一种基于AI的人工影响天气作业效果检验方法与流程

一种基于ai的人工影响天气作业效果检验方法
技术领域
1.本发明属于天气作业效果检验技术领域，具体涉及一种基于ai的人工影响天气作业效果检验方法。


背景技术：

2.随着ai技术开始进入到天气预报领域，上海，广东等地区已经开始使用 ai技术辅助人工进行天气预测。随着数据量的积累，在可以预见的未来，基于ai技术的预报会超过人类预报员。但是，正是基于对ai预测的信心，目前缺少将人工影响天气效果评估与ai技术结合，预报准确率的无明显提升，预测结果与真实发生结果出现偏差。这就使得在人工影响天气的效果评估中，不发生作业的预测结果离真实情况存在一定差距，使得评估结果不能令人信服，故急需一种基于ai的人工影响天气作业效果检验方法。


技术实现要素：

3.本发明的目的在于提供一种基于ai的人工影响天气作业效果检验方法，可以将人工影响天气效果评估与该技术结合，预报准确率得到一定的提升，使预测结果与真实发生结果越来越接近，以解决上述背景技术中提出的问题。
4.为实现上述目的，本发明采用了如下技术方案：
5.一种基于ai的人工影响天气作业效果检验方法，包括如下步骤：
6.s1、基于双偏振雷达数据，对具有由对流云产生的天气过程进行选取，得到天气相关数据；
7.s2、将天气相关数据进行数据清洗，使用对流云过程的雷达数据进行ai 模型训练；
8.s3、选取人工影响天气的过程案例，截取影响前的历史数据，使用ai模型进行预测，并与实际发生的天气过程进行比较；
9.s4、选取典型案例进行效果评估，得出报告。
10.优选的，步骤1中所述双偏振雷达数据是采用双发双收模式，发射机输出信号功分两路分别以水平和垂直极化方式同时发射，双通道接收机和数字中频对数据进行并行处理，其中双通道幅度差小于0.2db，双通道相位差小于 2度。
11.优选的，所述由对流云产生的天气过程是由于大气中的对流不稳定层结造成的，并伴有阵雨、大风、冰雹和龙卷风的天气现象，对流性天气的特征包括对流性天气都是对流旺盛的积雨云的产物、具有范围小及发展快的特点，在选取时是选取人工作业影响区相关的数据，包括x轴与y轴水平风向、坐标原点取作业点、直角坐标系。
12.优选的，步骤2中所述数据清洗是通过数据可视化的方式直观地查看到数据的特性，对数据进行处理来解决数据存在的数据缺失、有异常值、数据不均衡、量纲不一致的问题，其中数据不均衡是由于数据偏差导致后面训练的模型过拟合或者欠拟合。
13.优选的，所述ai模型训练时包括特征提取、特征选择和训练模型，特征提取包括数
值型特征数据、标签或者描述类数据、非结构化数据和网络关系型数据，所述特征选择是对入模的特征设置对应的覆盖度、iv指标，再依据这些指标和按照经验定下来的阈值对特征进行筛选，确认特征的稳定性，若特征稳定则保留，若特征不稳定则去掉。
14.优选的，所述数值型特征数据中的数据包含大量的数值特征，数值特征可直接从数仓中共获取，具体为先提取主体特征，再提取其他维度特征；标签或描述类数据包含的类别相关性低，将三个类别转化为特征，让每个特征值用0或1来表示；非结构化数据存在于ugc内容数据中，提取非结构化特征时先对文本数据做清洗和挖掘，挖掘出反映用户属性的特征；网络关系型数据是数值型特征数据、标签或描述类数据以及非结构化数据周围关系的数据。
15.优选的，步骤3中使用ai模型预测时，根据案例前的历史数据进行预测，并将预测数据与实际了生的天气过程中的数据进行比较，当比较结果误差小于1％时，则进行s4，当比较结果大于1％时，需重新对ai模型进行训练，训练完成后再进重新进行ai模型预测，并与实际发生的天气过程进行比较。
16.优选的，当ai模型重新训练前，需将之前训练存储的数据信息进行格式化，再重新选取新的基于比偏振雷达数据，并进行数据清洗后重新进行ai模型训练。
17.优选的，步骤4中在与典型案例进行效果评估时，根据预测的天气结果与实际发生天气过程的数据结果误差在2％以内，则人工影响天气作业效果不明显，当误差大于2％时，则人工影响天气作业效果明显。
18.本发明提出的一种基于ai的人工影响天气作业效果检验方法，与现有技术相比，具有以下优点：
