[0001] 本发明涉及降雨预测领域，具体涉及一种联合气象卫星亮温资料和GNSS‑PWV的降雨预报方法及装置。

[0002] 在传统的降雨预报方法中，气象卫星提供的亮温（Brightness Temperature, BT）数据发挥着重要作用。这些数据反映了云层对卫星传感器发射的微波辐射的响应，可以用来识别云层结构和估计降雨强度。然而，亮温更多地反映了云层的表面特征，而缺少对大气中水汽总量的详细信息，导致基于气象卫星的单一亮温数据降雨预报存在空报和漏报的情况，降低了降雨预报的精度。

[0018] 本发明针对现有基于气象卫星的单一亮温数据进行降雨预报存在空报和漏报的问题，考虑到GNSS的大气可降水量（PWV）是重要的气象参数，可以用于降雨预报，因此提供一种联合气象卫星亮温资料和GNSS‑PWV的降雨预报方法，通过结合亮温数据和GNSS‑PWV数据，降低基于气象卫星的单一亮温数据降雨预报的空报率和漏报率，从而提高降雨预报的精度。

[0019] 需要说明的是，本发明说明书所涉及技术如无特殊说明，均为公知技术。

[0020] 本发明的说明书和权利要求书及上述附图中的术语“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哪些步骤或单元，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。

[0021] 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。另外，本发明提供的各个实施例或单个实施例中的技术特征相互任意结合，以形成新的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

[0022] 本发明实施例提供一种联合气象卫星亮温资料和GNSS‑PWV的降雨预报方法，如图1所示，包括：获取待预报降雨位置处的前若干时段的通道亮温、亮温差、PWV、PWV增量及PWV增率；将所述通道亮温、亮温差、PWV、PWV增量及PWV增率按时间匹配后，输入训练后的多层神经网络模型，输出未来预设时段的预测降雨等级。本发明实施例通过结合亮温数据和GNSS‑PWV数据，降低基于气象卫星的单一亮温数据降雨预报的空报率和漏报率，从而提高降雨预报的精度。

[0023] 本发明实施例所述多层神经网络模型的训练，包括数据获取、数据处理以及构建并训练多层神经网络模型。

[0024] 所述数据获取的步骤包括：(1)实时获取气象卫星的遥感数据，通常时间分辨率为10min。从气象卫星的遥感
数据中提取待预报降雨位置处的长时间序列通道亮温（BT），计算相应的亮温差（BTD）。

[0025] (2)在GNSS站收集待预报降雨位置处的长时间序列的PWV、PWV增量及PWV增率数据，通常时间分辨率为10min。

[0026] (3)从ERA5数据中获取待预报降雨位置处的长时间序列降雨量资料，原始时间分辨率为1小时。

[0027] 所述数据处理的步骤包括：(1)将降雨量按世界气象组织对不同降雨量等级的划分标准划分为以下降雨等
级：无雨（<0.1mm/h）、小雨（0.1‑2.5 mm/h）、中雨（2.5‑9.9 mm/h）、暴雨（10.0‑49.9 mm/h）、特大暴雨（≧50.0 mm/h）。

[0028] (2)将降雨时段的降雨等级与降雨时段前若干时长（如6小时）的预报因子(PWV、PWV增量、PWV增率、BT、BTD)进行匹配，得到样本数据集。

[0029] (3)将样本数据集按有无降雨的标准划分为降雨类数据集和非降雨类数据集。

[0030] (4)采用随机降采样方法，从非降雨类数据中挑选出与降雨类数据相同数量的样本，共同组成建模数据集。

[0031] 所述构建并训练多层神经网络模型的步骤包括：(1)使用不同时刻前一段时间（如6个小时）的预报因子(PWV、PWV增量、PWV增率、
BT、BTD)作为输入特征，对应时刻未来一段时间（如1个小时）的降雨等级作为输出结果。

[0032] (2)在模型训练过程中，随机选择建模数据集的一部分（例如70%或80%）作为训练集，剩余的数据（例如30%或20%）则作为测试集。

[0033] (3)将训练集和测试集输入模型，训练模型至收敛，保存模型参数。

[0034] 在完成模型训练后，利用训练好的模型进行降雨预报。首先，按数据获取步骤收集待预报降雨位置处的前若干小时的预报因子(PWV、PWV增量、PWV增率、BT、BTD)，接着，按数据处理步骤处理数据后输入训练好的模型中，得到未来一段时间（如1小时）的预测降雨等级。

