[发明专利]近实时降水估测模型的构建方法及近实时降水估测方法

说明书

本发明提供一种近实时降水估测模型的构建方法，包括：获取目标区域的历史卫星红外AGRI数据、地理地形数据和历史降水资料数据，并对所获取的数据进行预处理；构造基于多模型集成的近实时降水估测模型；以预处理后的历史AGRI数据、地理地形数据作为模型输入数据，并以预处理后的历史降水资料数据作为模型输出数据对所构造的近实时降水估测模型进行训练，并对训练后的近实时降水估测模型进行精度验证评估，完成模型构建。由该构建方法所构建的近实时降水估测模型能够更好地捕捉数据的潜在分布，获取更多关于数据底层结构的信息，具有更高的降水估测精度。可以较好地应用在强对流天气的监测。

技术领域：

本发明属于大气科学技术领域，涉及一种近实时降水估测模型的构建方法和一种近实时降水估测方法。

背景技术：

降水作为水循环的重要组成部分，在支持水和能量交换以及连接生物圈、水圈、岩石圈和大气等方面发挥着重要作用。在一些生物多样性、生态环境和水文气象为导向的研究和工业生产项目中往往需要高质量、高时效性的定量降水产品。例如，台风期间具有高时空分辨率的降水观测不仅在研究热带气旋的降水特征，而且在预防和减轻台风灾害方面发挥着重要作用。但由于降水在时间、空间和强度等方面的高度可变性(也称为“异质性”)，往往高质量、高时效性的降水估测数据较难获得。而近实时高精度的降水估测数据对于预警洪水和滑坡等自然灾害的影响至关重要。

当前用于降水估测的数据源主要依赖于微波探测器资料数据和红外探测器资料。由于微波探测器携带在极轨卫星上，由极轨卫星上微波探测器获取的资料数据的时间分辨率较低，一般每天对于同一个视场点(也称为观测点或像素点)的探测只有两次。所以基于微波探测器资料的降水估测往往时效性不高，基于微波探测器资料估测的降水数据很难应用在强对流天气的监测，更难应用于近实时降水监测、预报和预警中，较难服务于强对流和台风降水等公共气象服务。

当前主流降水估测方法主要包括统计法、查算表法、数学反问题和人工智能法及相关方法的变体方法，如，浅层人工智能方法(如随机森林(Random Forest，RF)等)、深层人工智能方法(如卷积神经网络(Convolutinal Neural Networks，CNNs)、引入地形信息(U-Net卷积神经网络+地理信息)”等方法。其中，统计法、查算表法、数学反问题法的主要缺点是不能表示探测资料与降水估测之间的非线性关系，很难挖掘出数据之间的深层次关系；人工智能法及相关方法的变体方法一般采用单一的机器学习模型，在模型训练中一些学者往往会采用非近实时特征变量(如，ERA5资料、数值预报产品)作为模型输入量，因此这些方法得到的降水估测数据往往具有一定滞后性，较难适用于近实时的降水估测，并且这些降水估测数据准确度也有待提高。

发明内容：

为解决现有技术中存在的问题，本发明提供一种近实时降水估测模型的构建方法，该构建方法以卫星红外AGRI数据、地理地形数据作为训练样本对多模型集成的近实时降水估测模型进行训练，因此该构建方法所构建模型输出的降水估测值具有高时效性和较高的准确性。

本发明的另一目的在于提供一种近实时降水估测方法。

本发明的技术方案如下：

一种近实时降水估测模型的构建方法，包括：

获取目标区域的历史卫星红外AGRI数据、地理地形数据和历史降水资料数据，并对所获取的数据进行预处理；所述卫星红外AGRI数据包括红外通道亮温数据、云物理参数、云图纹理特征、时间运动特征数据；

构造基于多模型集成的近实时降水估测模型，所述多模型集成的近实时降水估测模型的基础模型包括随机森林模型、XGBoost模型、LightGBM模型、Decision Tree模型和Extra Tree模型；

以预处理后的历史卫星红外AGRI数据和地理地形数据作为模型输入数据，并以预处理后的历史降水资料数据作为模型输出数据，对所构造的近实时降水估测模型进行训练，并对训练后的近实时降水估测模型进行精度验证评估，完成模型构建。