气象预测系统及方法与流程

本发明涉及气象预测技术领域，特别涉及一种气象预测系统及方法。

背景技术

本发明对于背景技术的描述属于与本发明相关的相关技术，仅仅是用于说明和便于理解本发明的

技术实现要素：
，不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。

天气变化与人们的生产活动、社会活动、军事活动以及日常生活都有着十分密切的关系。自古以来，人们总是想方设法去预测未来的天气变化，利用有利的天气，避开不利的天气，以减少不必要的损失。现在的天气预报方式主要是通过气象卫星与雷达回波图像，然后用计算机通过数值计算的方法预报天气。然而天气系统十分复杂，常常是混沌系统，利用计算机进行数值计算的方法耗时长。

发明内容

有鉴于此，本发明实施例提供一种气象预测系统及方法，主要目的是提高预报速度。

为达到上述目的，本发明主要提供如下技术方案：

第一方面，本发明实施例提供了一种气象预测系统，包括：

第一单元，基于历史雷达回波图获取训练样本；

第二单元，搭建神经网络模型；

第三单元，获取待预测时刻之前的雷达回波图；

其中，所述第二单元以所述训练样本对所述神经网络模型进行训练；

所述第二单元以获取的待预测时刻之前的雷达回波图作为训练完成的所述神经网络模型的输入，以使所述神经网络模型输出待预测时刻的雷达回波图。

作为优选，还包括第四单元，所述第四单元对所述历史雷达回波图进行预处理，所述第一单元获取所述第四单元预处理之后的所述历史雷达回波图作为训练样本，所述预处理包括将历史雷达回波图中的原始回波值除以大于1的设定数值，以降低解空间的稀疏程度；

第五单元，所述第五单元对所述第三单元获取的待预测时刻之前的雷达回波图进行预处理，所述第五单元预处理之后的所述待预测时刻之前的雷达回波图作为训练完成的所述神经网络模型的输入，所述预处理包括将待预测时刻之前的雷达回波图中的原始回波值除以大于1的设定数值，以降低解空间的稀疏程度；

第六单元，所述第六单元将训练完成的所述神经网络模型输出的待预测时刻的雷达回波图的原始回波值乘以所述设定数值。

作为优选，所述第四单元的预处理和第五单元的预处理还包括将所述雷达回波图中雷达中心一定半径范围内的高噪声区的回波值置零。

作为优选，所述第二单元以多个连续的雷达回波图作为所述神经网络模型的输入。

作为优选，所述神经网络模型为u-net结构的多层卷积层和多层反卷积层，或所述神经网络模型为hed结构的多层卷积层和多层反卷积层。

作为优选，所述神经网络模型利用网络深层提取雷达回波图的总体特征，利用网络浅层提取局部特征，将所述总体特征与所述局部特征相结合，拟合云层运动。

作为优选，所述神经网络模型基于谷歌深度学习开源框架tensorflow搭建。

作为优选，所述神经网络模型用预测的雷达回波图与样本的均方差作为损失函数训练模型。

第二方面，本发明实施例提供了一种气象预测方法，包括如下步骤：

获取训练样本，所述训练样本基于历史雷达回波图获得；

以所述训练样本对神经网络模型进行训练；

获取待预测时刻之前的雷达回波图；

以获取的待预测时刻之前的雷达回波图作为训练完成的所述神经网络模型的输入，所述神经网络模型输出待预测时刻之前的时刻的雷达回波图。

作为优选，以多个连续的雷达回波图作为所述神经网络模型的输入。

作为优选，所述历史雷达回波图经预处理之后作为训练样本，所述预处理包括将历史雷达回波图中的原始回波值除以大于1的设定数值，以降低解空间的稀疏程度；

获取的待预测时刻之前的雷达回波图进行预处理之后作为训练完成的所述神经网络模型的输入，所述预处理包括将待预测时刻之前的雷达回波图中的原始回波值除以大于1的设定数值，以降低解空间的稀疏程度；

