[发明专利]一种基于卷积神经网络的高低空区域联合降雨预测方法

权利要求书

1.一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，包括如下步骤：

(1)收集气象相关的地面数据和高空站点观测数据并对收集的数据进行预处理；

(2)根据地面数据的气象因子与降雨量实测值的相关关系确定影响降雨的气象预测因子；

(3)将距离和风向作为权重衡量周围站点对于目标站点的影响，利用加权K-means方法找出与目标站点气象相关的周围站点进行辅助预测；

(4)计算站点的高空切变值；计算公式为式中，s为高空切变值，u₂₀₀和u₈₅₀分别表示200hPa和850hPa等压面下的纬向风速；v₂₀₀和v₈₅₀分别表示200hPa和850hPa等压面下的经向风速；

(5)将高空切变值和筛选的影响降雨的气象预测因子结合并降维；

(6)将降维后的矩阵输入时间卷积网络TCN，利用TCN网络预测目标站点的降雨值。

2.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(1)包括：

(11)从气象局获取数据集和相应的标签信息，其中地面数据包括风向、风速、海平面气压、3小时变压、6小时降雨、露点、温度、24小时变温、24小时变压、低云量、低云高和能见度，高空站点观测数据包括风向和风速；

(12)将数据集分为训练集和测试集；

(13)初步处理数据，将数据中存在缺失的，含有异常值的和有地面但不含高空数据的站点及相关数据去除。

3.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(2)包括：

(21)地面数据选取风向、风速、海平面气压、3小时变压、6小时降雨、露点、温度、24小时变温、24小时变压、低云量、低云高、能见度作为影响降雨量的候选预测因子；

(22)分别计算出各候选地面因子与降雨量的实测值的相关系数；

(23)将相关系数降序排列，选取前面若干相关系数的地面因子作为影响降雨量的预测因子。

4.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(3)包括：

(31)从高空数据中选择k个站点作为初始聚类中心Center_k；

(32)同时将距离和风向作为权重衡量周围站点对于目标站点的影响，使用加权欧氏距离计算聚类对象间的相似度，两点之间的计算公式为式中，w是关于风向的权重，公式为w＝|z₁-z₂|，z₁和z₂分别表示归一化后的站点1的风向和站点2的风向，x₁和y₁分别为站点1的经度和纬度，x₂和y₂分别为站点2的经度和纬度；

(33)再次计算每个类簇中心，通过获取分配给该类簇的所有数据点的位置的平均值来更新每个类簇中心，更新方式为C_k是第k个类簇，x是类簇中的样本点，|C_k|是第k个类簇中数据对象的个数；

(34)通过手肘法的核心指标误差平方和SSE确定k值，相关系数的计算公式为式中C_i是第i个簇，x是C_i中的样本点，m_i是类簇中心Center_k的质心；取肘部对应的k值作为k-means的类簇个数；

(35)通过手肘法确定聚类个数k后，重复步骤(31)-(34)对站点进行聚类；

(36)在划分好的k个类簇中找到有目标站点的类簇，类簇中的其他站点视为与目标站点气象相关的周围站点。