数据处理方法和存储介质

技术领域

本发明涉及计算机领域，具体而言，涉及一种数据处理方法和存储介质。

背景技术

目前，天气检测数据和降水预测，通常是两者独立进行实现的。比如，采用独立的模型进行预报。其中，天气检测数据可以为基于循环预测的雷达外推模型进行预测实现，其由于采用迭代式预测的方式，预测时间和显存消耗均随着预测时长的增加而线性增加；降水预测可以为神经网络天气模型。以上模型均为单一任务的预测模型，浪费了时间以及计算资源，从而使得对天气检测数据和降水数据进行预测的效率低。

针对上述的对天气检测数据和降水数据进行预测的效率低的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种数据处理方法和存储介质，以至少解决对天气检测数据和降水数据进行预测的效率低的技术问题。

根据本发明实施例的一个方面，提供了一种数据处理方法。该方法可以包括：获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

根据本发明实施例的另一方面，还提供了一种数据处理方法。该方法可以包括：响应作用于操作界面上的第一输入指令，输入第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

根据本发明实施例的另一方面，还提供了一种数据处理方法。该方法可以包括：从气象播报平台获取第一天气检测数据，并在操作界面上显示第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；将第二天气检测数据和第一目标降水数据返回至气象播报平台。

根据本发明实施例的一个方面，提供了一种数据处理装置。该装置可以包括：第一获取单元，用于获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；提取单元，用于基于数据预测模型提取第一天气检测数据的目标特征；转换单元，用于将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

根据本发明实施例的另一方面，还提供了一种数据处理装置。该装置可以包括：输入单元，用于响应作用于操作界面上的第一输入指令，输入第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；第一显示单元，用于响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

根据本发明实施例的另一方面，还提供了一种数据处理装置。该装置可以包括：第二获取单元，用于从气象播报平台获取第一天气检测数据，并在操作界面上显示第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；第二显示单元，用于响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；返回单元，用于将第二天气检测数据和第一目标降水数据返回至气象播报平台。

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序被处理器运行时控制计算机可读存储介质所在设备执行本发明实施例的数据处理方法。

根据本发明实施例的另一方面，还提供了一种处理器。该处理器可以用于运行程序，其中，程序运行时执行本发明实施例的数据处理方法。

根据本发明实施例的另一方面，还提供了一种数据处理系统。该系统可以包括：处理器；存储器，与处理器相连接，用于为处理器提供处理以下处理步骤的指令：获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

在本发明实施例中，获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。也就是说，本申请基于同一数据预测模型，利用历史时间段内的雷达数据同时预测未来时间段内的雷达数据和降水数据，能够达到节省计算资源，且减少预测时间的目的，避免了对未来时间段内的雷达数据和降水数据进行单独预测，而导致的浪费计算资源以及时间，从而解决了对天气检测数据和降水数据进行预测的效率低的技术问题，达到了提高对天气检测数据和降水数据进行预测的效率的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种用于实现数据处理方法的计算机终端(或移动设备)的硬件结构框图；

图2是根据本发明实施例的一种数据处理方法的流程图；

图3是根据本发明实施例的另一种数据处理方法的流程图；

图4是根据本发明实施例的另一种数据处理方法的流程图；

图5是根据本发明实施例的一种多任务模型的数据处理的示意图；

图6A是根据本发明实施例的一种雷达外推以及降水预测的场景的示意图；

图6B是根据本发明实施例的另一种雷达外推以及降水预测的场景的示意图；

图7是根据本方实施例的一种数据处理装置的示意图；

图8是根据本方实施例的另一种数据处理装置的示意图；

图9是根据本方实施例的另一种数据处理装置的示意图；

图10是根据本发明实施例的一种计算机终端的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

雷达外推，利用历史雷达回波序列预测/外推未来雷达序列；

降水预测，利用历史数据(雷达或降水)预测未来时刻的降水序列；

多任务，一个模型同时实现多个任务的学习和预测；

卷积神经网络(Convolutional Neural Network，简称为CNN)，为一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元；

长短期记忆网络(Long Short-Term Memory，简称为LSTM)，为一种时间递归神经网络，用于处理和预测时间序列中间隔和延迟相对较长的重要事件。

实施例1

根据本发明实施例，还提供了一种数据处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1是根据本发明实施例的一种用于实现数据处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的数据处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的数据处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。

在图1所示的运行环境下，本申请提供了如图2所示的数据处理方法。需要说明的是，该实施例的数据处理方法可以由图1所示实施例的移动终端执行。

图2是根据本发明实施例的一种数据处理方法的流程图。如图2所示，该方法可以包括：

步骤S202，获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果。

在本发明上述步骤S202提供的技术方案中，获取第一时间段内的第一天气检测数据，该第一天气检测数据可以为雷达数据序列(雷达序列)，为通过雷达已对上述第一时间段内的天气进行检测而得到的实际结果其中，第一时间段可以为当前时间之前的时间段，也即，为历史时间段，从而该实施例的第一天气检测数据也可以称为历史雷达数据。

可选地，该实施例的上述第一天气检测数据可以为第一雷达数据，比如，为历史时间段内的雷达数据序列，也即，历史雷达数据序列，可以为雷达回波序列、雷达图像序列，其中，雷达图像序列可以包括多帧雷达图像(历史图像)，比如，第一天气检测数据可以为历史时间段2h内的历史雷达图像序列，在时间间隔为10min的情况下，该历史雷达图像序列可以包括12帧雷达图像。

可选地，该实施例的上述第一天气检测数据也可以为通过遥感检测技术对第一时间段内的天气进行检测而得到的遥感数据，也可以为通过红外检测数据对第一时间段内的天气进行检测而得到的红外数据。

步骤S204，基于数据预测模型提取第一天气检测数据的目标特征。

在本发明上述步骤S204提供的技术方案中，在获取第一天气检测数据之后，可以基于数据预测模型提取第一天气检测数据的目标特征。

在该实施例中，可以预先训练出一个数据预测模型，可以将第一天气检测数据输入至数据预测模型，也即，第一天气检测数据可以为数据预测模型的输入数据序列(inputsequence)，再通过该数据预测模型可以从第一天气检测数据中提取出目标特征(feature)，该目标特征可以为多尺度特征，以用于同时预测(预报)出天气检测数据和降水数据。

在该实施例中，上述数据预测模型为多任务模型，可以同时实现多个任务的学习和预测，其中，多个任务可以包括雷达数据预测的任务、降水数据预测的任务，其中，数据预测模型中的与天气检测数据预测的任务对应的网络结构可以与降水数据预测的任务对应的网络结构可以同时训练，彼此之间起到辅助作用。

步骤S206，将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

在本发明上述步骤S206提供的技术方案中，在基于数据预测模型提取第一天气检测数据的目标特征之后，可以将目标特征转换为第二天气检测数据和第一目标降水数据，可以是利用上述数据预测模型将目标特征转换为第二天气检测数据和第一目标降水数据，也即，预测出的第二天气检测数据和第一目标降水数据的数据源是相同的。

