[發明專利]一種基于分類節點圖注意力網絡的雷達定量降水估計方法

有效

• 申請號: 202011371960.0
• 申請日: 2020-11-30
• 公開（公告）號: CN112365091B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 彭軒;李騫
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06V20/13;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 于瀚文;胡建華

1.一種基于分類節點圖注意力網絡的雷達定量降水估計方法，其特征在于，包括以下步驟：

步驟1：觀測區域的圖表示：將氣象雷達回波拼圖覆蓋區域用圖表示，并且確定圖中節點之間的連接方式；

步驟1包括以下步驟：

步驟1-1，確定圖節點：設氣象雷達回波拼圖的分辨率為M×N，其中M指在緯度方向的像素數點個數為M，即每一行有M個像素；N指在經度方向上的像素點個數為N，即共有N行；每個像素代表觀測區域的一個子區域，則每一子區域用一個節點表示；一個氣象雷達回波拼圖由M×N個節點表示；

步驟1-2，確定節點之間的連接關系：設節點i與節點j之間的距離為r_ij；對于中心節點i，利用距離閾值R確定節點j是否與它有邊相連：如果r_ij≤R，則節點j有邊e_ji連接到節點i，否則沒有；

步驟2：處理訓練數據：對氣象雷達回波拼圖作歸一化處理，再將連續K幀的歸一化圖像按順序排列在一起組成一個訓練樣本，所有訓練樣本構成的集合為訓練集的輸入數據部分；對觀測區域內的離散分布的自動雨量計測得的降水率數據進行對數變化，將對數變化后的值作為對應節點輸出標簽，構成訓練集的輸出數據部分；訓練集包含輸入-輸出樣本對的個數為TrainingsetSize；

步驟3：初始化模型參數：設置節點類型分配規則，設計分類節點圖注意力網絡CNGAT的結構，確定每一層節點隱狀態向量維數；

步驟3包括以下步驟：

步驟3-1，確定節點類型分配規則：設節點類型數為C，設置C-1個閾值{threshold₁,threshold₂,…,threshold_h,…,threshold_C-1}，threshold_h表示第h個閾值，利用這些閾值將規范化的雷達反射率因子的值域劃分成C個區間，則節點i所屬類別c的判斷規則如下：

其中，X(i)為節點i所對應的規范化雷達反射率因子值；

步驟3-2，構造分類節點圖注意力網絡CNGAT的特征提取模塊：特征提取模塊由分類節點圖注意力網絡CNGAT的7個卷積層疊加組成，每個卷積層由兩部分組成，第一部分為特征轉換子層，第二部分為聚合子層；

步驟3-3，構造分類節點圖注意力網絡CNGAT的輸出映射模塊：輸出映射模塊為一個多層感知機，其輸入向量為特征提取模塊的輸出，輸出為CNGAT模型對規范化降水率的估計值；

步驟4：初始化訓練參數：設置學習率，每次迭代輸入一個樣本，一個訓練周期迭代的次數為TrainingsetSize，設模型訓練的周期數為NumEpoch，總迭代次數為NumIteration＝TrainingsetSize×NumEpoch；當且迭代次數IterationNo＝1；

步驟5：讀取訓練樣本：每次迭代從步驟2獲得的訓練集中隨機讀取1個訓練樣本對，包括一個由K幅連續圖像構成的輸入圖像序列{x₁,x₂,…,x_K}，和對應的輸出標簽y；_K表示第K幅圖像；

步驟6：前向傳播：利用分類節點圖注意力網絡CNGAT提取輸入圖像序列的特征，再將每一層提取的特征向量拼接得到一個長特征向量，將長特征向量輸入到最后的輸入到輸出映射層，得到的預測結果

步驟6包括以下步驟：

步驟6-1：根據輸入規范化氣象雷達回波拼圖序列確定每個節點的類型；

步驟6-2：每個節點的輸入特征向量經過分類節點圖注意力網絡CNGAT特征提取模塊卷積后輸出提取特征；

步驟6-3：將分類節點圖注意力網絡CNGAT特征提取模塊輸出的特征向量輸入到輸出映射層，得到每個節點的規范化降水率估計值；

步驟6-1包括以下步驟：

步驟6-1-1，求{x₁,x₂,…,x_K}在時間序列上的平均值x_mean：

x_mean＝(x₁+x₂+…+x_K)/K；

步驟6-1-2，對于節點i，根據其對應的平均后規范化雷達反射率因子的值判斷其節點類型：

其中x_mean(i)為節點i的平均后規范化雷達反射率因子，threshold_h為第h個閾值，c_i為節點i的類別；

步驟6-2包括以下步驟：

步驟6-2-1，對于每個節點i，第1層卷積層將輸入特征向量轉換成第1層節點特征向量

步驟6-2-2，對每個節點i，第l層卷積層將第l-1層特征向量轉換成第l層特征向量，2≤l≤7；

步驟6-2-3，對每個節點i，輸出映射模塊將輸入節點特征與每一個卷積層的特征向量拼接而成的長特征向量轉換成規范化降水率估計值具體計算過程如下：

其中，ReLU(x)為一種非線性激活函數，其具體形式為：

ReLU(x)＝max(0,x)，

其中o₁、o₂為權值矩陣；

步驟7：誤差反向傳播更新參數：定義損失函數利用損失函數計算輸出誤差，將誤差從后至前傳遞，逐層計算分類節點圖注意力網絡CNGAT中每一層的誤差，再計算誤差與模型參數的梯度，根據梯度采用梯度下降法更新模型參數；

步驟8：輸出數據處理：將步驟6中得到的預測結果通過下式得到最終的估計降水場即：