[0001] 本发明涉及降水量预测技术领域，特别是涉及一种区域降水预测方法。

[0002] 晴雨预报作为日常气象服务中最为常见且重要的组成部分，其预报的准确性直接关联到公众生活与安全，同时也是评估气象预报能力的核心标准之一。然而，现有的晴雨预报方法尤其在对细微降水事件的预测方面存在显著的不足，这种不足表现为对轻微降水的频繁空报问题。以百色市为例，2021年的城镇预报准确率相较于过往三年的平均水平下降了1.5％。这一下降趋势在很大程度上归咎于汛期暖区中阵性降水的不均匀分布，这种分布造成了晴雨预报准确率的降低。

[0003] 在暴雨预报领域，该预报任务一直是极具挑战性的，主要是因为多种复杂气候系统的影响，如副热带高压边缘的局地对流性暴雨、季风和台风引发的降水。这些因素共同作用下造成了预报的困难。

[0004] 近年来，人工智能技术在气象领域的快速发展，尤其是在暴雨研究和预报的应用上，已经展现出巨大的潜力。利用深度学习模型，如U‑net晴雨预报模型，提高了特征提取和数据分析的能力，这为提高预报的准确性提供了新的技术途径。然而，尽管这些模型在某些方面取得了进展，但在融合地形影响进行降水预报上仍显不足。特别是地形增效强降水模型，其在处理地形复杂性及其与降水事件之间的关系时，还未能达到预期的预报精度和实时性要求。因此，提出一种区域降水预测方法。

[0045] 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，都属于本发明保护的范围。

[0046] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0047] 本实施例提供了一种区域降水预测方法，如图1所示，包括：

[0048] 获取EC降水预报数据；

[0049] 构建晴雨预测模型，将EC降水预报数据输入晴雨预测模型，获取晴雨预报，其中晴雨预测模型通过降水预报训练集训练获得；

[0050] 获取EC数值预报数据，其中EC数值预报数据包括高度层风场、位势高度场和温湿度场数据；

[0051] 构建地形增效强降水模型，根据EC数值预报数据和地形增效强降水模型，获取地形增幅预报；

[0052] 将晴雨预报和地形增幅预报进行融合，获取降水预报场，通过降水预报场获取最终降水预报。

[0053] 构建晴雨预测模型具体为：

[0054] 晴雨预测模型在结构上，贝叶斯U‑Net依然保留了传统U‑Net的基本架构，即由编码(下采样)和解码(上采样)两个主要部分构成。本发明在传统的U‑Net基础上，每个卷积层被转换为贝叶斯卷积层。这些贝叶斯卷积层不仅学习数据的特征，还学习这些特征的不确定性，从而能够在模型的预测中给出不仅是预测值，还有预测的不确定性评估。

[0055] 贝叶斯U‑Net模型的编码器提取输入数据的特征，获取特征图，并在解码过程中充分利用来自编码过程中相同分辨率的特征图，同时通过跨层连接将这些特征图与解码过程中的特征图进行拼接。这不仅使得模型能更有效地利用浅层特征，还能够在预测时提供关于数据不确定性的重要信息，极大地提高了模型在处理复杂或不确定性数据时的性能和可靠性。

[0056] 因此，贝叶斯U‑Net模型不仅继承了传统U‑Net在图像分割方面的优势，还通过引入贝叶斯推理，增强了模型对不确定性的处理能力，使其在各种应用场景中更具鲁棒性和适应性，尤其是在那些需要精确处理不确定信息的领域，如医学影像分析、气象数据处理等。

[0057] 在贝叶斯U‑Net模型中，贝叶斯卷积层(贝叶斯神经网络)的引入不仅提升了模型在处理数据不确定性方面的能力，还使得模型能够更加有效地识别并关注输入数据中的关键特征。贝叶斯卷积层的核心优势在于其能够在学习数据特征的同时，评估这些特征的不确定性，从而为模型的预测提供重要的不确定性信息。

[0058] 在解码步骤中，贝叶斯卷积层为来自编码步骤的特征图分配权重，这些权重不仅基于特征的重要性，还考虑了特征的不确定性。这种方法使得模型在集成来自编码器的特征时更加智能和精确，能够优先考虑那些对当前任务最重要且可靠的特征，而非仅依赖于传统的特征重要性评估。

[0059] 贝叶斯U‑Net模型不仅继承了传统U‑Net在图像分割方面的优势，还通过贝叶斯卷积层的引入，显著提高了模型对关键特征的识别和利用能力，特别是在面对含有高度不确定性的数据时，通过贝叶斯卷积层，模型不仅能够更有效地区分微小的降水和非降水区域，还能量化预测的不确定性，从而大大减少空报和漏报的情况。贝叶斯U‑Net模型的结构图如图2所示。

[0060] 在解决这个二分类的晴雨预测问题上，选择了二元交叉熵损失，并结合了贝叶斯方法的优势，使模型在分类问题中不仅能够衡量预测与实际值之间的差异，还能考虑预测的不确定性。这种方法有助于引导模型进行更准确和可靠的预测。同时，为了确保模型具有良好的泛化能力。

