1.本发明涉及海雾能见度预报领域，尤其涉及基于深度卷积神经网络模型的海雾能见度预报方法与系统。
背景技术：2.目前，大多数的港口是货物运输的枢纽，其对气象预报服务的要求较高，而目前海上缺少足够的观测数据，港口附近地形复杂，除了容易出现系统性大范围的雾外，还容易在航道上出现一些小范围的团雾。针对这些情况，有效的研究和预报方法都还比较少。目前常规的预报产品以定性为主，其准确性、时间与空间的分辨率都较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求，其严重影响了港口作业效率和航行安全。
3.当前人工智能技术蓬勃发展，尤其以深度学习技术为代表的机器学习技术，在图像识别，语音识别，自动驾驶等诸多领域得到了广泛的研究和应用。深度学习技术也开始在气象预报方面不断获得应用，比如把短临降雨的预报变换为视频预测问题，在天气系统自动识别、卫星云图识别和云量计算等方面，相较于传统方法，也取得了一些进展。本发明针对目前常规的预报产品其海雾预报能力不强(预报的精细度较低)的问题基于深度学习技术提出了一种基于深度卷积神经网络模型的海雾能见度预报方法与系统。
技术实现要素：4.为了提高海雾能见度的预报精度，以解决目前常规的预报产品其准确性、时间与空间的分辨率都较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题，本发明提出了一种基于深度卷积神经网络模型的海雾能见度预报方法，包括步骤：
5.s1：获取预设时长内各检测站点的观测数据，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；
6.s2：将一天等分为预设个时段以得到各预测时段，并在每个预测时段分别建立预设数量的深度卷积神经网络模型；
7.s3:通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；
8.s4:根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。
9.进一步地，所述步骤s03之前还包括：
10.通过预设筛选规则筛选样本数据集，并对满足预设筛选规则的数据进行归一化处理，以得到目标数据集；所述步骤s03中，具体为通过目标数据集训练深度卷积神经网络模型。
11.进一步地，通过目标数据集训练深度卷积神经网络模型，具体包括步骤：
12.s31：根据各预测时段的起止时间点，以及预测时段对应的各预报时效，将目标数据集中观测数据对应的网格点数据与预报数据对应的网格点数据进行组合，以得到预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集；
13.s32：以目标数据子集中的预报因子组合作为模型的输入，目标数据子集对应预报时次的观测数据中其能见度数据作为模型的输出，训练该预报时次对应的深度卷积神经网络模型以得到各预测时段下各预报时效对应的海雾能见度预报模型。
14.进一步地，所述各检测站点的观测数据包括：各整点对应的实际能见度、相对湿度、温度；所述各预报时次对应的预报数据包括：预报时次对应的相对湿度、温度与预测能见度。
15.进一步地，所述预设筛选规则为：
16.观测数据中的实际能见度小于预设值且相对湿度大于预设百分比，或者预报数据中的相对湿度大于预设百分比。
17.进一步地，所述步骤s32中，观测数据中的能见度数据为：
18.实际能见度或实际能见度差值；
19.所述实际能见度差值为预报时次对应的实际能见度与当前时次实际能见度的差值；所述当前时次表示模型的起报时间点。
20.进一步地，所述对满足预设筛选规则的数据进行归一化处理的公式为：
[0021][0022]
式中，x表示实际能见度；x
max
表示筛选后的样本数据集中的能见度最大值；x
min
表示筛选后的样本数据集中的能见度最小值；y表示对实际能见度归一化处理后得到的无量纲实际能见度。
[0023]
进一步地，所述实际能见度差值在输入模型之前还包括对其进行归一化处理，公式为：
[0024][0025]
式中，y表示实际能见度差值；y
max
表示筛选后的样本数据集中各预报时次的实际能见度与其对应当前时次实际能见度的差值中的最大绝对值；y
out
表示对实际能见度差值归一化处理后得到的无量纲实际能见度差值。
[0026]
进一步地，所述各检测站点的观测数据中还包括有：港区管制记录。
[0027]
本发明还提出了一种基于深度卷积神经网络模型的海雾能见度预报系统，包括：
[0028]
数据集获取模块，用于获取预设时长内各检测站点的观测数据以及港区管制记录，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；
[0029]
模型建立模块，用于将一天等分为预设个时段以得到各预测时段，并在每个预测
时段分别建立预设数量的深度卷积神经网络模型；
[0030]
训练模块，用于通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；
[0031]
预测模块，用于根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。
[0032]
与现有技术相比，本发明至少含有以下有益效果：
