[发明专利]基于三维雷达回波的降水预测方法、装置、电子设备、存储介质

权利要求书

1.一种基于三维雷达回波的降水预测方法，其特征在于，包括：

将实时采集的三维雷达回波输入已训练的雨强预测网络，获得所述雨强预测网络输出的预测降雨量；

基于与连续区域的三维雷达回波对应的预测降雨量，构建预测雨强矩阵；

根据前一时次的历史三维雷达回波和所述三维雷达回波，计算所述三维雷达回波的运动矢量；

依据所述运动矢量对所述预测雨强矩阵进行外推处理，获得降雨预报数据。

2.根据权利要求1所述的方法，其特征在于，在将所述三维雷达回波输入所述雨强预测网络之前，所述方法还包括：

依据采集所述三维雷达回波的时间信息，查找预设的网络信息表，获得与所述时间信息匹配的网络信息表项；

将查找到的网络信息表项对应的雨强预测网络，作为待输入所述三维雷达回波的雨强预测网络。

3.根据权利要求1或2所述的方法，其特征在于，所述雨强预测网络包括多个雨强预测子网络；

所述将实时采集的三维雷达回波输入已训练的雨强预测网络，获得所述雨强预测网络输出的预测降雨量，包括：

将所述三维雷达回波分别输入每一雨强预测子网络，获得所述雨强预测子网络输出的子预测降水量；

依据融合模型对多个子预测降水量进行融合处理，得到所述预测降水量。

4.根据权利要求3所述的方法，其特征在于，所述雨强预测子网络通过如下方式训练得到：

将样本数据集中的样本数据输入机器学习算法，获得所述机器学习算法输出的样本预测降雨量；其中，所述样本数据为历史三维雷达回波，所述样本数据标注实际降雨量；

基于所述样本预测降雨量与所述实际降雨量之间的差异，对所述机器学习算法的网络参数进行调整；

重复上述过程，直至所述机器学习算法收敛，得到雨强预测子网络。

5.根据权利要求4所述的方法，其特征在于，在训练得到所述雨强预测网络中的多个雨强预测子网络之后，所述方法还包括：

将样本数据分别输入每一雨强预测子网络，得到每一雨强预测子网络输出的样本预测降雨量；

依据与每一雨强预测子网络对应的样本预测降雨量和所述样本数据对应的实际降雨量，拟合得到所述融合模型。

6.根据权利要求4所述的方法，其特征在于，在将所述样本数据输入所述机器学习算法之前，所述方法还包括：

获取大量历史三维雷达回波以及对应于所述历史三维雷达回波的实际降雨量；

依据所述历史三维雷达回波的采集时间与预设的时间段信息，将所述历史三维雷达回波进行划分，得到对应于多个时间段信息的历史三维雷达回波；

将与多个时间段信息对应的历史三维雷达回波作为样本数据，放入与所述时间段信息对应的样本数据集；其中，所述样本数据的标签为所述实际降雨量。

7.根据权利要求6所述的方法，其特征在于，在将所述历史三维雷达回波进行划分之前，所述方法还包括：

依据预设的多个降雨量等级将与实际降雨量对应的历史三维雷达回波进行划分，得到与每一降雨量等级对应的历史三维雷达回波；

判断是否存在任一降雨量等级的历史三维雷达回波的数量，占所述历史三维雷达回波总数量的比值小于预设比值阈值；

如果是，对所述降雨量等级的历史三维雷达回波进行重采样处理，增加所述降雨量等级对应的历史三维雷达回波的数量。

8.一种基于三维雷达回波的降水预测装置，其特征在于，包括：

输入模块，用于将实时采集的三维雷达回波输入已训练的雨强预测网络，获得所述雨强预测网络输出的预测降雨量；

构建模块，用于基于与连续区域的三维雷达回波对应的预测降雨量，构建预测雨强矩阵；

计算模块，用于根据前一时次的历史三维雷达回波和所述三维雷达回波，计算所述三维雷达回波的运动矢量；

外推模块，用于依据所述运动矢量对所述预测雨强矩阵进行外推处理，获得降雨预报数据。