[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

说明书

本发明提出了一种基于卷积神经网络的高低空区域联合降雨预测方法，运用相关系数法确定预测因子后，利用加权K‑means方法将所有站点以距离和风向作为权重进行分类，将与目标站点气象相关的周围站点找出，以便于协助目标站点预测降雨，再对于目标站点和周围站点的高空数据计算切变因子，将筛选出的地面因子和高空切变值结合并降维，最后输入TCN网络中建立降雨量预测模型，对目标地区未来12小时的降雨量进行预测，预测过程中充分考虑降雨的时序影响和周边地区的气象关联度。本发明方法克服了单站点、单层空间预测降雨不精确的特点，降雨预测更加准确，及时性也更强。

技术领域

本发明涉及降雨预测技术，尤其是一种基于卷积神经网络的高低空区域联合降雨预测方法。

背景技术

随着社会、经济的发展，如何提高防灾减灾能力进行实时的检测评估，提供准确、及时、可靠的信息，使防灾减灾有充分的科学依据，是国民经济建设和社会保障的需要。短期气候预测可以指导防灾减灾，近些年来其在经济建设和社会发展中的重要性渐趋突出。在气候变化最为复杂的季风区，由于季风多尺度变率显著、年际差异大、极端天气、气候事件频发，开展有针对性的短期气候预测工作显得尤为重要。但是，鉴于季风气候的影响因素众多，形成原因复杂，预测结果的不确定性很大，在一定程度上导致了短期气候预测工作的极端艰巨性。

现有的降雨量预测方法多种多样，常用的方法有常规趋势法、时间序列法、回归分析法、马尔可夫模型以及神经网络模型。近年来，用神经网络进行降雨量预测呈现百花齐放的状态。文献[刘乐,王洪国,王宝伟.基于PCA和改进BP网络的降雨预报模型研究[J].计算机工程与应用,2008,44(12):234-237.]中利用改进的BP神经网络预测城市降雨量，并且分析了不同气象因子对于降雨的影响程度，但是这种预测方法是按天进行预报，既而结果并不那么精确和及时。文献[计亚丽,贾克力,李畅游,等.LS-SVM和RBF神经网络模型在降雨预测中的应用[J].雨科学与工程技术,2012,(2):1-4.]中利用支持向量机和径向基神经网络对月降雨时间序列进行混合性判断，能够对月降雨量进行简单的估计，然而该模型误差较大，对于降雨较多的地区预测精度还不能达到满意的程度。

发明内容

发明目的：针对现有技术中存在的问题与不足，为了准确有效的预测降雨总量，本发明提供一种卷积神经网络的高低空区域联合降雨预测方法，它克服了单站点、单层空间预测降雨不精确的特点，筛选出与降雨量影响密切的相关因子，借助与目标站点气象相关联的周围站点数据进行辅助预测，并充分考虑降雨的时序影响，使得降雨预测更加准确，及时性也更强。

技术方案：为实现上述发明目的，本发明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，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；

(5)将高空切变因子和筛选的地面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。

所述步骤(1)是获取数据集和相应的标签信息，所述步骤(1)进一步为：

(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；