【技术实现步骤摘要】
本专利技术涉及一种基于双源注意力动态神经网络的短临降雨预报方法，属于气象短临预报。
技术介绍
1、短临降雨预报作为对未来短时间段内(例如0-2小时)降水强度进行预测的有效手段，在及时决策方面具有实质性帮助。此方法可为政府部门提供准确的强降水预警，以指导交通、农业、电力等行业提前制定对策，从而有效降低潜在的经济损失。传统的数值天气预报(nwp)采用数学物理方程组的数值模拟方法，然而，由于其初始条件和边界条件的不确定性、对物理机制不完整的描述以及涉及复杂的物理方程计算技术，很难满足降水预报的准确性和实时性需求。
2、传统的雷达回波外推方法，包括交叉相关法、质心跟踪法和基于光流的方法。该方法通过z-r关系，将回波强度转化为降雨量，实现对降雨的预测。交叉相关法在变化缓慢且趋势稳定的层状云天气系统和混合对流天气系统中具有良好的预测效果。然而，对于快速方向变化和复杂运动趋势的严重对流天气系统，预测准确性较低。质心跟踪法可以有效跟踪强度高的对流单体，该方法假设回波体在一个短时间内是连续移动的，且质心可以代表回波体的运动趋势。然而，在复杂的气象现象或非连续性运动的情况下，质心跟踪法的效果可能不理想。基于计算机视觉领域的光流方法通过观察相邻帧之间像素值的变化建立光流场，从而得到回波的运动矢量场，在向量场不变的情况下，外推出雷达回波图。然而，该方法受噪声的影响比较大，在存在噪声的情况下，光流法的预测精度会大大减小。因此，上述三种传统方法的局限性在于它们不适用于所有情况，并且只使用最近观测到的回波图像，并未充分利用大量的历史观测数据。p>
3、近期，深度学习作为一种强大工具在多个领域表现卓越，如自然语言处理、异常检测、医学图像分割等。这些研究中提出的模型是数据驱动的，能够从历史数据中学习潜在特征。基于深度学习方法的短临降雨预报有望成为传统方法的有益补充。
4、shi等人[1]创新地将雷达回波外推任务视为时空序列预测问题，即在给定的j个观测雷达回波图的基础上，预测未来最可能的k个雷达回波图序列。作者提出了convlstm模型，该模型将全连接(fc-lstm)中输入到状态，状态到状态的全连接结构替换为卷积结构，提高了模型捕捉空间信息的能力，从而提高了预测的准确性。wang等人[2]提出了一种新的循环神经网络架构，称为预测性rnn(predrnn)，允许不同lstm之间的记忆状态在层间进行交互。作为predrnn的关键组件，作者设计了一种新颖的时空lstm(st-lstm)单元。它在统一的记忆单元中建模空间和时间表示，并在层间和状态间传递记忆。内存状态在垂直方向上在堆叠的lstm层之间来回移动，在水平方向上通过所有时间状态，兼顾了时间和空间状态，最终取得了良好的实验成果。前人的这些模型都是通过雷达图来外推雷达图，虽然雷达反射回波强度在一定程度上反应了气象目标内降水粒子的规模和密度，从而可以建立反射率与降水之间的关系。然而，基于雷达回波外推的降雨强度预测存在两个主要问题：一是雷达回波数据无法反映降水的真实分布，这是由于雷达的工作原理和各种噪声引起的；二是从雷达回波数据转换得到的降水强度与实际的降水强度不一致，这是由于z-r关系的不准确性造成的。与降水强度预报中使用的雷达回波数据相比，降雨预报中使用的降雨数据可以直接通过雨量计与其他设备进行测量，更能准确反映真实的降水情况。但是，仅仅单纯地使用降雨数据可能无法考虑到特殊事件或气候变化带来的影响，而雷达图可以提取到回波强度的消散和聚集，弥补了只使用降雨数据带来的缺陷。随着预报提前时间的增加，这些模型还低估了雷达的高发射率区域，这些区域通常表示强降水区域，如果低估了这些区域，对人们的生活将产生更大的影响。此外，这些模型往往捕捉长程的空间依赖性的能力有限，只能捕捉局部空间信息，这可能会影响预测结果的准确性。
5、[1]shi x,chen z,wang h,et al.convolutional lstm network:a machinelearning approach for precipitation nowcasting[j].advances in neuralinformation processing systems,2015,28.
6、[2]wang y,long m,wang j,et al.predrnn:recurrent neural networks forpredictive learning using spatiotemporal lstms[j].advances in neuralinformation processing systems,2017,30.
