【技术实现步骤摘要】
本专利技术涉及自然灾害预测，具体是指一种基于语义分割的强对流天气识别和发展预判方法。
技术介绍
1、强对流天气是指具有短时强降水、雷雨大风、龙卷风和冰雹等灾害性现象的一类天气。这种天气具有突发性、短暂性和破坏性强的特点，对社会经济和人民生活造成严重影响。而传统的机器学习特征提取方法存在特征提取效果不佳，导致无法准确识别不同类别的强对流天气，进而导致模型识别精度不高的问题；传统的强对流天气识别方法通常依靠静态的阈值或一些固定的特征来进行强对流天气的判断条件，往往无法捕捉到空间上的细微差异和复杂关系，导致模型性能下降的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于语义分割的强对流天气识别和发展预判方法，针对传统的机器学习特征提取方法存在特征提取效果不佳，导致无法准确识别不同类别的强对流天气，进而导致模型识别精度不高的问题，本方案采用fcn语义分割模型，从强对流天气观测数据中提取特征，提高特征提取的能力，从而提高强对流天气的预测准确率；针对传统的强对流天气识别方法通常依靠静态的阈值或一些固定的特征来进行强对流天气的判断条件，往往无法捕捉到空间上的细微差异和复杂关系，导致模型性能下降的问题，本方案通过在fcn语义分割模型中引入自注意力机制，对提取的特征进行特征增强，提高强对流天气分类问题的准确率，进而提高模型性能。
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于语义分割的强对流天气识别和发展预判方法，该方法包括以下步骤：>
3、步骤s1：数据采集，采集强对流天气的实况数据，包括强对流天气发生的时间、站点和强度信息，强对流天气的实况数据为强对流天气的文字描述，存储在excel文件中；
4、步骤s2：建立训练标签，利用百度地图api接口从强对流天气发生的站点信息中提取强对流天气的经度、纬度、海拔高度，根据强对流天气发生的站点信息，生成训练标签；
5、步骤s3：数据预处理，将强对流天气的实况数据、经度、纬度、海拔高度转换为ec模式数据，将ec模式数据转换为图片，获得强对流天气数据集；
6、步骤s4：数据划分，将强对流天气数据集划分为训练集和测试集；
7、步骤s5：模型训练，搭建fcn语义分割模型，利用fcn语义分割模型，加载训练集和训练标签进行模型训练；
8、步骤s6：模型评估，利用测试集评估fcn语义分割模型，得到最终的fcn语义分割模型；
9、步骤s7：强对流天气发展预测，将实时采集的强对流天气的实况数据输入到最终的fcn语义分割模型，得到强对流天气可能的发生概率。
10、进一步地，在步骤s1中，所述数据采集，具体为基于雷达收集的观测资料获取强对流天气的实况数据，包括短时强降水、冰雹、雷暴大风发生的时间、站点和强度信息，存储在excel文件中。
11、进一步地，在步骤s2中，所述建立训练标签，包括以下步骤：
12、步骤s21：利用百度地图api接口从强对流天气发生的站点信息中提取强对流天气的经度、纬度、海拔高度，；
13、步骤s22：根据强对流天气发生的时间、站点和强度信息生成5km分辨率目标区域地形掩模数据；
14、步骤s23：将强对流天气发生的时间、站点信息转换为网格数据，具体包括以下步骤：
15、步骤s231：建立5km分辨率网格，所有网格赋值为0，空间范围从东经92至东经109度，北纬32度至北纬43度，共341×221个网格格点；
16、步骤s232：定义1表示发生强对流天气区域，0表示未发生强对流天气区域，-1表示没有观测的区域；
17、步骤s233：标记每个强对流天气发生站点30km半径范围，将30km半径范围内网格均设置为1；
18、步骤s234：读取5km分辨率目标区域地形掩模数据，对非目标区域，网格赋值为-1；
19、步骤s235：采用动态权重的方式建立训练标签，为非目标区域、目标区域内发生强对流天气、未发生强对流天气区域设置权重。
20、进一步地，在步骤s3中，所述数据预处理，包括以下步骤：
21、步骤s31：将强对流天气的实况数据、经度、纬度、海拔高度转换为ec模式数据，ec模式数据至少包括强对流天气发生发展的能量、温度、湿度、风向风速、对流有效位能cape、2米露点温度dpt_2m、散度 div，设置ec模式数据空间分辨率、时间分辨率；
22、步骤s32：将ec模式数据3次样条插值至数据空间分辨率网格上，其中对流有效位能cape和2米露点温度dpt_2m为单层数据，其余ec模式数据均包含不同高度层，将不同高度层的ec模式数据合并，共30个变量；
23、步骤s33：统计ec模式数据所有30个变量的最大和最小值，并分别向上和向下取整，作为全局的最大最小值，进行数据归一化。
24、进一步地，在步骤s5中，所述模型训练，包括以下步骤：
25、步骤s51：模型搭建，fcn语义分割模型由第一基本单元、第二基本单元、第三基本单元构成，第一基本单元、第二基本单元、第三基本单元分别由卷积层、批处理归一化层和relu函数组成，在第二基本单元和第三个基本单元之间应用maxpooling层；
26、步骤s52：特征提取，利用每个基本单元中的卷积层提取局部特征，再利用批处理归一化层对提取的局部特征进行泛化，得到批处理归一化的结果，最后利用relu函数对批处理归一化的结果进行非线性激活，第个基本单元提取局部特征的公式如下：
27、；
28、；
29、；
30、式中，为基本单元中卷积层的核，为fcn语义分割模型第个基本单元的输入数据，为第层卷积层的偏置参数，为卷积算子，为经过卷积层后的输出结果，为经过批处理归一化层后的输出结果，为进行非线性激活的relu函数，为经过relu函数后的输出结果；
31、步骤s53：降维，在保持特征不变性的同时利用maxpooling层减小特征数据的大小，计算公式如下：
32、；
33、式中，为maxpooling层的内核大小，为通过maxpooling层的计算函数，stride是两个maxpooling层之间的距离；
34、步骤s54：特征增强，利用自注意机制增强特征之间的相互作用，计算公式如下：
35、；
36、式中，、、为三个卷积函数，这三个卷积函数的参数相互独立，在训练过程中自适应学习，为输入数据，表示输入数据中的每一个元素、表示当前元素的上下文信息、表示当前元素与上下文信息的相似度；
37、softmax函数的计算公式为：
38、；
39、式中，为输入向量，e为自然对数的底数；
40、通过自注意力机制后的输出值为：
41、；
42、式中，为的通道号，softmax函数将本文档来自技高网...
【技术保护点】
1.一种基于语义分割的强对流天气识别和发展预判方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于语义分割的强对流天气识别和发展预判方法，其特征在于：在步骤S5中，所述模型训练，包括以下步骤：
3.根据权利要求2所述的一种基于语义分割的强对流天气识别和发展预判方法，其特征在于：在步骤S2中，所述建立训练标签，包括以下步骤：
4.根据权利要求3所述的一种基于语义分割的强对流天气识别和发展预判方法，其特征在于：在步骤S3中，所述数据预处理，包括以下步骤：
【技术特征摘要】
1.一种基于语义分割的强对流天气识别和发展预判方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于语义分割的强对流天气识别和发展预判方法，其特征在于：在步骤s5中，所述模型训练，包括以下步骤：
3.根据权利要求2...
【专利技术属性】
技术研发人员：孔祥伟，黄武斌，伏晶，段伯隆，李晨蕊，郭润霞，黄玉霞，谭丹，肖玮，苟尚，张君霞，
申请(专利权)人：兰州中心气象台兰州干旱生态环境监测预测中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。