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

技术领域

本申请涉及大气科学技术领域，特别涉及一种基于三维雷达回波的降水预测方法、装置、电子设备、计算机可读存储介质。

背景技术

多普勒天气雷达可以探测云中的降水粒子，在短临降水预报方面具有广泛的应用。基于多普勒天气雷达的降水预报方法，主要分为两个步骤：雷达回波定量降水估计和外推预报。常用的雷达回波定量降水估计主要依据Z-R关系法实现，通过指示Z-R关系的公式对雷达回波基本反射率进行计算，从而得到降雨强度。

天气雷达在业务中常用的扫描模式为VCP21(Volume Cover Pattern，体扫模式)模式，每次体扫可以获得9个仰角基本反射率数据。一般可以使用最底层仰角基本反射率值或者多层仰角混合而成的混合扫描反射率值输入指示Z-R关系的公式，以计算降雨强度。这种方式需将三维雷达回波转化为二维雷达回波，未能充分利用三维雷达回波中的信息。此外，在VCP21模式下，雷达体扫可以在6分钟左右完成，与此同时，地面雨量计可以实现精度为0.1mm的观测。而现有的雷达回波定量降水估计，都是计算单位时间为一小时的降雨强度，这导致短临降水预报的精度和实时性不佳。

发明内容

本申请实施例的目的在于提供一种基于三维雷达回波的降水预测方法、装置、电子设备、计算机可读存储介质，用于依据三维雷达回波实现降水预测。

一方面，本申请提供了一种基于三维雷达回波的降水预测方法，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，在将所述样本数据输入所述机器学习模型之前，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。

在一实施例中，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。

另一方面，本申请还提供了一种基于三维雷达回波的降水预测装置，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。

进一步的，本申请还提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述基于三维雷达回波的降水预测方法。

另外，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述基于三维雷达回波的降水预测方法。

在本申请方案中，通过雨强预测网络对实时采集的三维雷达回波进行处理，可以得到预测降雨量，并可依据连续区域对应的预测降雨量构建预测雨强矩阵；根据三维雷达回波和前一时次的历史三维雷达回波计算出三维雷达回波的运动矢量后，可以依据该运动矢量对预测雨强矩阵进行外推处理，从而得到降雨预报数据；

由于雨强预测网络可以直接对三维雷达回波进行处理，充分利用了三维雷达回波中的信息，从而得到准确反映降雨量的预测雨强矩阵；而通过三维雷达回波的运行矢量对预测雨强矩阵进行外推处理后，可以得到精确指示降雨量的降雨预报数据。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。

图1为本申请一实施例提供的基于三维雷达回波的降水预测方法的应用场景示意图；

图2为本申请一实施例提供的电子设备的结构示意图；

图3为本申请一实施例提供的基于三维雷达回波的降水预测方法的流程示意图；

图4为本申请一实施例提供的区域示意图；

图5为本申请一实施例提供的雨强预测子网络的训练流程图；

图6为本申请一实施例提供的样本数据生成方法的流程示意图；

图7为本申请一实施例提供的基于三维雷达回波的降水预测装置的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1为本申请实施例提供的基于三维雷达回波的降水预测方法的应用场景示意图。如图1所示，该应用场景包括客户端20和服务端30；客户端20可以是雷达气象站的电脑、手机、平板等设备，用于将雷达气象站内天气雷达每次体扫得到的雷达回波数据传输至服务端30；服务端30可以从多个雷达气象站的客户端20获取雷达回波数据，从而依据雷达回波数据实现降水预测。

如图2所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图2中以一个处理器11为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中，电子设备1可以是上述服务端30，用于执行基于三维雷达回波的降水预测方法。

存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器11执行以完成本申请提供的基于三维雷达回波的降水预测方法。

