【技術實現步驟摘要】
本專利技術涉及氣象災害預警，尤其涉及一種基于深度學習的短時強降雨預警方法。
技術介紹
1、短時強降雨（short?duration?heavy?rainfall,?sdhr）作為一種突發性強、降雨強度大、持續時間短的氣象現象，對人類社會和自然環境構成了嚴重威脅。它不僅可能引發城市內澇、山體滑坡、泥石流等次生災害，還可能導致交通中斷、基礎設施損毀以及農業損失，對人民生命財產安全和社會經濟發展造成嚴重影響。傳統的短時強降雨預警方法主要依賴于氣象專家的經驗和數值天氣預報模型，這些方法在處理海量氣象數據時存在局限性，且受主觀性影響較大。此外，數值天氣預報模型在復雜地形和中小尺度天氣系統面前的精度有限，難以滿足對短時強降雨這種局地性強、變化迅速的天氣現象的預警需求。隨著深度學習技術的發展，其在氣象領域的應用逐漸受到關注，展現出在短時強降雨預警方面的巨大潛力，有望提供更準確、高效的預警解決方案。
技術實現思路
1、本專利技術的目的是要提供一種基于深度學習的短時強降雨預警方法。
2、為達到上述目的，本專利技術是按照以下技術方案實施的：
3、本專利技術包括以下步驟：
4、獲取覆蓋目標區域及其周邊區域的天氣雷達網的組合反射率因子數據，收集目標區域的降雨數據，對所述組合反射率因子數據和所述降雨數據進行預處理；
5、根據所述降雨數據得到sdhr標簽，對所述組合反射率因子數據進行提取選擇和分類得到影響數據；
6、對所述降雨數據進行影響分析得到風險
7、將觀測數據輸入所述短時強降雨預警模型，輸出預警結果。
8、進一步地，獲取目標區域及其周邊區域的雷達網絡的組合反射率因子數據，收集目標區域的降雨數據的方法，包括：
9、雷達網絡的設備包括s波段雷達和c波段雷達，從目標區域內的自動氣象站收集降雨數據。
10、進一步地，根據所述降雨數據得到sdhr標簽的方法，包括：
11、短時強降雨標準為1小時內累積降雨量超過20毫米或3小時內累積降雨量超過50毫米，當目標區域中同一時間有5個及以上自動氣象站的降雨數據滿足短時強降雨標準時，sdhr標簽為1，否則為0。
12、進一步地，對所述組合反射率因子數據進行提取選擇和分類得到影響數據的方法，包括：
13、提取組合反射率因子數據的特征數據，包括最大反射率值、組合反射率因子平均值、變化率、高反射率區域占比和低反射率區域占比，特征數據和sdhr標簽的關聯度：
14、
15、其中為特征集合和特征集合之間的互信息，為sdhr標簽，為特征數據，和為特征的索引，是和的聯合概率分布，是的邊緣概率，是的邊緣概率分布，為基于先驗知識的和之間的權重函數，
16、去除小于預設關聯度閾值的特征數據得到影響特征，建立數據點，采用輪廓系數法得到簇的數量，對數據點進行聚類：
17、
18、
19、其中，為目標函數，n是數據點的數量，c為簇的數量，是第i個數據點對于第j個簇的隸屬度，m是模糊因子，是第j個簇的模糊懲罰系數，是數據點i，是簇j的中心點，為簇j中的數據點集合，h為帶寬參數，為正則化參數，為簇j的密度，為狄拉克函數，為度量簇j中數據點局部密度的距離閾值，
20、隸屬度函數：
21、
22、其中，為是第i個數據點和第j個簇的聚類中心之間的歐式距離，是所有數據點中與第j個簇的聚類中心之間的歐式距離的最大值，是數據點i與簇j中心對應特征數據的變化率之和，是所有數據點與簇中心特征數據的變化率的最大值，為數據點與簇中心特征數據的變化率的調節權重，
23、聚類中心更新公式：
24、
25、其中和分別是迭代s步和迭代s+1步后聚類簇j的中心點，為迭代s+1步后第i個數據點對于第j個簇的隸屬度，為迭代s步后的學習率，
26、將數據點劃分到隸屬度最大的簇，評估聚類結果：
27、
28、其中為聚類結果評分，其中和分別為簇m和簇p中的數據點，迭代更新直到聚類結果評分不再增加，影響數據包括影響特征、類別標簽和對類別標簽的隸屬度。
29、進一步地，對所述降雨數據進行影響分析得到風險系數的方法，包括：
30、根據降雨數據和預測時間的sdhr標簽采用神經網絡算法建立風險預測模型，神經網絡算法包括輸入層、函數層和輸出層，其中函數層的正則化損失函數為：
31、
32、其中，y為預測時間的sdhr標簽，a為y=1的預測概率由輸出層輸出，j為降雨數據，為函數層的權重矩陣，為中的元素，為正則化系數，
33、將風險預測模型輸出的預測時間的sdhr標簽為1的預測概率作為風險系數。
