本發(fā)明涉及氣象預(yù)報(bào)領(lǐng)域，特別是涉及基于相控陣?yán)走_(dá)的預(yù)報(bào)數(shù)據(jù)處理方法、系統(tǒng)、裝置和介質(zhì)。

背景技術(shù)：

1、天氣雷達(dá)屬于微波遙感設(shè)備，是新一代空間探測(cè)的主要手段之一。雷達(dá)回波能穿透云霧雨雪，具有全天時(shí)、全天候的工作能力，在災(zāi)害性天氣監(jiān)測(cè)、預(yù)警預(yù)報(bào)等方面發(fā)揮不可替代的作用。降雨是許多氣象災(zāi)害觸發(fā)的一個(gè)關(guān)鍵性因子，對(duì)人類的生活和財(cái)產(chǎn)有重要的影響。對(duì)雷達(dá)回波數(shù)據(jù)進(jìn)行外推是短臨降雨預(yù)報(bào)的主要方法之一。

2、傳統(tǒng)的基于形態(tài)學(xué)的回波外推方法，如單體質(zhì)心法、交叉相關(guān)法和光流法，在回波穩(wěn)定時(shí)表現(xiàn)較好，但是當(dāng)雷達(dá)回波存在明顯生消演變特征時(shí)，無(wú)法滿足強(qiáng)度不變性假設(shè)，預(yù)報(bào)效果也會(huì)明顯降低；析其原因，傳統(tǒng)的外推方法在數(shù)據(jù)利用方面，沒(méi)有充分挖掘歷史觀測(cè)數(shù)據(jù)的規(guī)律，僅依靠現(xiàn)有的幾個(gè)鄰近的雷達(dá)數(shù)據(jù)進(jìn)行預(yù)報(bào)；在預(yù)報(bào)效果上，由于沒(méi)有考慮氣象系統(tǒng)的發(fā)生、發(fā)展、消亡等演化過(guò)程，無(wú)法滿足區(qū)域?qū)涤戤a(chǎn)品的需求；且傳統(tǒng)的外推方法大多是線性的，時(shí)效性較短；另外，市面上大多數(shù)深度學(xué)習(xí)雷達(dá)外推模型，存在預(yù)報(bào)結(jié)果模糊問(wèn)題和變化不連續(xù)問(wèn)題，也不利于預(yù)報(bào)員進(jìn)行分析和判斷。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題之一。為此，本發(fā)明提供了一種基于相控陣?yán)走_(dá)的預(yù)報(bào)數(shù)據(jù)處理方法，能夠充分利用歷史觀測(cè)數(shù)據(jù)的規(guī)律，并考慮氣象系統(tǒng)的發(fā)生、發(fā)展、消亡等演化過(guò)程，提供時(shí)效性較強(qiáng)且逼近真實(shí)的雷達(dá)回波外推的結(jié)果。

2、第一方面，本發(fā)明實(shí)施例提供了一種基于相控陣?yán)走_(dá)的預(yù)報(bào)數(shù)據(jù)處理方法，包括：

3、獲取歷史觀測(cè)數(shù)據(jù)，根據(jù)所述歷史觀測(cè)數(shù)據(jù)生成歷史觀測(cè)序列；

4、將所述歷史觀測(cè)序列輸入至進(jìn)化網(wǎng)絡(luò)，所述進(jìn)化網(wǎng)絡(luò)根據(jù)所述歷史觀測(cè)序列生成初步預(yù)測(cè)序列；

5、將所述歷史觀測(cè)序列和所述初步預(yù)測(cè)序列輸入到生成器內(nèi)，使所述生成器輸出第一預(yù)報(bào)序列；

6、獲取預(yù)報(bào)目標(biāo)時(shí)段的觀測(cè)數(shù)據(jù)，根據(jù)所述預(yù)報(bào)目標(biāo)時(shí)段的觀測(cè)數(shù)據(jù)生成真值序列；

7、根據(jù)所述真值序列和所述第一預(yù)報(bào)序列，計(jì)算所述生成器的第一損失函數(shù)；

8、將所述真值序列和所述第一預(yù)報(bào)序列輸入到判別器，計(jì)算所述判別器的第二損失函數(shù)；

9、根據(jù)所述第一損失函數(shù)和所述第二損失函數(shù)，對(duì)所述生成器和所述判別器進(jìn)行交替訓(xùn)練，直至達(dá)到納什平衡；

10、實(shí)時(shí)預(yù)報(bào)時(shí)，獲取預(yù)報(bào)區(qū)域內(nèi)的實(shí)時(shí)雷達(dá)觀測(cè)數(shù)據(jù)序列，然后將其輸入所述生成器，獲得原始預(yù)報(bào)結(jié)果；