参见图3，为本申请一实施例提供的基于三维雷达回波的降水预测方法的流程示意图，如图3所示，该方法可以包括以下步骤310-步骤340。

步骤310：将实时采集的三维雷达回波输入已训练的雨强预测网络，获得雨强预测网络输出的预测降雨量。

其中，雨强预测网络用于基于三维雷达回波数据计算对应的降雨量。雨强预测网络可以通过SVR(Support Vector Regression，支持向量回归)、ridge算法等机器学习算法训练得到。

三维雷达回波是气象雷达体扫得到的反射率数据。气象雷达依据预设的扫描模式可以获得多个仰角的反射率数据，每一仰角的反射率数据可以看做是对应于一个高度平面的矩阵，因此，将多个仰角的反射率数据叠加在一起，可以得到包含多个通道的矩阵的三维雷达回波。示例性的，气象雷达以VCP21模式扫描得到9个仰角的反射率数据，可基于9个仰角的反射率数据构建包含9个通道矩阵的三维雷达回波。

气象雷达每次扫描需一定时长才可获得三维雷达回波。示例性的，在VCP模式下，每次扫描需6分钟左右可以完成。三维雷达回波是气象雷达从扫描开始到扫描结束这一时间段的反射率数据。因此，三维雷达回波对应于扫描时间段的时间信息，该时间信息可以以起始时间点和结束时间点来表示。示例性的，气象雷达从10点开始扫描，10点6分结束扫描，则时间信息可以是10点至10点6分。

此外，以气象雷达的位置为中心，可以确定气象雷达所覆盖的区域范围。三维雷达回波对应于该区域范围的位置信息，该位置信息可以以经纬度坐标来表示。示例性的，气象雷达覆盖一个矩形区域，则与三维雷达回波对应的位置信息可以是该矩形区域的四个顶点的经纬度坐标。

服务端将与任一时间信息和任一位置信息的三维雷达回波输入雨强预测网络后，可以得到该时间信息和位置信息对应的预测降水量。

步骤320：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。

其中，连续区域是指在地理上连续的多个区域。参见图4，为本申请一实施例提供的区域示意图，如图4所示，横向虚线代表纬线、纵向虚线代表经线，以图4中经纬线划分出的8个区域分别标号为1001、1002、1003、1004、1005、1006、1007、1008，区域1001与区域1005、区域1002在地理上连续，区域1002则与区域1001、区域1003、区域1006在地理上连续。

服务端获得连续区域的多个三维雷达回波对应的预测降雨量后，可以构建预测雨强矩阵，该预测雨强矩阵中每一元素均为预测降雨量。以图4为例，可以获得8个区域的预测降雨量，并构建2行4列的矩阵，且矩阵中第1行第1列的元素为连续区域中区域1001的预测降雨量、第1行第2列的元素为连续区域中区域1002的预测降雨量、第1行第3列的元素为连续区域中区域1003的预测降雨量，以此类推。

步骤330：根据前一时次的历史三维雷达回波和三维雷达回波，计算三维雷达回波的运动矢量。

其中，历史三维雷达回波是指在获得当前的三维雷达回波之前的三维雷达回波。

服务端可以获取并存储每一时次的三维雷达回波。当获取当前的三维雷达回波后，服务端可以依据光流法对前一时次的历史三维雷达回波中每一通道的矩阵和三维雷达回波中相同通道的矩阵进行计算，从而得到三维雷达回波的运动矢量。该运动矢量可以表示降水粒子的运动情况。示例性的，三维雷达回波包含9个通道的矩阵，服务端可以分别依据光流法对每一通道的矩阵和历史三维雷达回波中相同通道的矩阵进行计算，从而得到9个通道的矢量，并将这9个通道的矢量作为运动矢量。

步骤340：依据运动矢量对预测雨强矩阵进行外推处理，获得降雨预报数据。

服务端可以从运动矢量中选择指定的多个通道的矢量进行融合处理。这里，指定通道可以依据经验设置。示例性的，服务端可以从运动矢量中选择与高空2000米至4000米之间的水平面对应的多个通道的矢量进行融合处理。服务端可以通过均值化处理，对多个通道的矢量进行融合。在均值化处理时，服务端可以将每一通道矢量中同一位置的元素计算平均数，从而得到融合后的运动矢量。

