一种雷雨大风临近概率预报方法、系统及计算机设备与流程

本发明涉及计算机预测模型领域，特别涉及一种雷雨大风临近概率预报方法、系统及计算机设备。

背景技术：

1、雷雨大风是由强对流风暴产生的极端天气，对农业作物、工厂厂房、居民住宅、车辆船舶有着极大的威胁和危害，而区别于常规大风天气的是，雷雨大风具有突发性强、时效短、强度大、破坏性强的特点，导致雷雨大风灾害的发生通常转瞬即逝，难以提前预防，给气象预报预警造成了极大的困难。

2、现有技术中，雷雨大风多是由气象预报员，通过雷达图像、气象站观测站的气象数据综合分析后，再进行人工的主观判断并绘制预警区域，以实现预报预警，但由于雷雨大风的特点，这种以人工判断为主的预警方式，给气象预报员的研判时间过短，过于仓促，容易受到预报员主观性的影响，进而导致雷雨大风预报出现准确性较低、发布时间长、时效性差的问题，而现有通过多普勒天气雷达的反射率回波图像和速度图像识别中气旋、下击暴流或者判断雷暴形状是否具有弓形特征的方法，仅能判识在雷暴中产生大风的结构，但无法判定此结构是否会产生到达地面的大风天气，也无法定量判别大风是否能够达到雷雨大风预警信号的发布标准，而现有的临近大风预报方法又存在时效性差、运算量复杂和特征相差较大的问题。

3、因此如何设计一种雷雨大风临近概率预报方法，以提高雷雨大风预报的准确性和时效性，成为了亟待解决的问题。

技术实现思路

1、基于此，本发明的目的是提供一种雷雨大风临近概率预报方法、系统及计算机设备，通过设计一种雷雨大风临近预报模型，在气象雷达 vil图上对雷雨大风的极大值、持续时间和临近时效内的移动轨迹的空间分布进行测算处理，从而在临近时效内快速准确的计算出了雷雨大风临近概率，以进行雷雨大风临近预报，本发明极大地提高了雷雨大风临近概率预报的准确性和时效性。

2、本发明提出的一种雷雨大风临近概率预报方法，包括：

3、根据当前区域的雷雨大风历史数据构建预训练数据集，并对雷雨大风临近预报模型进行预训练，所述雷雨大风临近预报模型包括卷积网络子模型和长短期记忆网络子模型；

4、实时检测雷雨大风存在状态并匹配风暴中心，以获取待识别的雷雨大风临近数据；

5、将所述待识别的雷雨大风临近数据输入预训练后的雷雨大风临近预报模型，以获取雷雨大风临近预报。

6、综上，根据上述雷雨大风临近概率预报方法，通过设计一种雷雨大风临近预报模型，在气象雷达 vil图上对雷雨大风的极大值、持续时间和临近时效内的移动轨迹的空间分布进行测算处理，从而在临近时效内快速准确的计算出了雷雨大风临近概率，以进行雷雨大风临近预报，本发明极大地提高了雷雨大风临近概率预报的准确性和时效性。具体为，根据当前区域的雷雨大风历史数据构建预训练数据集，并对雷雨大风临近预报模型进行预训练，所述雷雨大风临近预报模型包括卷积网络子模型和长短期记忆网络子模型，通过当前区域的雷雨大风历史数据进行模型的预训练，进一步的优化提高了雷雨大风临近预报模型准确性，设计卷积网络子模型进行基础特征提取，提高了整体模型的处理速度和鲁棒性，设计长短期记忆网络子模型进行特征增强，针对时序性较强的各类气象数据，增强了数据间在时序上的长期依赖关系，进而提高了雷雨大风临近预报模型整体的准确性，实时检测雷雨大风存在状态并匹配风暴中心，以获取待识别的雷雨大风临近数据，将所述待识别的雷雨大风临近数据输入预训练后的雷雨大风临近预报模型，以获取雷雨大风临近预报，本发明极大地提高了雷雨大风临近概率预报的准确性和时效性。

7、进一步的，所述根据当前区域的雷雨大风历史数据构建预训练数据集的步骤，具体包括：

8、根据预设雷雨大风检测标准选取当前区域中的雷雨大风历史数据，所述预设雷雨大风检测标准包括预设风速阈值和预设风区范围阈值；

9、筛选所述雷雨大风历史数据中的检验数据，以根据所述检验数据的质量控制码对所述雷雨大风历史数据中的剩余数据进行质量控制；

10、获取所述雷雨大风历史数据中每一雷雨大风历史数据个例的气象雷达 vil图，将所述气象雷达 vil图与对应的所述雷雨大风历史数据进行匹配，以完成逐图逐点预处理，所述预处理的公式如下：

11、；

12、其中，表示未处理的数据值，表示预处理后的数据值， a表示气象雷达 vil图组的图序数， m表示经向格点序数， n表示纬向格点序数， s表示匹配后的单个雷雨大风历史数据个例的格点集合；

