一种基于神经网络的降水数据的估算方法和装置与流程

本发明涉及气象预测技术领域，更具体地，涉及一种基于神经网络的降水数据的估算方法和装置。

背景技术：

对降水数据的定量测量不仅是广大科研、预报、水文工作人员关注的一项科学研究，而且对社会和国民经济有着重要、深远的影响和效益。

定量测量降水数据最直接的手段是使用雨量计，但由于目前雨量计网的密度稀疏及降水在时间和空间上的不确定性，因此依靠雨量计测得的点雨量来估测面雨量将会带来很大的误差。对降水数据的其它测量手段包括卫星测量和雷达测量，其中卫星测量降水数据的时间尺度和精度相比雷达低；雷达覆盖范围大，扫描周期短，可实现全天观测，但同时也具有局限性。目前我国在全国布设的雷达网中的雷达内置降水反演公式是采用的国外的经验公式，例如，普遍采用的经验关系式Z-I，理论上由雷达测量的雷达散射率因子Z估计出目标区域的降水数据I，这种方法会受到雷达参数、Z-I关系的不确定以及暴雨时雷达反射波的衰减等影响，导致降水数据估测精度降低。由此，神经网络被用于对定量测量降水的估算，能提高估算精度。

对于空间分布的降水数据，需要将降水数据赋值到对应的位置坐标上，现有的神经网络对降水数据的估算，仅基于Z-I关系进行训练并估算，在估算出降水数据后，无法直接确定每个降水数据对应的位置坐标；而且，由于雷达扫描区域范围大，为了保证在雷达扫描区域内的估算精度，往往需要选取数量非常多的估算点，在雷达扫描区域中确定每个降水数据对应的位置坐标，需要付出较大的额外的工作量。

技术实现要素：

为了克服上述问题或者至少部分地解决上述问题，本发明提供一种基于神经网络的降水数据的估算方法和装置。

根据本发明的一个方面，提供一种基于神经网络的降水数据的估算方法，包括：获取雷达扫描区域中每一估算点的经度和纬度，获取每一估算点在估算时刻的雷达反射率因子，其中，每一估算点为对雷达扫描区域进行网格化后的一个网格点；将每一估算点的经度、纬度和在估算时刻的雷达反射率因子分别作为每一估算点在估算时刻的第一三维向量，每一估算点的经度、纬度和雷达反射率因子分别为每一估算点对应的第一三维向量中的三个分量；将每一估算点在估算时刻的第一三维向量输入至已训练的神经网络，输出每一估算点对应的第二三维向量，其中，每一第二三维向量中的三个分量分别为每一第二三维向量对应的估算点的经度、纬度和在估算时刻的降水数据。

其中，获取每一估算点在估算时刻的雷达反射率因子，包括：获取每一雷达扫描点在估算时刻的雷达反射率因子；根据每一雷达扫描点在估算时刻的雷达反射率因子，并基于插值法获取每一估算点在估算时刻的雷达反射率因子。

其中，将每一估算点的经度、纬度和在估算时刻的雷达反射率因子分别作为每一估算点在估算时刻的第一三维向量，包括：对于任一估算点，将所述任一估算点的经度作为所述任一估算点对应的第一三维向量的第一个分量，将所述任一估算点的纬度作为所述任一估算点对应的第一三维向量的第二个分量，将所述任一估算点在估算时刻的雷达反射率因子作为所述任一估算点对应的第一三维向量的第三个分量。

其中，神经网络的训练步骤包括：选取多个历史时刻，获取每一估算点在每一历史时刻的第一三维向量，获取每一估算点在每一历史时刻的第二三维向量；对于任一估算点和任一历史时刻，将所述任一估算点在所述任一历史时刻的第一三维向量和所述任一估算点在所述任一历史时刻的第二三维向量组成的一组向量对作为一个训练样本；将所有训练样本输入到神经网络，对神经网络进行训练。

其中，获取每一估算点在每一历史时刻的第一三维向量，包括：获取每一估算点在每一历史时刻的雷达反射率因子；将所述任一估算点的经度、纬度和在所述任一历史时刻的雷达反射率因子分别作为每所述任一估算点在所述任一历史时刻的第一三维向量，以此获取每一估算点在每一历史时刻的第一三维向量。

其中，获取每一估算点在每一历史时刻的第二三维向量，包括：获取每一估算点在每一历史时刻的降水数据，每一历史时刻的降水数据由雨量计分别在每一历史时刻测量获得；将每一估算点的经度、纬度和降水数据分别作为一个第二三维向量的三个分量，以获取每一估算点在每一历史时刻的第一三维向量。

