一种实时强降水预测方法、装置、设备及存储介质

1.本发明涉及强降水预测技术领域，特别涉及一种实时强降水预测方法、装置、设备及存储介质。


背景技术：

2.强降水现象通常与湿对流过程有关，其特征是水汽含量的高变化，低空对流层水汽的时空快速变化是数值天气模式预报精度面临的主要挑战之一。数值天气模式是指给定初始和边界天气，通过数值方法来求解大气运动方程组，从而有已知初始时刻的大气状态预报未来时刻的大气状态，利用该方法来进行对天气的预报。
3.目前，大气测量技术还不能够准确测量出对流层水汽的时空分辨率，所以无法达到数值天气模式精确预报的要求。关于水汽的不确定性分布限制了天气模式识别不稳定情况的能力，而情况不稳定时可能会引发大雨。在近实时预报中，这种特殊情况的应对是尤为重要的，有效准确的预防和警报机制对于预测可能损害人口及其财产的暴雨事件非常关键。因此，为了更了解对流层水汽的状态，提供一种能够不因水汽不确定性分布限制天气模式识别不稳定情况的方法是尤为重要的，以实现提前应对恶劣天气的目的，达到对强降水进行提前预报的效果是现在亟需要解决的问题。


技术实现要素：

4.为了解决现有技术因水汽不确定性分布而限制了天气识别情况不稳定的问题，本发明提供了一种实时强降水预测方法、装置、设备及存储介质。
5.一种实时强降水预测方法，包括：
6.采集gnss的大气可降水量数据并对大气可降水量数据进行处理；
7.从气象站获取多种类型的气象数据；
8.将处理后的大气可降水量数据及气象数据集成到narx模型中进行训练，得到训练好的narx模型；
9.输入当前大气可降水量数据及气象数据至训练好的narx模型中，得到强降水预测结果。
10.进一步地，所述narx模型通过式(1)表示：
11.y(t)＝f(y(t-1)，y(t-2)，...，y(t-n)，x(t-1)，x(t-2)，...，x(t-m))
ꢀꢀꢀꢀꢀ
(1)，
12.其中，y(t)为待预测变量，x(t)为与变量相关的外生变量集，n为y(t)的输入延迟数，m为x(t)的反馈延迟数，f是一个非线性函数。
13.进一步地，所述narx模型通过式(1)表示包括：
14.动态地将待预测变量在时间点(t-1)，(t-2)，
…
，(t-n)的当前值和过去值的时间序列，分别与在时间点(t-1)，(t-2)，
…
，(t-m)的外生变量集合联系起来。
15.进一步地，所述采集gnss的大气可降水量数据并对大气可降水量数据进行处理包括：
16.通过gamit软件包和globk对大气可降水量数据进行处理。
17.进一步地，所述从气象站获取多种类型的气象数据包括但不限于：
18.降水量、气温、气压、地表温度、和相对湿度中的一种或多种。
19.本发明提供了一种实时强降水预测装置，包括：
20.dnss模块，用于采集大气可降水量数据；
21.气象模块，用于获取多种类型的气象数据；
22.narx模块，用于处理大气可降水量数据及气象数据，获取实时强降水预测结果；
23.所述dnss模块及所述气象模块连接于narx模块，用于为narx模块提供大气可降水量数据集气象数据。
24.本发明提供了一种实时强降水预测设备，包括：
25.存储器，所述存储器中存储有至少一条指令；
26.处理器，用于加载并执行所述指令以实现上述所述的实时强降水预测方法的操作。
27.本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行，实现上述所述的实时强降水预测方法的操作。
28.本发明的有益效果至少包括：
29.(1)narx模型依赖于数据时间序列的长期相关性，适合于研究像天气预报的动态的系统，利用narx技术来提高降雨预报的性能，主要是对强降水进行短期的预报，结合气象站的日降雨量进行实时降水预报；
30.(2)narx模型神经网络的收敛速度通常比常规的神经网络技术快，将gnss的pwv数据与气象参数结合到神经网络方法中，处理一组输入，以便估计一组相关的目标输出；
31.(3)可以处理某一地域的连续几年的gnss数据的连续时间序列，每小时的pwv测量是由gnss处理得来的。
附图说明
32.图1为本发明的实时强降水预测方法的逻辑框图示意图.
33.图2为本发明的实时强降水预测方法的narx模型的逻辑框图示意图.
具体实施方式
34.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.实施例一
36.结合图1-2所示，本发明提供了一种实时强降水预测方法，包括：
37.采集gnss的大气可降水量数据并对大气可降水量数据进行处理；
38.通过gamit软件包和globk对大气可降水量数据进行处理。
39.gnss信号穿过对流层是会发生弯曲和延迟，将在伪距或载波相位中引起误差，称为天顶对流层延迟，将干延迟从对流层延迟中分离后所剩的湿延迟，pwv的值可以通过湿延
迟与转换因子相乘计算得来。为了使数据更精确和较低的大气参数相关性，对gnss站点进行分组。
40.从气象站获取多种类型的气象数据；
41.多种类型的气象数据包括但不限于：
42.降水量、气温、气压、地表温度、和相对湿度中的一种或多种。
43.将处理后的大气可降水量数据及气象数据集成到narx模型中进行训练，得到训练好的narx模型；
44.输入当前大气可降水量数据及气象数据至训练好的narx模型中，得到强降水预测结果。
45.神经网络的体系结构通常由一个或一组多层结构组成，有一个或多个神经元连接且并行地运行，该训练函数评估输入和目标之间的非线性关系。本发明使用了一个时间序列前馈神经网络模型，即narx模型，将gnss的pwv数据与气象数据集成到narx模型中，处理一组输入然后得到目标输出，实时得到每小时的降水。