[0033]
(1)本发明通过将一天等分为预设个时段得到预测时段，在每个预测时段分别建立预设数量的深度卷积神经网络模型，并通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型，其在每一天的各个预测时段中构建各预报时效(各预报时效不相等)对应的海雾能见度预报模型，以在实际进行预测时，可根据当前时间所对应的预测时段，以及所需要的预报时效选择对应的海雾能见度预报模型进行预测，其有效的提高了模型预测的精准度，解决了目前常规的预报产品其准确性较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题；
[0034]
(2)本发明通过获取预设时长内各检测站点的观测数据与预设时长内各预报时次对应的预报数据，并将观测数据与预报数据转换为网格点数据以得到用于模型训练的样本数据集，其解决了目前常规的预报产品其时间与空间的分辨率都较低的问题；
[0035]
(3)本发明通过预设筛选规则筛选样本数据集，并对满足预设筛选规则的数据进行归一化处理，以得到目标数据集，并通过目标数据集训练深度卷积神经网络模型，其通过预设筛选规则提高了样本数据集中有雾样本的占比，通过对满足预设筛选规则的数据进行归一化处理，提高了样本数据集中数据的准确度，从而进一步的提高了海雾能见度预报模型的预报精确度；
[0036]
(4)本发明根据各预测时段的起止时间点，以及预测时段对应的各预报时效获取预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集，以目标数据子集中的预报因子组合作为模型的输入，目标数据子集对应预报时次的观测数据中其能见度数据作为模型的输出，训练该预报时次对应的深度卷积神经网络模型，其通过一个预测时段中一个预报时效对应构建一个目标数据子集，以训练该预报时效(或预报时次)对应的深度卷积神经网络模型，从而得到各预测时段下各预报时效对应的海雾能见度预报模型，其精细化了海雾能见度预报模型，极大的提高了各预测时段内其海雾能见度的预测精准度；
[0037]
(5)本发明通过将港区管制记录纳入样本数据集提高了样本数据集中有雾样本的占比；
[0038]
(6)本发明中由于观测数据中的能见度数据为实际能见度或实际能见度差值，因而可将模型训练为输出实际能见度或实际能见度差值的海雾能见度预报模型，其提高了模型预测的灵活性。
附图说明
[0039]
图1为一种基于深度卷积神经网络模型的海雾能见度预报方法流程图；
[0040]
图2为一种基于深度卷积神经网络模型的海雾能见度预报系统模块图；
[0041]
图3为海雾能见度预报模型结构图；
[0042]
图4为残差卷积模块结构图。
具体实施方式
[0043]
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
[0044]
实施例一
[0045]
为了提高海雾能见度的预报精度，以解决目前常规的预报产品其准确性、时间与空间的分辨率都较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题，如图1所示，本发明提出了一种基于深度卷积神经网络模型的海雾能见度预报方法，包括步骤：
[0046]
s1：获取预设时长内各检测站点的观测数据，并通过内插值(具体为网格数据降尺度时空插值)转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；
[0047]
本实施例中，观测数据对应的网格点数据与预报数据对应的网格点数据其时空分辨率一致。
[0048]
本发明通过获取预设时长内各检测站点的观测数据与预设时长内各预报时次对应的预报数据，并将观测数据与预报数据转换为网格点数据以得到用于模型训练的样本数据集，其解决了目前常规的预报产品其时间与空间的分辨率都较低的问题。
[0049]
所述各检测站点的观测数据包括：各整点对应的实际能见度、相对湿度、温度；所述各预报时次对应的预报数据包括：预报时次对应的相对湿度、温度与预测能见度。
[0050]
所述步骤s03之前还包括：
[0051]
通过预设筛选规则筛选样本数据集，并对满足预设筛选规则的数据进行归一化处理，以得到目标数据集；所述步骤s03中，具体为通过目标数据集训练深度卷积神经网络模型。
[0052]
所述预设筛选规则为：
[0053]
观测数据中的实际能见度小于预设值(1km)且相对湿度大于预设百分比(80％)，或者预报数据中的相对湿度大于预设百分比(90％)。
[0054]
需要说明的是,由于海雾出现是小概率事件，另外海雾出现的频率在每天的小时尺度上存在一定的规律性，因此设定预设筛选规则筛选样本数据集,可以提高样本数据集中有雾样本的占比。
[0055]
所述对满足预设筛选规则的数据进行归一化处理的公式为：
[0056][0057]
式中，x表示实际能见度；x
max
表示筛选后的样本数据集中的能见度最大值；x
min
表示筛选后的样本数据集中的能见度最小值；y表示对实际能见度归一化处理后得到的无量纲实际能见度。
[0058]
本发明通过预设筛选规则筛选样本数据集，并对满足预设筛选规则的数据进行归