在该实施例中，上述第二天气检测数据可以为通过雷达待对第一时间后的第二时间段内的天气进行检测，而得到的雷达数据的预测结果，可以是第二雷达数据，也即，该第二天气检测数据为预测出的未来时间段内天气的雷达数据，其可以称为未来雷达数据、预测雷达数据。可选地，该实施例的第二天气检测数据可以为雷达数据序列，从而该第二天气检测数据可以为未来雷达数据序列、预测雷达数据序列。比如，第二天气检测数据可以为未来时间段3h内的未来雷达图像序列，在时间间隔为10min的情况下，未来雷达图像序列可以包括18帧雷达图像。

可选地，上述第二天气检测数据可以为预测出的第二时间段内的天气的遥感数据，也可以为预测出的第二时间段内的天气的红外数据。

在该实施例中，上述第一目标降水数据可以为第二时间段内的降水数据的预测结果，也即，该第一目标降水数据为预测出的未来时间段内天气的降水数据，其可以称为未来降水数据。可选地，该实施例的第一目标降水数据可以为降水数据序列，从而该第一目标降水数据可以为未来降水数据序列、预测降水数据序列。比如，第一目标降水数据可以为未来时间段3h内的未来降水图像序列，可以逐10min累计降水图像序列进行预测。

在该实施例中，数据预测模型中包括将目标特征转换为第二天气检测数据的分支以及将目标特征转换为第一目标降水数据的降水分支(Prec Branch)，也即，该两个分支可以共享上述目标特征，从而实现通过一个数据预测模型不仅可以实现基于第一时间段内的第一天气检测数据预测出第二时间段内的第二天气检测数据，也可以基于第一时间段内的第一天气检测数据预测出第二时间段内的第一目标降水数据的目的，也即，可以同时实现雷达外推以及降水预测的目的。

可选地，该实施例的上述数据预测模型可以为卷积神经网络的模型，而不是非循环神经网络迭代式预测的模型，以能够适应大范围和长时间的第二天气检测数据(雷达数据序列)和第一目标降水数据(降水数据序列)的预测，并且缩短训练数据预测模型的及预测时间。

在该实施例中，天气检测数据的预测和降水数据的预测这两者高度相关，两者预报时效以及所需的时空分辨率都可以保持高度一致，另外两者可用相同的数据源进行预测。

通过本申请上述步骤S202至步骤S206，获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。也就是说，该实施例基于同一数据预测模型，利用历史时间段内的雷达数据同时预测未来时间段内的雷达数据和降水数据，能够达到节省计算资源，且减少预测时间的目的，避免了对未来时间段内的雷达数据和降水数据进行单独预测，而导致的浪费计算资源以及时间，从而解决了对天气检测数据和降水数据进行预测的效率低的技术问题，达到了提高对天气检测数据和降水数据进行预测的效率的技术效果。

下面对该实施例的上述方法进行进一步介绍。

作为一种可选的实施方式，数据预测模型包括特征提取模型、第一预测模型和第二预测模型，其中，特征提取模型用于从输入数据中提取出特征，第一预测模型和第二预测模型用于共同获取特征提取模型输出的特征。

在该实施例中，数据预测模型可以包括特征提取模型，该特征提取模型可以用于从输入数据中提取出特征，可以是从输入的第一天气检测数中提取出目标特征。该实施例的数据预测模型还可以包括第一预测模型和第二预测模型，该第一预测模型和第二预测模型与特征提取模型相连接，第一预测模型和第二预测模型共享特征提取模型，可以共同获取特征提取模型输出的目标特征。

作为一种可选的实施方式，步骤S204，基于数据预测模型提取第一天气检测数据的目标特征，包括：基于特征提取模型从第一天气检测数据中提取出目标特征；基于第一预测模型对目标特征进行预测处理，得到第二天气检测数据；步骤S206，将目标特征转换为第二天气检测数据和第一目标降水数据，包括：基于第二预测模型对目标特征进行预测处理，得到第一目标降水数据，其中，第二天气检测数据和第一目标降水数据用于表示相同的天气情况。

在该实施例中，上述特征提取模型可以为一个编码器(encoder)，比如，为深度学习分割网络模型(UNet)或网络预训练模型(U2Net)等模型的编码器，可以由将目标特征转换为第二天气检测数据的分支和将目标特征转换为第一目标降水数据的降水分支进行共享，也即，编码器可以为共享编码器(Shared Encoder)。其中，将目标特征转换为第二天气检测数据的分支可以为将目标特征转换为预测出的雷达数据的雷达分支(Radar Branch)。

在该实施例中，数据预测模型中的第一预测模型可以为数据预测模型中将目标特征转换为第二天气检测数据的分支，可以用于对目标特征进行预测处理，得到上述第二天气检测数据，也即，该实施例的第一预测模型用于进行天气检测数据的预测，第二天气检测数据为第一预测模型的预测结果，也可以称为第一预测模型的输出雷达数据序列(outputradar sequence)。

在该实施例中，数据预测模型中的第二预测模型，可以为数据预测模型中将目标特征转换为第二天气检测数据的降水分支，可以用于对目标特征进行预测处理，得到上述第一目标降水数据，也即，该实施例的第二预测模型用于进行降水数据的预测，第一目标降水数据为第二预测模型的预测结果，也可以称为第二预测模型的输出降水数据序列(output prec sequence)。

在该实施例中，上述第一预测模型和第二预测模型共享同一个特征提取模型，上述第一目标降水数据和上述第二天气检测数据可以用于表示相同的天气情况，这样能够在一定程度上保证第二天气检测数据和第一目标降水数据针对天气的预测结果具有一致性，比如，预测出的雷达数据对应的雷达图像在某区域预测出高响应值，其意味着将有强降水，则相应地在第一目标将水数据对应的降水图像中也意味着有强降水，从而避免了对雷达数据和降水数据进行独立预测，难以保证两者预测结果的一致性。

作为一种可选的实施方式，第一预测模型的第一网络结构和第二预测模型的第二网络结构相同，第一网络结构的第一网络参数不同于第二网络结构的第二网络参数。

在该实施例中，第一预测模型可以由第一网络结构构成，第二预测模型可以由第二网络结构构成，该第一网络结构和第二网络结构相同，但第一网络结构的第一网络参数不同于第二网络结构的第二网络参数，从而第一网络结构和第二网络结构可以不共享网络参数，可采用UNet或U2Net等模型的解码器(Decoder)部分，以便分别基于从第一天气检测数据中提取出的目标特征预测出第二天气检测数据和第一目标降水数据。

下面对该实施例的数据预测模型的训练方法进行进一步介绍。

作为一种可选的实施方式，基于以下数据对第一子模型进行训练，得到第一预测模型：与第一预测模型对应的第一训练数据，或者，第一训练数据和与第二预测模型对应的第二训练数据；和/或基于以下数据对第二子模型进行训练，得到第二预测模型：与第二预测模型对应的第二训练数据，或者，第二训练数据和与第一预测模型对应的第一训练数据。

可选地，该实施例可以获取第一训练数据，并基于第一训练数据对第一子模型进行训练，得到第一预测模型；获取第二训练数据，并基于第一训练数据和第二训练数据对第二子模型进行训练，得到第二预测模型。

在该实施例中，数据预测模型可以包括特征提取模型、第一预测模型和第二预测模型。该实施例的数据预测模型的训练可以包括训练阶段，在第一训练阶段，进行多任务训练，可以是对上述特征提取模型、第一预测模型和第二预测模型进行同时训练，以在一定程度保证第一预测模型和第二预测模型预测的一致性。

