一种极类不平衡时空联合对流初生短临预报方法技术

本发明专利技术公开了一种极类不平衡时空联合对流初生短临预报方法，包括以下步骤：提取多时次多通道气象卫星数据，与基于雷达观测的对流事件标签进行配准，生成训练数据和测试数据；对训练数据进行重采样提高包含对流云比例；对进行重采样的训练数据进行预处理；构建用于进行多通道卫星数据识别的神经网络；对总损失函数针对类不平衡进行优化；将预处理的训练数据输入神经网络进行训练，直至训练损失降低到阈值以下；对对流初生进行预测。本发明专利技术实现了对流初生短临预报，应用卷积神经网络实现卫星遥感范围内所有云目标的形态、运动的特征提取，配合神经网络可大幅降低对流初生短临预报问题的计算量，提高了对流初生短临预报方法的实时性、可移植性。

【技术实现步骤摘要】
一种极类不平衡时空联合对流初生短临预报方法
本专利技术涉及气象领域，具体涉及对流初生短临预报方法。
技术介绍
在气象领域中，强对流可能演变成大风、雷暴、强降水、龙卷风等多种灾害天气，对物流、航空、农业、能源等领域具有重大影响。对强对流的精细化、精准化预报对提高抗灾能力、挽回国民经济损失有重要意义。世界范围内已经对强对流的形成机理和预报预防开展了多年的研究。要进一步提高强对流的预报时效与准确性，需要针对强对流形成前的状态进行监测与预报，即关注对流的初生过程。对流初生是天气系统中积云向积雨云转变的事件，标志着后续将有强对流产生。实现对流初生的短临预报可将强对流衍生的灾害天气预报时效提前1～2小时，将大大延长气象灾害应对的决策与执行时间。对流初生短临预报是气象短临预报领域中的重要前沿问题，对提高强对流灾害预警时效与准确度具有重要意义。对流初生短临预报需要监测积云，同时估计积云未来的运动趋势与强弱变化，进而判断积云生长成强对流云的时刻，建模复杂度高，预报时效要求达到2小时，导致预报精度难以提高。广泛分布的多普勒气象雷达对积云的观测能力较弱，观测范围受限。相比之下同步卫星可观测整个半球的气象信息，各种类型云目标均可捕捉，因此对流初生短临预报多采用卫星遥感数据作为预报输入。学术上对流初生短临预报包括积云目标识别、积云目标匹配、积云多目标跟踪、积云强度估计、对流初生预测、预测结果融合等步骤。每个步骤都可能引入误差，导致误差累计；且多目标跟踪、对流初生预测难度较大，对流初生短临预报的精度难以提高。
技术实现思路
本专利技术旨在提出一种卷积神经网络结构，提高卫星视野范围内的积云识别精度，有效挖掘极类不平衡的对流初生数据样本，同时学习所有积云的运动、形态与强度变化，提高对流初生短临预报的准确性，从而提高对流初生短临预报的时效与精度。具体而言本专利技术提供了一种极类不平衡时空联合对流初生短临预报方法，其特征在于，所述对流初生短临预报方法包括以下步骤：步骤S1：提取多时次多通道气象卫星数据，与基于雷达观测的对流事件标签进行配准，生成训练数据和测试数据；步骤S2：对所述训练数据进行重采样提高包含对流云比例；步骤S3：对所述进行重采样的训练数据进行预处理；步骤S4：构建用于进行多通道卫星数据识别的神经网络；步骤S5：对所述神经网络总损失函数针对类不平衡进行优化；步骤S6：将所述预处理的训练数据输入所述神经网络进行训练，直至训练损失降低到阈值以下；步骤S7：封装训练好的神经网络模型，输入卫星观测数据对未来某一时刻对流初生进行预测。更进一步地，在步骤S2中，所述训练数据中包含对流云的样本记为正样本，将没有对流云的样本记为负样本；随机抽取M＝[m×d/r]个样本，若M个样本中包含正样本个数少于md个，则再抽取M个样本，将其中的正样本与之前的正样本合并，重复直至正样本个数超过md个；其中，r是正样本真实占比，d是设定训练神经网络中输入的正样本比例最小值，m是单次训练的批个数。更进一步地，在步骤S3中，还包括以下步骤；步骤S31：输入多通道卫星数据与标签进行值归一化与尺寸归一化；步骤S32：对输入的训练数据与标签同时进行数据增强，通过数据增强增加现有数据量；所述数据增强的方法包括将所述训练数据和标签进行平移、缩放和上下翻转。在步骤S4中，所述神经网络包括主干网络和第一至第四上采样卷积层；所述主干网络包括依次连接的第一至第五卷积组；在数据输入所述第一卷积组前还设有降维卷积层，所述降维卷积层包括尺寸为1×1×1的卷积核，用于调整所述神经网络输入通道数，将输入数据样本的通道压缩到3；所述第五卷积组的输出与所述第一上采样卷积层的输入连接；所述第一上采样卷积层的输出与所述第四卷积组的输出拼接，并与第二上采样卷积层的输入连接；第二上采样卷积层的输出与所述第三卷积组的输出拼接，并与第三上采样卷积层的输入连接；第三上采样卷积层的输出与所述第二卷积组的输出拼接，并与第四上采样卷积层的输入连接；第四上采样卷积层的输出与所述第一卷积组的输出拼接作为神经网络的最终结果输出。更进一步地，在步骤S5中，所述总损失函数采用Focalloss进行极类不平衡补偿约束，所述极类不平衡补偿约束是：其中，I为对流初生标签，为输出的对流初生预报结果，i、j为横纵坐标索引，N为标签包含像素个数，α和γ为补偿系数。更进一步地，在步骤S5中，则总损失函数为：L＝λ1Lfocal+λ2∑||ω||2其中，ω是网络权重，λ1、λ2表示分别表示Focalloss与权重约束的系数。更进一步地，在步骤S5中，所述γ取值为5.0，所述α取0.25时，对流云目标在训练中得到有效补偿。更进一步地，在步骤S6中，所述进行训练的过程中检测约束输出值，每训练1000次计算一次测试数据。本专利技术与现有技术相比，其显著优点为：本专利技术实现了端到端对流初生短临预报，应用三维卷积神经网络实现卫星遥感范围内所有云目标的形态、运动的时空特征提取，配合神经网络加速硬件可大幅降低对流初生短临预报问题的计算量，提高了对流初生短临预报方法的实时性、可移植性。本专利技术有效利用时空上稀疏分布的初生对流样本，通过重采样提高正样本含量，并通过对神经网络中总损失函数针对类不平衡进行优化提高极类不平衡的对流初生短临预报的准确度。附图说明图1是本专利技术实施例提供的一种极类不平衡时空联合对流初生短临预报方法的流程示意图；图2是本专利技术实施例提供的一种极类不平衡时空联合对流初生短临预报方法中对流初生估计网络结构。具体实施方式下面结合实施例及附图1-2对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。如附图1所示，下面对本专利技术详细流程进行进一步说明，本专利技术的目的是提供了一种极类不平衡时空联合对流初生短临预报方法，包括如下步骤：步骤S1：提取多时次多通道气象卫星数据，与基于雷达观测的对流事件标签进行配准，生成训练数据和测试数据；步骤S2：对训练数据进行重采样提高包含对流云比例；步骤S3：对进行重采样的训练数据进行预处理；步骤S4：构建用于进行多通道卫星数据识别的神经网络；步骤S5：对神经网络总损失函数针对类不平衡进行优化；步骤S6：将预处理的训练数据输入神经网络进行训练，直至训练损失降低到阈值以下；步骤S7：封装训练好的神经网络模型，输入卫星观测数据对未来某一时刻对流初生进行预测。具体的，在步骤S1中，以葵花8号气象卫星为例，提取葵花8号气象卫星共计16通道的数据每个通道的气象卫星数据均是一个二维矩阵，二维矩阵中每个元素对应卫星图像中该元素所在位置的气象信息；气象卫星不同通道采集的气象信息分别是由可见光传感器采集的反射率和由红外传感器采集到亮度温度。并将多通道数据与基于雷达观测的对流事件标签进行匹配，生成数据样本。对流事件标签同样是二维矩本文档来自技高网...

