资料预报方法及系统与流程

本发明涉及天气预报技术领域，尤其是涉及一种资料预报方法及系统。

背景技术：

随着气象预报的技术的发展，人们不断追求更为精确的预报以及更久远时间段内的预报，目前，传统预报系统是根据预测地点对应的观测资料，采取单一模式预测系统计算出初始场，然后将初始场输入延伸系统进行观测空间多维变换得到延伸资料，但传统方法不仅得到的初始场精度低，预报系统自身误差较大，并且没有将延伸资料进行集成。

技术实现要素：

有鉴于此，本发明的目的在于提供一种资料预报方法及系统，以解决方法不仅得到的初始场精度低，预报系统自身误差较大，并且没有将延伸资料进行集成的技术问题。

第一方面，本发明实施例提供了一种资料预报方法，包括：

获取待测地点对应的观测资料，基于所述观测资料利用预设的同化模型进行资料同化，得到初始场；

利用预设的延伸模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料；

利用预设的集成模型以所述延伸观测资料作为输入进行资料集成，得到集成资料。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述基于所述观测资料利用预设的同化模型进行资料同化，得到初始场包括：

根据观测算子将所述观测资料转化到所述观测资料对应的观测空间，得到观测数据；

利用预设的同化模型以所述观测数据作为输入进行资料同化，得到初始场。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中根据观测算子将所述观测资料转化到所述观测资料对应的观测空间，得到观测数据之前，还包括：

剔除所述观测资料中不符合预设观测条件的数据，对剔除操作后的所述观测资料进行偏差修订。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中所述利用预设的延伸模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料，包括：

将初始场按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级资料，其中n大于等于1；

利用预设的延伸模型以每个级别的所述分级资料作为输入进行资料延伸，得到下一时刻每个级别所对应的延伸观测资料；

对n个级别所对应的延伸资料进行合成，重构出下一时刻的延伸观测资料。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中所述将初始场按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级资料，包括：

获取初始场；

将所述初始场进行小波图像分解，得到当前时刻每个级别所对应的分级资料。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，相应的，所述对n个级别所对应的延伸资料进行合成，重构出下一时刻的延伸观测资料，包括：

利用小波逆变换对n个级别所对应的延伸资料进行合成，重构出下一时刻的延伸观测资料。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中三个模型均包括：深度神经网络。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中所述深度神经网络的权重系数是根据预设的策略神经网络输出结果确定的，所述权重系数使所述深度神经网络的网络状态价值最大。

结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中所述策略神经网络包括：价值评估网络和控制神经网络，所述价值评估网络用于评估所述深度神经网络的网络状态的价值，所述控制神经网络基于所述价值评估网络输出的价值及预设调整策略调整所述策略神经网络的输出结果。

第二方面，本发明实施例还提供一种资料预报系统，包括：资料同化模块、资料延伸模块和资料集成模块；

所述资料同化模块用于获取待测地点对应的观测资料，利用预设的优化模型以所述观测资料作为输入进行资料同化，得到初始场；

所述资料延伸模块利用所述预设的优化模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料；

所述资料集成模块利用所述预设的优化模型以所述延伸观测资料作为输入进行资料集成，得到集成资料。

在本发明实施例的方法包括：获取待测地点对应的观测资料，基于所述观测资料利用预设的同化模型进行资料同化，得到初始场；利用预设的延伸模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料；利用预设的集成模型以所述延伸观测资料作为输入进行资料集成，得到集成资料，通过基于所述观测资料利用预设的同化模型进行资料同化，得到初始场，建立精度更高的初始场，通过利用预设的延伸模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料，提高延伸精确度，通过利用预设的集成模型以所述延伸观测资料作为输入进行资料集成，得到集成资料，最终得到精确度更高的集成资料。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的资料预报方法流程图；

图2为本发明实施例提供的步骤s101实施流程图；

图3为为本发明实施例提供的步骤s102实施流程图；

图4为本发明实施例提供的资料预报系统模块示意图。

图标：

01-资料同化模块；02-资料延伸模块；03-资料集成模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

根据本发明实施例，提供了一种资料预报方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的资料预报系统方法，如图1所示，该方法包括如下步骤：

