[發明專利]一種基于深度神經網絡的強對流天氣識別方法

有效

• 申請號: 202010901847.2
• 申請日: 2020-09-01
• 公開（公告）號: CN111766641B
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 王興;陸冰鑒;周鵬;錢代麗;詹少偉;苗春生;張越;薛豐昌;王暉;周可
• 申請（專利權）人: 南京信大氣象科學技術研究院有限公司
• 主分類號: G01W1/00
• 分類號: G01W1/00;G01S13/95;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及大氣科學領域，提出一種以深度神經網絡為模型，以雷達回波圖像為主要輸入，利用光流技術生成回波移動光流圖像作為輔助輸入，通過數據集增強、代價函數優化和模型泛化性能優化等步驟，實現對強對流天氣智能識別的方法。本申請提出一種基于深度神經網絡技術的強對流天氣智能識別方法，該方法能夠將以往由氣象工作者主觀研讀雷達資料來分析強對流天氣的過程自動化、定量化，提高了對強對流天氣識別相關業務的可靠性和時效性。

技術領域

本發明涉及大氣科學領域，特別涉及一種基于深度神經網絡的強對流天氣識別方法。

背景技術

強對流天氣是一種因大氣強烈的垂直運動而產生的天氣現象，往往具有很強的破壞力，常伴隨雷暴、短時強降水、大風和冰雹等災害性天氣。短時強降水和對流性大風是典型的強對流天氣，其對交通運輸、農業生產、建筑保護和城市排水等造成極大危害。天氣雷達是對其進行監測和預測的電子設備，借助雷達探測資料能夠直觀地觀察天氣演變過程，結合專業理論和方法能夠分析出風暴發生的空間位置、移動速度和發展趨勢以及大風或降水的強度等大量有價值的天氣信息。

將深度學習技術應用到對雷雨大風等強對流天氣的識別是近年來一些研究人員努力的目標。但由于強對流天氣的生消發展速度快、局地性強、空間尺度小，使得其在雷達回波圖像上所表現的一些典型特征并不總是存在，而一些關鍵性特征又難以客觀量化，這使得不論采用圖像模式識別還是機器學習識別，都難以有效實施應用。

發明內容

為克服上述現有技術中的不足，本發明目的在于提供一種基于深度神經網絡的強對流天氣識別方法。

為實現上述目的及其他相關目的，本發明提供的技術方案是：一種基于深度神經網絡的強對流天氣識別方法，包括以下步驟：

S1. 定義一個雷達探測數據為RB(t)，建立雷達回波圖像EI(RB(t))和回波移動光流圖像OFI(RB(t))與強對流天氣發生與否的標簽Tag(t)之間的“數據對”，t表示探測時間；

S2. 采用S1的方法對一個月至一百年時間段內的雷達探測數據和地面氣象站數據進行處理計算，并生成該時間段內所有的“數據對”組成的集合，得到用于強對流智能識別的用例數據集，記為DATASET；

S3. 對S2得到的低概率訓練樣本進行多重采樣，實現數據集的增強優化，得到新的用例數據集，記為DATASET2；

S4. 構建基于深度神經網絡的強對流智能識別模型MDN，該模型包含多個卷積層、池化層和全連接層，并在代價函數中引入類別權重，賦予實際發生了強對流但模型未識別出強對流這種情況更高的反饋值，改進后的代價函數為：

式中，是強對流天氣的示性函數，是“CNN模型”（卷積神經網絡）對應于強對流天氣的輸出，是判定權重項，即反饋值，m為數據集的樣本數；

S5. 將S3得到的數據集DATASET2代入S4提出的MDN模型進行神經網絡的訓練，得到用于對強對流智能識別的模型；

S6.將實時雷達探測數據作為S5得到的模型的輸入，經模型計算后，得到分類識別的結果MDN_Output(RB(t))；MDN_Output表示模型輸出的結果，由于輸出是一個二分類，因此用0和1表示是否發生了強對流天氣。

優選的技術方案為：所述S1中雷達回波圖像EI(RB(t))是采用PPI方式掃描形成的。

優選的技術方案為：所述S1中回波移動光流圖像OFI(RB(t)是基于Lucas-Kanade的局部約束法構建的。

優選的技術方案為：所述S1中強對流天氣發生與否的標簽Tag(t)采用短時強降水和大風這兩種天氣現象作為判定。

優選的技術方案為：所述短時強降水和大風這兩種天氣現象的具體判定規則如下：