用于预测强对流天气的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于预测强对流天气的方法和装置。

背景技术：

强对流天气是指出现短时强降水、雷雨大风、龙卷风、冰雹和飑线等现象的灾害性天气。这种天气破坏力很强，它是气象灾害中历时短、天气剧烈、破坏性强的灾害性天气。世界上把它列为仅次于热带的气旋、地震、洪涝之后第四位具有杀伤性的灾害性天气。

强对流天气在所有天气类型中最难预报。同时，强对流天气较一般天气类型而言可供研究的案例少，预报难度大。目前，强对流天气预报方法主要是预报员人工预报。即，经验丰富的预报员及时跟踪最新的雷达回波图，通过分析雷达回波图中云层运动特征来进行强对流天气预测。

技术实现要素：

本申请实施例提出了用于预测强对流天气的方法和装置。

第一方面，本申请实施例提供了一种用于预测强对流天气的方法，包括：获取当前雷达回波图序列，其中，当前雷达回波图序列是当前时间段内的雷达回波图序列；基于当前雷达回波图序列，生成未来雷达回波图序列，其中，未来雷达回波图序列是未来时间段内的雷达回波图序列；将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图，其中，强对流天气预测模型用于预测强对流天气强度。

在一些实施例中，基于当前雷达回波图序列，生成未来雷达回波图序列，包括：将当前雷达回波图序列输入至预先训练的雷达回波外推预测模型，得到未来雷达回波图序列。

在一些实施例中，在将当前雷达回波图序列输入至预先训练的雷达回波外推预测模型，得到未来雷达回波图序列之前，还包括：对当前雷达回波图序列进行预处理，其中，预处理包括以下至少一项：晴空回波滤除、失效回波滤除、固定噪声滤除。

在一些实施例中，对当前雷达回波图序列进行预处理，包括：对于当前雷达回波图序列中的当前雷达回波图，将该当前雷达回波图中的低于预设像素值的像素点的像素值设置为预设数值。

在一些实施例中，对当前雷达回波图序列进行预处理，包括：将缺失的当前雷达回波图所在的至少预设时间段内的当前雷达回波图从当前雷达回波图序列中滤除。

在一些实施例中，该方法还包括：确定强对流天气强度预测图是否满足预警条件；若满足预警条件，发送报警命令。

在一些实施例中，强对流天气预测模型包括第一编码器和第一解码器，第一编码器包括卷积层和下采样层，第一解码器包括反卷积层和上采样层。

在一些实施例中，强对流天气预测模型通过如下步骤训练得到：获取训练样本，其中，训练样本包括历史雷达回波图序列和历史强对流天气强度真实图；利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型。

在一些实施例中，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型，包括：将训练样本中的历史雷达回波图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。

在一些实施例中，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型，包括：基于训练样本中的历史强对流天气强度真实图，对训练样本中的历史雷达回波图序列进行风暴体成熟度标注，生成风暴体成熟度标注图序列；将风暴体成熟度标注图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。

在一些实施例中，在将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图之后，还包括：获取未来雷达回波图序列对应的强对流天气强度真实图；基于未来雷达回波图序列和强对流天气强度真实图，生成新的训练样本；基于新的训练样本对强对流天气预测模型进行训练，更新强对流天气预测模型。

在一些实施例中，雷达回波外推预测模型包括第二编码器和第二解码器，第二编码器包括卷积层、长短期记忆层和下采样层，第二解码器包括反卷积层、长短期记忆层和上采样层。

第二方面，本申请实施例提供了一种用于预测强对流天气的装置，包括：获取单元，被配置成获取当前雷达回波图序列，其中，当前雷达回波图序列是当前时间段内的雷达回波图序列；生成单元，被配置成基于当前雷达回波图序列，生成未来雷达回波图序列，其中，未来雷达回波图序列是未来时间段内的雷达回波图序列；预测单元，被配置成将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图，其中，强对流天气预测模型用于预测强对流天气强度。