[0061] 在构建数据集方面，选取了2019‑2022年间的EC降水数据。利用反距离权重法对站点降水数据进行插值，即将EC降水预报插值成5km，生成了高分辨率的、与EC降水数据相匹配的训练数据集，其中，训练数据集中将大于0.1mm的当做雨(1)，小于0.1mm的为晴(0)。面对数据集中晴雨样本的不均衡性，采取了适当的均衡处理策略，即构建数据集的时候，使用了一个制约条件，降水格点数大于0.1mm占20％以上的格点数或有强降水事件(最大值大于50mm)，并对晴天和雨天进行了标注。这确保了在模型训练过程中，晴雨两种天气状态都能获得充分的学习样本，从而显著提升了预测性能。

[0062] 本实施例中贝叶斯U‑Net模型以EC(欧洲中尺度天气预报中心)提供的3小时降水数据为输入，使用5km分辨率的多源实况降水数据作为训练标签，通过以下步骤实现对降水事件的准确预报，贝叶斯U‑Net模型框架如图5所示：

[0063] 步骤一：数据预处理

[0064] 输入数据：获取EC提供的3小时历史降水预测数据，并进行必要的预处理，如数据规范化、缺失值处理等；

[0065] 标签数据：整合多源实况降水数据，将其转换为与模型输入相匹配的5km分辨率的格点数据，作为训练和验证过程中的真实标签。

[0066] 步骤二：模型构建

[0067] 构建贝叶斯U‑Net模型，该模型在传统的U‑Net架构基础上融入了贝叶斯推理机制。

[0068] 步骤三：模型训练与验证

[0069] 使用预处理后的历史EC降水数据和降水数据(标签数据)对贝叶斯U‑Net模型进行训练；

[0070] 在训练过程中，采用交叉验证等技术来避免过拟合，并确保模型具有良好的泛化能力；

[0071] 利用独立的测试集对模型进行验证，确保模型预报的准确性和可靠性。

[0072] 步骤四：不确定性评估

[0073] 在预报过程中，模型不仅提供预报值，还给出相应的不确定性范围，例如，通过后验概率分布来表示预报结果的不确定性；

[0074] 不确定性的评估对于指导实际的气象决策具有重要意义，有助于评估预报的风险和可信度。

[0075] 步骤五：输出与应用

[0076] 将EC降水预报数据输入晴雨预测模型，获取晴雨预报，模型输出5km分辨率的降水预报结果，包括预测的降水量以及其不确定性评估；输出结果可直接用于气象预报服务，为公众和相关部门提供更准确和可信的降水信息。

[0077] 获取EC数值预报数据，其中EC数值预报数据包括高度层风场、位势高度场和温湿度场数据；构建地形增效强降水模型，根据EC数值预报数据和所述地形增效强降水模型，获取地形增幅预报。

[0078] 构建地形增效强降水模型具体为：

[0079] 传统的地形降水估算方法，如Smith(1979)提出的公式，虽然在多种情况下有效，但在处理复杂地形条件下的降水预报时表现出一定的局限性。特别是在积分上限、降水效率和判断标准方面存在明显的不足，这些不足在处理特定区域的强降水预报时尤为明显。

[0080] 本发明提出使用饱和湿层高度作为积分上限，以更合理地反映实际降水过程。这种改进基于对降水过程中水汽凝结和垂直运动的更深入理解。

[0081] 降水效率：以5km分辨率对区域进行划分，并不同高度地形的降水效率进行了重新评估和定量化。这种方法考虑了地形高度对降水过程的影响，更精确地模拟了地形对降水量的影响。

[0082] a.湿弗劳德数计算：

[0083] 湿弗劳德数(Fr)是一个无量纲数，用于评估流体流动过障碍物时的流动模式。在地形降水的背景下，可以用来判断气流是否足以越过地形障碍物而导致降水。湿弗劳德数的计算公式为：

[0084]

[0085] 其中：U是气流的平均速度(可以从ECMWF模式的高度层风场数据中获取)，N是布兰特‑维萨拉频率，表示大气稳定度，h是地形的特征高度。

[0086] b.布兰特‑维萨拉频率(N)计算：

[0087] 布兰特‑维萨拉频率是衡量大气稳定性的指标，其计算公式为：

[0088]

[0089] 其中：g是重力加速度，θ是位温(一种表示温度变化的气象量)， 是位温随高度的变化率。

[0090] c.地形降水判断：

[0091] 当计算得到的湿弗劳德数大于1时，表明气流足够强以越过地形障碍物，可能产生地形降水。反之，则不太可能产生地形降水。

[0092] d.凝结量计算：

[0093] 如果判定为地形降水，凝结量的计算可以基于大气中的水汽凝结。凝结量的计算公式可能为：

[0094]