可选地，该实施例获取第一训练数据，该第一训练数据可以为天气检测数据的样本，比如，为雷达样本数据，用于对第一子模型进行训练，得到第一预测模型，其中，第一子模型可以为与天气检测数据处理相关的初始神经网络模型，比如，为与雷达数据处理相关的初始神经网络模型。该实施例获取第二训练数据，该第二训练数据可以为降水样本数据，通过第一训练数据和第二训练数据对第二子模型进行训练，得到第二预测模型，也即，该实施例的第一训练数据可以为第二预测模型的额外或互补的信息，这样能够辅助第二预测模型的训练，以在一定程度保证第一预测模型和第二预测模型的预测精度以及预测结果的一致性，其中，第二子模型可以为与降水数据处理相关的初始神经网络模型。

作为一种可选的实施方式，该方法还包括：获取第二训练数据，并基于二训练数据对第二子模型进行训练，得到第二预测模型；获取第一训练数据，并基于第一训练数据和第二训练数据对第一子模型进行训练，得到第一预测模型。

可选地，该实施例获取第二训练数据，该第二训练数据可以为降水样本数据，用于对第二子模型进行训练，得到第二预测模型。该实施例获取第一训练数据，该第一训练数据可以为雷达样本数据，通过第一训练数据和第二训练数据对第一子模型进行训练，得到第一预测模型，也即，该实施例的第二训练数据可以为第一预测模型的额外或互补的信息，这样能够辅助第一预测模型的训练，以在一定程度保证雷达数据预测和降水数据预测的一致性。

该实施例的上述第一预测模型和第二预测模型在训练时彼此之间是起到辅助作用，也即，第一预测模型能辅助和提升第二预测模型的预测效果，因为第一训练数据为第二预测模型提供了额外或者互补信息，第二预测模型能辅助和提升第一预测模型的预测效果，因为第二训练数据为第一预测模型提供了额外或者互补信息，并且第一预测模型和第二预测模型两者同时训练，这在一定程度保证第一预测模型和第二预测模型预测的一致性。

该实施例通过上述为多任务模型的数据预测模型可以同时实现天气检测数据及降水数据的预测，能够节省计算资源减少预测时间，并保持两者预测结果的一致性。

作为一种可选的实施方式，获取实际检测数据，其中，实际检测数据为对第二时间段内的天气进行检测而得到的实际结果和/或为第二时间段内的降水数据的实际结果；基于实际检测数据和对应的损失函数对第一预测模型和/或第二预测模型的参数进行调整。

在该实施例中，在将目标特征转换为第二时间段内的第二天气检测数据和第一目标降水数据之后，可以获取实际检测数据，可以基于新获取的实际检测数据单独对第一预测模型和/或进行参数微调或进一步优化。其中，实际检测数据可以针对第二时间段内的天气进行检测而得到的实际结果，也可以为针对第二时间段内的降水数据的实际结果，可以基于上述实际检测结果、对应的损失函数和对应的预测结果来对第一预测模型和/或第二预测模型的参数进行调整。下面对其进行进一步介绍。

作为一种可选的实施方式，该方法还包括：获取第三天气检测数据，其中，第三天气检测数据为对第二时间段内的天气进行检测而得到的实际结果；基于第三天气检测数据、第二天气检测数据和第一损失函数对第一预测模型的参数进行调整。

在该实施例中，由于在上述第一训练阶段中，可以保证第一预测模型的预测结果的精度，为了进一步提升预测结果的可视化效果，避免天气检测数据对应的图像存在模糊，比如，避免雷达数据对应的图像存在模糊，该实施例设计了第二训练阶段。该实施例可以将数据预测模型的特征提取模型的参数进行固定，可以单独对第一预测模型的参数进行调整，可以利用生成对抗网络和/或损失函数(loss)等策略来对第一预测模型的参数进行调整，以提升第一预测模型预测天气检测数据的精细化程度和对应的图像的可视化效果，其中，上述调整可以为微调，损失函数可以为感知损失函数。

该实施例可以获取第三天气检测数据，比如，获取第三雷达数据，该第三雷达数据为通过雷达对第二时间段内的天气进行检测而得到的实际结果，可以为第二时间段内的真实雷达数据序列。该实施例可以基于第三雷达数据、第二天气检测数据和第一损失函数对第一预测模型的参数进行调整。可选地，该实施例使用判别器来对上述第二雷达数据(预测雷达数据序列)和上述第三雷达数据(真实雷达数据序列)进行真假判别，另外同时利用第一损失函数进一步调整第一预测模型的参数，以提升第一预测模型的预测结果的真实性，其中，第一损失函数可以为感知loss，可以包括特征匹配loss和风格loss，以进一步提升第一预测模型的预测结果的真实性，避免通过第一预测模型预测出的第一天气检测数据对应的图像存在模糊的问题，提高了通过第一预测模型预测出的第二天气检测数据对应的图像的可视化效果。

作为一种可选的实施方式，该方法还包括：获取第二目标降水数据，其中，第二目标降水数据为第二时间段内的降水数据的实际结果；基于第二目标降水数据、第一目标降水数据和第二损失函数对第二预测模型的参数进行调整。

在该实施例中，由于在上述第一训练阶段中，可以保证第二预测模型的预测结果的精度，为了进一步提升预测结果的可视化效果，避免降水数据对应的图像存在模糊，该实施例可以在第二训练阶段中，将数据预测模型的特征提取模型的参数进行固定，可以单独对第二预测模型的参数进行调整，可以利用生成对抗网络和/或损失函数(loss)等策略来对第二预测模型的参数进行调整，以提升第二预测模型预测降水数据的精细化程度和对应的图像的可视化效果，其中，上述调整可以为微调，损失函数可以为感知损失函数。

该实施例可以获取第二目标降水数据，该第二目标降水数据为第二时间段内的降水数据的实际结果，可以为第二时间段内的真实降水数据序列。该实施例可以基于第二目标降水数据、第一目标降水数据和第二损失函数对第二预测模型的参数进行调整。可选地，该实施例使用判别器来对上述第一目标降水数据(预测降水数据序列)和上述第二目标降水数据(真实降水数据序列)进行真假判别，另外同时利用第二损失函数进一步调整第二预测模型的参数，以提升第二预测模型的预测结果的真实性，其中，第二损失函数可以为感知loss，可以包括特征匹配loss和风格loss，以进一步提升第二预测模型的预测结果的真实性，避免通过第二预测模型预测出的降水数据对应的图像存在模糊的问题，提高了通过第二预测模型预测出的第一目标降水数据对应的图像的可视化效果。

作为一种可选的实施方式，第一目标降水数据包括第二时间段内的降水数据的多个降水预测结果，该方法还包括：在操作界面上按照每个降水预测结果的降水级别，分级显示每个降水预测结果。

在该实施例中，在数据预测模型训练好之后，在基于数据预测模型提取第一天气检测数据的目标特征，且将目标特征转换为第二天气检测数据和第一目标降水数据之后，可以将多个降水预测结果分级反馈至操作界面上。可选地，该实施例可以确定每个降水预测结果的降水级别，在操作界面上，按照每个降水预测结果的降水级别，来分级显示每个降水预测结果，从而让用户清楚地了解到各个降水预测结果。

