本發(fā)明涉及深度學習，具體而言，涉及一種基于深度學習的天氣雷達覆蓋效能分析方法及系統(tǒng)。

背景技術：

1、在氣象監(jiān)測領域，天氣雷達作為重要的觀測工具，對于實時跟蹤和預測天氣變化起著至關重要的作用。然而，隨著氣象監(jiān)測網絡的不斷擴大，天氣雷達的數量急劇增加，如何有效評估這些雷達的覆蓋效能，確保監(jiān)測數據的全面性和準確性，成為了一個亟待解決的問題。

2、傳統(tǒng)上，天氣雷達覆蓋效能的評估主要依賴于人工分析和經驗判斷，這種方法不僅耗時耗力，而且容易受到主觀因素的影響，導致評估結果的不穩(wěn)定性和不一致性。此外，隨著天氣雷達技術的不斷發(fā)展，雷達數據量和復雜度也在不斷增加，傳統(tǒng)方法在處理大規(guī)模、多維度數據時顯得力不從心。

3、近年來，隨著人工智能技術的興起，特別是深度學習技術的快速發(fā)展，為天氣雷達覆蓋效能的自動化評估提供了新的可能。深度學習模型具備強大的特征提取和模式識別能力，能夠從大量、復雜的數據中自動學習并提取出有用的信息，為數據的智能分析和處理提供了有力支持。

4、然而，相關技術仍存在一定的局限性。一方面，大多數方法僅關注雷達數據的內在特征，忽略了雷達地理位置信息對覆蓋效能的重要影響；另一方面，這些方法往往缺乏對空間關聯性的深入分析和利用，導致評估結果難以全面反映雷達網絡的整體效能。

技術實現思路

1、為了至少克服現有技術中的上述不足，本技術實施例的目的在于提供一種基于深度學習的天氣雷達覆蓋效能分析方法及系統(tǒng)。

2、根據本技術的一個方面，提供一種基于深度學習的天氣雷達覆蓋效能分析方法，所述方法包括：

3、獲取x個目標天氣雷達的x個天氣雷達數據記錄及x個地理位置信息，其中，所述x個天氣雷達數據記錄中的每個天氣雷達數據記錄包括覆蓋效能統(tǒng)計數據和雷達回波序列數據，所述覆蓋效能統(tǒng)計數據反映對所述目標天氣雷達在目標測試時域區(qū)間內進行探測覆蓋性能統(tǒng)計后生成的數據，所述雷達回波序列數據反映基于所述目標天氣雷達在目標測試時域區(qū)間的目標雷達探測活動生成的雷達回波數據，x為不小于1的正整數；

4、將所述x個天氣雷達數據記錄輸入到深度學習提取模型，生成x個目標雷達覆蓋表征矢量；

5、將所述x個目標雷達覆蓋表征矢量及所述x個地理位置信息輸入到空間關聯融合模型，生成x個空間關聯融合矢量；

6、基于分團模型對所述x個空間關聯融合矢量進行分團，生成y個特征矢量分團，其中，y為不小于1的正整數；

7、計算所述y個特征矢量分團的集中程度，基于所述y個特征矢量分團的集中程度確定目標天氣雷達集合，其中，所述目標天氣雷達集合中包括至少一個所述目標天氣雷達。

8、在第一方面的一種可能的實施方式中，所述x個天氣雷達數據記錄包括x個覆蓋效能統(tǒng)計數據及x個雷達回波序列數據，所述深度學習提取模型包括效能特征編碼器、回波特征編碼器及融合調控單元；

9、所述將所述x個天氣雷達數據記錄輸入到深度學習提取模型，生成x個目標雷達覆蓋表征矢量，包括：

10、將所述x個覆蓋效能統(tǒng)計數據輸入到所述效能特征編碼器，生成x個效能特征編碼結果；

11、將所述x個雷達回波序列數據輸入到所述回波特征編碼器，生成x個回波特征編碼結果；

12、將所述x個效能特征編碼結果及所述x個回波特征編碼結果輸入到所述融合調控單元，生成x個目標雷達覆蓋表征矢量。

13、譬如，在第一方面的一種可能的實施方式中，所述效能特征編碼器包括映射單元及交互單元；

14、所述將所述x個覆蓋效能統(tǒng)計數據輸入到所述效能特征編碼器，生成x個效能特征編碼結果，包括：

15、基于所述x個覆蓋效能統(tǒng)計數據的特征分布及所述x個覆蓋效能統(tǒng)計數據，生成x個效能特征片段；

16、將所述x個效能特征片段輸入到所述映射單元，生成x個基礎嵌入表示結果，其中，所述映射單元用于執(zhí)行所述x個效能特征片段中每個效能特征片段的向量級求和操作；

