[發明專利]一種基于時序卷積神經網絡的雷達回波外推方法

在審

• 申請號: 201710830449.4
• 申請日: 2017-09-15
• 公開（公告）號: CN107632295A
• 公開（公告）日: 2018-01-26
• 發明（設計）人: 李炳聰;何昭水;劉嘉穗
• 申請（專利權）人: 廣東工業大學
• 主分類號: G01S7/41
• 分類號: G01S7/41;G01S13/95
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于大氣探測中地面氣象觀測技術領域，尤其涉及一種基于時序卷積神經網絡的外推方法。

背景技術

對流降水量臨近預報一直是天氣預報領域中的一個重要研究問題，這個任務的目的是在一定的區域內預測較短一段時間（一般是0至6個小時）的降水量，它對于很多人類生產活動有重要作用，如機場的運營、水利設施的管理。目前已經存在預測方法可以被粗略地分為兩種：基于數值天氣預測方法（Numerical Weather Prediction，NWP）和基于雷達回波外推圖的方法。前者在長時間預測的情況下有很穩定的效果，但對于小區域的預報精確度較低，后者與之相反，故基于雷達回波外推圖經常用在降水量的短期臨近預報場景下。

傳統的雷達回波外推方法一般基于質心跟蹤法和交叉相關法。這類方法有一個關鍵的缺陷，它們的效果在隨著預測時間變長時會急速變差，原因是這類方法僅僅考慮了降水粒子的平移變換，沒有對它們的衰減和增強進行建模，隨著預測時間變長，降水粒子的衰減和增強帶來的效應會疊加，從而使得外推效果急劇變差。相比表達能力受限的傳統模型，得益于龐大的數據庫和硬件設備日益增強的運算能力，深度模型在圖像以及時序領域中都有極大影響，而雷達回波圖作為一種便于獲取的數據，使得深度學習方法在解決雷達回波外推問題中有很大的潛力。

卷積神經網絡作為深度學習中重要的一部分，在圖像處理領域得到廣泛應用，它利用了圖像二維平面上點之間的關系作為先驗知識，提升了深度模型的效率。雷達回波圖除了有圖像的特征以外，還有時序特征，本發明通過為卷積神經網絡添加時間步之間的連接，建立了一個基于時序的卷積神經網絡。這個模型同時利用了雷達回波圖的二維空間依賴關系和時序依賴關系作為先驗知識，在不同的空間位置和不同的時間步之間共享權值，進一步降低了參數量，降低模型過擬合的風險。由于深度模型所具有較強的表達能力，通過使用歷史雷達回波圖數據，模型不斷調整權值，模型能夠準確預測歷史雷達回波圖，最終學習到降水粒子的平移、衰減和增強的機理，從而能夠對新的雷達回波圖進行外推。另外值得注意的是，由于不同尺度的雷達回波特征隨著時間的演變方式很不一樣------大尺度的特征更加穩定，小尺度的特征容易衰減，本方法首先提取了雷達回波圖不同頻段下的成分，在深度模型中使用了不同權重去處理這些成分，使網絡在數據的驅動下學習不同尺度的雷達回波特征的演變規律。

發明內容

發明目的：本發明所要解決的技術問題是針對傳統的雷達回波圖外推模型表達能力受限，卷積神經網絡在處理時序問題上效果欠佳等現有的問題，利用雷達回波歷史數據，提出了一種基于時序卷積神經網絡的雷達回波外推方法，包括以下步驟：

1.一種基于時序卷積神經網絡的雷達回波外推方法，其特征在于，包括以下步驟：

步驟1，處理數據：給定雷達回波數據，其中訓練用的雷達回波數據是一組包含15個時間步的雷達回波圖序列，測試用的雷達回波數據是一組包含7個時間步的雷達回波圖序列，首先通過二維離散余弦變換和反變換把雷達回波圖分解成若干個頻率成分；計算樣本集中所有樣本每一維上的平均值和標準差，使用它們的平均值和標準差對所有樣本進行z分數規范化；把經過以上步驟得到的圖片分割成若干張樣本，構成訓練樣本集或測試樣本集；

步驟2，訓練時序卷積神經網絡：建立卷積神經網絡，網絡使用訓練樣本的前7個時間節點上的雷達回波圖作為輸入，輸出對后8個時間節點上雷達回波圖的預測；對卷積神經網絡的所有參數進行初始化；使用訓練樣本集，經過網絡前向傳播得到模型預測值，使用預測值和真實值計算得到預測損失；通過反向傳播更新時序卷積神經網絡的參數，重復這個過程直至收斂；

步驟3，測試時序卷積神經網絡：基于步驟2中建立好的訓練網絡，建立測試網絡；對測試用的雷達回波圖進行步驟1的處理方法，得到測試樣本集，輸入測試樣本集到測試網絡中，通過前向傳播得到預測值；對預測值進行步驟1的逆操作，把預測值合成為雷達回波圖。

2.根據權利要求1所述的方法，其特征在于，步驟1包括以下步驟：