步骤s101，获取待测地点对应的观测资料，基于所述观测资料利用预设的同化模型进行资料同化，得到初始场；

其中，所述同化模型、延伸模型和集成模型，三个模型均包括：深度神经网络。所述深度神经网络的权重系数是根据预设的策略神经网络输出结果确定的，所述权重系数使所述深度神经网络的网络状态价值最大。其中所述策略神经网络包括：价值评估网络和控制神经网络，所述价值评估网络用于评估所述深度神经网络的网络状态的价值，所述控制神经网络基于所述价值评估网络输出的价值及预设调整策略调整所述策略神经网络的输出结果。策略神经网络为深度cnn神经网络模型，提供价深度神经网络的调整策略，提供深度神经网络调整的价值估计值，对深度神经网络调整的价值进行评价。策略神经网络主要是通过价值评估网络计算的价值，去调整深度神经网络的权重系数。当价值增大时，则正向调整深度神经网络的系统，使深度神经网络的延伸值的价值评估网络的价值往增加方向移动。若价值减小时，则反向调整深度神经网络的权重系数，使深度神经网络的延伸值的价值评估网络的价值往反方向移动。控制神经网络去调整神经网络的权重系数，使的深度神经网络的价值往递增的方向发展，当价值评估网络的价值最大，则终止网络。所述控制神经网络的预设调整策略是rnn集群控制网络发送的，所述rnn集群控制网络用于基于所述价值评估网络输出的价值向所述控制神经网络输出调整策略。rnn集群控制网络提供一系列的精度维度参量，向策略神经网络提供调整策略的策略参数，rnn集群控制网络模型采用集群深度rnn神经网络模型，具有正向和反向调节策略，有效根据策略神经网络模型提供的价值估计值，控制深度神经网络权值和偏置值的调整方向。本发明实施例通过设置经过训练样本训练后的模型，分别对传统资料预报系统中的，同化步骤、资料延伸步骤和集成步骤进行改进，具体深度神经网络的组成可以依据实际情况而定，本发明实施例仅提供一种可行方式，对此不做限定。

在本发明实施例中，所述观测资料包括观测地点的背景场和图像，并需要对图像进行预处理，获取待预测地点对应的图片资料和0、1二值化资料。读取控制参数文件，设置模式的同化时间窗口等运行参数，将非模式量转化为模式量，输入到预设的同化模型中进行资料同化，提高生成的初始场的精度。如图2所示，基于步骤s101，所述基于所述观测资料利用预设的同化模型进行资料同化，得到初始场包括：

步骤s201，根据观测算子将所述观测资料转化到所述观测资料对应的观测空间，得到观测数据；

步骤s202，利用预设的同化模型以所述观测数据作为输入进行资料同化，得到初始场。

在本发明实施例中，对观测资料包括的气象站观测资料和卫星观测资料进行转化，根据观测算子将大气廓线转化到观测资料对应的观测空间，得到观测资料对应的观测转化数据。其中，对卫星观测资料进行转化时观测算子采用辐射传输模式。对于图片资料，建立图片资料对应的图像观测算子，对图片资料进行转化，根据图像观测算子将大气廓线转化到图片资料对应的观测空间，得到图片资料对应的图片转化数据。对于二值化资料，建立二值化资料对应的二值化观测算子，根据二值化观测算子将大气廓线转化到二值化资料对应的观测空间，得到二值化资料对应的二值化转化数据。其中根据观测算子将所述观测资料转化到所述观测资料对应的观测空间，得到观测数据之前，还包括：

剔除所述观测资料中不符合预设观测条件的数据，对剔除操作后的所述观测资料进行偏差修订。

在本发明实施例中，修订工作的目的在于对图片资料及二值化资料进行资料筛选。上述预设观测条件为数据格式符合观测格式，且气候状态不超出预设的气候状态范围，还要符合水平和垂直连续性要求，并位于同化时间窗口以内。剔除观测资料中不符合预设观测条件的数据时，对原始气象站观测资料和卫星观测资料进行资料筛选，过滤出同化时间窗口内的有效观测资料，所述方法步骤包括：气候状态极值范围有效性检查，从观测数据中剔除偏离气候态预设距离以外的异常点；格式和逻辑检查，剔除观测资料中非法观测格式数据，剔除观测资料中存在的缺失点；水平和垂直连续性检查，将观测资料中不符合连续性要求的点删除；时间一致性检查，剔除观测资料中不在同化时间窗口内的资料，具体使用的图像处理算法可依据实际情况而定，本发明对此不做限定。

步骤s102，利用预设的延伸模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料；

在本发明实施例中，利用预设的延伸模型，具体可以通过配置延伸模型的权重系统延伸得到残差最小情况下的延伸资料，最终基于延伸资料重构出下一时刻的延伸观测图像资料，提高延伸精确度。基于步骤s102，如图3所示，利用预设的延伸模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料，包括：