34、進一步地，根據所述影響數據、所述風險系數和sdhr標簽采用convlstm算法構建短時強降雨預警模型的方法，包括：
35、將類別標簽轉換為數值數據，影響數據和風險系數為輸入數據，預測時間的sdhr標簽為輸入數據的標簽，convlstm算法的輸入門、遺忘門、輸出門、隱藏狀態和存儲單元的公式包括：
36、
37、其中，、?、?、和分別為t時間步的輸入門、遺忘門、輸出門、隱藏狀態和存儲單元，和分別為t-1時間步的隱藏狀態和存儲單元，為t時間步的輸入數據，為sigmoid?激活函數，為雙曲正切激活函數，、、和分別為輸入門、遺忘門、輸出門和存儲單元的偏置項，、和分別為到輸入門、遺忘門、隱藏狀態和輸出門的權重矩陣，、、和分別為到輸入門、遺忘門、隱藏狀態和輸出門的權重矩陣，、、和分別為到輸入門、遺忘門、隱藏狀態和輸出門的權重矩陣，表述卷積，表示逐元素相乘，為t時間步的注意力權重矩陣，和分別為的權重矩陣和偏置項，
38、短時強降雨預警模型的損失函數：
39、
40、其中，為輸入數據的樣本數量，為第i個樣本的標簽，為短時強降雨預警模型預測的短時強降雨概率，表示預測標簽的概率，是調節參數，為降雨數據j的第k階統計特征，包括偏度、峰度和變差系數，為統計特征階數，
41、在預測的短時強降雨概率大于0.5時進行預警。
42、第二方面，本申請實施例還提供一種電子設備，包括：
43、處理器；以及被安排成存儲計算機可執行指令的存儲器，所述可執行指令在被執行時使所述處理器執行第一方面所述的方法步驟。
44、第三方面，本申請實施例還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個程序，所述一個或多個程序當被包括多個應用程序的電子設備執行時，使得所述電子設備執行第一方面所述的方法步驟。
45、本專利技術的有益效果是：
46、本專利技術是一種基于深度學習的短時強降雨預警方法，與現有技術相比，本專利技術具有以下技術本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的短時強降雨預警方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，獲取覆蓋目標區域及其周邊區域的天氣雷達網的組合反射率因子數據，收集目標區域的降雨數據的方法，包括：
3.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，根據所述降雨數據得到SDHR標簽的方法，包括：
4.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，對所述組合反射率因子數據進行提取選擇和分類得到影響數據的方法，包括：
5.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，對所述降雨數據進行影響分析得到風險系數的方法，包括：
6.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，根據所述影響數據、所述風險系數和SDHR標簽采用ConvLSTM算法構建短時強降雨預警模型的方法，包括：
7.一種電子設備，包括：處理器；以及
8.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個
...【技術特征摘要】
1.一種基于深度學習的短時強降雨預警方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，獲取覆蓋目標區域及其周邊區域的天氣雷達網的組合反射率因子數據，收集目標區域的降雨數據的方法，包括：
3.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，根據所述降雨數據得到sdhr標簽的方法，包括：
4.根據權利要求1所述一種基于深度學習的短時強降雨預警方法，其特征在于，對所述組合反射率因子數據進行提取選擇和分類得到影響數據的方法，包括：
5...
【專利技術屬性】
技術研發人員：武靜雅，周蒙，陳明軒，馬建立，李思騰，羅麗，
申請(專利權)人：北京城市氣象研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。