19.本发明通过基于双偏振雷达数据，对具有由对流云产生的天气过程进行选取，得到天气相关数据后再进行数据清洗，使用对流云过程的雷达数据进行ai模型训练，通过选取人工影响天气的过程案例，截取影响前的历史数据，使用ai模型进行预测，并与实际发生的天气过程进行比较，可以将人工影响天气效果评估与该技术结合，使预报准确率得到一定提升，预测结果与真实发生结果越来越接近，使得人工影响天气的效果评估中，不发生作业的预测结果越来越接近真实情况，使得评估结果令人信服。
附图说明
20.图1为本发明的流程框图。
具体实施方式
21.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。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
22.本发明提供了一种基于ai的人工影响天气作业效果检验方法，包括如下步骤：
23.s1、基于双偏振雷达数据，对具有由对流云产生的天气过程进行选取，得到天气相关数据；
24.双偏振雷达数据是采用双发双收模式，发射机输出信号功分两路分别以水平和垂直极化方式同时发射，双通道接收机和数字中频对数据进行并行处理，其中双通道幅度差小于0.2db，双通道相位差小于2度。
25.由对流云产生的天气过程是由于大气中的对流不稳定层结造成的，并伴有阵雨、大风、冰雹和龙卷风的天气现象，对流性天气的特征包括对流性天气都是对流旺盛的积雨云的产物、具有范围小及发展快的特点，在选取时是选取人工作业影响区相关的数据，包括x轴与y轴水平风向、坐标原点取作业点、直角坐标系。
26.s2、将天气相关数据进行数据清洗，使用对流云过程的雷达数据进行ai 模型训练；
27.数据清洗是通过数据可视化的方式直观地查看到数据的特性，对数据进行处理来解决数据存在的数据缺失、有异常值、数据不均衡、量纲不一致的问题，其中数据不均衡是由于数据偏差导致后面训练的模型过拟合或者欠拟合。
28.ai模型训练时包括特征提取、特征选择和训练模型，特征提取包括数值型特征数据、标签或者描述类数据、非结构化数据和网络关系型数据，特征选择是对入模的特征设置对应的覆盖度、iv指标，再依据这些指标和按照经验定下来的阈值对特征进行筛选，确认特征的稳定性，若特征稳定则保留，若特征不稳定则去掉。
29.数值型特征数据中的数据包含大量的数值特征，数值特征可直接从数仓中共获取，具体为先提取主体特征，再提取其他维度特征；标签或描述类数据包含的类别相关性低，将三个类别转化为特征，让每个特征值用0或1来表示；非结构化数据存在于ugc内容数据中，提取非结构化特征时先对文本数据做清洗和挖掘，挖掘出反映用户属性的特征；网络关系型数据是数值型特征数据、标签或描述类数据以及非结构化数据周围关系的数据。
30.s3、选取人工影响天气的过程案例，截取影响前的历史数据，使用ai模型进行预测，并与实际发生的天气过程进行比较；
31.使用ai模型预测时，根据案例前的历史数据进行预测，并将预测数据与实际了生的天气过程中的数据进行比较，当比较结果误差小于1％时，则进行 s4，当比较结果大于1％时，需重新对ai模型进行训练，训练完成后再进重新进行ai模型预测，并与实际发生的天气过程进行比较。
32.当ai模型重新训练前，需将之前训练存储的数据信息进行格式化，再重新选取新的基于比偏振雷达数据，并进行数据清洗后重新进行ai模型训练。
33.s4、选取典型案例进行效果评估，得出报告；
34.在与典型案例进行效果评估时，根据预测的天气结果与实际发生天气过程的数据结果误差在2％以内，则人工影响天气作业效果不明显，当误差大于 2％时，则人工影响天气作业效果明显。
35.综上，通过将人工影响天气效果评估与ai技术结合，使预报准确率得到一定的提升，预测结果与真实发生结果越来越接近，使得人工影响天气的效果评估中，不发生作业的预测结果越来越接近真实情况，使得评估结果令人信服。
36.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，
凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。