将训练完成的所述神经网络模型输出的待预测时刻的雷达回波图的原始回波值乘以所述设定数值。

作为优选，所述预处理还包括将要输入所述神经网络模型的雷达回波图中雷达中心一定(10km)半径范围内的高噪声区的回波值置零。

作为优选，所述神经网络模型为u-net结构的多层卷积层和多层反卷积层，或所述神经网络模型为hed结构的多层卷积层和多层反卷积层。

作为优选，所述神经网络模型利用网络深层提取雷达回波图的总体特征，利用网络浅层提取局部特征，将所述总体特征与所述局部特征相结合，拟合云层运动。

作为优选，所述神经网络模型基于谷歌深度学习开源框架tensorflow搭建。

作为优选，所述神经网络模型用预测的雷达回波图与样本的均方差作为损失函数训练模型。

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法的步骤。

第四方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。

与现有技术相比，本发明实施例的有益效果在于：

本发明实施例提供的气象预测系统及方法基于深度学习，结合真实雷达回波图像，建立模型并成功训练出了预测模型，可以在数秒内完成预测，提高了预报速度。极大的降低了人为分析带来的不确定性，同时可以帮助减少预报误差。

图附说明

图1示出了本发明气象预测系统的一实施例的示意图。

图2示出了本发明气象预测系统的另一实施例的示意图。

图3示出了本发明气象预测方法的一实施例的流程图。

图4示出了本发明气象预测方法的另一实施例的流程图。

具体实施方式

下面结合具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

图1示出了本发明气象预测系统的一实施例的示意图。图2示出了本发明气象预测系统的另一实施例的示意图。参见图1和图2，本发明实施例的气象预测系统，包括：

第一单元10，基于历史雷达回波图获取训练样本；

第二单元20，搭建神经网络模型；

第三单元30，获取待预测时刻之前的雷达回波图；

其中，第二单元20以训练样本对神经网络模型进行训练；

第二单元20以获取的待预测时刻之前的雷达回波图作为训练完成的所述神经网络模型的输入，以使所述神经网络模型输出待预测时刻的雷达回波图。

本发明实施例提供的气象预测系统基于深度学习，结合真实雷达回波图像，建立模型并成功训练出了预测模型，预测模型可以在数秒内完成待预测时刻(输入的雷达回波图的下一时刻)的雷达回波图预测，在此基础上可以进行气象预测，提高了预报速度。极大的降低了人为分析带来的不确定性，同时可以帮助减少预报误差。

本发明实施例的气象预测系统基于深度学习的图像语义分割技术，搭建的神经网络模型利用卷积神经网络提取特征和函数拟合的能力抽象出雷达回波的运动轨迹与变化趋势，从而得到下一时刻的雷达回波图像，基于此可实现气象预报。例如降雨雷达回波强度与大气中的水滴大小和含量成正相关，这直接预示着当前或将来可能的降雨量。因此，通过深度学习，学习其中复杂的关系，预测接下来的雷达回波图像，可用于气象预报。

雷达回波图像需要一定的时间，因此相邻的两个雷达回波图像也会存在一定的实际间隔。例如，雷达回波数据每6分钟一幅，相邻的两个雷达回波图像之间相差6分钟。因此，第二单元以多个连续的雷达回波图(包括作为训练样本的雷达回波图和待预测时刻之前的雷达回波图，即预测时输入的雷达回波图的个数与训练时相同)作为神经网络模型(包括训练之前和训练完成的神经网络模型)的输入可以解决雷达图像中断，数据不连续的问题。连续的雷达回波图像的数量具体可以是2幅、3幅、4幅、5幅、6幅或更多。其中一个实施例中，采用连续5幅雷达回波图像作为模型输入，以输入的雷达回波图像的下一时刻的雷达回波图像作为样本进行训练，建立神经网络模型，以待预测时刻之前的连续5幅雷达回波图输入训练完成的神经网络模型，预测输出待预测时刻雷达回波图(输入的雷达回波图中时序最后的一个雷达回波图对应时刻的下一时刻)中每一点的输出值。

