一种基于全局-局部聚合模型的雷达智能回波外推方法技术

本发明专利技术涉及天气雷达技术领域，尤其涉及一种基于全局

【技术实现步骤摘要】
一种基于全局
‑
局部聚合模型的雷达智能回波外推方法


[0001]本专利技术涉及天气雷达
，尤其涉及一种基于全局
‑
局部聚合模型的雷达智能回波外推方法。

技术介绍

[0002]降水短临预报对于气象防灾减灾具有重要意义。气象雷达具有覆盖范围大、数据更新时间快的优点，可及时获取大面积降水数据，为短临预报提供高质量观测资料。气象雷达回波外推是短临预报最常用的技术手段。当前主流回波外推方法包括传统基于估计雷达回波运动矢量的线性外推法，以及基于深度学习模型的智能化外推方法。
[0003]传统基于估计雷达回波运动矢量的线性外推方法包括质心跟踪法、光流法等，具有实现简单、预测清晰度高的优点。但其预测雷达图像结果中失真、扭曲现象较为严重，无法捕捉真实世界降水回波的复杂非线性运动，降水技能评分较差。另外，传统方法无法充分利用海量气象雷达历史回波资料。
[0004]智能化外推方法将气象雷达回波外推问题建模为深度时空序列预测问题，依靠纯卷积网络或卷积循环神经网络构建回波外推模型。其在降水技能评分方面展现出优于传统方法的潜力，但仍存在系统性低估强降雨覆盖范围与降雨强度问题。其原因在于，由于模型感受野受限以及自然界强降雨数据有限，现有回波外推模型在同时捕获回波序列的全局和局部时空交互方面存在固有困难，从而限制了外推性能。