13、将预处理后的所述气象雷达 vil图构建为雷雨大风临近预报模型的预训练数据集。

14、进一步的，所述雷雨大风临近预报模型，具体包括：

15、雷雨大风临近预报模型包括卷积网络子模型和长短期记忆网络子模型；

16、所述卷积网络子模型包括输入层、卷积层、池化层、全连接层和输出层，所述卷积网络子模型进行雷雨大风数据的基础特征提取，所述雷雨大风数据包括雷雨大风历史数据和雷雨大风临近数据，所述基础特征提取的公式如下：

17、；

18、其中， y表示卷积层的特征输出， l表示卷积层的层数， i表示特征输出的序数， j表示特征输出的个数，表示激活函数， k表示卷积核索引值， k表示卷积层的输出个数，表示卷积核权重， x表示前一层的输出向量， b表示偏置， p表示池化层的输出， r表示池化窗口， r表示池化层核大小， t表示池化层步长，表示最大值函数；

19、所述长短期记忆网络子模型包括输入门、遗忘门和输出门，所述长短期记忆网络子模型进行特征增强，所述特征增强的公式如下：

20、；

21、其中， in表示输入门， f表示遗忘门， o表示输出门，表示当前时刻的输入，表示激活函数， c表示存储记忆单元， t表示时刻， w表示权重项， u表示偏置项， h表示输出量，表示双曲正切函数，表示生成的候选值。

22、进一步的，所述并对雷雨大风临近预报模型进行预训练的步骤，之后还包括：

23、对预训练后的雷雨大风临近预报模型进行最优检验；

24、所述最优检验的公式如下：

25、；

26、其中， csi表示临界成功指数， hss表示评分指数， tp表示真阳， fn表示假阴， fp表示假阳， tn表示真阴。

27、进一步的，所述实时检测雷雨大风存在状态并匹配风暴中心，以获取待识别的雷雨大风临近数据的步骤，具体包括：

28、获取当前区域所有单一观测站点的大风观测数据，筛选所述大风观测数据中的检测数据，根据所述检测数据的质量控制码对所述大风观测数据中的剩余数据进行质量控制；

29、判断质量控制后的所述大风观测数据是否大于等于预设风速阈值，若所述大风观测数据大于等于预设风速阈值，则判定所述大风观测数据对应的观测站点区域存在大风；

30、获取当前区域的气象雷达 vil图，所述气象雷达 vil图的定义如下：

31、；

32、其中， vil表示垂直累积液态水含量， z表示雷达反射率分子， h表示雷达探测最高高度；

33、根据预设风暴中心匹配规则对存在大风的观测站点区域的所述气象雷达 vil图进行风暴中心匹配，若匹配到风暴中心，则判定所述观测站点区域内存在雷雨大风，并将所述观测站点区域对应的所述大风观测数据和所述气象雷达 vil图作为待识别的雷雨大风临近数据。

34、进一步的，所述将所述待识别的雷雨大风临近数据输入预训练后的雷雨大风临近预报模型，以获取雷雨大风临近预报的步骤，具体包括：

35、将待识别雷雨大风临近数据输入预训练后的雷雨大风临近预报模型，所述雷雨大风临近预报模型计算并输出雷雨大风预报数据，所述雷雨大风预报数据包括雷雨大风极大值空间分布数据 a，雷雨大风持续时间的空间分布数据 b，风暴中心的移动轨迹空间分布数据 c，所述计算并输出雷雨大风预报数据的步骤公式如下：

36、；

37、其中， wind表示中间判别量，表示连续输出图组 vil量， track表示风暴移动轨迹覆盖的格点， a表示气象雷达 vil图组的图序数， m表示经向格点序数， n表示纬向格点序数；

38、根据所述雷雨大风预报数据进行雷雨大风临近概率计算，以获取雷雨大风临近预报。

39、进一步的，所述根据所述雷雨大风预报数据进行雷雨大风临近概率计算，以获取雷雨大风临近预报的步骤，具体包括：

40、根据预设概率划分规则对雷雨大风预报数据进行雷雨大风临近概率计算，所述预设概率划分规则如下：

41、；

42、其中， pwind表示雷雨大风临近概率，表示格点到轨迹的直线距离函数；

43、再根据预设风力等级标准和预设雷雨大风预警信号标准获取雷雨大风临近预报。

44、本发明提出的一种雷雨大风临近概率预报系统，包括：

45、预训练模块，用于根据当前区域的雷雨大风历史数据构建预训练数据集，并对雷雨大风临近预报模型进行预训练，所述雷雨大风临近预报模型包括卷积网络子模型和长短期记忆网络子模型；

46、数据处理模块，用于实时检测雷雨大风存在状态并匹配风暴中心，以获取待识别的雷雨大风临近数据；

47、预报获取模块，用于将所述待识别的雷雨大风临近数据输入预训练后的雷雨大风临近预报模型，以获取雷雨大风临近预报。

48、本发明还提供一种存储介质，所述存储介质存储一个或多个程序，所述程序被处理器执行时实现如上述的雷雨大风临近概率预报方法。

49、本发明还提供一种计算机设备，所述计算机设备包括存储器和处理器，其中：

50、所述存储器用于存放计算机程序；

51、所述处理器用于执行所述存储器中存放的所述计算机程序时，实现如上述的雷雨大风临近概率预报方法。