一种基于深度学习的大风灾害天气指数预测系统及方法

本发明涉及天气监测，具体为一种基于深度学习的大风灾害天气指数预测系统及方法。

背景技术：

1、大风灾害对人类社会和经济造成严重威胁，因此准确预测大风灾害的影响至关重要。传统的气象预报方法主要依赖于数值天气预报模型和经验公式，无法充分捕捉复杂的气象要素和地形对大风灾害的影响。近年来，深度学习技术特别是长短期记忆网络，在处理时间序列数据方面表现出色，能够有效捕捉气象数据中的时间依赖性和非线性特征。因此，将lstm应用于大风灾害天气指数预测中，可以提高预测的准确性。

2、随着气候变化，极端天气事件的频率和强度增加，对大风灾害的准确预测提出了更高的要求。然而，传统预测方法在面对多变量、多尺度、非线性的气象数据时，其预测能力受到限制。特别是在地形复杂的区域，风力分布受到地形高度、坡度等因素的显著影响，传统模型往往难以准确反映这些影响，导致预测结果与实际灾害情况存在较大偏差，利用栅格化方法采集待评估区域的地形高度和坡度数据，通过地形数据的修正，充分考虑了地形对大风灾害影响的调节作用，使预测结果更具实际意义。此外，随着传感器技术和数据采集技术的发展，可以获取到更加丰富和精细的气象数据，但如何有效利用这些数据，提高预测模型的性能，是当前气象预测领域面临的重要挑战。

3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的大风灾害天气指数预测系统及方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于深度学习的大风灾害天气指数预测系统，具体包括：

4、数据采集模块，用于采集待评估区域历史上发生的大风灾害事件的受灾面积和持续时间，采集待评估区域历史上发生大风灾害事件向前追溯一周的历史气象数据，所述气象数据包括风速、湿度、温度、气压、降水量和云量；

5、模型构建模块，基于长短期记忆网络建立指数预测模型，将历史气象数据作为训练集输入至指数预测模型，将对应的大风灾害的受灾面积和持续时间作为标签，对模型进行训练，得到训练好的指数预测模型；

6、预测模块，采集待评估区域最近一周的气象数据，输入至训练好的指数预测模型中，获得大风灾害天气的预测受灾面积以及预测持续时间，利用栅格化方法采集待评估区域的地形高度和坡度数据；

7、综合评估模块，用于使用采集的待评估区域的地形高度和坡度数据对大风灾害天气的预测受灾面积以及预测持续时间进行修正，得到综合天气指数，将综合天气指数与预设评估阈值比较，根据比较的结果，划分风险等级。

8、进一步地，采集待评估区域历史上发生大风灾害事件前一周的风速、湿度、温度和气压的具体逻辑为：

9、通过气象局历史记载的天气数据来获得待评估区域历史上发生大风灾害事件前一周的风速、湿度、温度和气压；

10、选择待评估区域周围n个测量点，覆盖东西南北四个方向，且在每个方向上根据等量、等距地选取测量点；

11、采集待评估区域最近一周的气象数据所依据的具体逻辑为：

12、将风速计、湿度计、温度计和气压计安装在测量点；

13、在不同测量点记录风速数据、湿度数据、温度数据和气压数据，获取待评估区域的平均风速、平均湿度、平均温度和平均气压；

14、获取平均风速所依据的公式为：

15、

16、其中，是平均风速，vi表示在第i个测量点处测量的风速；

17、获取平均湿度所依据的公式为：

18、

19、其中，是平均湿度，rhi表示在第i个测量点处测量的湿度；

20、获取平均温度所依据的公式为：

21、

22、其中，是平均温度，tempi表示在第i个测量点处测量的温度；

23、获取平均气压所依据的公式为：

24、

25、其中，是平均气压，presi表示在第i个测量点处测量的气压。

26、进一步地，所述利用栅格化方法采集待评估区域的地形高度h和坡度数据c的具体逻辑为：

27、根据面积大小将待评估区域划分为规则的小网格，然后在每个网格单元内计算平均高度和坡度，生成一个连续的地形表面模型，每个单元代表一个平均值，将所有网格单元的高度和坡度再一次进行加权平均，最终求得的值作为待评估区域的地形高度h和坡度c。

