一种基于多模态数据的极端降水预报方法与系统与流程

本发明涉及气象预报，具体涉及一种基于多模态数据的极端降水预报方法与系统。

背景技术：

1、极端降水对人类社会和自然环境具有重大影响，因此其准确预报降水对于防灾减灾至关重要。传统的极端降水预报方法通常依赖于地面观测数据、雷达数据等单一的数据进行预测，无法全面捕捉复杂气象系统的演变特征。随着人工智能技术的发展，特别是人工神经网络在数据处理和模式识别方面的突出表现，为提升极端降水预报的准确性和时效性提供了新的解决方案。

技术实现思路

1、本发明的目的是提供一种基于多模态数据的极端降水预报方法与系统，通过采集多模态数据以及多模态数据的处理方法及系统，解决现有技术中存在的预报准确性不高和时效性差的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、一种基于多模态数据的极端降水预报方法，包括以下步骤：

4、s1：数据收集：采集多模态气象数据，所述多模态气象数据包括t个时刻的多普勒雷达图{p1，p2……pt}以及对应t个时刻的气象信息序列{w1，w2……wt}；

5、s2：构建并训练极端降水预报模型，所述极端降水预报模型包括编码器解码器网络以及第一lstm网络、第二lstm网络，将所述t个时刻的多普勒雷达图{p1，p2……pt}分别输入所述编码器解码器网络，提取得到t个时刻多普勒雷达图的特征{f1，f2……ft }，将所述t个时刻多普勒雷达图的特征{f1，f2……ft}输入第一lstm网络得到雷达图时序特征，将所述t个时刻的气象信息序列{w1，w2……wt}输入第二lstm网络得到气象信息时序特征，并根据所述雷达图时序特征、气象信息时序特征进行极端降水预测，得到候选降雨量；

6、s3：当所述候选降雨量大于预设阈值时，发出极端降水预报信息。

7、进一步的，所述编码器解码器网络包括：编码器模块、通道处理模块、解码器模块；

8、所述编码器模块包括：顺序连接的输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第一inception层、第二inception层、第三池化层；

9、所述解码器模块包括：顺序连接的第一上采样层、第一filter concatenation层、第三inception层、第四inception层、第二上采样层、第二filter concatenation层、第五卷积层、第六卷积层、第三上采样层、第三filter concatenation层、输出层；

10、所述编码器模块的第二卷积层、第四卷积层、第二inception层的输出还分别作为第三filter concatenation层、第二filter concatenation层、第一filterconcatenation层的输入；

11、所述第三池化层的输出经过通道处理模块处理后的输出作为第一上采样层的输入。

12、进一步的，所述所述第三池化层的输出经过通道处理模块处理后的输出作为第一上采样层的输入，所述通道处理模块处理后的输出fo通过如下方式得到：

13、第三池化层的输出记为fp，对所述fp进行卷积操作得到特征fpc，对所述特征fpc进行卷积核分别为3、5的卷积操作，得到特征fpc3和特征fpc5，将所述特征fpc3和特征fpc5进行融合后进行channel-wise卷积、relu后得到fp’，将所述fp和所述fp’进行融合后得到fo。

14、进一步的，所述气象信息序列{w1，w2……wt}中，wi包括{si，ti，pi，hi}，i∈[1，t]，所述si、ti、pi、hi分别表示i时刻的风速、温度、气压、湿度。

15、进一步的，所述根据所述雷达图时序特征、气象信息时序特征进行极端降水预测包括：将所述第一lstm网络、第二lstm网络预测得到的预测降雨量r1、r2进行计算，得到候选降雨量。

16、进一步的，所述将所述第一lstm网络、第二lstm网络预测得到的预测降雨量r1、r2进行计算，得到候选降雨量包括：候选降雨量=w1*r1+w2*r2，其中，w1、w2为根据第一lstm网络、第二lstm网络的预测精度设置的权重，且w1+w2=1。