在一些实施例中，生成单元包括：生成子单元，被配置成将当前雷达回波图序列输入至预先训练的雷达回波外推预测模型，得到未来雷达回波图序列。

在一些实施例中，生成单元还包括：预处理子单元，被配置成对当前雷达回波图序列进行预处理，其中，预处理包括以下至少一项：晴空回波滤除、失效回波滤除、固定噪声滤除。

在一些实施例中，预处理子单元进一步被配置成：对于当前雷达回波图序列中的当前雷达回波图，将该当前雷达回波图中的低于预设像素值的像素点的像素值设置为预设数值。

在一些实施例中，预处理子单元进一步被配置成：将缺失的当前雷达回波图所在的至少预设时间段内的当前雷达回波图从当前雷达回波图序列中滤除。

在一些实施例中，该装置还包括：确定单元，被配置成确定强对流天气强度预测图是否满足预警条件；报警单元，被配置成若满足预警条件，发送报警命令。

在一些实施例中，强对流天气预测模型包括第一编码器和第一解码器，第一编码器包括卷积层和下采样层，第一解码器包括反卷积层和上采样层。

在一些实施例中，强对流天气预测模型通过如下步骤训练得到：获取训练样本，其中，训练样本包括历史雷达回波图序列和历史强对流天气强度真实图；利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型。

在一些实施例中，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型，包括：将训练样本中的历史雷达回波图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。

在一些实施例中，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型，包括：基于训练样本中的历史强对流天气强度真实图，对训练样本中的历史雷达回波图序列进行风暴体成熟度标注，生成风暴体成熟度标注图序列；将风暴体成熟度标注图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。

在一些实施例中，在将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图之后，还包括：获取未来雷达回波图序列对应的强对流天气强度真实图；基于未来雷达回波图序列和强对流天气强度真实图，生成新的训练样本；基于新的训练样本对强对流天气预测模型进行训练，更新强对流天气预测模型。

在一些实施例中，雷达回波外推预测模型包括第二编码器和第二解码器，第二编码器包括卷积层、长短期记忆层和下采样层，第二解码器包括反卷积层、长短期记忆层和上采样层。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于预测强对流天气的方法和装置，首先获取当前雷达回波图序列；然后基于当前雷达回波图序列，生成未来雷达回波图序列；最后将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图。利用强对流天气预测模型自动预测强对流天气强度，整个预测过程无需人工参与，不仅降低了人力成本，还提高了对强对流天气的预测准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的用于预测强对流天气的方法的一个实施例的流程图；

图3是强对流天气预测模型的结构示意图；

图4是根据本申请的用于训练强对流天气预测模型的方法的一个实施例的流程图；

图5是风暴体发展过程示意图；

图6是根据本申请的用于预测强对流天气的方法的又一个实施例的流程图；

图7是根据本申请的用于预测强对流天气的装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于预测强对流天气的方法或用于预测强对流天气的装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括气象雷达101、网络102和服务器103。网络102用以在气象雷达101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

气象雷达101可以由定向天线、发射机、接收机、天线控制器、显示器和照相装置、电子计算机和图像传输等部分组成。气象雷达101的发射机电磁波，在传播过程中遇到云层，云层对电磁波产生反射、散射，接收机接收部分反射、散射电磁波，电子计算器基于接收到的电磁波强度生成雷达回波图，图像传输将雷达回波图传输至服务器103。

服务器103可以是提供各种服务的服务器。例如强对流天气预测服务器。强对流天气预测服务器可以对获取到的当前雷达回波图序列等数据进行分析等处理，生成处理结果(例如强对流天气强度预测图)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于预测强对流天气的方法一般由服务器103执行，相应地，用于预测强对流天气的装置一般设置于服务器103中。

