[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

本發明提供了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，包括：觀測區域的圖表示；對氣象雷達回波拼圖和自動雨量計觀測降水率的數據預處理得到訓練樣本集；利用訓練樣本集訓練CNGAT模型，通過前向傳播得到模型輸出，再通過反向傳播更新模型參數使其收斂；通過對輸出數據處理得到降水率估計值。

技術領域

本發明屬于大氣探測中地面氣象觀測技術領域，尤其涉及一種基于分類節點圖注意力網絡的雷達定量降水估計方法。

背景技術

定量降水估計(Quantitative Precipitation Estimation，QPE)是氣象和水文應用領域的一個重要問題，因為降水是全球水和能量循環的主要組成部分。多普勒天氣雷達能夠以高時空分辨率探測大范圍的降水，因此雷達定量降水估計(Radar QuantitativePrecipitation Estimation，RQPE)成為QPE最常用的方法之一。多普勒天氣雷達測量的降水粒子的雷達反射率(Z)與降水率(R)密切相關，它們之間的關系通常稱為Z-R關系。最常用的Z-R關系是指數方程Z＝aR^b，其中的兩個參數a和b通常是根據氣候時間尺度上觀測的雷達與降水數據的統計特性預先設定的經驗值。但是，由于不同降水類型的雷達回波特征往往差異明顯，將其應用到具體的降水事件時，其估計精度往往較低。為了提高指數Z-R關系精度，學者們提出的主要改進工作可以概括為兩個主要方面。一種被稱為分類Z-R關系，它首先根據雷達回波場識別降水類型，不同的降水類型采用不同的參數a和b。另一種被稱為動態Z-R關系，它根據最近降水事件的觀測動態調整參數。這些方法都引入了特定領域的知識，如降水類型或降水場的時間分布特征，并利用雨量計的降水觀測來修正模型參數。然而，這些Z-R模型的局限性在于只能進行單點估計，并且把降水看成是靜態的，忽略了降水場的時空分布特征。為了能表示降水場中可能存在的復雜的時空相關性，需要引入一個更復雜的模型。

近年來，越來越多的氣象研究人員開始將基于“深度學習”的數據驅動方法應用到氣象觀測或預報領域，這些方法往往比傳統方法更高效并且更靈活。然而，由于雨量計位置分布的稀疏性和不規則性，常規深度學習方法無法利用完整的雷達回波圖像進行有效的訓練。另一方面，圖神經網絡(Graph Neural Networks，GNNs)因其能夠表示復雜結構的數據而受到越來越多的關注。

發明內容

發明目的：本發明所要解決的技術問題是針對現有的雷達定量降水估計方法無法有效利用雷達回波場的時空分布特征導致估計精度低的問題，提出了一種基于分類節點圖注意力網絡CNGAT(Categorical Node Graph Attention Network,CNGAT)的雷達定量降水估計方法，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4：訓練參數初始化：設置學習率為0.001，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。