作为一种可选的实施方式，该方法还包括：确定每个降水预测结果的指示信息，其中，指示信息用于指示每个降水预测结果的降水级别；分级显示每个降水预测结果，包括：按照指示信息分级显示每个降水预测结果。

在该实施例中，每个降水预测结果具有指示信息，该指示信息可以为渐变颜色，用于表示不同的降水级别，从而该实施例可以在操作界面上按照降水级别所对应的颜色，来分级显示每个降水预测结果，也即，该是实施例的每个降水预测结果的降水级别与颜色是具有对应关系的，从而让用户清楚地了解到各个降水预测结果。

作为一种可选的实施方式，第一目标降水数据包括第二时间段内的降水数据的多个降水预测结果，该方法还包括：在操作界面上按照每个降水预测结果对应的区域，显示每个降水预测结果。

在该实施例中，可以确定每个降水预测结果对应的区域(地区)，也即，该降水预测结果是针对某一区域的降水数据进行预测而得到的结果，可以在操作界面上按照每个降水预测结果对应的区域，来显示每个降水预测结果，比如，操作界面上的不同显示位置对应了不同区域，在区域所对应的显示位置上显示对应的降水预测结果，从而实现了对多个降水预测结果进行分区显示的目的。可选地，该实施例针对不同区域，也可以进一步根据每个降水预测结果对应的降水级别，来显示每个降水预测结果，从而让用户清楚地了解到各个降水预测结果。

作为一种可选的实施方式，该方法还包括：在操作界面上显示降水预测结果对应的降水概率；基于降水概率在操作界面上显示提示信息，其中，提示信息用于提示与降水概率相对应的出行策略。

在该实施例中，在将目标特征转换为第二天气检测数据和第一目标降水数据之后，可以获取第一目标降水数据所包括的各个降水预测结果的对应的降水概率，将降水概率显示在操作界面上。可选地，当各个降水预测结果对应的降水概率大于目标阈值时，可以在操作界面上显示提示信息，该提示信息用于提示与降水概率相对应的出行策略，以对用户进行提醒，比如，如果用户需要到达降水概率大于目标阈值的区域时，则需要携带雨具等。

作为一种可选的实施，该方法还包括：获取调整信息，其中，调整信息包括用于表征降水预测结果的准确程度的信息和/或降水预测结果对应的区域的环境参数；基于调整信息调整数据预测模型。

在该实施例中，可以对数据预测模型进行进一步调整。该实施例可以获取调整信息，可以是对于某一用户，其为具有一些气象知识的用户，在看到降水预测结果时，可以进一步确定该降水预测结果的准确性，或者获取区域的环境参数，比如，获取区域的气温、晴天还是阴天等，根据其来调整数据预测模型，以实现进一步迭代优化数据预测模型，从而提升通过数据预测模型进行预测的准确性。

本发明实施例还从人机交互角度提供了另一种数据处理方法。

图3是根据本发明实施例的另一种数据处理方法的流程图。如图3所示，该方法可以包括以下步骤：

步骤S302，响应作用于操作界面上的第一输入指令，输入第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果。

在本发明上述步骤S302提供的技术方案中，操作界面可以为前端客户端上的人机交互界面，用户可以对操作界面进行触发，产生第一输入指令，该第一输入指令用于输入第一天气检测数据，从而响应第一输入指令，获取第一时间段内的第一天气检测数据，该第一天气检测数据可以为第一雷达数据，比如，为雷达数据序列，为对上述第一时间段内的天气进行检测而得到的实际结果。

可选地，该实施例的上述第一天气检测数据可以为历史时间段内的雷达数据序列，可以包括多帧雷达图像(历史图像)，比如，第一天气检测数据可以为历史时间段2h内的历史雷达图像序列，在时间间隔为10min的情况下，历史雷达图像序列可以包括12帧雷达图像。

可选地，该实施例的上述第一天气检测数据也可以为通过遥感检测技术对第一时间段内的天气进行检测而得到的遥感数据，也可以为通过红外检测数据对第一时间段内的天气进行检测而得到的红外数据。

步骤S304，响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到。

在本发明上述步骤S304提供的技术方案中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

在该实施例中，用户可以在操作界面上触发预测操作指令，该预测操作指令用于预测出在第二目标时间段内的第二天气检测数据和第一目标降水数据。响应作用于操作界面上的预测操作指令，可以在操作界面上显示出上述第二天气检测数据和第一目标降水数据。

在该实施例中，可以预先训练出一个数据预测模型，可以将第一天气检测数据输入至数据预测模型，再通过该数据预测模型可以从第一天气检测数据中提取出目标特征，以用于同时预测出第二天气检测数据和第一目标降水数据。其中，第二天气检测数据可以为第二雷达数据，数据预测模型为多任务模型，可以同时实现多个任务的学习和预测，数据预测模型中可以包括将目标特征转换为第二天气检测数据的分支以及将目标特征转换为第一目标降水数据的降水分支，也即，该两个分支可以共享上述目标特征，从而实现通过一个数据预测模型不仅可以实现基于第一时间段内的第一天气检测数据预测出第二时间段内的第二天气检测数据，也可以基于第一时间段内的第一天气检测数据预测出第二时间段内的第一目标降水数据的目的，比如，可以同时实现雷达外推以及降水预测的目的。

可选地，该实施例的上述数据预测模型可以为卷积神经网络的模型，而不是非循环神经网络迭代式预测的模型，以能够适应大范围和长时间的第二天气检测数据和第一目标降水数据的预测，并且缩短训练数据预测模型的及预测时间。

在该实施例中，上述第二天气检测数据可以为通过雷达待对第一时间后的第二时间段内的天气进行检测，而得到的天气预测结果，也即，该第二天气检测数据为预测出的未来时间段内天气的雷达数据，比如，第二天气检测数据可以为未来时间段3h内的未来雷达图像序列，在时间间隔为10min的情况下，未来雷达图像序列可以包括18帧雷达图像。

在该实施例中，上述第一目标降水数据可以为第二时间段内的降水数据的预测结果，也即，该第一目标降水数据为预测出的未来时间段内天气的降水数据，第一目标降水数据可以为未来时间段3h内的未来降水图像序列，可以逐10min累计降水图像序列进行预测。

下面对该实施例的上述方法进行进一步介绍。

作为一种可选的实施方式，该方法还包括：响应作用于操作界面上的第二输入指令，输入第三天气检测数据，比如，为第三雷达数据，该第三雷达数据为通过雷达对第二时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的第一调整指令，基于第三天气检测数据、第二天气检测数据和第一损失函数对第一预测模型的参数进行调整，其中，第一预测模型用于对目标特征进行预测处理，得到第二天气检测数据。

在该实施例中，用户可以在操作界面上触发第二输入指令，该第二输入指令可以用于输入第三雷达数据，该第三雷达数据为通过雷达对第二时间段内的天气进行检测而得到的实际结果。可选地，如果第三雷达数据与第二天气检测数据之间的差值大于第一目标阈值，则可以对第一预测模型的参数进行调整，以进一步提高第一预测模型的预测结果的精度和可视化显示效果。

可选地，该实施例可以响应作用于操作界面上的第一调整指令，可以基于第三雷达数据、第二天气检测数据和第一损失函数对第一预测模型的参数进行调整。可选地，该实施例使用判别器来对上述第二天气检测数据(预测雷达数据序列)和上述第三天气检测数据(真实雷达数据序列)进行真假判别，另外同时利用第一损失函数进一步调整第一预测模型的参数，以提升第一预测模型的预测结果的真实性。

