反射率因子不在所述預設范圍內的格點數，fa表示觀測的雷達反射率因子不在所述預設范圍內而預報的雷達反射率因子在所述預設范圍內的格點數。

27、根據本發明提供的一種基于深度學習融合雷達的大風預報方法，所述風速預報模型的評分為rmse評分。

28、本發明還提供一種基于深度學習融合雷達的大風預報系統，包括：

29、第一預測模塊，用于根據待預報區域在歷史時間段內的雷達反射率因子，使用雷達反射率因子預報模型預測所述待預報區域在未來時間段內的雷達反射率因子；

30、第二預測模塊，用于根據所述待預報區域在所述歷史時間段內的風速和在所述未來時間段內的雷達反射率因子，使用風速預報模型預測所述待預報區域在所述未來時間段內的風速；

31、所述雷達反射率因子預報模型和所述風速預報模型通過對深度學習模型進行訓練得到。

32、本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述任一種所述基于深度學習融合雷達的大風預報方法。

33、本發明還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述基于深度學習融合雷達的大風預報方法。

34、本發明還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述任一種所述基于深度學習融合雷達的大風預報方法。

35、本發明提供的基于深度學習融合雷達的大風預報方法及系統，通過根據歷史時間段的雷達反射率因子，利用預訓練的雷達反射率因子預報模型得到未來時間段的雷達反射率因子初猜值，充分利用雷達反射率因子的物理信息，為大風預報提供重要落區及強度信息；然后將未時間段的雷達反射率因子初猜值與歷史時間段的風速數據結合，利用預訓練的風速預報模型進行風速預報，提高大風預報精度并符合物理一致性，為大風業務預警和預報提供有效信息。