步骤s301，将初始场按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级资料，其中n大于等于1；

在本发明实施例中，原始观测图像资料可以包括：卫星资料、雷达资料和自动站观测资料等。图像属性可以至图像分辨率或者图像尺度等。

步骤s302，利用预设的延伸模型以每个级别的所述分级资料作为输入进行资料延伸，得到下一时刻每个级别所对应的延伸观测资料；

在本发明实施例中，所述延伸模型以预设的策略神经网络输出的权重系数作为输入，所述权重系数使所述延伸模型的网络状态价值最大，在本发明实施例中，所述网络状态价值是当深度神经网络的误差更新以后，深度神经网络的状态会改变，价值网络会根据深度神经网络的状态进行评价，给出来深度神经网络的状态的一个价值估计值，相当于深度神经网络的负反馈机制，此外，在系统会发生状态改变时，也许这个状态是正向的，也许是反向的，可以通过价值网络评价出来。如果是正向的，就通知强化学习按照正向方向调整。反之就通知强化学习按照反向调整了。所述网络状态价值的调整策略，以最终输出模型最优值为目的，例如在天气数值预报领域，输入预报资料中包括多种方式获取的图像，通过大气神经网络模型，输出准确度最高的集成资料，可以说该大气神经网络模型的网络状态价值最大；延伸模型用于保存每个级别的分级图像资料的状态估计值。延伸模型通过一个深度神经网络建立分级(某一级别)图像的一个神经网络，通过一定策略来调整深度神经网络的权重系数，得到分级(某一级别)图像的最佳估计值，作为某一分辨率下的分级(某一级别)的清晰图像。深度神经网络采用全连接方式描述大气的状态，通过权值和偏置值来调整权重，延伸得到某一级别下的图像。

步骤s303，对n个级别所对应的延伸资料进行合成，重构出下一时刻的延伸观测资料。

本发明实施例通过首先将原始观测图像资料按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级图像资料，然后利用预设的深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，最后可以对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料。所延伸模型可以是大气深度神经网络，例如：本发明实施例能够利用深度神经网络基于每个级别的所述分级图像资料进行延伸，得到下一时刻每个级别所对应的延伸资料，由于所述深度神经网络以预设的策略神经网络输出的权重系数作为输入，所述权重系数能够使所述深度神经网络的网络状态价值最大，本发明实施例能够利用使深度神经网络的网络状态价值最大的权重系数配置深度神经网络，并利用配置后的深度神经网络延伸得到残差最小情况下的延伸资料，最终基于延伸资料重构出下一时刻的延伸观测图像资料，提高延伸精确度。基于步骤s301，本发明实施例还提供了一种可行方式，将初始场按照图像属性分成n个级别，得到当前时刻每个级别所对应的分级资料，包括：获取初始场；将所述初始场进行小波图像分解，得到当前时刻每个级别所对应的分级资料。

其中，小波图像分解方法可以提供不同分辨率或不同尺度的小波分级图像，将分解后的不同分辨率或不同尺度的小波分级图像，作为小波图像分解后的不同级别图像。

相应的，基于步骤s303，所述对n个级别所对应的延伸资料进行合成，重构出下一时刻的延伸观测资料，包括：利用小波逆变换对n个级别所对应的延伸资料进行合成，重构出下一时刻的延伸观测资料。

在该步骤中，可以利用小波逆变换等反变换方式对n个级别所对应的延伸资料进行图像合成，重构出下一时刻的延伸观测图像资料，下一时刻的延伸观测图像资料可以构成一张清晰图像。

步骤s103，利用预设的集成模型以所述延伸观测资料作为输入进行资料集成，得到集成资料。

在本发明实施例中，通过将延伸观测资料输入至预设的集成模型中，代替传统的单一集成方法，将多种延伸观测资集成，并且通过集成模型的多模式权重配比功能，最终得到精确度更高的集成资料。

实施例二：

本发明实施例还提供了一种资料预报系统，资料预报系统主要用于执行本发明实施例上述内容所提供的资料预报方法，以下对本发明实施例提供的资料预报系统做具体介绍。

图4是根据本发明实施例的一种资料预报系统的示意图，如图4所示，该资料预报系统主要包括：资料同化模块01、资料延伸模块02和资料集成模块03；

所述资料同化模块01用于获取待测地点对应的观测资料，利用预设的优化模型以所述观测资料作为输入进行资料同化，得到初始场；

所述资料延伸模块02利用所述预设的优化模型以所述初始场作为输入进行资料延伸，得到下一时刻的延伸观测资料；

所述资料集成模块03利用所述预设的优化模型以所述延伸观测资料作为输入进行资料集成，得到集成资料。

本发明实施例所提供的系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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元件必须具有特定的方位、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。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述以权利要求的保护范围为准。