作为一种可选的实施方式，该方法还包括：在操作界面上显示第二天气检测数据对应的雷达图像的第一清晰度；响应作用于操作界面上的第一调整指令，包括：在第一清晰度小于第一阈值的情况下，响应作用于操作界面上的第一调整指令。

在该实施例中，在通过数据预测模型将目标特征转化为第二天气检测数据之后，可以在操作界面上显示出第二天气检测数据对应的图像，并且可以显示该图像的第一清晰度。可选地，该实施例判断第一清晰度是否小于第一阈值，该第一阈值可以为用于判断图像是否模糊的临界阈值，如果判断出该第一清晰度小于第一阈值，也即图像模糊，则需要对第一预测模型的参数进行调整，可以响应作用于操作界面上的第一调整指令，进而基于第三雷达数据、第二天气检测数据和第一损失函数对第一预测模型的参数进行调整；可选地，如果判断出第一清晰度不小于第一阈值，也即雷达图像清晰，则可以不需要对第一预测模型的参数进行调整，则可以不响应作用于操作界面上的第一调整指令。

作为一种可选的实施方式，该方法还包括：响应作用于操作界面上的第三输入指令，输入第二目标降水数据，其中，第二目标降水数据为第二时间段内的降水数据的实际结果；响应作用于操作界面上的第二调整指令，基于第二目标降水数据、第一目标降水数据和第二损失函数对第二预测模型的参数进行调整，其中，第二预测模型用于对目标特征进行预测处理，得到第一目标降水数据。

在该实施例中，用户可以在操作界面上触发第三输入指令，该第三输入指令可以用于输入第二目标降水数据，该第二目标降水数据为第二时间段内的降水数据的实际结果。可选地，如果第二目标降水数据与第一目标将是数据之间的差值大于第二目标阈值，则可以对用于对第二预测模型的参数进行调整，以进一步提高第二预测模型的预测结果的精度和可视化显示效果。

该实施例可以响应作用于操作界面上的第三输入指令，输入第二目标降水数据，该第二目标降水数据为第二时间段内的降水数据的实际结果。该实施例可以响应作用于操作界面上的第二调整指令，基于第二目标降水数据、第一目标降水数据和第二损失函数对第二预测模型的参数进行调整。可选地，该实施例使用判别器来对上述第一目标降水数据(预测降水数据序列)和上述第二目标降水数据(真实降水数据序列)进行真假判别，另外同时利用第二损失函数进一步调整第二预测模型的参数，以提升第二预测模型的预测结果的真实性。

作为一种可选的实施方式，该方法还包括：在操作界面上显示第一目标降水数据对应的降水图像的第二清晰度；响应作用于操作界面上的第二调整指令，包括：在第二清晰度小于第二阈值的情况下，响应作用于操作界面上的第二调整指令。

在该实施例中，在通过数据预测模型将目标特征转化为第一目标降水数据之后，可以在操作界面上显示出第一目标降水数据对应的降水图像，并且可以显示该降水图像的第二清晰度。可选地，该实施例判断第二清晰度是否小于第二阈值，该第二阈值可以为用于判断降水图像是否模糊的临界阈值，如果判断出该第二清晰度小于第二阈值，也即降水图像模糊，则需要对第二预测模型的参数进行调整，可以响应作用于操作界面上的第二调整指令，进而基于第二目标降水数据、第一目标降水数据和第二损失函数对第二预测模型的参数进行调整；可选地，如果判断出第二清晰度不小于第二阈值，也即降水图像清晰，则可以不需要对第二预测模型的参数进行调整，则可以不响应作用于操作界面上的第二调整指令。

本发明实施例还提供了另一种应用于气象播报平台的数据处理方法。

图4是根据本发明实施例的另一种数据处理方法的流程图。如图4所示，该方法可以包括：

步骤S402，从气象播报平台获取第一天气检测数据，并在操作界面上显示第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果。

在本发明上述步骤S402提供的技术方案中，第一天气检测数据可以来自于气象播报平台，该气象播报平台可以用于获取天气检测数据，播报预测天气检测数据和降水数据，且可以对天气检测数据和降水数据进行分析的平台。该实施例可以从气象播报平台获取第一时间段内的第一天气检测数据，该第一天气检测数据可以为雷达数据序列，为对上述第一时间段内的天气进行检测而得到的实际结果。可选地，该实施例的上述第一天气检测数据可以为历史时间段内的雷达数据序列，可以包括多帧雷达图像。

步骤S404，响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据。

在本发明上述步骤S404提供的技术方案中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

在该实施例中，用户可以在操作界面上触发预测操作指令，该预测操作指令用于预测出在第二目标时间段内的第二天气检测数据和第一目标降水数据。响应作用于操作界面上的预测操作指令，可以在操作界面上显示出上述第二天气检测数据和第一目标降水数据。

在该实施例中，可以预先训练出一个数据预测模型，可以将第一天气检测数据输入至数据预测模型，再通过该数据预测模型可以从第一天气检测数据中提取出目标特征，以用于同时预测出第二天气检测数据和第一目标降水数据。其中，数据预测模型为多任务模型，可以同时实现多个任务的学习和预测，数据预测模型中可以包括将目标特征转换为第二天气检测数据的分支以及将目标特征转换为第一目标降水数据的降水分支，也即，该两个分支可以共享上述目标特征，从而实现通过一个数据预测模型不仅可以实现基于第一时间段内的第一天气检测数据预测出第二时间段内的第二天气检测数据，也可以基于第一时间段内的第一天气检测数据预测出第二时间段内的第一目标降水数据的目的，也即，可以同时实现雷达外推以及降水预测的目的。

步骤S406，将第二天气检测数据和第一目标降水数据返回至气象播报平台。

在本发明上述步骤S406提供的技术方案中，在操作界面上显示第二天气检测数据和第一目标降水数据之后，可以将第二天气检测数据和第一目标降水数据返回至气象播报平台。

该实施例将第二天气检测数据和第一目标降水数据返回至气象播报平台，可以在气象播报平台上显示第二天气检测数据和第一目标降水数据，并且对第二天气检测数据和第一目标降水数据进行进一步分析。

作为一种可选的示例，该实施例的数据处理方法可以包括：确定目标植被所在的第一目标区域；获取第一目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第一目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定是否对目标植被进行施肥。

在该实施例中，上述方法可以应用于需要植被管理场景，比如，为农业场景。可选地，确定目标植被所在的第一目标区域，该目标植被可以为农作物。该实施例可以获取第一时间段内的第一目标区域的第一天气检测数据。在该实施例中，可以预先训练出一个数据预测模型，可以将第一天气检测数据输入至数据预测模型，再通过该数据预测模型可以从第一天气检测数据中提取出目标特征，以用于同时预测出第二目标时间段内的第二天气检测数据和第一目标降水数据，其中，第二时间段可以为未来3小时，此处不做具体限制。在获取第二天气检测数据和第一目标降水数据之后，可以基于第二天气检测数据和第一目标降水数据确定是否对目标植被进行施肥，比如，可以判断第二天气检测数据是否大于一数据阈值，第一目标降水数据是否大于一降水阈值，如果是，则可以确定需要对目标植被进行施肥。