11、對(duì)所述原始預(yù)報(bào)結(jié)果進(jìn)行概率密度匹配訂正，輸出最終預(yù)報(bào)結(jié)果。

12、在本發(fā)明的一些實(shí)施例中，所述進(jìn)化網(wǎng)絡(luò)基于二維連續(xù)性方程構(gòu)建；所述將所述歷史觀測(cè)序列輸入至進(jìn)化網(wǎng)絡(luò)，所述進(jìn)化網(wǎng)絡(luò)根據(jù)所述歷史觀測(cè)序列生成初步預(yù)測(cè)序列的步驟，包括：

13、所述進(jìn)化網(wǎng)絡(luò)基于所述歷史觀測(cè)序列，通過(guò)神經(jīng)演化算子模擬氣象生成規(guī)律，獲得初始預(yù)測(cè)序列；

14、所述進(jìn)化網(wǎng)絡(luò)同時(shí)學(xué)習(xí)所述歷史觀測(cè)序列的回波運(yùn)動(dòng)場(chǎng)和回波強(qiáng)度殘差，并通過(guò)梯度反向傳播優(yōu)化所述初始預(yù)測(cè)序列，獲得所述初步預(yù)測(cè)序列。

15、在本發(fā)明的一些實(shí)施例中，所述將所述歷史觀測(cè)序列和所述初步預(yù)測(cè)序列輸入到生成器內(nèi)，使所述生成器輸出第一預(yù)報(bào)序列的步驟，包括：

16、固定所述判別器的參數(shù)，將所述初步預(yù)測(cè)序列和所述歷史觀測(cè)序列輸入至所述生成器；

17、所述生成器通過(guò)多層網(wǎng)絡(luò)結(jié)構(gòu)和非線性變換提取所述初步預(yù)測(cè)序列的回波特征，獲取從所述歷史觀測(cè)序列演化至所述初步預(yù)測(cè)序列的演化模式；

18、根據(jù)所述演化模式和所述歷史觀測(cè)序列，生成所述第一預(yù)報(bào)序列。

19、在本發(fā)明的一些實(shí)施例中，所述根據(jù)所述真值序列和所述第一預(yù)報(bào)序列，計(jì)算所述生成器的第一損失函數(shù)的步驟，包括：

20、前向傳播計(jì)算所述生成器的加權(quán)重構(gòu)損失和感知相似度損失，同時(shí)計(jì)算所述判別器的序列判別損失和幀判別損失，根據(jù)所述加權(quán)重構(gòu)損失、所述感知相似度損失、所述序列判別損失和所述幀判別損失獲取所述第一損失函數(shù)；

21、反向傳播所述第一損失函數(shù)至所述生成器，所述生成器根據(jù)所述第一損失函數(shù)調(diào)整自身參數(shù)。

22、在本發(fā)明的一些實(shí)施例中，所述將所述真值序列和所述第一預(yù)報(bào)序列輸入到判別器，計(jì)算所述判別器的第二損失函數(shù)的步驟，包括：

23、固定所述生成器的參數(shù)，將所述第一預(yù)報(bào)序列和所述真值序列隨機(jī)輸入所述判別器；

24、所述判別器對(duì)所述第一預(yù)報(bào)序列和所述真值序列進(jìn)行真?zhèn)闻袆e；

25、前向傳播計(jì)算所述判別器的序列判別損失和幀判別損失，根據(jù)所述序列判別損失和所述幀判別損失獲取所述第二損失函數(shù)；

26、反向傳播所述第二損失函數(shù)至所述判別器，所述判別器根據(jù)所述第二損失函數(shù)調(diào)整自身參數(shù)。

27、在本發(fā)明的一些實(shí)施例中，所述根據(jù)所述第一損失函數(shù)和所述第二損失函數(shù)，對(duì)所述生成器和所述判別器進(jìn)行交替訓(xùn)練，直至達(dá)到納什平衡的步驟，還包括：

28、交替且循環(huán)訓(xùn)練所述生成器和所述判別器，直至所述生成器輸出的分布擬合了所述真值序列的分布，所述判別器無(wú)法判別所述生成器輸出的真?zhèn)巍?/p>

29、在本發(fā)明的一些實(shí)施例中，所述對(duì)所述原始預(yù)報(bào)結(jié)果進(jìn)行概率密度匹配訂正，輸出最終預(yù)報(bào)結(jié)果的步驟，包括：

30、將所述實(shí)時(shí)雷達(dá)觀測(cè)數(shù)據(jù)序列輸入至所述生成器，獲取第二預(yù)報(bào)序列；

31、獲取所述第二預(yù)報(bào)序列預(yù)設(shè)幀數(shù)的預(yù)報(bào)幀，計(jì)算預(yù)設(shè)幀數(shù)的所述預(yù)報(bào)幀的第一概率密度分布；