【技术保护点】
1.一种极类不平衡时空联合对流初生短临预报方法，其特征在于，所述对流初生短临预报方法包括以下步骤：/n步骤S1：提取多时次多通道气象卫星数据，与基于雷达观测的对流事件标签进行配准，生成训练数据和测试数据；/n步骤S2：对所述训练数据进行重采样提高包含对流云比例；/n步骤S3：对所述进行重采样的训练数据进行预处理；/n步骤S4：构建用于进行多通道卫星数据识别的神经网络；/n步骤S5：对所述神经网络总损失函数针对类不平衡进行优化；/n步骤S6：将所述预处理的训练数据输入所述神经网络进行训练，直至训练损失降低到阈值以下；/n步骤S7：封装训练好的神经网络模型，输入卫星观测数据对未来某一时刻对流初生进行预测。/n

【技术特征摘要】
1.一种极类不平衡时空联合对流初生短临预报方法，其特征在于，所述对流初生短临预报方法包括以下步骤：
步骤S1：提取多时次多通道气象卫星数据，与基于雷达观测的对流事件标签进行配准，生成训练数据和测试数据；
步骤S2：对所述训练数据进行重采样提高包含对流云比例；
步骤S3：对所述进行重采样的训练数据进行预处理；
步骤S4：构建用于进行多通道卫星数据识别的神经网络；
步骤S5：对所述神经网络总损失函数针对类不平衡进行优化；
步骤S6：将所述预处理的训练数据输入所述神经网络进行训练，直至训练损失降低到阈值以下；
步骤S7：封装训练好的神经网络模型，输入卫星观测数据对未来某一时刻对流初生进行预测。


2.根据权利要求1所述对流初生短临预报方法，其特征在于，在步骤S2中，所述训练数据中包含对流云的样本记为正样本，将没有对流云的样本记为负样本；
随机抽取M＝[m×d/r]个样本，若M个样本中包含正样本个数少于md个，则再抽取M个样本，将其中的正样本与之前的正样本合并，重复直至正样本个数超过md个；其中，r是正样本真实占比，d是设定训练神经网络中输入的正样本比例最小值，m是单次训练的输入样本个数。


3.根据权利要求1所述对流初生短临预报方法，其特征在于，在步骤S3中，还包括以下步骤；
步骤S31：输入多通道卫星数据与标签进行值归一化与尺寸归一化；
步骤S32：对输入的训练数据与标签同时进行数据增强，通过数据增强增加现有数据量；所述数据增强的方法包括将所述训练数据和标签进行平移、缩放和上下翻转。


4.根据权利要求1所述对流初生短临预报方法，其特征在于，在步骤S4中，所述神经网络包括主干网络和第一至第四上采样卷积层；
所述主干网络包括依次连接的第一至第五卷积组；
在数据输...

【专利技术属性】
技术研发人员：刘佑达，陈建军，张扬，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：江苏;32