可选地，该实施例通过上述方法可以对目标植被所在地区未来第二时间段的降水继续预测，以确定当前是否需要对目标植被进行施肥。

作为一种可选的实施方式，在基于第二天气检测数据和第一目标降水数据确定对目标植被进行施肥时，该方法还包括：输出提示信息，其中，提示信息用于提示对目标植被进行施肥；和/或输出施肥控制指令至施肥设备，其中，施肥控制指令用于控制施肥设备对目标植被进行施肥操作。

在该实施例中，如果基于第二天气检测数据和第一目标降水数据确定对目标植被进行施肥，则可以输出提示信息，该提示信息可以是语音提示信息，也可以是显示在操作界面上的文字、图标等提示信息，此处不做具体限制。该实施例的提示信息可以用于提示对目标植被进行施肥，这时用户可以为目标植被进行人工施肥。可选地，该实施例在基于第二天气检测数据和第一目标降水数据确定对目标植被进行施肥时，可以输出施肥控制指令至施肥设备，该施肥设备可以响应施肥控制指令，控制施肥设备自动对目标植被进行施肥操作，从而大大提高了对目标植被进行管理的效率。

作为一种可选的示例，该实施例的数据处理方法可以包括：获取第二目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第二目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定是否推送排水策略数据，其中，排水策略数据用于表示对第二目标区域进行排水的策略。

该实施例的上述方法可以应用于城市旱涝预测的场景。该实施例确定第二目标区域的第一时间段内的第一天气检测数据，该第二目标区域可以为任意需要预测旱涝的城市区域。在该实施例中，可以预先训练出一个数据预测模型，可以将第一天气检测数据输入至数据预测模型，再通过该数据预测模型可以从第一天气检测数据中提取出目标特征，以用于同时预测出第二目标时间段内的第二天气检测数据和第一目标降水数据，其中，第二时间段可以为未来3小时，此处不做具体限制。在获取第二天气检测数据和第一目标降水数据之后，可以基于第二天气检测数据和第一目标降水数据确定是否推送排水策略数据，该排水策略数据可以用于表示对第二目标区域进行排水的策略，可以为水道排查、洪水疏通措施等任意可以实现排水的策略，从而提高了城市管理的安全性。

作为一种可选的示例，该实施例的数据处理方法可以包括：获取第三目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第三目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定第三目标区域的水域的水位；基于水位确定是否推送防洪策略数据，其中，防洪策略数据用于表示对第三目标区域进行防洪的策略。

该实施例的上述方法可以应用于水利相关场景。该实施例确定第三目标区域的第一时间段内的第一天气检测数据，该第三目标区域包括水域，比如，河水。在该实施例中，可以预先训练出一个数据预测模型，可以将第一天气检测数据输入至数据预测模型，再通过该数据预测模型可以从第一天气检测数据中提取出目标特征，以用于同时预测出第二目标时间段内的第二天气检测数据和第一目标降水数据，其中，第二时间段可以为未来3小时，此处不做具体限制。在获取第二天气检测数据和第一目标降水数据之后，可以基于第二天气检测数据和第一目标降水数据确定确定第三目标区域的水域可能上升的水位，可以判断该水位是否达到水位阈值，如果判断出该水位达到水位阈值，需要做一些防洪的措施，确定推送防洪策略数据，否则，确定不推送防洪策略数据，其中，防洪策略数据可以为任意的用于表示对第三目标区域进行防洪的策略。

该实施例的上述方法可以应用于短临天气场景中，通过构建一个数据预测模型，使用相同的数据源进行预测，可以同时实现雷达数据及降水数据的预测，两者预测时效以及所需时空分辨率都保持高度一致，实现了同时进行雷达外推和降水预测的目的。其中，数据预测模型设计了两个训练阶段，第一训练阶段为多任务同时训练，可以使得数据预测模型的第一预测模型和第二预测模型的训练达到互相辅助，提升预测效果，并且保证两者预测结果的一致性；第二训练阶段为对第一预测模型和/或第二预测模型的参数的调整，以提升预测结果的精细化程度和可视化效果，避免了对未来时间段内的雷达数据和降水数据进行单独预测，而导致的浪费计算资源以及时间，从而解决了对天气检测数据和降水数据进行预测的效率低的技术问题，达到了提高对天气检测数据和降水数据进行预测的效率的技术效果。

实施例2

下面对该实施例的上述方法的优选实施方式进行进一步介绍，具体以短临天气中的场景进行介绍。

在短临天气应用场景中，往往同时需要雷达外推产品和降水预测产品，并且这两个产品高度相关，两者预测时效以及所需时空分辨率都保持高度一致，另外两者可用相同的数据源进行预测。

在相关技术中，通常是将雷达外推和降水预测将两者独立开来，采用独立的模型进行预报，比如，雷达外推可以采用基于长短期记忆网络来循环预测的雷达外推模型，比如，为卷积LSTM(ConvLSTM)、时空序列预测模型(PredRNN)、时空序列预测(PredRNN++)、强记忆力模型(E3D LSTM)、MIM、机器学习分类器(MLC-LSTM等)，上述方法由于采用迭代式预测的方式，预测时间和显存消耗均随着预测时长的增加而线性增加，很难满足大范围长时间的序列预测；降水预测模型可以为神经天气模型(MetNet，RainNet)。

但是，上述模型均为单一任务的预测模型(雷达外推或者降水预测)，这样不仅浪费了时间以及计算资源，而且也难以保持两者预测结果的一致性。

然而，该实施例建立了一种多任务模型，可以同时实现雷达外推和降水预测。下面对该实施例的方法进行进一步介绍。

该实施例可以利用历史雷达数据序列同时预测未来雷达数据序列和降水数据序列，比如，利用历史时间段内2h的雷达图像序列(在时间间隔为10min的情况下，总共12帧历史图像)对未来时间段3h(共18帧)的雷达图像序列和逐10min累计降水序列进行预测。

下面对该实施例的模型结构进行介绍。

图5是根据本发明实施例的一种多任务模型的数据处理的示意图。如图5所示，该实施例可以采用多任务方式，使一个模型同时对雷达数据和降水数据进行预测。该实施例可以将历史雷达数据序列输入到一个共享编码器中提取多尺度特征，其中，编码器可以采用UNet或U2Net等模型的编码器部分，然后将多尺度特征输入到两个独立的分支，其中，雷达分支用于预测未来时间段内的雷达数据序列的预测，降水分支用于预测未来时间段内的降水数据序列。

该实施例的上述两个分支共享同一个编码器，这能够一定程度保证两者雷达分支和降水分支的预测结果的一致性，比如，多任务模型在雷达图像的某区域可以预测出高响应值，相应的在降水图像中意味着有强降水。

该实施例的上述雷达分支和降水分支可以保持相同的网络结构，但不共享网络参数，可采用UNet或U2Net等模型的解码器部分。

该实施例可以使用两个训练阶段来序列多任务模型。其中，在第一训练阶段，可以进行多任务训练，整个模型可以包括共享编码器、雷达分支和降水分支同时训练，多任务训练能够使雷达分支和降水分支彼此之间起到辅助作用。也即，降水分支能辅助和提升雷达分支的预测效果，因为降水分支的降水数据序列能为雷达分支提供额外或者互补信息，雷达分支能辅助和提升降水分支的预测效果，因为雷达分支的雷达数据序列能为降水分支提供额外或者互补信息，另外，同时训练也能一定程度保证雷达分支和降水分支的预测结果的一致性。