其中，将每一估算点的经度、纬度和降水数据分别作为一个第二三维向量的三个分量，包括：将所述任一估算点的经度作为所述任一估算点对应的第二三维向量的第一个分量，将所述任一估算点的纬度作为所述任一估算点对应的第二三维向量的第二个分量，将所述任一估算点的降水数据作为所述任一估算点对应的第二三维向量的第三个分量。

本发明的另一方面，提供一种基于神经网络的降水数据的估算装置，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行上述的方法。

本发明的又一方面，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使计算机执行上述的方法。

本发明的又一方面，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使计算机执行上述的方法。

本发明提供的一种基于神经网络的降水数据的估算方法和装置，通过将每一估算点的经度、纬度和雷达反射率因子分别作为一个第一三维向量的三个分量；将每一估算点在估算时刻的第一三维向量输入至已训练的神经网络，输出每一估算点对应的第二三维向量，每一第二三维向量中的三个分量分别为每一第二三维向量对应的估算点的经度、纬度和在估算时刻的降水数据，从而通过第二三维向量将估算点的经度、纬度和降水数据联系起来，即可以通过第二三维向量不仅能够获得精确的降水数据，还能直接确定每个降水数据与每一经纬度坐标值之间的对应关系，极大的减少了将降水数据赋值到对应的位置坐标上的工作量。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为根据本发明实施例的基于神经网络的降水数据的估算方法的流程图；

图2为根据本发明实施例的单个神经元模型的示意图；

图3为根据本发明实施例的BP神经网络模型的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中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作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。

在本发明的一个实施例中，参考图1，提供种基于神经网络的降水数据的估算方法，包括：S11，获取雷达扫描区域中每一估算点的经度和纬度，获取每一估算点在估算时刻的雷达反射率因子，其中，每一估算点为对雷达扫描区域进行网格化后的一个网格点；S12，将每一估算点的经度、纬度和在估算时刻的雷达反射率因子分别作为每一估算点在估算时刻的第一三维向量，每一估算点的经度、纬度和雷达反射率因子分别为每一估算点对应的第一三维向量中的三个分量；S13，将每一估算点在估算时刻的第一三维向量输入至已训练的神经网络，输出每一估算点对应的第二三维向量，其中，每一第二三维向量中的三个分量分别为每一第二三维向量对应的估算点的经度、纬度和在估算时刻的降水数据。

具体的，雷达的扫描范围一般比较广，雷达的扫描区域一般是个圆形区域，采用的是极坐标系，极坐标系下的数据不利于将气象数据产品化，通常转换到经纬度坐标系下处理气象数据，并选取一定数量的坐标点，计算选取的坐标点的各种气象数据，作为区域的气象情况；本实施例中，对雷达扫描区域进行网格化，其中一组网格线沿经线方向，另一组网格线沿纬线方向，将雷达扫描区域网格划为若干网格点集合Ω＝{(xi,yj)|1≤i≤M,1≤j≤N}，其中M表示沿经线方向的网格线的数量，N表示沿纬线方向的网格线的数量，(xi,yj)表示第i个沿经线方向的网格线、第j个沿纬线方向的网格线所对应的网格点的经度和纬度坐标，为了便于计算，通常采用均匀网格化，即任意两个相邻且沿相同方向的网格线之间的距离均相等，任意两个相邻且沿相同方向的网格线之间的距离称为网格划的精度，网格划的精度的典型取值为1千米；将每一网格点作为本实施中的一个估算点，根据极坐标向经纬度坐标转换的转换规则将每一估算点的极坐标转换为经纬度坐标，以获取每一估算点的经度和纬度。

目前我国在全国布设了用于定量测量降水的雷达网，雷达网中的雷达普遍采用的经验关系式Z-I，理论上由雷达测量的雷达反射率因子Z估计出目标区域的降水数据I，降水数据包括降水强度、降雨量等等，因此雷达探测的重要参数是雷达反射率因子，获取每一估算点的雷达反射率因子。

对于每一估算点，将估算点的经度、纬度和雷达反射率因子作为第一三维向量的三个分量，经过这种向量化的处理，通过一个第一三维向量将一个估算点的经度、纬度和雷达反射率因子联系起来，即可以通过一个第一三维向量直接确定一组经度和纬度与一个雷达反射率因子的对应关系；将在估算时刻的所有第一三维向量输入到已训练的神经网络，输出在估算时刻的第二三维向量，同样的，可以通过一个第二三维向量将一个估算点的经度、纬度和降水数据联系起来，即通过一个第二三维向量不仅能够获得一个精确的降水数据，还能直接确定一组经度和纬度与一个降水数据的对应关系；根据这种对应关系，便可以通过在估算时刻的每一第二三维向量确定在估算时刻的每一降水数据对应的一组经度和纬度(即经纬度坐标值)。