17、进一步的，可以设置t个编码器解码器网络，并行的对t个时刻的多普勒雷达图进行特征提取。

18、一种基于多模态数据的极端降水预报系统，所述系统包括以下模块：

19、数据收集模块：所述数据收集模块用于采集多模态气象数据，所述多模态气象数据包括t个时刻的多普勒雷达图{p1，p2……pt}以及对应t个时刻的气象信息序列{w1，w2……wt}；

20、模型构建及训练模块：所述模型构建及训练模块用于构建并训练极端降水预报模型，所述极端降水预报模型包括编码器解码器网络以及第一lstm网络、第二lstm网络，将所述t个时刻的多普勒雷达图{p1，p2……pt}分别输入所述编码器解码器网络，提取得到t个时刻多普勒雷达图的特征{f1，f2……ft }，将所述t个时刻多普勒雷达图的特征{f1，f2……ft}输入第一lstm网络得到雷达图时序特征，将所述t个时刻的气象信息序列{w1，w2……wt}输入第二lstm网络得到气象信息时序特征，并根据所述雷达图时序特征、气象信息时序特征进行极端降水预测，得到候选降雨量；

21、预警模块：所述预警模块用于当所述候选降雨量大于预设阈值时，发出极端降水预报信息。

22、进一步的，所述编码器解码器网络包括：编码器模块、通道处理模块、解码器模块；

23、所述编码器模块包括：顺序连接的输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第一inception层、第二inception层、第三池化层；

24、所述解码器模块包括：顺序连接的第一上采样层、第一filter concatenation层、第三inception层、第四inception层、第二上采样层、第二filter concatenation层、第五卷积层、第六卷积层、第三上采样层、第三filter concatenation层、输出层；

25、所述编码器模块的第二卷积层、第四卷积层、第二inception层的输出还分别作为第三filter concatenation层、第二filter concatenation层、第一filterconcatenation层的输入；

26、所述第三池化层的输出经过通道处理模块处理后的输出作为第一上采样层的输入。

27、进一步的，所述所述第三池化层的输出经过通道处理模块处理后的输出作为第一上采样层的输入，所述通道处理模块处理后的输出fo通过如下方式得到：

28、第三池化层的输出记为fp，对所述fp进行卷积操作得到特征fpc，对所述特征fpc进行卷积核分别为3、5的卷积操作，得到特征fpc3和特征fpc5，将所述特征fpc3和特征fpc5进行融合后进行channel-wise卷积、relu后得到fp’，将所述fp和所述fp’进行融合后得到fo。

29、进一步的，所述气象信息序列{w1，w2……wt}中，wi包括{si，ti，pi，hi}，i∈[1，t]，所述si、ti、pi、hi分别表示i时刻的风速、温度、气压、湿度。

30、进一步的，所述根据所述雷达图时序特征、气象信息时序特征进行极端降水预测包括：将所述第一lstm网络、第二lstm网络预测得到的预测降雨量r1、r2进行计算，得到候选降雨量。

31、进一步的，所述将所述第一lstm网络、第二lstm网络预测得到的预测降雨量r1、r2进行计算，得到候选降雨量包括：候选降雨量=w1*r1+w2*r2，其中，w1、w2为根据第一lstm网络、第二lstm网络的预测精度设置的权重，且w1+w2=1。

32、进一步的，可以设置t个编码器解码器网络，并行的对t个时刻的多普勒雷达图进行特征提取。

33、本发明通过整合多模态数据和深度学习技术，通过编码器解码器网络以及第一lstm网络、第二lstm网络构建降水预报模型，对多模态气象数据多普勒雷达图、气象信息序列提取特征，并根据提取得到的雷达图时序特征、气象信息时序特征进行极端降水预测，得到候选降雨量，显著提升了极端降水预报的准确性和时效性，使得预报结果更加接近实际情况，此外，系统的持续学习能力使其可以不断适应新的气象数据，进一步提高了预报的可靠性。