一化处理，以得到目标数据集，并通过目标数据集训练深度卷积神经网络模型，其通过预设筛选规则提高了样本数据集中有雾样本的占比，通过对满足预设筛选规则的数据进行归一化处理，提高了样本数据集中数据的准确度，从而进一步的提高了海雾能见度预报模型的预报精确度。
[0059]
s2：将一天等分为预设个时段以得到各预测时段，并在每个预测时段分别建立预设数量的深度卷积神经网络模型；
[0060]
s3:通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；
[0061]
本实施例中，将一天等分为12个时段以得到12个预测时段。各预测时段下均包括有8个预报时效，具体为：3，6，9，12，15，18，21，24小时，因此共计建立有12*8＝96个海雾能见度预报模型，其精细化了海雾能见度预报模型，极大的提高了各预测时段内其海雾能见度的预测精准度。
[0062]
通过目标数据集训练深度卷积神经网络模型，具体包括步骤：
[0063]
s31：根据各预测时段的起止时间点，以及预测时段对应的各预报时效，将目标数据集中观测数据对应的网格点数据与预报数据对应的网格点数据进行组合，以得到预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集；
[0064]
s32：以目标数据子集中的预报因子组合作为模型的输入，目标数据子集对应预报时次的观测数据中其能见度数据作为模型的输出，训练该预报时次对应的深度卷积神经网络模型以得到各预测时段下各预报时效对应的海雾能见度预报模型。
[0065]
具体地说，根据各预测时段的起报时间点、预测时段对应的各预报时效、以及海雾形成的物理规律与相关性分析，将目标数据集中观测数据对应的网格点数据与预报数据对应的网格点数据进行组合，以构建预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集；另外，模型可以构造两种输出，一种是输出实际能见度或实际能见度差值；下表对某一预设时段中的各预报时效对应的预报因子组合进行举例说明(表格中需要说明的是：当前时次表示：模型起报时间点；3小时前能见度表示：相对当前时次3小时前的能见度；6小时前能见度表示：相对当前时次6小时前的能见度；预报时次表示对应预报时效的时效截止时间点)：
[0066]
[0067][0068]
需要说明的是，由于本发明的预报产品采用欧洲气象数值预报中心(ec)发布的细网格预报产品，预报时效间隔为3小时。ec细网格预报产品一天发布2次(起报时间为08时和20时)。扣除ec数值模式计算、数据分发、解码等所耗时间，系统上能够稳定获取ec产品的预报数据相较于起报时间，延迟在8小时左右。因此对ec产品的预报数据进行降尺度时空插值后，设定4时～16时段内的预报数据，采用ec产品前一天20时起报的对应时次的预报数据，17时～次日3时的预报数据采用ec产品08时起报的预报数据。
[0069]
本发明在训练各海雾能见度预报模型后，还包括对训练后的各模型进行独立样本的检验，并根据检验结果得到最终的海雾能见度预报模型。
[0070]
本发明根据各预测时段的起止时间点，以及预测时段对应的各预报时效获取预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集，以目标数据子集中的预报因子组合作为模型的输入，目标数据子集对应预报时次的观测数据中其能见度数据作为模型的输出，训练该预报时次对应的深度卷积神经网络模型，其通过一个预测时段中一个预报时效对应构建一个目标数据子集，以训练该预报时效(或预报时次)对应的深度卷积神经网络模型，从而得到各预测时段下各预报时效对应的海雾能见度预报模型，其精细化了海雾能见度预报模型，极大的提高了各预测时段内其海雾能见度的预测精准度。
[0071]
所述步骤s32中，观测数据中的能见度数据为：
[0072]
实际能见度或实际能见度差值；
[0073]
所述实际能见度差值为预报时次对应的实际能见度与当前时次实际能见度的差值；所述当前时次表示模型的起报时间点。
[0074]
所述实际能见度差值在输入模型之前还包括对其进行归一化处理，公式为：
[0075][0076]
式中，y表示实际能见度差值；y
max
表示筛选后的样本数据集中各预报时次的实际能见度与其对应当前时次实际能见度的差值中的最大绝对值；y
out
表示对实际能见度差值归一化处理后得到的无量纲实际能见度差值。
[0077]
s4:根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。
[0078]
本实施例中，选择对应的海雾能见度预报模型后，根据预测时段以及所需的预报时效输入对应的预报因子组合，以通过海雾能见度预报模型输出能见度预测值(实际能见度或实际能见度差值)。
[0079]
所述各检测站点的观测数据中还包括有：港区管制记录。
[0080]
港区管制记录，是指海事与港口管理部门，因天气或者其他原因启动航道通行与码头作业管制的相关记录。记录中还包含了管制原因，管制区域，以及起始和结束时间。
[0081]
本发明通过将港区管制记录纳入样本数据集提高了样本数据集中有雾样本的占比。
[0082]