[0095] 其中：P是凝结量，即降水量，R是单位高度上的凝结率，zh和z0分别是积分的下限和上限，上限即为前文提到的饱和湿层高度，z0是地面高度。

[0096]

[0097] 其中，ρw＝rsρair，rs是饱和混合比，ρair为空气密度，饱和水汽密度(ρws)用实际空气水汽密度(ρw)代替，α为地形坡度，U(z)为水平风。

[0098] 判断标准：引入无量纲湿弗劳德数作为地形降水的新判断标准，其大于1时表明有地形降水发生。这一标准为地形降水预报提供了一种新的、更为科学的方法。

[0099] 本实施例利用ECMWF模式预报的高度层风场、位势高度场和温度场数据，计算湿弗劳德数，从而判断是否产生地形降水。如果判定为地形降水，则根据凝结量(大气中的水汽凝结通过湿度场进行处理获得)和积分上限计算凝结量，进而得到地形强降水量即地形增强预报，其中，得到的地形强降水量为5Km为分辨率的地形强降水量场。

[0100] 降水效率考量：不同地形的降水效率可能不同，可以根据地形特征调整计算得到的降水量。

[0101] 将晴雨预报和强降水量场进行融合具体为：

[0102] 在完整的地形、AI融合降水模型策略中，结合贝叶斯U‑Net晴雨预报模型与地形增效强降水模型的优势是至关重要的一步。这一整合策略旨在确保模型在各种降水条件下都能提供全面且精准的预测。为实现两模型的融合，将地形增幅预报与晴雨预报进行格点相乘呈现出连续且具有物理意义的降水预测场。通过这种策略，不仅提高了预测的准确性，还确保预测结果在空间上的连续性。其中在将地形降水量场地形增幅预报与晴雨预测场晴雨预报进行格点相乘之前将地形增幅预报与EC降水预报数据叠加。

[0103] (1)贝叶斯U‑Net晴雨预报模型输出：

[0104] 贝叶斯U‑Net模型输出一个晴雨预报，该晴雨预测场预报为晴雨分布格点场，以格点形式呈现，每个格点的值表示在该位置发生降水的概率。贝叶斯U‑Net模型的解码器会计算出30个不确定的值，为达到确定性预报的目的会进行平均作为输出，输出是降水平均的概率，输出的概率值介于0到1之间，最后以大于0.5为1小于0.5为0，其中0代表无降水，1代表有降水。

[0105] (2)地形增效强降水模型输出：

[0106] 地形增效强降水模型输出一个强降水量场，同样以格点形式表示。

[0107] 每个格点的值指示在该地形条件下预期的降水量。叠加原始EC3小时降水预报后得到最终的地形增强预报。

[0108] (3)格点相乘技术：

[0109] 将贝叶斯U‑Net晴雨预报模型输出与地形增效强降水模型和EC降水预报数据叠加结果进行格点相乘，融合输出。即(地形增幅预报+EC降水预报数据)x晴雨预报＝最终降雨预报场。

[0110] (4)最终融合输出：

[0111] 融合后的输出提供了一个全面且精准的降水预报场。该预报场不仅提高了预测的准确性，还在空间分布上保持了连续性，使模型能够有效应对各种降水和地形条件。

[0112] 本发明的方法能够明显改善模型对于强降水事件的预报性能，尤其是在降水系统与地形相互作用强烈时的预报准确性。表1为2023年4月至9月贝叶斯U‑Net模型24小时降水预报TS评分。

[0113] 表1

[0114] 降水阈值(毫米) 本模型TS评分 对照组原始TS评分 备注大于0.1毫米 0.7343 0.6021 轻微降水事件准确率显著提升
大于10毫米 0.3645 0.3630 中等降水事件预报表现相当
大于25毫米 0.2630 0.2533 中至重降水事件略有提升
大于50毫米 0.1757 0.1372 重降水事件准确率显著提升
大于100毫米 0.0744 0.0543 极端重降水事件预报准确性提升

[0115] 表1中数据展示了本发明的贝叶斯U‑Net模型与地形增效强降水模型在不同降水阈值下的TS评分与原始EC数值预报24小时雨量的对比、数据表明，在所有测试的降水阈值下，本模型均展现出等于或优于现有方法的预报能力，特别是在轻微降水和重降水事件的预报上显示出显著的优势。

[0116] 表2为2019年9月9日20时‑2019年9月10日20时降水订正效果的比较，表2对应图3(a)‑(b)，提高了暴雨的TS评分。

[0117] 表2

[0118]降水阈值(毫米) 本模型TS评分 对照组原始TS评分
大于10毫米 0.58 0.57
大于25毫米 0.38 0.31
大于50毫米 0.19 0.16
大于100毫米 0.04 0.03

[0119] 表3为2023年4月28日08时‑2023年4月29日08时降水对比和图4(a)‑(b)匹配，数据表明本发明能够提高暴雨的TS评分。

[0120] 表3

[0121]

[0122]

[0123] 以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。