[發明專利]基于CGRU的強時空特性雷達回波臨近預報方法

在審

• 申請號: 202011493039.3
• 申請日: 2020-12-17
• 公開（公告）號: CN112415521A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 陳蘇婷;張松;張闖;陳耀登;楊春
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G01S13/95
• 分類號: G01S13/95;G01S7/41
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 羅運紅

本發明公開了一種基于CGRU的強時空特性雷達回波臨近預報方法，所述方法包括如下步驟：(1)獲取關于天氣臨近預報的連續雷達回波圖像，并對連續雷達回波圖像進行預處理，構建具有統一時間維度和空間維度的張量數據；(2)構建并訓練3DCNN?CGRU網絡訓練模型，得到3DCNN?CGRU編碼預測網絡模型；(3)將步驟(1)所述用于進行天氣臨近預報的連續雷達回波圖像序列的張量數據輸入到所述3DCNN?CGRU網絡模型，生成天氣臨近預報結果；本發明提出一種3DCNN?CGRU網絡模型，增強了時空特征的傳輸能力，更有效地捕獲和學習連續雷達回波圖像的時空特征相關性，解決了時空信息易丟失，預測準確度低的問題。

技術領域

本發明涉及氣象觀測技術領域，尤其涉及一種基于CGRU的強時空特性雷達回波臨近預報方法。

背景技術

雷達回波臨近預報的目標是在未來相對短的時間段(例如0-2小時)內，對當地區域的天氣情況進行及時且準確的預報。目前，該技術已經被廣泛應用于居民出行、農業生產、飛行安全等方面，它不僅能夠方便人們，而且有利于防災減災。隨著目前氣候的變化和城市化進程的加快，大氣情況變得越來越復雜，各種氣象災害頻繁發生，氣候變化給人們的生活和工作帶來了諸多負面影響，增加了許多不確定性的危險，如果能夠對上述氣象災害做出有效的預測和預防，人民群眾的損失將會大大減少。

目前常用的雷達回波臨近預報的方法主要是交叉相關法和基于光流的方法，它們已經被證明能比較有效地外推出未來雷達回波圖。但是對于這兩種傳統方法存在不可避免的缺點；當回波快速變化時，無法滿足拉格朗日守恒條件，預測效果會快速降低；傳統的雷達回波臨近預報方法在短臨預報準確率以及充分利用海量雷達回波圖像數據方面仍存在一定缺陷。對比傳統的雷達回波預報方法，深度學習方法能更好地針對大數據進行深度挖掘和分析，提高模型預測精度。深度學習作為大數據驅動的新興技術，特別是其中循環神經網絡(RNN)和長短期記憶網絡(LSTM)，為雷達回波臨近預報任務帶來一些新的解決方案。通過充分利用海量被采集到的雷達回波圖數據，能更有效地訓練網絡模型，更準確地預測未來回波走勢。雖然普通結構的LSTM網絡一定程度上能夠解決氣象時序問題，但雷達回波預測存在較強的前后時空相關性，前一時刻的時空信息能決定下一時刻的預測，普通LSTM模型并沒有考慮時間上空間相關性，因此容易導致時空信息的丟失，預測準確性的下降，并且速度不能保證。

發明內容

發明目的：針對以上問題，本發明提出一種基于CGRU的強時空特性雷達回波臨近預報方法。

技術方案：為實現本發明的目的，本發明所采用的技術方案是：一種基于CGRU的強時空特性雷達回波臨近預報方法，具體方法包括：

(1)采集用于進行天氣臨近預報的連續雷達回波圖像序列，相比較單張的雷達圖像，圖像序列更能體現氣象數據的前后相關性；然后對連續雷達回波圖像序列進行預處理，得到具有統一時間維度和空間維度的張量數據；對三維數據的處理能夠得到具有完全時空特性的張量數據；

其中，所述張量數據為三維張量X∈R^T×W×H；式中，R表示實數集；T為時間維度；W、H分別是行列空間維度；

所述連續雷達回波圖像序列用Y(t)＝y₁,y₂,...,y_N,t＝1,2,...,N表示；式中，t表示時間；N表示雷達回波圖像序列的長度；

(2)構建并訓練3DCNN-CGRU網絡訓練模型，得到3DCNN-CGRU網絡模型，具體方法包括：

(2.1)以第一連續時間序列和第二連續時間序列為滑動窗口采集得到連續歷史雷達回波圖像序列；其中，所述第一連續時間序列與所述第二連續時間序列在時間上連續；