32、獲取所述第二預(yù)報(bào)序列的全部所述預(yù)報(bào)幀，計(jì)算全部所述預(yù)報(bào)幀的第二概率密度分布；

33、對(duì)齊所述第一概率密度分布和所述第二概率密度分布，校正所有所述預(yù)報(bào)幀的強(qiáng)度，得到所述最終預(yù)報(bào)結(jié)果。

34、第二方面，本發(fā)明實(shí)施例提供了一種基于相控陣?yán)走_(dá)的預(yù)報(bào)數(shù)據(jù)處理系統(tǒng)，包括：

35、歷史數(shù)據(jù)處理模塊，用于獲取歷史觀測(cè)數(shù)據(jù)，根據(jù)所述歷史觀測(cè)數(shù)據(jù)生成歷史觀測(cè)序列；

36、進(jìn)化網(wǎng)絡(luò)模塊，用于將所述歷史觀測(cè)序列輸入至進(jìn)化網(wǎng)絡(luò)，以及用于根據(jù)所述歷史觀測(cè)序列生成初步預(yù)測(cè)序列；

37、真值序列生成模塊，用于獲取預(yù)報(bào)目標(biāo)時(shí)段的觀測(cè)數(shù)據(jù)，根據(jù)所述預(yù)報(bào)目標(biāo)時(shí)段的觀測(cè)數(shù)據(jù)生成真值序列；

38、訓(xùn)練模塊，用于將所述歷史觀測(cè)序列和所述初步預(yù)測(cè)序列輸入到生成器內(nèi)，使所述生成器輸出第一預(yù)報(bào)序列；所述訓(xùn)練模塊還用于根據(jù)所述真值序列和所述第一預(yù)報(bào)序列，計(jì)算所述生成器的第一損失函數(shù)；所述訓(xùn)練模塊還用于將所述真值序列和所述第一預(yù)報(bào)序列輸入到判別器，計(jì)算所述判別器的第二損失函數(shù)；所述訓(xùn)練模塊還用于根據(jù)所述第一損失函數(shù)和所述第二損失函數(shù)，對(duì)所述生成器和所述判別器進(jìn)行交替訓(xùn)練，直至達(dá)到納什平衡；

39、預(yù)報(bào)模塊，用于在實(shí)時(shí)預(yù)報(bào)時(shí)，先獲取預(yù)報(bào)區(qū)域內(nèi)的實(shí)時(shí)雷達(dá)觀測(cè)數(shù)據(jù)序列，然后將其輸入所述生成器，獲得原始預(yù)報(bào)結(jié)果；以及用于對(duì)所述原始預(yù)報(bào)結(jié)果進(jìn)行概率匹配訂正，輸出最終預(yù)報(bào)結(jié)果。

40、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)裝置，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器用于存儲(chǔ)至少一個(gè)程序，所述處理器用于加載所述至少一個(gè)程序以執(zhí)行上述方面實(shí)施例所述的基于相控陣?yán)走_(dá)的預(yù)報(bào)數(shù)據(jù)處理方法。

41、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其中存儲(chǔ)有處理器可執(zhí)行的程序，所述處理器可執(zhí)行的程序在由處理器執(zhí)行時(shí)用于執(zhí)行如上述方面實(shí)施例所述的基于相控陣?yán)走_(dá)的預(yù)報(bào)數(shù)據(jù)處理方法。

42、根據(jù)本發(fā)明的基于相控陣?yán)走_(dá)的預(yù)報(bào)數(shù)據(jù)處理方法，至少具有如下有益效果：本發(fā)明通過(guò)將歷史觀測(cè)中獲得的雷達(dá)回波數(shù)據(jù)通過(guò)進(jìn)化網(wǎng)絡(luò)處理，并將處理后的歷史數(shù)據(jù)和原始的歷史數(shù)據(jù)輸入至具有生成器和判別器的生成對(duì)抗網(wǎng)絡(luò)模型中，構(gòu)建基于生成對(duì)抗網(wǎng)絡(luò)的高分辨率外推模型，有效抑制了模糊化問(wèn)題且使生成器輸出的預(yù)測(cè)序列與歷史數(shù)據(jù)相關(guān)聯(lián)；通過(guò)生成對(duì)抗網(wǎng)絡(luò)模型輸出的預(yù)報(bào)結(jié)果，考慮了預(yù)設(shè)區(qū)域內(nèi)的氣象系統(tǒng)的發(fā)生、發(fā)展、消亡等演化過(guò)程，且預(yù)報(bào)結(jié)果是非線性的，時(shí)效性較強(qiáng)，滿足了對(duì)區(qū)域氣象預(yù)測(cè)的需求；模型預(yù)報(bào)結(jié)果細(xì)節(jié)豐富，更加符合精細(xì)化預(yù)報(bào)的需求，另外，采用概率匹配方法對(duì)預(yù)報(bào)結(jié)果進(jìn)行后處理，能夠抑制預(yù)報(bào)結(jié)果不連續(xù)的現(xiàn)象。