本发明实施例中，输入神经网络模型的雷达回波图可以是原始图，也可以是经过预处理的图。例如，训练样本可以直接采用历史雷达回波图像。考虑到原始的雷达数据单位为dbz。取值为0，5，10，15…。原始图像的取值相对稀疏，如果直接将原始图像用于网络训练，相应的解空间也会稀疏，不利于模型收敛。因此，参见图2，本发明实施例还包括第四单元40、第五单元50和第六单元60，其中，第四单元40对历史雷达回波图进行预处理，第一单元10获取第四单元40预处理之后的历史雷达回波图作为训练样本，预处理包括将历史雷达回波图中的原始回波值除以大于1的设定数值，以降低解空间的稀疏程度。同样，第五单元50对第三单元30获取的待预测时刻之前的雷达回波图进行预处理，第五单元50预处理之后的待预测时刻之前的雷达回波图作为训练完成的神经网络模型的输入，预处理与作为训练样本的雷达回波图的预处理相同，包括：将待预测时刻之前的雷达回波图中的原始回波值除以大于1的设定数值，以降低解空间的稀疏程度；第六单元60将训练完成的神经网络模型输出的待预测时刻的雷达回波图的原始回波值乘以上述设定数值，以进行复原，以便于与直接获取的原始雷达回波图一致。具体的设定数值可以根据原始图像的取值来确定，可以是能够整除的一个数值。在一个实施例中，设定数值为5，即将原始图像的数据除以5，将预测的图像的数据乘以5。本实施例中，可以避免将每幅图像都归一化则会导致雷达回波图之间的数值大小关系丧失的问题。而且采用了对原始数据做除法，降低解空间的稀疏程度，同时保留了图像之间回波值相对大小，降低解空间的稀疏程度，有利于模型的收敛。

本发明的一个实施例中，第四单元的预处理还包括将历史雷达回波图中雷达中心一定半径范围内的高噪声区的回波值置零。同样，第五单元的预处理还包括将要输入神经网络模型的待预测时刻之前的雷达回波图中雷达中心一定半径范围内的高噪声区的回波值置零。本实施例中通过将雷达中心高噪声处的雷达回波值置零以去除噪声，可以实现预测误差的减小，加速模型收敛。具体的高噪声区的范围可以是雷达中心处8km半径范围、10km半径范围或11km半径范围等。例如将雷达中心10km半径范围内的圆形区域的回波值置零，减小噪声影响，加速模型收敛。

本发明实施例的气象预测系统基于深度学习的图像语义分割技术，具体的，神经网络模型可以为u-net结构的多层卷积层和多层反卷积层，或神经网络模型可以为hed结构的多层卷积层和多层反卷积层。本发明实施例中，神经网络模型利用网络深层提取雷达回波图的总体特征，利用网络浅层提取局部特征，将总体特征与所述局部特征相结合，拟合云层运动。本实施例可以拟合出云层的复杂运动，包括运动方向和大小变化趋势。在模型设计上，参考了气象中的相关知识，先设定高空风速，这样就可以得到相邻两幅雷达回波图像获取间隔内的移动距离，根据输入的雷达回波图像的个数，可以得到雷达回波图像中单点的最大移动距离，根据雷达回波图像的分辨率，得到雷达回波图像中单点移动的像素。例如，设定高空风速为50m/s,如上实施例中，相邻两幅雷达回波图像的时间间隔为6分钟，因此，根据上述高空风速，6分钟可以移动18km，以输入图像采用5幅连续图像为例，雷达图中单点在输入图像中最大可移动90km，以雷达回波图像的分辨率为1km为例，90km对应约90像素。从而可以获取足够的信息，拟合出云层复杂的运动。

本发明实施例中，神经网络模型可以基于谷歌深度学习开源框架tensorflow搭建。当然，本发明实施例中的神经网络模型也可以采用其他框架进行搭建，在此不再一一赘述。

