一种基于多源数据融合的人工增雨作业条件智能识别方法与流程

本发明涉及人工增雨作业，尤其涉及一种基于多源数据融合的人工增雨作业条件智能识别方法。

背景技术：

1、目前，人工增雨作业的成功开展主要取决于两个关键因素：一是适宜的云物理条件（如过冷水含量、云层厚度），二是准确的作业时机判别。近年来，随着雷达、卫星与数值模式等多源观测手段的不断丰富，数据融合技术为云系宏微观特征的实时综合研判提供了新的技术路径，机器学习方法在海量多源数据挖掘与非线性关系建模方面的优势，也为突破传统主观经验分析模式提供了可行方案。

2、当前作业条件判断主要依赖预报员对云系宏微观参量的人工综合分析，该方法存在以下技术缺陷：一是判读标准主观性强，不同预报员对同一云系的评估结果差异显著，缺乏客观统一的判别依据；二是难以有效融合雷达、卫星、数值模式等多源高维数据，大量特征参量间的非线性关联关系无法通过人工手段充分挖掘；三是缺乏对历史降水过程的系统性学习与验证机制，判别经验无法固化为可复用的数学模型，结果的可重复性和泛化能力不足。上述缺陷制约了人工增雨作业条件判别技术的进一步发展。

3、有鉴于此，特提出本发明。

技术实现思路

1、本发明的目的是提供了一种基于多源数据融合的人工增雨作业条件智能识别方法，以解决现有技术中存在的上述技术问题。本发明所述方法能够基于多源数据对人工增雨作业条件进行准确识别，提高了识别精度和适用范围。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于多源数据融合的人工增雨作业条件智能识别方法，所述方法包括：

4、步骤1、利用地面雨量站分钟降水数据，结合雷达定量探测目标范围内的降水过程，构建样本标签；

5、步骤2、采用地面观测降水量作为增雨作业条件的判别真值，建立正负样本数据集；

6、步骤3、基于所建立的正负样本数据集，构建基于机器学习算法的增雨作业条件判别模型；其中，所述机器学习算法包括随机森林、lightgbm、支持向量机svm和神经网络。

7、步骤4、采集特定区域的数据集，通过增雨作业条件判别模型判断特定区域是否具备增雨作业条件，并输出作业条件等级，为人工增雨作业提供科学指导。

8、与现有技术相比，本发明所提供的方法能够基于多源数据对人工增雨作业条件进行准确识别，提高了识别精度和适用范围。

1.一种基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，在步骤1中，

3.根据权利要求1所述基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，在步骤2中，具体是以降水过程的起止时间为依据，针对雷达覆盖范围内超过50%站点出现降水，且降水持续时间超过10分钟的连续性降水时段，提取对应的多源遥感与模式特征作为正样本；

4.根据权利要求1所述基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，在步骤2中，将正负样本数据集按80%训练集、20%测试集的比例进行随机划分；

5.根据权利要求1所述基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，在步骤3中，

6.根据权利要求1所述基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，所述步骤4的过程具体为：

7.根据权利要求1所述基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，所述方法还包括：

8.根据权利要求7所述基于多源数据融合的人工增雨作业条件智能识别方法，其特征在于，所述方法还包括：