服务端可以通过融合后的运动矢量对上述预测雨强矩阵进行外推处理，从而得到降雨预报数据。该降雨预报数据指示预测雨强矩阵对应区域在未来指定时间段内的降雨量。这里，指定时间段可以由两个时次的三维雷达回波的采集时间间隔而确定。示例性的，服务端依据图4中8个区域10点到10点6分之间采集的三维雷达回波计算出预测雨强矩阵后，依据9点54到10点之间采集的历史三维雷达回波与该三维雷达回波计算出运动矢量，并可以依据该运动矢量对上述预测雨强矩阵进行外推，从而获得可以表示10点6分到10点12分内上述8个区域降雨量的降雨预报数据。

对于同一区域而言，在不同月份、季节，同样的三维雷达回波所指示的降雨量也存在差异。在一实施例中，服务端上配置与多个时间段对应的雨强预测网络，并配置网络信息表。该网络信息表包括多个网络信息表项，每一网络信息表项可以记录时间段信息与雨强预测网络的网络标识之间的映射关系；该网络标识可以是雨强预测网络的编号或在服务端上的存储位置，用于指示雨强预测网络。

这里，时间段信息可以是月份、季节或节气等。示例性的，服务端上可以配置与每个月份对应的雨强预测网络，则时间段信息是月份名。

服务端在将三维雷达回波输入雨强预测网络之前，可以依据采集三维雷达回波的时间信息查找上述网络信息表，获得与时间信息匹配的网络信息表项。示例性的，网络信息表中的时间段信息为月份，服务端在9月7日10点6分获得三维雷达回波后，可以依据时间信息“9月7日10点6分”查找网络信息表，获得与该时间信息匹配的网络信息表项，该网络信息表项中的时间段信息为“9月”。

服务端可以将查找到的网络信息表项对应的雨强预测网络，作为待输入三维雷达回波的雨强预测网络。服务端在执行步骤310时，可将三维雷达回波输入被选中的雨强预测网络。

在一实施例中，雨强预测网络可以包括多个雨强预测子网络。在这种情况下，服务端在执行步骤310时，可以将三维雷达回波分别输入每一雨强预测子网络，从而获得每一雨强预测子网络输出的子预测降水量。其中，雨强预测子网络可以依据相同或不同的机器学习算法训练得到。

服务端可以依据融合模型对多个子预测降水量进行融合处理，得到预测降水量。示例性的，融合模型可以是加权公式，该加权公式中包括与每一雨强预测子网络对应的权重。服务端可以依据该融合模型对多个子预测降雨量进行加权求和，从而得到预测降雨量。

在一实施例中，服务端在执行上述降水预测方法之前，可以训练出雨强预测子网络，参见图5，为本申请一实施例提供的雨强预测子网络的训练流程图，如图5所示，训练过程可以包括如下步骤307-步骤309。

步骤307：将样本数据集中的样本数据输入机器学习算法，获得机器学习算法输出的样本预测降雨量；其中，样本数据为历史三维雷达回波，样本数据标注实际降雨量。

样本数据集中包括大量作为样本数据的历史三维雷达回波。样本数据集中的历史三维雷达回波的采集时间位于同一时间段。示例性的，以季节划分雨强预测网络(雨强预测子网络)，则四个季节分别有对应的样本数据集。

机器学习算法的初始网络参数可以随机生成。服务端将样本数据输入机器学习算法后，可以得到机器学习算法输出的对应于样本数据的样本预测降雨量。

步骤308：基于样本预测降雨量与实际降雨量之间的差异，对机器学习算法的网络参数进行调整。

步骤309：重复上述过程，直至机器学习算法收敛，得到雨强预测子网络。

服务端可以依据预设的损失函数评估样本预测降雨量与样本数据上标注的实际降雨量之间的差异，并依据该差异对机器学习算法的网络参数进行调整。上述过程经过反复迭代，当损失函数的函数值趋于稳定时，可以认定机器学习算法收敛，获得雨强预测子网络。如果雨强预测网络仅包含唯一的雨强预测子网络，当雨强预测子网络训练完毕时，即获得雨强预测网络。