28、进一步地，采集待评估区域历史上发生大风灾害事件前一周的降水量m和云量n所依据的具体逻辑为：

29、通过气象局记载的历史天气数据来获得待评估区域发生大风灾害事件前一周的日平均降水量m和日平均云量n；

30、所述采集的云量n为发生大风灾害时受灾区域天空中被云层覆盖的比例，以百分比来表示，范围从0％到100％；

31、采集待评估区域最近一周的降水量和云量数据所依据的具体逻辑为：

32、通过气象局记载的历史天气数据和天气预报的预测结果采集待评估区域最近一周的降水量和云量。

33、进一步地，所述基于长短期记忆网络建立指数预测模型的过程，具体包括：

34、将历史气象数据按照类型构成多组时间序列数据，并作为训练集，将发生的大风灾害的受灾面积和持续时间作为标签，构建基于长短期记忆网络的深度学习模型，将训练集和标签输入至深度学习模型中，对模型进行训练，得到训练好的指数预测模型，所述历史气象数据包括待评估区域的风速、湿度、温度、气压、降水量和云量。

35、进一步地，获得大风灾害天气的预测受灾面积s以及预测持续时间t所依据的具体逻辑为：

36、采集待评估区域最近一周的气象数据，包括待评估区域的风速、湿度、温度、气压、降水量和云量，输入至训练好的指数预测模型中，输出获得大风灾害天气的预测受灾面积s以及预测持续时间t。

37、进一步地，利用采集的待评估区域的地形高度和坡度数据对大风天气的预测受灾面积以及预测持续时间进行修正，得到综合天气指数所依据的公式如下：

38、

39、其中，qs是综合天气指数，h是待评估区域的地形高度，α是其预设的比例系数，c是待评估区域的地形坡度，β是其预设的比例系数，s是预测受灾面积，t是预测持续时间，ρ是(s2+t3)的预设比例系数，c1为常数修正指数，α、β、ρ均大于零。

40、进一步地，将综合天气指数qs与预设评估阈值比较，根据比较的结果，划分风险等级的过程，具体包括：设定一系列阈值，这些阈值对应不同的大风灾害危险等级，将得到的综合天气指数与预设的阈值进行比较，根据比较结果，划分危险等级：

41、当qs<30时，预测为低风险，公众可以正常进行户外活动，但需留意天气变化；

42、当30≤qs<60时，预测为中风险，建议公众减少不必要的户外活动，注意固定松散物品，以防被风吹走；

43、当60≤qs<80时，预测为高风险，建议公众避免户外活动，建议相关部门加强巡查，确保公共安全设施稳固，居民应确保门窗紧闭，固定好室外物品；

44、当qs≥80时，预测为极高风险，建议公众留在室内，避免所有户外活动，相关部门应启动紧急应对措施，如疏散高风险区域居民，关闭可能受影响的公共设施。

45、其中，qs为综合天气指数。

46、本发明另外还提供一种基于深度学习的大风灾害天气指数预测方法，所述大风灾害天气指数预测方法由上述的大风灾害天气指数预测系统执行，具体步骤包括：

47、步骤1：采集待评估区域历史上发生的大风灾害事件的受灾面积和持续时间，采集待评估区域历史上发生大风灾害事件向前追溯一周的历史气象数据，所述气象数据包括风速、湿度、温度、气压、降水量和云量；

48、步骤2：基于长短期记忆网络建立指数预测模型，将历史气象数据作为训练集输入至指数预测模型，将对应的大风灾害的受灾面积和持续时间作为标签，对模型进行训练，得到训练好的指数预测模型；

49、步骤3：采集待评估区域最近一周的气象数据，输入至训练好的指数预测模型中，获得大风灾害天气的预测受灾面积以及预测持续时间，利用栅格化方法采集待评估区域的地形高度和坡度数据；

50、步骤4：利用采集的待评估区域的地形高度和坡度数据对大风灾害天气的预测受灾面积以及预测持续时间进行修正，得到综合天气指数，将综合天气指数与预设评估阈值比较，根据比较的结果，划分风险等级。

51、与现有技术相比，本发明的有益效果是：

52、本发明通过引入基于深度学习的长短期记忆网络模型，有效地解决了传统预测方法在处理复杂非线性关系和时间序列数据方面的局限性。lstm模型能够从历史气象数据中学习到风速、湿度、温度等因素与大风灾害事件之间的深层次关联，提高了预测的准确性。同时，地形因素对风速和风向有显著影响，可能会改变大风的路径和影响范围，因而是进行准确预测的关键变量，利用栅格化方法采集待评估区域的地形高度和坡度数据，通过地形数据的修正，充分考虑了地形对大风灾害影响的调节作用，使预测结果更具实际意义，更加贴近实际灾害情况。这种综合考虑气象因素和地形特征的预测方法，不仅提高了大风灾害预测的精度和可靠性，而且能够为灾害预防和应急管理提供更为科学和有效的决策支持，显著提升了灾害响应的效率和效果。