本发明一实施例中，神经网络模型用预测的雷达回波图与样本的均方差作为损失函数训练模型。最终得到的模型预测值与真实值的mse误差在3dbz左右，表现非常优秀。

本发明实施例中，第三单元30获取的用于输入训练后的模型，以预测待预测时刻的雷达回波图像的待预测时刻之前的雷达回波图像包括模型输出的预测的雷达回波图像，从而可以实现滚动预测。本实施例中，在模型预测阶段，通过滚动预测可以连续预测之后的雷达回波图像用于短时天气预报中。

第二方面，本发明实施例提供了一种气象预测方法，图3示出了本发明气象预测方法的一实施例的流程图。图4示出了本发明气象预测方法的另一实施例的流程图。参见图3和图4，该气象预测方法包括如下步骤：

获取训练样本，训练样本基于历史雷达回波图获得；

以训练样本对神经网络模型进行训练；

获取待预测时刻之前的雷达回波图；

以获取的待预测时刻之前的雷达回波图作为训练完成的神经网络模型的输入，神经网络模型输出待预测时刻的雷达回波图。

本发明实施例的气象预测方法可由上述任一实施例的预测系统实现，因此上述预测系统实施例涉及的方案可用于本发明预测方法的实施例中。

本发明实施例提供的气象预测方法基于深度学习，结合真实雷达回波图像，建立模型并成功训练出了预测模型，预测模型可以在数秒内完成待预测时刻(输入的雷达回波图的下一时刻)的雷达回波图预测，在此基础上可以进行气象预测，提高了预报速度。极大的降低了人为分析带来的不确定性，同时可以帮助减少预报误差。

本发明实施例的气象预测方法基于深度学习的图像语义分割技术，搭建的神经网络模型利用卷积神经网络提取特征和函数拟合的能力抽象出雷达回波的运动轨迹与变化趋势，从而得到下一时刻的雷达回波图像，基于此可实现气象预报。例如降雨雷达回波强度与大气中的水滴大小和含量成正相关，这直接预示着当前或将来可能的降雨量。因此，通过深度学习，学习其中复杂的关系，预测接下来的雷达回波图像，可用于气象预报。

雷达回波图像需要一定的时间，因此相邻的两个雷达回波图像也会存在一定的实际间隔。例如，雷达回波数据每6分钟一幅，相邻的两个雷达回波图像之间相差6分钟。因此，本发明预测方法的实施例中以多个连续的雷达回波图(包括作为训练样本的雷达回波图和待预测时刻之前的雷达回波图，即预测时输入的雷达回波图的个数与训练时相同)作为神经网络模型(包括训练之前和训练完成的神经网络模型)的输入可以解决雷达图像中断，数据不连续的问题。连续的雷达回波图像的数量具体可以是2幅、3幅、4幅、5幅、6幅或更多。其中一个实施例中，采用连续5幅雷达回波图像作为模型输入，以输入的雷达回波图像的下一时刻的雷达回波图像作为样本进行训练，建立神经网络模型，以待预测时刻之前的连续5幅雷达回波图输入训练完成的神经网络模型，预测输出待预测时刻(输入的雷达回波图中时序最后的一个雷达回波图对应时刻的下一时刻)雷达回波图中每一点的输出值。

本发明预测方法的实施例中，输入神经网络模型的雷达回波图可以是原始图，也可以是经过预处理的图。参见图4，例如，训练样本可以直接采用历史雷达回波图像。考虑到原始的雷达数据单位为dbz。取值为0，5，10，15…。原始图像的取值相对稀疏，如果直接将原始图像用于网络训练，相应的解空间也会稀疏，不利于模型收敛。因此，本发明实施例对输入神经网络模型的雷达回波图包括作为训练样本的雷达回波图和待预测时刻之前的雷达回波图)进行预处理，以提高准确率及效率。例如，以预处理之后的历史雷达回波图作为训练样本，预处理包括将历史雷达回波图中的原始回波值除以大于1的设定数值，以降低解空间的稀疏程度。获取的待预测时刻之前的雷达回波图进行预处理之后作为训练完成的所述神经网络模型的输入，预处理包括将待预测时刻之前的雷达回波图中的原始回波值除以上述大于1的设定数值，以降低解空间的稀疏程度；将训练完成的神经网络模型输出的待预测时刻的雷达回波图的原始回波值乘以上述设定数值，以进行复原，以便于与直接获取的原始雷达回波图一致。具体的设定数值可以根据原始图像的取值来确定，例如可以是能够整除雷达数值的一个值。在一个实施例中，设定数值为5，将原始图像的数据除以5后输入神经网络模型，将预测的图像的数据乘以5。本实施例中，采用了对原始数据做除法，降低解空间的稀疏程度，同时保留了图像之间回波值相对大小，降低解空间的稀疏程度，有利于模型的收敛。而且可以避免将每幅图像都归一化则会导致雷达回波图之间的数值大小关系丧失的问题。