17、將所述x個效能特征片段輸入到所述交互單元，生成x個進階嵌入表示結果，其中，所述交互單元用于執(zhí)行所述x個效能特征片段中每個效能特征片段的向量乘積操作和向量乘積操作結果的求和操作；

18、將所述x個基礎嵌入表示結果與所述x個進階嵌入表示結果進行集成，生成x個效能特征編碼結果。

19、譬如，在第一方面的一種可能的實施方式中，所述回波特征編碼器包括波形變換單元及篩選單元；

20、所述將所述x個雷達回波序列數據輸入到所述回波特征編碼器，生成x個回波特征編碼結果，包括：

21、將所述x個雷達回波序列數據輸入到所述波形變換單元，生成x×w個回波特征分布，其中，所述回波特征分布由至少一個所述雷達回波序列數據中的雷達回波結果構成，w為大于1的正整數；

22、將所述x×w個回波特征分布進行整合，生成x個回波整合結果；

23、將所述x個回波整合結果輸入到篩選單元，生成x個回波特征編碼結果。

24、譬如，在第一方面的一種可能的實施方式中，所述融合調控單元包括融合單元及映射輸出單元；

25、所述將所述x個效能特征編碼結果及所述x個回波特征編碼結果輸入到所述融合調控單元，生成x個目標雷達覆蓋表征矢量，包括：

26、將所述x個效能特征編碼結果中的每個效能特征編碼結果與所述x個回波特征編碼結果中的每個回波特征編碼結果進行集成，生成x個集成編碼結果；

27、將所述x個集成編碼結果輸入到所述融合單元，生成x個融合編碼矢量；

28、將所述x個融合編碼矢量輸入到所述映射輸出單元，生成x個目標雷達覆蓋表征矢量。

29、依據本技術實施例的一個方面，提供了一種深度學習系統(tǒng)，所述深度學習系統(tǒng)包括處理器和機器可讀存儲介質，所述機器可讀存儲介質中存儲有機器可執(zhí)行指令，所述機器可執(zhí)行指令由所述處理器加載并執(zhí)行以實現前述任意一種可能的實施方式中的基于深度學習的天氣雷達覆蓋效能分析方法。

30、依據本技術實施例的一個方面，提供了一種計算機程序產品或計算機程序，該計算機程序產品或計算機程序包括計算機指令，該計算機指令存儲在計算機可讀存儲介質中。計算機設備的處理器從計算機可讀存儲介質讀取該計算機指令，處理器執(zhí)行該計算機指令，使得該計算機設備執(zhí)行上述三方面的各種可選實現方式中提供的方法。

31、在本技術的一些實施例所提供的技術方案中，本技術實施例通過綜合應用深度學習技術和空間關聯分析，顯著提高了天氣雷達覆蓋效能評估的準確性和效率。具體而言，首先通過深度學習提取模型，從大量、復雜的天氣雷達數據中自動提取關鍵特征，生成目標雷達覆蓋表征矢量，有效避免了傳統(tǒng)人工分析的主觀性和低效性。隨后，結合雷達的地理位置信息，利用空間關聯融合模型進一步融合空間關系特征，生成包含空間關聯信息的融合矢量，使得評估結果更加貼近實際探測環(huán)境。通過分團模型對融合矢量進行智能分團，并基于分團的集中程度確定關鍵天氣雷達集合，為氣象監(jiān)測、預警及資源調度提供了科學、精準的依據。由此，不僅優(yōu)化了天氣雷達覆蓋效能的分析流程，還顯著提升了分析的深度和廣度，以便于提升氣象服務水平和增強災害應對能力。