[0035] 作为一种优选的实施例，本发明实施例介绍一种基于日本气象遥感卫星Himawari‑8和后向传播神经网络模型的武汉(WUH2)GNSS站降雨预报的实施例。

[0036] （1）数据获取：i.下载2020‑2021年Himawari‑8的多波段数据，时间分辨率为10min。从Himawari‑
8的遥感数据中提取WUH2站处的长时间序列的通道亮温资料，并计算相应的亮温差。包括BT11.2、BT13.3、BTD6.2‑11.2、BTD7.3‑12.4、BTD10.4‑12.4、BTD7.3‑10.4、BTD8.6‑11.2、BTD11.2‑12.4（BT11.2，表示11.2μm通道亮温；BTD6.2‑11.2，表示BT6.2‑BT11.2之间的亮温差，其他相同）。

[0037] ii.计算WUH2站的2020‑2021年的PWV、PWV增量及PWV增率，时间分辨率为10min。

[0038] iii.下载2020‑2021年的ERA5数据（欧洲中期天气预报中心推出的第五代全球大气再分析数据集），从中获取WUH2处的降雨量资料，原始时间分辨率为1小时。

[0039] （2）数据处理：i.将降雨量按世界气象组织对不同降雨量等级的划分标准划分为以下降雨等级：
无雨（<0.1mm/h）、小雨（0.1‑2.5 mm/h）、中雨（2.5‑9.9 mm/h）、暴雨（10.0‑49.9 mm/h）、特大暴雨（≧50.0 mm/h）。

[0040] ii.将降雨时段的降雨等级与降雨时段前6小时的预报因子(PWV、PWV增量、PWV增率、上述亮温BT、上述亮温差BTD)进行匹配，得到样本数据集。

[0041] iii.将样本数据集按有无降雨的标准划分为降雨类数据集和非降雨类数据集。采用随机降采样方法，从非降雨类数据中挑选出与降雨类数据相同数量的样本，共同组成建模数据集。

[0042] （3）构建包含3层隐藏层的后向神经网络（BPNN）模型：i.使用不同时刻前6个小时的预报因子(PWV、PWV增量、PWV增率、上述BT、上述BTD)作为输入层，对应时刻未来1个小时的降雨等级作为输出层，输出无雨（0）、小雨（1）、中雨（2）、暴雨（3）、特大暴雨（4）。

[0043] ii.在模型训练过程中，随机选择建模数据集的80%作为训练集，剩余的20%则作为测试集。

[0044] iii.将训练集和测试集输入BPNN，训练模型至收敛，保存模型参数。

[0045] （4）利用训练好的模型进行降雨预报。首先，按数据获取步骤收集WUH2站处的前6小时的预报因子(PWV、PWV增量、PWV增率、上述BT、上述BTD)，接着，按数据处理步骤处理数据后输入训练好的模型中，得到该时刻未来1小时内的预报降雨等级。

[0046] 本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供一种联合气象卫星亮温资料和GNSS‑PWV的降雨预报装置，该装置用于执行上述方法实施例中的联合气象卫星亮温资料和GNSS‑PWV的降雨预报方法。

[0047] 参见图2，该装置包括：数据获取模块，用于获取待预报降雨位置处的前若干时段的通道亮温、亮温差、PWV、PWV增量及PWV增率；降雨预报模块，用于将所述通道亮温、亮温差、PWV、PWV增量及PWV增率按时间匹配后，输入训练后的多层神经网络模型，输出未来预设时段的预测降雨等级；所述多层神经网络模型的训练，包括：实时获取气象卫星的遥感数据，并从遥感数据中提取待预报降雨位置处的长时间序列的通道亮温及亮温差；获取GNSS数据，并从GNSS数据中提取待预报降雨位置处的长时间序列的PWV、PWV增量及PWV增率；获取待预报降雨位置处的长时间序列的降雨量数据，并将降雨量数据划分为若干降雨等级；将降雨时段的降雨等级与降雨时段前若干时段的通道亮温、亮温差、PWV、PWV增量及PWV增率按时间匹配，得到样本数据集；构建多层神经网络模型，所述多层神经网络模型的输入层为不同时刻前若干时段的通道亮温、亮温差、PWV、PWV增量及PWV增率，输出层为对应时刻未来预设时段的降雨等级；利用所述样本数据集对构建的多层神经网络模型进行训练，得到训练好的多层神经网络模型。