本实施例通过将每一估算点的经度、纬度和雷达反射率因子分别作为一个第一三维向量的三个分量；将每一估算点在估算时刻的第一三维向量输入至已训练的神经网络，输出每一估算点对应的第二三维向量，每一第二三维向量中的三个分量分别为每一第二三维向量对应的估算点的经度、纬度和在估算时刻的降水数据，从而通过第二三维向量将估算点的经度、纬度和降水数据联系起来，即可以通过第二三维向量不仅能够获得精确的降水数据，还能直接确定每个降水数据与每一经纬度坐标值之间的对应关系，极大的减少了将降水数据赋值到对应的位置坐标上的工作量。

基于以上实施例，获取每一估算点在估算时刻的雷达反射率因子，包括：获取每一雷达扫描点在估算时刻的雷达反射率因子；根据每一雷达扫描点在估算时刻的雷达反射率因子，并基于插值法获取每一估算点在估算时刻的雷达反射率因子。

具体的，雷达扫描具有精度，雷达根据精度扫描区域中某些点的数据，这些点可称之为雷达扫描点，雷达扫描点与估算点并不能完全重叠，对于估算点，根据与估算点临近的雷达扫描点的雷达反射率因子，使用插值法获取估算点的雷达反射率因子，具体的可采用sinc插值方法或双线性插值方法。

基于以上实施例，将每一估算点的经度、纬度和在估算时刻的雷达反射率因子分别作为每一估算点在估算时刻的第一三维向量，包括：对于任一估算点，将所述任一估算点的经度作为所述任一估算点对应的第一三维向量的第一个分量，将所述任一估算点的纬度作为所述任一估算点对应的第一三维向量的第二个分量，将所述任一估算点在估算时刻的雷达反射率因子作为所述任一估算点对应的第一三维向量的第三个分量。

基于以上实施例，神经网络的训练步骤包括：选取多个历史时刻，获取每一估算点在每一历史时刻的第一三维向量，获取每一估算点在每一历史时刻的第二三维向量；对于任一估算点和任一历史时刻，将所述任一估算点在所述任一历史时刻的第一三维向量和所述任一估算点在所述任一历史时刻的第二三维向量组成的一组向量对作为一个训练样本；将所有训练样本输入到神经网络，对神经网络进行训练。

其中，获取每一估算点在每一历史时刻的第一三维向量，包括：获取每一估算点在每一历史时刻的雷达反射率因子；将所述任一估算点的经度、纬度和在所述任一历史时刻的雷达反射率因子分别作为每所述任一估算点在所述任一历史时刻的第一三维向量，以此获取每一估算点在每一历史时刻的第一三维向量。

其中，获取每一估算点在每一历史时刻的第二三维向量，包括：获取每一估算点在每一历史时刻的降水数据，每一历史时刻的降水数据由雨量计分别在每一历史时刻测量获得；将每一估算点的经度、纬度和降水数据分别作为一个第二三维向量的三个分量，以获取每一估算点在每一历史时刻的第一三维向量。

具体的，选取多个不同的历史时刻，利用不同历史时刻的雷达反射率因子和降水数据，将每一估算点的经度、纬度和在每一历史时刻的雷达反射率因子分别作为一个第一三维向量的三个分量，并将每一估算点的经度、纬度和在每一历史时刻的降水数据分别作为一个第二三维向量的三个分量；对于同一个历史时刻的第一三维向量和第二三维向量，将同一估算点对应的第一三维向量和第二三维向量组成的向量对作为一个样本，形成该历史时刻的多对训练样本，该历史时刻的多对训练样本组成训练样本集其中L表示该历史时刻的训练样本的数量；经过同样的过程可获得多个历史时刻的训练样本集；其中，对于任一历史时刻的雷达反射率因子，可获取该历史时刻前后设时间段内的雷达反射率因子，将该历史时刻前后预设时间段内的雷达反射率因子的各数值平均处理后作为该历史时刻的雷达反射率因子；对于任一历史时刻的降水数据，可通过雨量计在该历史时刻测量的数值来获得。将选取的所有历史时刻的训练样本集中的所有训练样本输入到神经网络，对神经网络进行训练，以确定神经网络中的参数。

例如，神经网络选用BP神经网络，通过构建深层非线性网络结构，实现复杂函数逼近，凭借神经元的广泛互联与并行工作使网络呈现出的非线性特点，以及网络自身能从少数训练样本集中学习数据集本质特征的能力以及泛化能力，为复杂函数输入-输出非线性映射逼近提供了新的数学实现模型和解决思路。