46.通过narx模型进行非线性问题的解决，从而进行短时强降水的预测。
47.所述narx模型通过式(1)表示：
48.y(t)＝f(y(t-1)，y(t-2)，...，y(t-n)，x(t-1)，x(t-2)，...，x(t-m))
ꢀꢀꢀꢀ
(1)，
49.其中，y(t)为待预测变量，x(t)为与变量相关的外生变量集，n为y(t)的输入延迟数，m为x(t)的反馈延迟数，f是一个非线性函数。
50.所述narx模型通过式(1)表示包括：
51.动态地将待预测变量在时间点(t-1)，(t-2)，
…
，(t-n)的当前值和过去值的时间序列，分别与在时间点(t-1)，(t-2)，
…
，(t-m)的外生变量集合联系起来。变量(t)是借助其以前的值来预测的，包括其各自过去值的外部信息x(t)。
52.实施例二
53.一种实时强降水预测装置，包括：
54.dnss模块，用于采集大气可降水量数据；
55.气象模块，用于获取多种类型的气象数据；
56.narx模块，用于处理大气可降水量数据及气象数据，获取实时强降水预测结果；
57.所述dnss模块及所述气象模块连接于narx模块，用于为narx模块提供大气可降水量数据集气象数据。
58.实施例三
59.一种实时强降水预测设备，包括：
60.存储器，所述存储器中存储有至少一条指令；
61.处理器，用于加载并执行所述指令以实现实施例一所述的实时强降水预测方法的操作。
62.实施例四
63.一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行，实现实施例一所述的实时强降水预测方法的操作。
64.本发明的narx模型依赖于数据时间序列的长期相关性，适合于研究像天气预报的动态的系统，利用narx技术来提高降雨预报的性能，主要是对强降水进行短期的预报，结合
气象站的日降雨量进行实时降水预报；
65.本发明的narx模型神经网络的收敛速度通常比常规的神经网络技术快，将gnss的pwv数据与气象参数结合到神经网络方法中，处理一组输入，以便估计一组相关的目标输出；
66.本发明还可以处理某一地域的连续几年的gnss数据的连续时间序列，每小时的pwv测量是由gnss处理得来的。
67.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种实时强降水预测方法，其特征在于：包括：采集gnss的大气可降水量数据并对大气可降水量数据进行处理；从气象站获取多种类型的气象数据；将处理后的大气可降水量数据及气象数据集成到narx模型中进行训练，得到训练好的narx模型；输入当前大气可降水量数据及气象数据至训练好的narx模型中，得到强降水预测结果。2.根据权利要求1所述的一种实时强降水预测方法，其特征在于：所述narx模型通过式(1)表示：y(t)＝f(y(t-1)，y(t-2)，...，y(t-n)，x(t-1)，x(t-2)，...，x(t-m))
ꢀꢀꢀꢀ
(1)，其中，y(t)为待预测变量，x(t)为与变量相关的外生变量集，n为y(t)的输入延迟数，m为x(t)的反馈延迟数，f是一个非线性函数。3.根据权利要求2所述的一种实时强降水预测方法，其特征在于：所述narx模型通过式(1)表示包括：动态地将待预测变量在时间点(t-1)，(t-2)，
…
，(t-n)的当前值和过去值的时间序列，分别与在时间点(t-1)，(t-2)，
…
，(t-m)的外生变量集合联系起来。4.根据权利要求1所述的一种实时强降水预测方法，其特征在于：所述采集gnss的大气可降水量数据并对大气可降水量数据进行处理包括：通过gamit软件包和globk对大气可降水量数据进行处理。5.根据权利要求1所述的一种实时强降水预测方法，其特征在于：所述从气象站获取多种类型的气象数据包括但不限于：降水量、气温、气压、地表温度、和相对湿度中的一种或多种。6.一种实时强降水预测装置，其特征在于：包括：dnss模块，用于采集大气可降水量数据；气象模块，用于获取多种类型的气象数据；narx模块，用于处理大气可降水量数据及气象数据，获取实时强降水预测结果；所述dnss模块及所述气象模块连接于narx模块，用于为narx模块提供大气可降水量数据集气象数据。7.一种实时强降水预测设备，其特征在于：包括：存储器，所述存储器中存储有至少一条指令；处理器，用于加载并执行所述指令以实现上述所述的实时强降水预测方法的操作。8.一种计算机可读存储介质，所述存储介质中存储有至少一条指令，其特征在于：所述指令由处理器加载并执行，实现上述所述的实时强降水预测方法的操作。

技术总结
本发明涉及强降水预测技术领域，公开了一种实时强降水预测方法、装置、设备及存储介质，采集GNSS的大气可降水量数据并对大气可降水量数据进行处理；从气象站获取多种类型的气象数据；将处理后的大气可降水量数据及气象数据集成到NARX模型中进行训练，得到训练好的NARX模型；输入当前大气可降水量数据及气象数据至训练好的NARX模型中，得到强降水预测结果。本发明的NARX模型依赖于数据时间序列的长期相关性，适合于研究像天气预报的动态的系统，利用NARX技术来提高降雨预报的性能，主要是对强降水进行短期的预报，结合气象站的日降雨量进行实时降水预报。行实时降水预报。行实时降水预报。


技术研发人员：李灯熬 赵菊敏 史丹阳
受保护的技术使用者：太原理工大学
技术研发日：2023.03.01
技术公布日：2023/9/22