[0048] 本发明实施例提供的联合气象卫星亮温资料和GNSS‑PWV的降雨预报装置，采用图2中的若干模块，通过结合亮温数据和GNSS‑PWV数据，降低基于气象卫星的单一亮温数据降雨预报的空报率和漏报率，提高降雨预报的精度。

[0049] 需要说明的是，本发明提供的装置实施例，除用于实现上述方法实施例中的方法外，还用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就对上述装置实施例中的模块进行改进，得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：基于上述装置实施例的内容，作为一种优选的实施例，本发明实施例中提供的联
合气象卫星亮温资料和GNSS‑PWV的降雨预报装置，得到样本数据集后，还包括：
将样本数据集按有无降雨的标准划分为降雨类数据集和非降雨类数据集；
采用随机降采样方法，从非降雨类数据集中挑选出与降雨类数据集相同数量的样
本，共同组成建模数据集。

[0050] 基于上述装置实施例的内容，作为一种优选的实施例，本发明实施例中提供的联合气象卫星亮温资料和GNSS‑PWV的降雨预报装置，得到建模数据集后，还包括：随机选择建模数据集的一部分作为训练集，剩余的数据作为测试集；
将所述训练集和测试集输入构建的多层神经网络模型，训练模型至收敛，保存模
型参数。

[0051] 基于上述装置实施例的内容，作为一种优选的实施例，本发明实施例中提供的联合气象卫星亮温资料和GNSS‑PWV的降雨预报装置，还包括：将所述降雨等级依次划分为无雨、小雨、中雨、暴雨和特大暴雨。

[0052] 基于上述装置实施例的内容，作为一种优选的实施例，本发明实施例中提供的联合气象卫星亮温资料和GNSS‑PWV的降雨预报装置中，所述多层神经网络模型采用包含三层隐含层的后向传播神经网络构建形成。

[0053] 基于上述装置实施例的内容，作为一种优选的实施例，本发明实施例中提供的联合气象卫星亮温资料和GNSS‑PWV的降雨预报装置中，用于提取亮温的通道包括BT11.2和BT13.3，用于计算亮温差的通道包括BTD6.2‑11.2、BTD7.3‑12.4、BTD10.4‑12.4、BTD7.3‑10.4、BTD8.6‑11.2及BTD11.2‑12.4（BT11.2，表示11.2μm通道亮温；BTD6.2‑11.2，表示BT6.2‑BT11.2之间的亮温差，其他相同）。

[0054] 基于与上述实施例相同的发明构思，本发明实施例还提供一种地面观测设备，包括处理器和存储器，所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行所述的联合气象卫星亮温资料和GNSS‑PWV的降雨预报方法的步骤。

[0055] 利用本发明实施例提供的地面观测设备进行降雨预报时，可通过结合亮温数据和GNSS‑PWV数据，降低基于气象卫星的单一亮温数据降雨预报的空报率和漏报率，提高降雨预报的精度。

[0056] 基于与上述实施例相同的发明构思，本发明实施例还提供一种非暂态计算机读存储介质，所述非暂态计算机读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述的联合气象卫星亮温资料和GNSS‑PWV的降雨预报方法的步骤，包括：获取待预报降雨位置处的前若干时段的通道亮温、亮温差、PWV、PWV增量及PWV增
率；
将所述通道亮温、亮温差、PWV、PWV增量及PWV增率按时间匹配后，输入训练后的多层神经网络模型，输出未来预设时段的预测降雨等级；其中，所述多层神经网络模型的训练，包括：实时获取气象卫星的遥感数据，并从遥感数据中提取待预报降雨位置处的长时间序列的通道亮温及亮温差；获取GNSS数据，并从GNSS数据中提取待预报降雨位置处的长时间序列的PWV、PWV增量及PWV增率；获取待预报降雨位置处的长时间序列的降雨量数据，并将降雨量数据划分为若干降雨等级；将降雨时段的降雨等级与降雨时段前若干时段的通道亮温、亮温差、PWV、PWV增量及PWV增率按时间匹配，得到样本数据集；构建多层神经网络模型，所述多层神经网络模型的输入层为不同时刻前若干时段的通道亮温、亮温差、PWV、PWV增量及PWV增率，输出层为对应时刻未来预设时段的降雨等级；利用所述样本数据集对构建的多层神经网络模型进行训练，得到训练好的多层神经网络模型。

[0057] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。