[發(fā)明專利]一種基于生成對抗網(wǎng)絡(luò)的臨近降雨預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010613444.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111860975A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計）人: 鄭坤;鄒安狄;劉言
• 申請（專利權(quán)）人: 中國地質(zhì)大學(xué)（武漢）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/46;G01S7/41;G01S13/95;G06N3/08;G06N3/04;G06N3/00
• 代理公司: 武漢知產(chǎn)時代知識產(chǎn)權(quán)代理有限公司 42238
• 代理人: 曹雄

本發(fā)明提供了一種基于生成對抗網(wǎng)絡(luò)的臨近降雨預(yù)測方法。首先獲取雷達回波圖像；然后采用改進后的PredNet模型設(shè)計生成器，采用雙通道輸入卷積網(wǎng)絡(luò)設(shè)計判別器，并根據(jù)所述生成器和判別器構(gòu)建生成對抗網(wǎng)絡(luò)模型；利用所述雷達回波圖像對所述生成對抗網(wǎng)絡(luò)模型進行訓(xùn)練，獲得訓(xùn)練好的生成對抗網(wǎng)絡(luò)模型，即此時獲得訓(xùn)練好的生成器；將采集的待預(yù)測雷達回波圖像輸入到所述訓(xùn)練好的生成器中，輸出雷達回波預(yù)測圖像；最后根據(jù)所述雷達回波預(yù)測圖像的反射強度預(yù)測所述雷達回波圖像中對應(yīng)區(qū)域的降雨強度。本發(fā)明的有益效果是：設(shè)計了一個新型的生成對抗網(wǎng)絡(luò)模型，能夠提高降雨預(yù)測的準(zhǔn)確性，還能適當(dāng)降低對計算機硬件的要求。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于生成對抗網(wǎng)絡(luò)的臨近降雨預(yù)測研究方法。

背景技術(shù)

傳統(tǒng)的臨近降雨預(yù)測方法大致分為兩類：數(shù)值預(yù)報法與基于雷達回波圖像外推的方法，但是隨著機器學(xué)習(xí)的技術(shù)的發(fā)展，越來越多的學(xué)者基于機器學(xué)習(xí)進行臨近降雨預(yù)測，由于雷達回波圖像的反射強度可以轉(zhuǎn)化為降雨量，因此可以將臨近降雨預(yù)測轉(zhuǎn)化為雷達回波圖像預(yù)測問題。雷達回波圖像是對固定區(qū)域定時采集得到的時序圖，因此，可以考慮結(jié)合視頻預(yù)測與時序預(yù)測技術(shù)對雷達回波圖像進行預(yù)測。

目前已有許多研究人員基于機器學(xué)習(xí)預(yù)測雷達回波圖像，例如通過兩個連續(xù)的預(yù)測模型來捕獲時空特征，然后對輸入數(shù)據(jù)進行解析，最后進行預(yù)測等模型，但大多數(shù)模型都存在如下問題：基于CNN、RNN等傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測效果不夠理想，生成的預(yù)測圖像模糊不清，并且模型的參數(shù)數(shù)量十分龐大，計算復(fù)雜度高，從而導(dǎo)致目前機器學(xué)習(xí)方法應(yīng)用于臨時降雨預(yù)測的性能有待提高；基于原始生成對抗網(wǎng)絡(luò)的臨近降雨預(yù)測方法的研究較少，這些研究大都是基于原始生成對抗網(wǎng)路，而原始生成對抗網(wǎng)絡(luò)存在訓(xùn)練不穩(wěn)定、梯度消失、梯度爆炸、優(yōu)化方向不明確等問題，此外，生成器與判別器的設(shè)計不合理、生成器不能夠充分利用雷達回波數(shù)據(jù)的時序特征、判別器沒有考慮生成的預(yù)測圖像是否符合下一時刻的空間分布等問題也亟待解決。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明提供了一種基于生成對抗網(wǎng)絡(luò)的臨近降雨預(yù)測研究方法，主要包括以下步驟：

S1：獲取雷達回波圖像；

S2：采用改進后的PredNet模型設(shè)計生成器，采用雙通道輸入卷積網(wǎng)絡(luò)設(shè)計判別器，并根據(jù)所述生成器和所述判別器構(gòu)建生成對抗網(wǎng)絡(luò)模型，所述生成對抗網(wǎng)絡(luò)模型的輸入是步驟S1中的雷達回波圖像；

S3：利用所述雷達回波圖像對所述生成對抗網(wǎng)絡(luò)模型進行訓(xùn)練，獲得訓(xùn)練好的生成對抗網(wǎng)絡(luò)模型，即此時獲得訓(xùn)練好的生成器；

S4：將采集的待預(yù)測雷達回波圖像輸入到所述訓(xùn)練好的生成器中，輸出雷達回波預(yù)測圖像；

S5：根據(jù)所述雷達回波預(yù)測圖像的反射強度預(yù)測所述雷達回波圖像中對應(yīng)區(qū)域的降雨強度。

進一步地，在步驟S2中，所述生成對抗網(wǎng)絡(luò)模型框架采用WGAN-GP。

進一步地，在步驟S2中，所述生成器采用所述改進后的PredNet模型進行預(yù)測，所述改進后的PredNet模型具有3層，每一層都包含輸入卷積層、循環(huán)單元、預(yù)測卷積層和誤差表示層；

所述改進后的PredNet模型是對所述循環(huán)單元進行改進，所述循環(huán)單元使用改進后的RgcLSTM神經(jīng)元來代替ConvLSTM，保留遺忘門和更新門。

針對每一層，輸入卷積層用來對當(dāng)前時刻的輸入進行卷積提取，得到第一卷積提取結(jié)果，并將所述第一卷積提取結(jié)果輸入到誤差表示層；

循環(huán)單元由神經(jīng)元組成，用來生成當(dāng)前時刻的雷達回波預(yù)測圖像；

預(yù)測卷積層用來對當(dāng)前時刻的雷達回波預(yù)測圖像進行卷積操作，得到第二卷積提取結(jié)果，并將所述第二卷積提取結(jié)果輸入到誤差表示層；