需要说明的是，如图3所示，本发明中海雾能见度预报模型的具体结构包括依次连接的：信号输入层、卷积层、批归一化层、激活层、卷积层、第一残差卷积模块(其输入尺寸in为64；输出尺寸out为64)、第二残差卷积模块(其输入尺寸in为64；输出尺寸out为64)、第三残差卷积模块(其输入尺寸in为64；输出尺寸out为128)、第四残差卷积模块(其输入尺寸in为128；输出尺寸out为128)、第五残差卷积模块(其输入尺寸in为128；输出尺寸out为256)、第六残差卷积模块(其输入尺寸in为256；输出尺寸out为256)、激活层、全连接层输出；
[0083]
所述各残差卷积模块的具体结构如图4所示，包括：
[0084]
输入层、判断层(即图4中的in＝＝out)，当判断层的条件不成立时，进入左通道，所述左通道又包括有第一通道与第二通道，所述第一通道包括批归一化层与卷积层(通道末层)，所述第二通道包括依次连接的批归一化层、激活层、卷积层、批归一化层、激活层、卷积层(通道末层)；所述第一通道与第二通道的通道末层接入第一融合层后输出；
[0085]
当判断层的条件成立时，进入右通道，所述右通道包括第一通道与第二通道，所述第一通道包括依次连接的批归一化层、激活层、卷积层、批归一化层、激活层、卷积层(通道末层)；所述第二通道与第一通道的通道末层接入第二融合层后输出。
[0086]
本发明通过将一天等分为预设个时段得到预测时段，在每个预测时段分别建立预设数量的深度卷积神经网络模型，并通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型，其在每一天的各个预测时段中构建各预报时效(各预报时效不相等)对应的海雾能见度预报模型，以在实际进行预测时，可根据当前时间所对应的预测时段，以及所需要的预报时效选择对应的海雾能见度预报模型进
行预测，其有效的提高了模型预测的精准度，解决了目前常规的预报产品其准确性较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题。
[0087]
实施例二
[0088]
如图2所示，本发明还提出了一种基于深度卷积神经网络模型的海雾能见度预报系统，包括：
[0089]
数据集获取模块，用于获取预设时长内各检测站点的观测数据以及港区管制记录，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；
[0090]
模型建立模块，用于将一天等分为预设个时段以得到各预测时段，并在每个预测时段分别建立预设数量的深度卷积神经网络模型；
[0091]
训练模块，用于通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；
[0092]
预测模块，用于根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。
[0093]
本实施例中，选择对应的海雾能见度预报模型后，根据预测时段以及所需的预报时效输入对应的预报因子组合，以通过海雾能见度预报模型输出能见度预测值(实际能见度或实际能见度差值)。需要说明的是，模型输出能见度预测值后，本系统还包括：
[0094]
等级划分模块，用于将能见度预测值插值到港区范围内网格点数据中的整点时次，并将能见度划分为5个等级，以形成较高时空分辨率的精细化海雾能见度预报系统。
[0095]
需要说明的是，能见度等级划分的标准，根据实际业务服务需要，以及国家行业标准、《雾的预报等级》(gb/t 27964—2011)、《水平能见度等级》(gb/t33673—2017)标准，把能见度划分为5个等级，以便实际气象保障服务中，根据不同等级，采用不同的服务措施。能见度的具体划分等级见下表：
[0096][0097][0098]
需要说明的是，本系统中，当前时次有检测站点的实际能见度《1km，或者最新ec产品的预报数据中对应预报时次，其港区范围内网格点的相对湿度最大值》90％，则启动对应的海雾能见度预报模型进行预报，否则直接使用ec产品的预报数据进行预报。
[0099]
本发明提出的海雾能见度预报系统，有效弥补了当前港航气象服务过程中，缺少较高时空分辨率的客观海雾预报工具。相较于当前ec细网格能见度预报产品，在实际业务应用中，本系统中海雾能见度预报模型对应的海雾趋势预报检验的ts评分》63％，超过了同时次ec细网格预报产品ts评分的13％～20％，具有业务可用性，提升了港航气象保障服务能力。
[0100]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0101]
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0102]
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0103]
另外，本发明各个实施例之间的技术方案可以相互结合，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。