如图2所示为单个神经元模型，如图3为由一个输入层，数个隐藏层，以及一个输出层构成的神经网络模型。

对于单个神经元模型，设其为图2所示网络中的第k个神经元，有m个输入，输入为特征向量其中上标T表示矩阵或向量转置。该神经元对应于输入的权值向量为则该神经元的输出为其中f(·)是一个非线性的函数，称为激活函数。

神经网络的构建涉及到网络中使用的具体层数，输入输出维度大小，使用的神经元的数量，以及神经元的连接方式。另外，还涉及到激活函数的选择，通常，应用较为广泛的激活函数类型包括Sigmoid函数、双曲正切(tanh)函数、修正线性单元(Rectified linear unit，ReLU)以及柔性最大值Softmax函数等。网络的具体构型和激活函数的选择通常需要结合具体的应用和大量的经验。另外，需要结合训练样本数据，使用具体的权重初始化与优化方法对每个神经元上的权值向量进行优化。BP神经网络即采用图3所示的多层前馈式网络，使用反向传播(Back Propagation，BP)算法进行训练。反向传播算法采用采用随机均匀分布的权值初始化方案，并采用类似于逻辑回归的思路，通过梯度最速下降和链式求导法则相结合将残差逐层向后传递，并根据残差调整各层的权值参数，已证明BP神经网络具有较好的从少数训练样本集中学习数据集本质特征的能力以及泛化能力。

通过构建BP神经网络，将多个历史时刻的所有训练样本输入到神经网络，对神经网络进行训练，使BP神经网络训练学习，学习过程中不断自行调整参数，训练网络到达理想的要求。

基于以上实施例，将每一估算点的经度、纬度和降水数据分别作为一个第二三维向量的三个分量，包括：将所述任一估算点的经度作为所述任一估算点对应的第二三维向量的第一个分量，将所述任一估算点的纬度作为所述任一估算点对应的第二三维向量的第二个分量，将所述任一估算点的降水数据作为所述任一估算点对应的第二三维向量的第三个分量。

作为本发明的又一实施例，提供一种基于神经网络的降水数据的估算装置，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行上述各方法实施例所提供的方法，例如包括：获取雷达扫描区域中每一估算点的经度和纬度，获取每一估算点在估算时刻的雷达反射率因子，其中，每一估算点为对雷达扫描区域进行网格化后的一个网格点；将每一估算点的经度、纬度和在估算时刻的雷达反射率因子分别作为每一估算点在估算时刻的第一三维向量，每一估算点的经度、纬度和雷达反射率因子分别为每一估算点对应的第一三维向量中的三个分量；将每一估算点在估算时刻的第一三维向量输入至已训练的神经网络，输出每一估算点对应的第二三维向量，其中，每一第二三维向量中的三个分量分别为每一第二三维向量对应的估算点的经度、纬度和在估算时刻的降水数据。

作为本发明的又一个实施例，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取雷达扫描区域中每一估算点的经度和纬度，获取每一估算点在估算时刻的雷达反射率因子，其中，每一估算点为对雷达扫描区域进行网格化后的一个网格点；将每一估算点的经度、纬度和在估算时刻的雷达反射率因子分别作为每一估算点在估算时刻的第一三维向量，每一估算点的经度、纬度和雷达反射率因子分别为每一估算点对应的第一三维向量中的三个分量；将每一估算点在估算时刻的第一三维向量输入至已训练的神经网络，输出每一估算点对应的第二三维向量，其中，每一第二三维向量中的三个分量分别为每一第二三维向量对应的估算点的经度、纬度和在估算时刻的降水数据。

作为本发明的又一个实施例，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使该计算机执行上述各方法实施例所提供的方法，例如包括：获取雷达扫描区域中每一估算点的经度和纬度，获取每一估算点在估算时刻的雷达反射率因子，其中，每一估算点为对雷达扫描区域进行网格化后的一个网格点；将每一估算点的经度、纬度和在估算时刻的雷达反射率因子分别作为每一估算点在估算时刻的第一三维向量，每一估算点的经度、纬度和雷达反射率因子分别为每一估算点对应的第一三维向量中的三个分量；将每一估算点在估算时刻的第一三维向量输入至已训练的神经网络，输出每一估算点对应的第二三维向量，其中，每一第二三维向量中的三个分量分别为每一第二三维向量对应的估算点的经度、纬度和在估算时刻的降水数据。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成，前述的计算机程序可以存储于一计算机可读取存储介质中，该计算机程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。