System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。
...【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。