本发明方法的一个实施例中，预处理还包括将要输入神经网络模型的雷达回波图(包括作为训练样本的雷达回波图和待预测时刻之前的雷达回波图)中雷达中心一定半径范围内的高噪声区的回波值置零。例如，将历史雷达回波图中雷达中心一定半径范围内的高噪声区的回波值置零。同样，将要输入神经网络模型的待预测时刻之前的雷达回波图中雷达中心一定半径范围内的高噪声区的回波值置零。本实施例中通过将雷达中心高噪声处的雷达回波值置零以去除噪声，可以实现预测误差的减小，加速模型收敛。具体的高噪声区的范围可以是雷达中心处8km半径范围、10km半径范围或11km半径范围等。例如将雷达中心10km半径范围内的圆形区域的回波值置零，减小噪声影响，加速模型收敛。

本发明实施例的气象预测方法基于深度学习的图像语义分割技术，具体的，神经网络模型可以为u-net结构的多层卷积层和多层反卷积层，或神经网络模型可以为hed结构的多层卷积层和多层反卷积层。本发明实施例中，神经网络模型利用网络深层提取雷达回波图的总体特征，利用网络浅层提取局部特征，将总体特征与所述局部特征相结合，拟合云层运动。本实施例可以拟合出云层的复杂运动，包括运动方向和大小变化趋势。在模型设计上，参考了气象中的相关知识，先设定高空风速，这样就可以得到相邻两幅雷达回波图像获取间隔内的移动距离，根据输入的雷达回波图像的个数，可以得到雷达回波图像中单点的最大移动距离，根据雷达回波图像的分辨率，得到雷达回波图像中单点移动的像素。例如，设定高空风速为50m/s,如上实施例中，相邻两幅雷达回波图像的时间间隔为6分钟，因此，根据上述高空风速，6分钟可以移动18km，以输入图像采用5幅连续图像为例，雷达图中单点在输入图像中最大可移动90km，以雷达回波图像的分辨率为1km为例，90km对应约90像素。从而可以获取足够的信息，拟合出云层复杂的运动。

本发明实施例中，神经网络模型可以基于谷歌深度学习开源框架tensorflow搭建。当然，本发明实施例中的神经网络模型也可以采用其他框架进行搭建，在此不再一一赘述。

本发明一实施例中，神经网络模型用预测的雷达回波图与样本的均方差作为损失函数训练模型。最终得到的模型预测值与真实值的mse误差在3dbz左右，表现非常优秀。

本发明实施例中，用于输入训练后的模型的待预测时刻之前的雷达回波图像包括模型输出的预测的雷达回波图像，从而可以实现滚动预测。本实施例中，在模型预测阶段，通过滚动预测可以连续预测之后的雷达回波图像用于短时天气预报中。

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法的步骤。

第四方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。

本领域的技术人员可以清楚地了解到本发明实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”或“单元”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是fpga(field－programmablegatearray，现场可编程门阵列)、ic(integratedcircuit，集成电路)等。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器ic)，或适合于存储指令和/或数据的任何类型的媒介或设备。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例方法的步骤。在本发明实施例中，处理器为计算机系统的控制中心，可以是实体机的处理器，也可以是虚拟机的处理器。

在本发明中，术语“第一”、“第二”等仅用于描述的目的，而不能理解为指示或暗示相对重要性或顺序；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。