[发明专利]一种雷暴短临预报方法、系统及终端

权利要求书

1.一种雷暴短临预报方法，其特征在于：包括以下步骤：

对闪电历史数据进行预处理，得到闪电网格观测数据；

对雷达历史数据进行特征构建，得到三维雷达特征数据；

对卫星历史数据进行特征构建，得到三维卫星特征数据；

对Grapes历史数据进行特征构建，得到三维Grapes特征数据；

基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集；

构建雷暴短临预报模型；

基于所述雷暴短临预报数据集训练所述雷暴短临预报模型，以基于训练好的雷暴短临预报模型实现雷暴短临预报；

对闪电历史数据进行预处理包括以下步骤：

基于时空聚类算法对闪电历史数据进行聚类；

对聚类后的闪电历史数据进行时间聚合；

将时间聚合后的闪电历史数据映射到指定分辨率的网格中，得到所述闪电网格观测数据，其中所述闪电网格观测数据包括有闪电的网格观测数据和无闪电的网格观测数据；

对雷达历史数据进行特征构建包括以下步骤：

获取所述雷达历史数据的特征，所述特征包括雷达基本反射率、回波顶高、组合反射率、组合反射利率高度和液态水含量；

基于互信息相关性分析算法对所述特征进行约简，获取与雷暴天气识别最相关的M个特征；

基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述雷达历史数据，得到L*L*M的三维雷达特征数据；

对卫星历史数据进行特征构建包括以下步骤：

获取通道序号为9-14的卫星云图亮温数据，其中9通道和10通道属于水汽通道，中心波长分别为6.25μm和7.1μm；11-14通道属于红外通道，中心波长分别为8.5μm、10.7μm、12.0μm和13.5μm；将所述红外通道和水汽通道的卫星云图亮温数据进行对应格点的两两相减，以形成的卫星云图亮温差数据作为新特征；

基于互信息相关性分析算法，对所述新特征进行约简，选取与雷暴天气识别最相关的N个特征；

基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述卫星历史数据，得到L*L*N的三维卫星特征数据；

对Grapes历史数据进行特征构建包括以下步骤：

选取反应对流状态的基本气象要素、反应大气状态的物理参数以及反应地形信息的相关要素，将所述基本气象要素、所述物理参数和所述相关要素作为特征；

基于互信息相关性分析算法，对所述特征进行约简，选取与雷暴天气识别最相关V个的特征；

基于所述闪电网格观测数据，以对流事件发生的网格点为中心，用L*L的矩形区域选取所述Grapes历史数据，得到L*L*V的三维Grapes特征数据；

基于所述闪电网格观测数据、所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据构建雷暴短临预报数据集包括：

基于所述闪电网格观测数据，对所述三维雷达特征数据、所述三维卫星特征数据和所述三维Grapes特征数据进行时空匹配，并以统一时空分辨率进行采样；

对表示有闪电的闪电网格观测数据进行过采样，并对表示无闪电的闪电网格观测数据进行欠采样；

对有无闪电的闪电网格观测数据进行基于类别数量的权重调整，类别数量越多，权重设置越大，以增加数据样本平衡性；

构建雷暴短临预报模型包括以下步骤：

采用多通道卷积神经网络对所述雷暴短临预报数据集进行特征提取，其中所述雷暴短临预报数据集中每种数据在单独通道中独立进行卷积与池化，以提取相关特征；

采用全连接层对多通道的相关特征进行整合，以构建所述雷暴短临预报模型；

基于所述雷暴短临预报数据集训练所述雷暴短临预报模型时，对未来0-2小时预报采用所述雷暴短临预报数据集中的雷达与卫星数据进行模型训练，对未来3-12小时的预报采用所述雷暴短临预报数据集中的Grapes数据进行模型训练；

其中，M、L、N、V为自然数，1≤M≤5，7≤L≤10，1≤N≤34，1≤V≤35。