应该理解，图1中的气象雷达、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的气象雷达、网络和服务器。

继续参考图2，其示出了根据本申请的用于预测强对流天气的方法的一个实施例的流程200。该用于预测强对流天气的方法，包括以下步骤：

步骤201，获取当前雷达回波图序列。

在本实施例中，用于预测强对流天气的方法的执行主体(例如图1所示的服务器103)可以从气象雷达(例如图1所示的气象雷达101)中获取当前雷达回波图序列。其中，当前雷达回波图序列可以是当前时间段内的雷达回波图序列。通常，当前雷达回波图序列可以是在当前时间段内每隔预设时长采集到的。目前，气象雷达可以每隔6分钟采集一次雷达回波图。例如，当前雷达回波图序列可以包括气象雷达在最近一段时间内每隔6分钟采集到的10次雷达回波图。

实践中，雷达回波的强度可以用db(分贝)表示。雷达回波图的像素值与雷达回波的强度之间存在一定的关系。通常，雷达回波图的像素值等于雷达回波的强度乘以2，再加66。

步骤202，基于当前雷达回波图序列，生成未来雷达回波图序列。

在本实施例中，上述执行主体可以根据当前雷达回波图序列，预测未来雷达回波图序列。例如，上述执行主体可以对当前雷达回波图序列进行回波外推运算，以得到未来雷达回波图序列。其中，未来雷达回波图序列可以是未来时间段内的雷达回波图序列。例如，未来雷达回波图序列可以包括在未来一段时间内每隔6分钟的雷达回波图。

步骤203，将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图。

在本实施例中，上述执行主体可以将未来雷达回波图序列输入至强对流天气预测模型，以得到强对流天气强度预测图。其中，强对流天气预测模型可以用于预测强对流天气强度，表征雷达回波图序列与强对流天气强度之间的对应关系。

通常，强对流天气可以出现强降雨、雷电、大风、冰雹等多种现象，因此强对流天气预测模型可以包括用于预测强对流天气出现的每种现象的强度的模型。例如，强对流天气预测模型可以由强降雨预测模型、雷电预测模型、大风预测模型、冰雹预测模型等多个模型组成。其中，强降雨预测模型可以用于预测强降雨强度，雷电预测模型可以用于预测雷电强度，大风预测模型可以用于预测大风强度，冰雹预测模型可以用于预测冰雹强度。上述执行主体可以将未来雷达回波图序列分别输入至强降雨预测模型、雷电预测模型、大风预测模型、冰雹预测模型等多个模型，以得到强降雨强度预测图、雷电强度预测图、大风强度预测图、冰雹强度预测图等多个预测图。

在本实施例中，强对流天气预测模型可以通过多种方式训练得到。

在本实施例的一些可选的实现方式中，上述执行主体可以预先收集大量历史雷达回波图序列和对应的历史强对流天气强度真实图，并对应存储生成对应关系表，作为强对流天气预测模型。在生成未来雷达回波图序列之后，上述执行主体可以首先计算未来雷达回波图序列与对应关系表中的各个历史雷达回波图序列之间的相似度；然后基于所计算出的相似度，从对应关系表中确定出强对流天气强度预测图。例如，上述执行主体可以从对应关系表中选取出与未来雷达回波图序列相似度最高的历史雷达回波图序列对应的历史强对流天气强度真实图，作为强对流天气强度预测图。

在本实施例的一些可选的实现方式中，强对流天气预测模型可以是利用机器学习方法和训练样本对现有的机器学习模型进行有监督训练而得到的。通常，强对流天气预测模型可以采用编码器-解码器(encoder-decoder)模式。图3示出了强对流天气预测模型的结构示意图。具体地，强对流天气预测模型可以包括第一编码器和第一解码器。第一编码器可以包括卷积层和下采样层(池化层)。通过卷积层和下采样层逐渐减少下采样层的空间维度并提取全局特征，通过尺度归一化操作来完成特征空间信息的归一化。第一解码器可以包括反卷积层和上采样层。通过反卷积层和上采样层逐步修复目标的细节和空间维度。第一编码器和第一解码器之间通常存在快捷连接，能够帮助第一解码器更好地修复目标的细节。强对流天气预测模型属于全卷积神经网络，其输入和输出均是图像，没有全连接层，较浅的高分辨率层用来解决像素定位问题，较深的层用来解决强对流天气等级的问题。融合了时间与空间的相关性，同时有效地降低了运算量。