技术实现思路

[0005]本专利技术的技术解决问题是：克服现有技术的不足，提出一种基于全局
‑
局部聚合模型的雷达智能回波外推方法，主要解决的技术问题是：现有外推模型系统性低估强降雨覆盖范围与降雨强度问题。
[0006]本专利技术的技术解决方案是：
[0007]一种基于全局
‑
局部聚合模型的雷达智能回波外推方法，该方法的步骤包括：
[0008]A，获取以灰度图像形式存储的气象雷达降水回波图像序列数据集，并根据获取的气象雷达降水回波图像序列数据集得到气象雷达降水回波图像序列对应的光流序列数据集；
[0009]B，构建全局
‑
局部聚合模型；
[0010]所述的构建的全局
‑
局部聚合模型包括基于编码
‑
预测架构的预测分支以及基于注意力机制的全局
‑
局部聚合分支；
[0011]所述的基于注意力机制的全局
‑
局部聚合分支包括光流信息引导的回波运动表征子模块、基于注意力机制的全局
‑
局部聚合子模块以及基于通道注意力的特征融合子模块；
[0012]C，使用步骤A获取的气象雷达降水回波图像序列数据集和气象雷达降水回波光流序列数据集训练步骤B构建的全局
‑
局部聚合模型，得到训练好的全局
‑
局部聚合模型；
[0013]D，将待测试集样本数据输入到步骤C训练好的全局
‑
局部聚合模型，得到待测试集
样本数据的回波外推预测图像序列，完成基于全局
‑
局部聚合模型的雷达智能回波外推；
[0014]所述的步骤A中，获取的以灰度图像形式存储的气象雷达降水回波图像序列数据集中，像素灰度值代表真实回波反射率因子，反射率缺省值在灰度图中设为像素值255；
[0015]所述的步骤B中，编码
‑
预测架构由编码器和预测器两部分构成，编码器中交替设置卷积下采样层与卷积长短期记忆网络单元，预测器中交替设置卷积上采样层与卷积长短期记忆网络单元，且编码器中的每层卷积长短期记忆网络单元与预测器中的每层卷积长短期记忆网络单元一一对应，基于编码
‑
预测架构的预测分支中，编码器输入端为当前观测回波序列，输出端为待预测回波序列；
[0016]所述的步骤B中，光流信息引导的回波运动表征子模块为编码器
‑
解码器结构，编码器输入端为当前观测回波序列，输出端为回波序列对应的光流序列，光流信息引导的回波运动表征子模块的构成包括1层残差连接层、3层下采样残差连接层、3层由上采样层、1
×1×
1卷积层、残差连接层、1层1
×1×
1卷积层，气象雷达降水回波图像首先经过1层残差连接层，接着经过3层下采样残差连接层，再经过3层由上采样层、1
×1×
1卷积层以及残差连接层依次堆叠的卷积层，最后经过1层1
×1×
1卷积层调整通道数，得到输入气象雷达降水回波图像对应的光流序列；其中，对应下采样层和上采样层之间添加跳层连接，编码器的第三层下采样层之后连接一个运动语义分词器，运动语义分词器的输入为编码器第三层输出的运动语义特征，输出为向量化抽象运动信息；
[0017]所述的步骤B中，基于注意力机制的全局
‑
局部聚合子模块的输入为向量化抽象运动信息，全局
‑
局部聚合子模块的核心组件为自注意力机制与交叉注意力机制，形式上采用Transformer解码器堆叠结构，并配备一个全局信息记忆池，首先，向量化抽象运动信息经过线性映射得到查询、键、值向量后，进行自注意力机制运算；随后经残差连接与层归一化，得到的输出特征作为下层交叉注意力机制的查询向量；计算交叉注意力机制时，键、值向量对由记忆池提供；经过交叉注意力机制运算之后，再经过两层残差连接与层归一化(两层中间配备一层前馈神经网络)，得到全局
‑
局部聚合子模块的输出特征；
[0018]所述的步骤B中，基于通道注意力的特征融合子模块将预测分支中最深层卷积长短期记忆网络单元的细胞态、隐含态特征与全局
‑
局部聚合子模块的输出特征进行加权融合，具体为：
[0019]首先，细胞态特征与全局
‑
局部聚合子模块的输出特征进行通道维拼接；随后，拼接特征分两路分别输入一层最大池化层与一层平均池化层进行空间维特征进一步聚合，再经过一层共享前馈神经网络层，随后将两路特征相加后送入激活函数，得到通道注意力权重；通道注意力权重与全局
‑
局部聚合子模块的输出特征进行哈达玛乘积操作实现通道注意力加权；加权后的特征与隐含态特征进行通道维拼接，并经过一层1
×
1卷积层进行通道数调整，得到细化后的隐含态特征；最后，细化后隐含态特征逐层经过上采样层与浅层卷积长短期记忆网络单元，迭代得到输出回波图像；
[0020]所述的步骤C中，对步骤A获取的气象雷达降水回波图像序列数据集进行数据归一化处理，然后按照设定比例划分为训练集、验证集和测试集；
[0021]对步骤A得到的气象雷达降水回波图像序列对应的光流序列数据集进行数据归一化处理，然后按照设定比例划分为对应的训练集、验证集和测试集；
[0022]所述的步骤C中，训练全局
‑
局部聚合模型时，设置两阶段训练策略训练全局
‑
局部
聚合模型，第一个训练阶段为记忆池更新阶段，此阶段的输入为长时雷达回波序列，长时雷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全局
‑
局部聚合模型的雷达智能回波外推方法，其特征在于该方法的步骤包括：A，获取以灰度图像形式存储的气象雷达降水回波图像序列数据集，并根据获取的气象雷达降水回波图像序列数据集得到气象雷达降水回波图像序列对应的光流序列数据集；B，构建全局
‑
局部聚合模型；C，使用步骤A获取的气象雷达降水回波图像序列数据集和气象雷达降水回波光流序列数据集训练步骤B构建的全局
‑
局部聚合模型，得到训练好的全局
‑
局部聚合模型；D，将待测试集样本数据输入到步骤C训练好的全局
‑
局部聚合模型，得到待测试集样本数据的回波外推预测图像序列，完成基于全局
‑
局部聚合模型的雷达智能回波外推。2.根据权利要求1所述的一种基于全局
‑
局部聚合模型的雷达智能回波外推方法，其特征在于：所述的步骤A中，获取的以灰度图像形式存储的气象雷达降水回波图像序列数据集中，像素灰度值代表真实回波反射率因子，反射率缺省值在灰度图中设为像素值255。3.根据权利要求1或2所述的一种基于全局
‑
局部聚合模型的雷达智能回波外推方法，其特征在于：所述的步骤B中，构建的全局
‑
局部聚合模型包括基于编码
‑
预测架构的预测分支以及基于注意力机制的全局
‑
局部聚合分支；所述的基于注意力机制的全局
‑
局部聚合分支包括光流信息引导的回波运动表征子模块、基于注意力机制的全局
‑
局部聚合子模块以及基于通道注意力的特征融合子模块。4.根据权利要求3所述的一种基于全局
‑
局部聚合模型的雷达智能回波外推方法，其特征在于：所述的步骤B中，编码
‑
预测架构由编码器和预测器两部分构成，编码器中交替设置卷积下采样层与卷积长短期记忆网络单元，预测器中交替设置卷积上采样层与卷积长短期记忆网络单元，且编码器中的每层卷积长短期记忆网络单元与预测器中的每层卷积长短期记忆网络单元一一对应，基于编码
‑
预测架构的预测分支中，编码器输入端为当前观测回波序列，输出端为待预测回波序列。5.根据权利要求4所述的一种基于全局
‑
局部聚合模型的雷达智能回波外推方法，其特征在于：所述的步骤B中，光流信息引导的回波运动表征子模块为编码器
‑
解码器结构，编码器输入端为当前观测回波序列，输出端为回波序列对应的光流序列，光流信息引导的回波运动表征子模块的构成包括1层残差连接层、3层下采样残差连接层、3层由上采样层、1
×1×
1卷积层、残差连接层、1层1
×1×
1卷积层，气象雷达降水回波图像首先经过1层残差连接层，接着经过3层下采样残差连接层，再经过3层由上采样层、1
×1×
1卷积层以及残差连接层依次堆叠的卷积层，最后经过1层1
×1×
1卷积层调整通道数，得到输入气象雷达降水回波图像对应的光流序列；其中，对应下采样层和上采样层之间添加跳层连接，编码器的第三层下采样层之后连接一个运动语义分词器，运动语义分词器的输入为编码器第三层输出的运动语义特征，输出为向量化抽象运动信息。6.根据权利要求5所述的一种基于全局
‑
局部聚合模型的雷达智能回波外推方法...

【专利技术属性】
技术研发人员：董锡超，赵泽玮，王裕沛，胡程，
申请(专利权)人：北京理工大学重庆创新中心，
类型：发明
国别省市：