技术实现思路
1、本专利技术的目的是克服仅使用雷达回波图推测降雨量的不准确性、仅使用降雨量数据推测降雨量无法考虑到特殊事件或气候变化带来的影响而造成预测不准确、模型低估高反射率区域以及模型无法捕捉长程的空间依赖性的缺点，提供了一种基于双源注意力动态神经网络的短临降雨预报方法，以实现准确度更高的降雨量预测。
2、本专利技术方法采用下述的技术方案：
3、第一方面，本专利技术提供了一种基于双源注意力动态神经网络的短临降雨预报方法，其包括以下步骤：
4、s1、获取用于神经网络训练的训练数据，所述训练数据为通过对历史样本数据中的雷达图像和降雨量图像进行预处理后得到的双源图像序列；
5、s2、利用所述训练数据训练由编码器和解码器组成的双源注意力动态神经网络，所述编码器由4层信息融合模块组成，所述解码器由4层信息解码模块组成且编码器中的信息融合模块和解码器中的信息解码模块一一对应；所述编码器用于融合雷达和降雨量信息，并在模块维度传递隐藏状态和降雨量图像信息，在时间维度传递细胞状态、隐藏状态和时空记忆单元；所述解码器中，在模块维度传递隐藏状态，在时间维度传递细胞状态、隐藏状态和时空记忆单元；模型输入的历史雷达图像序列和历史降雨量图像序列首先通过所述编码器进行信息融合编码，再将编码结果通过所述解码器进行解码，得到未来降雨量图像序列的预测结果；
6、s3、获取待预测时段之前经过预处理后的历史雷达图像序列和历史降雨量图像序列，并输入训练好的双源注意力动态神经网络中，得到待预测时段的降雨量图像序列。
7、作为上述第一方面的优选，所述预处理包括将历史时刻的原始雷达灰度图和原始降雨量灰度图先中心裁剪后按双三次插值法缩放到模型输入所需的大小，然后将各图像数据通过最大值进行归一化处理。
8、作为上述第一方面的优选，所述编码器中，信息融合模块用于逐步长迭代依次融合每个历史时刻的雷达和降雨量信息，输入模型的历史雷达图像序列和历史降雨量图像序列中，第t个时刻的雷达图像rt和降雨量图像pt在第t个时间步中输入编码器；在第t个时间步中，对于l＝1,2,3,4，编码器的任意第l个信息融合模块的输入为当前时间步第l-1个信息融合模块输出的隐藏状态和降雨量图以及上一时间步的细胞状态隐藏状态时空记忆单元其中l＝1时隐藏状态取雷达图本文档来自技高网...
【技术保护点】
1.一种基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，所述预处理包括将历史时刻的原始雷达灰度图和原始降雨量灰度图先中心裁剪后按双三次插值法缩放到模型输入所需的大小，然后将各图像数据通过最大值进行归一化处理。
3.根据权利要求1所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，所述编码器中，信息融合模块用于逐步长迭代依次融合每个历史时刻的雷达和降雨量信息，输入模型的历史雷达图像序列和历史降雨量图像序列中，第t个时刻的雷达图像Rt和降雨量图像Pt在第t个时间步中输入编码器；在第t个时间步中，对于l＝1,2,3,4，编码器的任意第l个信息融合模块的输入为当前时间步第l-1个信息融合模块输出的隐藏状态和降雨量图以及上一时间步的细胞状态隐藏状态时空记忆单元其中l＝1时隐藏状态取雷达图Rt而降雨量图取降雨量图Pt，t＝1时细胞状态隐藏状态时空记忆单元均随机初始化，再按下面步骤进行编码：
4.根据权利要求1所述的基于双源注意力动态神经网
5.根据权利要求1所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，利用所述训练数据训练双源注意力动态神经网络时，每个训练样本均包含作为输入的一组历史雷达图像序列和历史降雨量图像序列，以及作为监督信号的未来降雨量图像序列。
6.根据权利要求5所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，所述训练样本通过对双源图像序列进行滑窗提取得到，每个滑窗中的前一半历史时刻的雷达图像和降雨量图像作为样本的输入数据，后一半历史时刻的降雨量图像作为样本的监督标签。
7.根据权利要求1所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，训练所述双源注意力动态神经网络的总损失函数为权重损失和SSIM损失之和，将训练样本逐批次输入双源注意力动态神经网络进行前向传播，并计算所述总损失函数后利用反向传播来更新双源注意力动态神经网络中的权重，不断迭代训练得到最佳的双源注意力动态神经网络模型。
8.一种基于双源注意力动态神经网络的短临降雨预报系统，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1～7任一所述的基于双源注意力动态神经网络的短临降雨预报方法。
10.一种计算机电子设备，其特征在于，包括存储器和处理器；
...【技术特征摘要】
1.一种基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，所述预处理包括将历史时刻的原始雷达灰度图和原始降雨量灰度图先中心裁剪后按双三次插值法缩放到模型输入所需的大小，然后将各图像数据通过最大值进行归一化处理。
3.根据权利要求1所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，所述编码器中，信息融合模块用于逐步长迭代依次融合每个历史时刻的雷达和降雨量信息，输入模型的历史雷达图像序列和历史降雨量图像序列中，第t个时刻的雷达图像rt和降雨量图像pt在第t个时间步中输入编码器；在第t个时间步中，对于l＝1,2,3,4，编码器的任意第l个信息融合模块的输入为当前时间步第l-1个信息融合模块输出的隐藏状态和降雨量图以及上一时间步的细胞状态隐藏状态时空记忆单元其中l＝1时隐藏状态取雷达图rt而降雨量图取降雨量图pt，t＝1时细胞状态隐藏状态时空记忆单元均随机初始化，再按下面步骤进行编码：
4.根据权利要求1所述的基于双源注意力动态神经网络的短临降雨预报方法，其特征在于，所述解码器中，每个信息解码模块均通过所述dyconvlstm模块后连接自注意力机制模块形成；所述解码器通过逐步长迭代的方式，由第1个信息解码模块依次生成每个待预测时刻的降雨量图像；且对于l＝1,2,3,4，在第t个预测时间步中，第l个信息解码模块的输入为上一个预测时间步t-1中第l个信息解码模块输出的细胞状态隐藏状态时空记忆单元以及当前预测时间步中第l+1个信息解码模块...
【专利技术属性】
技术研发人员：姚金良，季俊伟，孔万增，黄孝喜，王荣波，谌志群，陈捷丰，
申请(专利权)人：杭州电子科技大学，
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。