在本实施例的一些可选的实现方式中，上述执行主体还可以确定强对流天气强度预测图是否满足预警条件，在满足预警条件的情况下，上述执行主体发送报警命令。通常，在强对流天气强度预测图指示强对流天气强度较高的情况下，上述执行主体可以向报警装置发送报警命令。这样，报警装置就可以发出报警声音，以提示及时对强对流天气做出合理的防御措施。

本申请实施例提供的用于预测强对流天气的方法，首先获取当前雷达回波图序列；然后基于当前雷达回波图序列，生成未来雷达回波图序列；最后将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图。利用强对流天气预测模型自动预测强对流天气强度，整个预测过程无需人工参与，不仅降低了人力成本，还提高了对强对流天气的预测准确度。

进一步参考图4，其示出了用于训练强对流天气预测模型的方法的一个实施例的流程400。该用于训练强对流天气预测模型的方法，包括以下步骤：

步骤401，获取训练样本。

在本实施例中，用于训练强对流天气预测模型的方法的执行主体(例如图1所示的服务器103)可以收集大量历史雷达回波图序列和对应的历史强对流天气强度真实图，作为训练样本。其中，每个训练样本可以包括历史雷达回波图序列和对应的历史强对流天气强度真实图。

步骤402，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型。

在本实施例中，上述执行主体可以利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型。

在本实施例的一些可选的实现方式中，上述执行主体可以将训练样本中的历史雷达回波图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。其中，预测模型可以采用编码器-解码器(encoder-decoder)模式，是未经训练或未训练完成的模型，预测模型的各层可以设置有初始参数，参数在训练过程中可以被不断地调整。

在本实施例的一些可选的实现方式中，上述执行主体可以首先基于训练样本中的历史强对流天气强度真实图，对训练样本中的历史雷达回波图序列进行风暴体成熟度标注，生成风暴体成熟度标注图序列；将风暴体成熟度标注图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。通常，风暴体具有三个不同的演变阶段，即积云阶段、成熟阶段和消亡阶段。一般风暴体能够相对比较稳定地维持一个小时以上，因此利用风暴体成熟度数据可以有效地进行强对流天气的预测。图5示出了风暴体发展过程示意图。风暴体在不断地聚合增大。第一幅图中风暴体还未形成，第二幅图中的风暴体正在聚合发展，第三幅图中的风暴体已经成熟，最后一幅图中的风暴体发生风暴。由前两幅图中未成熟的风暴体的增长特征可以判断出未来时间段内(例如30分钟后)会发生强对流天气。

这里，风暴体成熟度标注过程可以分为两部分。首先通过预报设备获取历史强对流天气发生的时间位置，然后通过区域分割算法找到历史雷达回波图上相应的风暴体，利用检测跟踪算法跟踪该风暴体的运动轨迹，并根据运动轨迹标注不同时刻风暴体的成熟度。

需要说明的是，强对流天气预测模型支持任意尺寸和通道的数据输入。并且，强对流天气预测模型能够有效兼容多种输入数据，如雷达回波数据、高度场和风场等任意场数据，也可以使用已有历史数据再分析数据以及数值预报产品预报的数值。同时，强对流天气预测模型适用多种时间维度的输入数据，包括时间间隔相同的输入输出数据与时间间隔不同的输入输出数据。针对输入输出时间间隔不同的情况，以强降雨预测模型为例。一般雷达回波图的时间间隔是6分钟，强降雨预测模型可以将10张6分钟雷达回波图作为输入数据，其中每一时刻的模型参数共享，并累加得到相应小时降雨预测数据。随后根据与小时降雨真实数据的差值进行模型参数的调整。

