[发明专利]一种基于深度置信网络的气象预报方法和系统

说明书

本申请公开了一种基于深度置信网络的气象预报方法和系统，该方法包括根据目标区域的场地信息获得多个历史观测数据；构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；将第一预测数据输入CFD计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；将训练数据集的训练样本输入DBN深度神经网络，对该DBN深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。通过本发明的方法和系统可以提供预报气象的精度。

技术领域

本申请涉及气象服务情报保障领域，特别是涉及一种基于深度置信网络的气象预报方法和系统。

背景技术

气象预报保障对用户开展的众多活动安全顺利举办具有重大的影响。传统的气象情报保障是构建于HPC及云平台混合架构的气象数据服务平台上，通过开展基于数值预报、统计学习、高性能计算等信息技术，重点围绕多源资料同化短临预报在气象预测方面的应用研究，提升气象预测速率、精准度，面向不同目标群体，提供精细化、专业化的气象服务，做好场所精细化智慧气象服务，支撑重点场所气象服务保障。

然而，构建于HPC及云平台混合架构的气象数据服务平台上的气象预报方法由于具有初始误差和模式误差，存在预报精度低的缺陷。

针对数值预报问题，模式初值存在客观因素，模式的初始条件只是大气真实状态下的一种近似，因此初始误差是持久存在的，主要是观测过程中所产生的误差，即观测误差。只利用气象卫星观测时，大气对可见光的散射使得探测出的地面反照率和云顶资料存在一定的偏差，由直接观测的红外辐射资料反演云顶和地面温度的过程中也存在一定的误差。气象雷达观测，按照降水量和雷达回波强度之间的经验关系推测降水量会存在误差，尤其是远距离探测时产生的误差更大。

模式误差是模式对物理过程描述不准确而产生的误差。由于大气运动中的湍流过程，在模式中小尺度系统的生消机制是难以准确进行描述的。在模式中通常采用了参数化的方法来考虑这些过程的影响，平均过程将次网格的物理过程和动力过程表示出网格以上尺度的平均影响。这种描述和真实次网格过程之间的误差就存在误差；因而在预报气象时存在精度低的缺陷。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供一种基于深度置信网络的气象预报方法，该气象预报方法包括以下步骤：

根据目标区域的场地信息获得多个历史观测数据；

构建增强决策树对所述历史观测数据进行训练，得到第一预测数据；

将第一预测数据输入CFD计算流体动力学模型中，并进行稳态数值模拟以得到第二预测数据，根据所述第二预测数据得到来流条件下的流场分布；

基于克里金插值方法，将所述第二预测数据插值于目标区域中的任意位置以提取出模拟风速值，获得训练数据集；

将训练数据集的训练样本输入DBN深度神经网络，对该DBN深度神经网络进行训练，利用训练好的气象预报模型对待观测数据进行气象预测,以生成预测结果。

可选的，所述气象预报方法将DBN深度神经网络获得的预测结果与传统物理模型获得的预报结果进行比对分析，以对第一预测数据的参数进行调优。

可选的，采用地物回波识别算法对CFD模型的第一预测数据的参数进行调优，具体包括以下子步骤：

采集雷达的基数据，根据所述基数据获得回波特征参数；

运用统计方法对所述回波特征参数进行分析，确定地物回波与降水回波特征参数的差异；