技术特征：1.一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，包括步骤：s1：获取预设时长内各检测站点的观测数据，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；s2：将一天等分为预设个时段以得到各预测时段，并在每个预测时段分别建立预设数量的深度卷积神经网络模型；s3:通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；s4:根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。2.根据权利要求1所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述步骤s03之前还包括：通过预设筛选规则筛选样本数据集，并对满足预设筛选规则的数据进行归一化处理，以得到目标数据集；所述步骤s03中，具体为通过目标数据集训练深度卷积神经网络模型。3.根据权利要求2所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，通过目标数据集训练深度卷积神经网络模型，具体包括步骤：s31：根据各预测时段的起止时间点，以及预测时段对应的各预报时效，将目标数据集中观测数据对应的网格点数据与预报数据对应的网格点数据进行组合，以得到预报因子组合，并划入各预测时段下各预报时效对应的目标数据子集；s32：以目标数据子集中的预报因子组合作为模型的输入，目标数据子集对应预报时次的观测数据中其能见度数据作为模型的输出，训练该预报时次对应的深度卷积神经网络模型以得到各预测时段下各预报时效对应的海雾能见度预报模型。4.根据权利要求3所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述各检测站点的观测数据包括：各整点对应的实际能见度、相对湿度、温度；所述各预报时次对应的预报数据包括：预报时次对应的相对湿度、温度与预测能见度。5.根据权利要求4所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述预设筛选规则为：观测数据中的实际能见度小于预设值且相对湿度大于预设百分比，或者预报数据中的相对湿度大于预设百分比。6.根据权利要求4所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述步骤s32中，观测数据中的能见度数据为：实际能见度或实际能见度差值；所述实际能见度差值为预报时次对应的实际能见度与当前时次实际能见度的差值；所述当前时次表示模型的起报时间点。7.根据权利要求4所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述对满足预设筛选规则的数据进行归一化处理的公式为：
式中，x表示实际能见度；x
max
表示筛选后的样本数据集中的能见度最大值；x
min
表示筛选后的样本数据集中的能见度最小值；y表示对实际能见度归一化处理后得到的无量纲实际能见度。8.根据权利要求6所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述实际能见度差值在输入模型之前还包括对其进行归一化处理，公式为：式中，y表示实际能见度差值；y
max
表示筛选后的样本数据集中各预报时次的实际能见度与其对应当前时次实际能见度的差值中的最大绝对值；y
out
表示对实际能见度差值归一化处理后得到的无量纲实际能见度差值。9.根据权利要求1所述的一种基于深度卷积神经网络模型的海雾能见度预报方法，其特征在于，所述各检测站点的观测数据中还包括有：港区管制记录。10.一种基于深度卷积神经网络模型的海雾能见度预报系统，其特征在于，包括：数据集获取模块，用于获取预设时长内各检测站点的观测数据以及港区管制记录，并通过内插值转换为港区范围内的网格点数据并纳入样本数据集；通过预报产品获取预设时长内各预报时次对应的预报数据，并通过降尺度时空插值转换为网格点数据并纳入样本数据集；模型建立模块，用于将一天等分为预设个时段以得到各预测时段，并在每个预测时段分别建立预设数量的深度卷积神经网络模型；训练模块，用于通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型；所述各预测时段下海雾能见度预报模型的数量等于预设数量；所述预报时效表示模型起报时间点至预报时次的时间差，所述预报时次即预报时效的时效截止时间点；预测模块，用于根据当前时间所处的预测时段以及所需的预报时效，选择对应的海雾能见度预报模型，并通过海雾能见度预报模型输出能见度预测值。
技术总结本发明公开了基于深度卷积神经网络模型的海雾能见度预报方法与系统，涉及海雾能见度预报领域，其通过将一天等分为预设个时段得到预测时段，在每个预测时段分别建立预设数量的深度卷积神经网络模型，并通过样本数据集训练深度卷积神经网络模型，以获取各预测时段下各预报时效对应的海雾能见度预报模型，其在每一天的各个预测时段中构建各预报时效对应的海雾能见度预报模型，以在实际进行预测时，可根据当前时间所对应的预测时段，以及所需要的预报时效选择对应的海雾能见度预报模型进行预测，其有效的提高了模型预测的精准度，解决了目前常规的预报产品其准确性较低，不能很好的满足港口的船舶调度与泊位作业的气象保障服务需求的问题。务需求的问题。务需求的问题。
技术研发人员：孙军波 沃伟峰 钱峥 潘婧茹 钱燕珍
受保护的技术使用者：慈溪市气象局
技术研发日：2022.06.14
技术公布日：2022/11/1