进一步参考图6，其示出了根据本申请的用于预测强对流天气的方法的又一个实施例的流程600。该用于预测强对流天气的方法，包括以下步骤：

步骤601，获取训练样本。

步骤602，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型。

在本实施例中，步骤601-602的具体操作已在图2所示的实施例中步骤401-402中进行了详细的介绍，在此不再赘述。

步骤603，获取当前雷达回波图序列。

在本实施例中，步骤603的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。

步骤604，对当前雷达回波图序列进行预处理。

在本实施例中，用于预测强对流天气的方法的执行主体(例如图1所示的服务器103)可以对当前雷达回波图序列进行预处理。其中，预处理可以包括但不限于以下至少一项：晴空回波滤除、失效回波滤除、固定噪声滤除等等。

在本实施例的一些可选的实现方式中，由于晴空回波的强度一般低于预设强度阈值，那么晴空回波的像素点的像素值就会低于预设像素阈值。其中，预设像素阈值与预设强度阈值之间存在一定的关系。通常，预设像素阈值等于预设强度阈值乘以2，再加66。此时，对于当前雷达回波图序列中的当前雷达回波图，上述执行主体可以将该当前雷达回波图中的低于预设像素值的像素点的像素值设置为预设数值。例如，将低于预设像素值的像素点的像素值设置为0。

在本实施例的一些可选的实现方式中，由于当前雷达回波图序列是在当前时间段内每隔预设时长采集的，若当前雷达回波图序列中存在当前雷达回波图缺失，那么缺失的当前雷达回波图附近的当前雷达回波图就已失效，因此，上述执行主体可以将缺失的当前雷达回波图所在的至少预设时间段内的当前雷达回波图从当前雷达回波图序列中滤除。

步骤605，将当前雷达回波图序列输入至预先训练的雷达回波外推预测模型，得到未来雷达回波图序列。

在本实施例中，上述执行主体可以将当前雷达回波图序列输入至预先训练的雷达回波外推预测模型，以得到未来雷达回波图序列。其中，雷达回波外推预测模型可以用于预测未来的雷达回波图序列。

在本实施例中，雷达回波外推预测模型可以通过多种方式训练得到。例如，雷达回波外推预测模型可以是利用机器学习方法和训练样本对现有的机器学习模型进行有监督训练而得到的。雷达回波外推预测模型可以采用编码器-解码器模式。例如，雷达回波外推预测模型可以包括第二编码器和第二解码器。第二编码器可以包括卷积层、长短期记忆层和下采样层。第二解码器可以包括反卷积层、长短期记忆层和上采样层。

步骤606，将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图。

在本实施例中，步骤606的具体操作已在图2所示的实施例中步骤203中进行了详细的介绍，在此不再赘述。

步骤607，获取未来雷达回波图序列对应的强对流天气强度真实图。

在本实施例中，当时间流转到未来雷达回波图序列所对应的时刻，上述执行主体可以获取该时刻的强对流天气强度图，即为强对流天气强度真实图。

步骤608，基于未来雷达回波图序列和强对流天气强度真实图，生成新的训练样本。

在本实施例中，上述执行主体可以基于未来雷达回波图序列和强对流天气强度真实图，生成新的训练样本。

步骤609，基于新的训练样本对强对流天气预测模型进行训练，更新强对流天气预测模型。

在本实施例中，上述执行主体可以利用新的训练样本对强对流天气预测模型继续训练，以更新强对流天气预测模型的参数，得到新的强对流天气预测模型。这里，根据实时获取的数据完成在线学习和模型更新，避免了模型在不同地方遇到冷启动，以及难以有效地使用云层运动变化等。并且还有助于进一步提高对强对流天气强度的预测准确度。