但是，通过上述第一训练阶段得到的雷达数据对应的雷达图像以及降水数据对应的降水图像虽然预报精度高，但均存在模糊问题，可视化效果差，于是在第二训练阶段中，可以将共享编码器的参数固定，单独对雷达分支和降水分支进行微调，可以利用生成对抗网络以及感知loss等策略，来对雷达分支和降水分支进行微调，以提升预测雷达图像和降水图像的精细化程度。

可选地，以雷达分支为例，该实施例利用一个判别器对预测雷达数据序列和真实雷达数据序列进行真假判别，另外同时利用感知loss(包括特征匹配loss和风格loss)进一步对雷达分支的参数进行调整，以提升预测结果的真实性。

图6A是根据本发明实施例的一种雷达外推以及降水预测的场景的示意图。如图6A所示，向计算设备输入第一天气检测数据，第一计算设备获取该第一天气检测数据，该第一天气检测数据可以为对第一时间段内的天气进行检测而得到的实际结果。计算设备将第一天气检测数据输入至数据预测模型中，该数据预测模型可以为多任务模型，用于同时预测未来时间段内的雷达数据和降水数据。在数据预测模型中，提取第一天气检测数据的目标特征，将目标特征转换为第二天气检测数据和第一目标降水数据，该第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。在通过数据预测模型预测出第二天气检测数据和第一目标降水数据之后，将第二天气检测数据和第一目标降水数据输出至计算设备的显示界面，在该显示界面上显示第二天气检测数据和第一目标降水数据。

图6B是根据本发明实施例的另一种雷达外推以及降水预测的场景的示意图。如图6B所示，响应作用于操作界面上的第一输入指令，向操作界面输入第一雷达检测数据，该第一雷达检测数据为对第一时间段内的雷达数据进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二雷达检测数据和第一目标降水数据，其中，第二雷达检测数据和第一目标降水数据为基于数据预测模型提取第一雷达检测数据的目标特征，并对目标特征进行转换得到，第二雷达检测数据包括第一时间段后的第二时间段内的雷达数据的预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

该实施例的上述方法可以应用于短临天气场景中，通过构建一个多任务模型，使用相同的数据源进行预测，可以同时实现雷达数据及降水数据的预测，两者预测时效以及所需时空分辨率都保持高度一致，实现了同时进行雷达外推和降水预测的目的。其中，多任务模型设计了两个训练阶段，第一训练阶段为多任务同时训练，可以使得多任务模型的雷达分支和降水分支的训练达到互相辅助，提升预测效果，并且保证两者预测结果的一致性；第二训练阶段为对雷达分支和/或降水分支的参数的调整，以提升预测结果的精细化程度和可视化效果，避免了对未来时间段内的雷达数据和降水数据进行单独预测，而导致的浪费计算资源以及时间，从而解决了对天气检测数据和降水数据进行预测的效率低的技术问题，达到了提高对天气检测数据和降水数据进行预测的效率的技术效果。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例3

根据本发明实施例，还提供了一种用于实施上述图2所示的数据处理方法的数据处理装置。需要说明的是，该实施例的数据处理装置可以用于执行本发明图2所示的数据处理方法。

图7是根据本方实施例的一种数据处理装置的示意图。如图7所示，该数据处理装置70可以包括：第一获取单元71、提取单元72和转换单元73。

第一获取单元71，用于获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果。

提取单元72，用于基于数据预测模型提取第一天气检测数据的目标特征。

转换单元73，用于将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

此处需要说明的是，上述第一获取单元71、提取单元72和转换单元73对应于实施例1中的步骤S202至步骤S206，三个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。

根据本发明实施例，还提供了一种用于实施上述图3所示的数据处理方法的数据处理装置。需要说明的是，该实施例的数据处理装置可以用于执行本发明图3所示的数据处理方法。

图8是根据本方实施例的另一种数据处理装置的示意图。如图8所示，该数据处理装置80可以包括：输入单元81和第一显示单元82。

输入单元81，用于响应作用于操作界面上的第一输入指令，输入第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果。

第一显示单元82，用于响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

此处需要说明的是，上述输入单元81和第一显示单元82对应于实施例1中的步骤S302至步骤S304，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。

根据本发明实施例，还提供了一种用于实施上述图4所示的数据处理方法的数据处理装置。需要说明的是，该实施例的数据处理装置可以用于执行本发明图4所示的数据处理方法。

图9是根据本方实施例的另一种数据处理装置的示意图。如图9所示，该数据处理装置90可以包括：第二获取单元91、第二显示单元92和返回单元93。

第二获取单元91，用于从气象播报平台获取第一天气检测数据，并在操作界面上显示第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果。

第二显示单元92，用于响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

返回单元93，用于将第二天气检测数据和第一目标降水数据返回至气象播报平台。

此处需要说明的是，上述第二获取单元91和第二显示单元92对应于实施例1中的步骤S402至步骤S406，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。

在该实施例的数据处理装置中，基于同一数据预测模型，利用历史时间段内的雷达数据同时预测未来时间段内的雷达数据和降水数据，能够达到节省计算资源，且减少预测时间的目的，避免了对未来时间段内的雷达数据和降水数据进行单独预测，而导致的浪费计算资源以及时间，从而解决了对天气检测数据和降水数据进行预测的效率低的技术问题，达到了提高对天气检测数据和降水数据进行预测的效率的技术效果。

实施例4

本发明的实施例可以提供一种数据处理系统，该系统可以包括本发明的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。

可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。

在本实施例中，上述计算机终端可以执行应用程序的数据处理方法中以下步骤的程序代码：获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

可选地，图10是根据本发明实施例的一种计算机终端的结构框图。如图10所示，该计算机终端A可以包括：处理器1002、存储器1004、以及传输装置1006。

其中，存储器可用于存储软件程序以及模块，如本发明实施例中的数据处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的数据处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于特征提取模型从第一天气检测数据中提取出目标特征；基于第一预测模型对目标特征进行预测处理，得到第二天气检测数据；基于数据预测模型中的第二预测模型对目标特征进行预测处理，得到第一目标降水数据，其中，第二天气检测数据和第一目标降水数据用于表示相同的天气情况。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于以下数据对第一子模型进行训练，得到第一预测模型：与第一预测模型对应的第一训练数据，或者，第一训练数据和与第二预测模型对应的第二训练数据；和/或基于以下数据对第二子模型进行训练，得到第二预测模型：与第二预测模型对应的第二训练数据，或者，第二训练数据和与第一预测模型对应的第一训练数据。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取实际检测数据，其中，实际检测数据为对第二时间段内的天气进行检测而得到的实际结果和/或为第二时间段内的降水数据的实际结果；基于实际检测数据和对应的损失函数对第一预测模型和/或第二预测模型的参数进行调整。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：第一目标降水数据包括第二时间段内的降水数据的多个降水预测结果，在操作界面上按照每个降水预测结果的降水级别，分级显示每个降水预测结果。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：确定每个降水预测结果的指示信息，其中，指示信息用于指示每个降水预测结果的降水级别；按照指示信息分级显示每个降水预测结果。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：第一目标降水数据包括第二时间段内的降水数据的多个降水预测结果，在操作界面上按照每个降水预测结果对应的区域，显示每个降水预测结果。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：在操作界面上显示降水预测结果对应的降水概率；基于降水概率在操作界面上显示提示信息，其中，提示信息用于提示与降水概率相对应的出行策略。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取调整信息，其中，调整信息包括用于表征降水预测结果的准确程度的信息和/或降水预测结果对应的区域的环境参数；基于调整信息调整数据预测模型。