在一实施例中，服务端在训练得到雨强预测网络中的多个雨强预测子网络之后，可以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。示例性的，服务端依据夏季的样本数据集训练出多个雨强预测子网络后，可以将样本数据集中的样本数据分别输入每一雨强预测子网络，从而得到雨强预测子网络输出的样本预测降雨量。

服务端可以依据与每一雨强预测子网络对应的样本预测降雨量和样本数据对应的实际降雨量，拟合得到融合模型。服务端可以根据最小二乘法对多个实际降雨量和对应于每一实际降雨量的多个样本预测降雨量进行处理，从而拟合出融合模型。

在一实施例中，参见图6，为本申请一实施例提供的样本数据生成方法的流程示意图，如图6所示，该方法可以包括如下步骤304-步骤306。

步骤304：获取大量历史三维雷达回波以及对应于历史三维雷达回波的实际降雨量。

其中，对应于历史三维雷达回波的实际降雨量是与历史三维雷达回波对应于相同时间信息和相同位置信息的实际降雨量。这里，实际降雨量对应的时间信息可以根据实际需要进行分钟级调整，一般而言，实际降雨量可以是6分钟内的降雨量。

步骤305：依据历史三维雷达回波的采集时间与预设的时间段信息，将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。

其中，时间段信息可以是月份、季节、节气等，可根据应用需求进行调整。

服务端对历史三维雷达回波划分后，可以得到与每一时间段信息对应的历史三维雷达回波。示例性的，服务端可以将获取到的历史三维雷达回波划分至与每个月份对应的历史三维雷达回波。

步骤306：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，放入与时间段信息对应的样本数据集；其中，样本数据的标签为实际降雨量。

服务端将历史三维雷达回波作为样本数据后，将对应于历史三维雷达回波的实际降雨量作为样本标签进行标注，并将样本数据放入对应的样本数据集。示例性的，服务端可将12月的历史三维雷达回波添加标记后，放入12月对应的样本数据集。后续服务端可以依据样本数据集训练与时间段信息对应的雨强预测子网络。由于样本标签的实际降雨量对应的时间信息可指示很短的时间段(可以短至几分钟)，后续训练得到的雨强预测子网络的预测精度非常高。

在一实施例中，服务端在获得历史三维雷达回波之后，在对历史三维雷达回波进行划分之前，还可以对其进行数据预处理。服务端可以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。其中，每一降雨量等级具有对应的降雨量区间。服务端依据历史三维雷达回波对应的实际降雨量，将历史三维雷达回波划分至各降雨量等级。

服务端可以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，占历史三维雷达回波总数量的比值小于预设比值阈值。该比值阈值可以是经验值，示例性的，总共存在5个降雨量等级，为保证每一降雨量等级的历史三维雷达回波的数量接近，可以将比值阈值设置为17％。

当存在任一降雨量等级的历史三维雷达回波的数量，占历史三维雷达护臂总数量的比值小于比值阈值，可以对该降雨量等级的历史三维雷达回波进行重采样处理，从而增加该降雨量等级对应的历史三维雷达回波的数量。通过该措施，可以保证各降雨量等级对应的样本数据的数量较为均衡，从而提升后续的雨强预测子网络的训练效果。

参见图7，为本申请一实施例提供的基于三维雷达回波的降水预测装置的框图，如图7所示，该装置可以包括：输入模块710、构建模块720、计算模块730、外推模块740。

输入模块710，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720，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730，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740，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。

上述装置中各个模块的功能和作用的实现过程具体详见上述基于三维雷达回波的降水预测方法中对应步骤的实现过程，在此不再赘述。

在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。