从图6中可以看出，与图2对应的实施例相比，本实施例中的用于预测强对流天气的方法的流程600增加了当前雷达回波图序列预处理步骤和强对流天气预测模型在线更新步骤。由此，本实施例描述的方案避免了晴空回波、失效回波、固定噪声等对预测结果造成影响，还避免了模型在不同地方遇到冷启动，以及难以有效地使用云层运动变化等。并且还有助于进一步提高对强对流天气强度的预测准确度。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于预测强对流天气的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的用于预测强对流天气的装置700可以包括：获取单元701、生成单元702和预测单元703。其中，获取单元701，被配置成获取当前雷达回波图序列，其中，当前雷达回波图序列是当前时间段内的雷达回波图序列；生成单元702，被配置成基于当前雷达回波图序列，生成未来雷达回波图序列，其中，未来雷达回波图序列是未来时间段内的雷达回波图序列；预测单元703，被配置成将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图，其中，强对流天气预测模型用于预测强对流天气强度。

在本实施例中，用于预测强对流天气的装置700中：获取单元701、生成单元702和预测单元703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，生成单元702包括：生成子单元(图中未示出)，被配置成将当前雷达回波图序列输入至预先训练的雷达回波外推预测模型，得到未来雷达回波图序列。

在本实施例的一些可选的实现方式中，生成单元702还包括：预处理子单元(图中未示出)，被配置成对当前雷达回波图序列进行预处理，其中，预处理包括以下至少一项：晴空回波滤除、失效回波滤除、固定噪声滤除。

在本实施例的一些可选的实现方式中，预处理子单元进一步被配置成：对于当前雷达回波图序列中的当前雷达回波图，将该当前雷达回波图中的低于预设像素值的像素点的像素值设置为预设数值。

在本实施例的一些可选的实现方式中，预处理子单元进一步被配置成：将缺失的当前雷达回波图所在的至少预设时间段内的当前雷达回波图从当前雷达回波图序列中滤除。

在本实施例的一些可选的实现方式中，用于预测强对流天气的装置700还包括：确定单元(图中未示出)，被配置成确定强对流天气强度预测图是否满足预警条件；报警单元(图中未示出)，被配置成若满足预警条件，发送报警命令。

在本实施例的一些可选的实现方式中，强对流天气预测模型包括第一编码器和第一解码器，第一编码器包括卷积层和下采样层，第一解码器包括反卷积层和上采样层。

在本实施例的一些可选的实现方式中，强对流天气预测模型通过如下步骤训练得到：获取训练样本，其中，训练样本包括历史雷达回波图序列和历史强对流天气强度真实图；利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型。

在本实施例的一些可选的实现方式中，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型，包括：将训练样本中的历史雷达回波图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。

在本实施例的一些可选的实现方式中，利用深度学习方法，基于训练样本对预测模型进行训练，得到强对流天气预测模型，包括：基于训练样本中的历史强对流天气强度真实图，对训练样本中的历史雷达回波图序列进行风暴体成熟度标注，生成风暴体成熟度标注图序列；将风暴体成熟度标注图序列作为输入，将训练样本中的历史强对流天气强度真实图作为输出，对预测模型进行训练，得到强对流天气预测模型。

在本实施例的一些可选的实现方式中，在将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图之后，还包括：获取未来雷达回波图序列对应的强对流天气强度真实图；基于未来雷达回波图序列和强对流天气强度真实图，生成新的训练样本；基于新的训练样本对强对流天气预测模型进行训练，更新强对流天气预测模型。

在本实施例的一些可选的实现方式中，雷达回波外推预测模型包括第二编码器和第二解码器，第二编码器包括卷积层、长短期记忆层和下采样层，第二解码器包括反卷积层、长短期记忆层和上采样层。

下面参考图8，其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器103)的计算机系统800的结构示意图。图8示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、生成单元和预测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取当前雷达回波图序列的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取当前雷达回波图序列，其中，当前雷达回波图序列是当前时间段内的雷达回波图序列；基于当前雷达回波图序列，生成未来雷达回波图序列，其中，未来雷达回波图序列是未来时间段内的雷达回波图序列；将未来雷达回波图序列输入至预先训练的强对流天气预测模型，得到强对流天气强度预测图，其中，强对流天气预测模型用于预测强对流天气强度。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。