作为一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：响应作用于操作界面上的第一输入指令，输入第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

作为另一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：从气象播报平台获取第一天气检测数据，并在操作界面上显示第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；将第二天气检测数据和第一目标降水数据返回至气象播报平台。

作为另一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：确定目标植被所在的第一目标区域；获取第一目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第一目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定是否对目标植被进行施肥。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：在基于第二天气检测数据和第一目标降水数据确定对目标植被进行施肥时，输出提示信息，其中，提示信息用于提示对目标植被进行施肥；和/或输出施肥控制指令至施肥设备，其中，施肥控制指令用于控制施肥设备对目标植被进行施肥操作。

作为另一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取第二目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第二目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定是否推送排水策略数据，其中，排水策略数据用于表示对第二目标区域进行排水的策略。

作为另一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取第三目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第三目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定第三目标区域的水域的水位；基于水位确定是否推送防洪策略数据，其中，防洪策略数据用于表示对第三目标区域进行防洪的策略。

采用本发明实施例，提供了一种数据处理的方案，获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。基于同一数据预测模型，利用历史时间段内的雷达数据同时预测未来时间段内的雷达数据和降水数据，能够达到节省计算资源，且减少预测时间的目的，避免了对未来时间段内的雷达数据和降水数据进行单独预测，而导致的浪费计算资源以及时间，从而解决了对天气检测数据和降水数据进行预测的效率低的技术问题，达到了提高对天气检测数据和降水数据进行预测的效率的技术效果。

本领域普通技术人员可以理解，图10所示的结构仅为示意，计算机终端A也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices，简称为MID)、PAD等终端设备。图10其并不对上述计算机终端A的结构造成限定。例如，计算机终端A还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取器(Random Access Memory，简称为RAM)、磁盘或光盘等。

实施例5

本发明的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例一所提供的数据处理方法所执行的程序代码。

可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：基于数据预测模型中的特征提取模型从第一天气检测数据中提取出目标特征；基于数据预测模型中的第一预测模型对目标特征进行预测处理，得到第二天气检测数据；基于数据预测模型中的第二预测模型对目标特征进行预测处理，得到第一目标降水数据，其中，第二天气检测数据和第一目标降水数据用于表示相同的天气情况。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：基于以下数据对第一子模型进行训练，得到第一预测模型：与第一预测模型对应的第一训练数据，或者，第一训练数据和与第二预测模型对应的第二训练数据；和/或基于以下数据对第二子模型进行训练，得到第二预测模型：与第二预测模型对应的第二训练数据，或者，第二训练数据和与第一预测模型对应的第一训练数据。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：获取实际检测数据，其中，实际检测数据为对第二时间段内的天气进行检测而得到的实际结果和/或为第二时间段内的降水数据的实际结果；基于实际检测数据和对应的损失函数对第一预测模型和/或第二预测模型的参数进行调整。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：第一目标降水数据包括第二时间段内的降水数据的多个降水预测结果，在操作界面上按照每个降水预测结果的降水级别，分级显示每个降水预测结果。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：确定每个降水预测结果的指示信息，其中，指示信息用于指示每个降水预测结果的降水级别；按照指示信息分级显示每个降水预测结果。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：第一目标降水数据包括第二时间段内的降水数据的多个降水预测结果，在操作界面上按照每个降水预测结果对应的区域，显示每个降水预测结果。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：在操作界面上显示降水预测结果对应的降水概率；基于降水概率在操作界面上显示提示信息，其中，提示信息用于提示与降水概率相对应的出行策略。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：获取调整信息，其中，调整信息包括用于表征降水预测结果的准确程度的信息和/或降水预测结果对应的区域的环境参数；基于调整信息调整数据预测模型。

作为一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：响应作用于操作界面上的第一输入指令，输入第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果。

作为另一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：从气象播报平台获取第一天气检测数据，并在操作界面上显示第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；将第二天气检测数据和第一目标降水数据返回至气象播报平台。

作为另一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定目标植被所在的第一目标区域；获取第一目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第一目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定是否对目标植被进行施肥。

计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：在基于第二天气检测数据和第一目标降水数据确定对目标植被进行施肥时，输出提示信息，其中，提示信息用于提示对目标植被进行施肥；和/或输出施肥控制指令至施肥设备，其中，施肥控制指令用于控制施肥设备对目标植被进行施肥操作。

作为另一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取第二目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第二目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定是否推送排水策略数据，其中，排水策略数据用于表示对第二目标区域进行排水的策略。

作为另一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取第三目标区域的第一天气检测数据，其中，第一天气检测数据为对第一时间段内的第三目标区域的天气进行检测而得到的实际结果；基于数据预测模型提取第一天气检测数据的目标特征；将目标特征转换为第二天气检测数据和第一目标降水数据，其中，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；基于第二天气检测数据和第一目标降水数据确定第三目标区域的水域的水位；基于水位确定是否推送防洪策略数据，其中，防洪策略数据用于表示对第三目标区域进行防洪的策略。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：响应作用于操作界面上的第二输入指令，输入第三雷达数据，其中，第三雷达数据为通过雷达对第二时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的第一调整指令，基于第三雷达数据、第二天气检测数据和第一损失函数对第一预测模型的参数进行调整，其中，第一预测模型用于对目标特征进行预测处理，得到第二天气检测数据。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：在操作界面上显示第二天气检测数据对应的雷达图像的第一清晰度；在第一清晰度小于第一阈值的情况下，响应作用于操作界面上的第一调整指令。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：响应作用于操作界面上的第三输入指令，输入第二目标降水数据，其中，第二目标降水数据为第二时间段内的降水数据的实际结果；响应作用于操作界面上的第二调整指令，基于第二目标降水数据、第一目标降水数据和第二损失函数对第二预测模型的参数进行调整，其中，第二预测模型用于对目标特征进行预测处理，得到第一目标降水数据。

可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：在操作界面上显示第一目标降水数据对应的降水图像的第二清晰度；在第二清晰度小于第二阈值的情况下，响应作用于操作界面上的第二调整指令。

作为一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：从气象播报平台获取第一天气检测数据，并在操作界面上显示第一天气检测数据，其中，第一天气检测数据为对第一时间段内的天气进行检测而得到的实际结果；响应作用于操作界面上的预测操作指令，在操作界面上显示第二天气检测数据和第一目标降水数据，其中，第二天气检测数据和第一目标降水数据为基于数据预测模型提取第一天气检测数据的目标特征，并对目标特征进行转换得到，第二天气检测数据包括待对第一时间段后的第二时间段内的天气进行检测，而得到的天气预测结果，第一目标降水数据包括第二时间段内的降水数据的降水预测结果；将第二天气检测数据和第一目标降水数据返回至气象播报平台。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元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，本发明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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。