[發明專利]基于深度學習的短時強降雨預測方法

在審

• 申請號: 202110317764.3
• 申請日: 2021-03-25
• 公開（公告）號: CN112949934A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 王仁芳;孫德超;李謙;洪鑫華;梁豐
• 申請（專利權）人: 浙江萬里學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08;G01S13/95;G01W1/10
• 代理公司: 寧波誠源專利事務所有限公司 33102
• 代理人: 王瑩;孫盼峰

1.基于深度學習的短時強降雨預測方法，其特征在于，包括如下步驟S1～S5：

步驟S1，預先采集目標區域在不同采集時刻的雷達回波圖序列以及降雨量實際值，并由采集到的所有雷達回波圖序列和降雨量實際值共同形成目標區域實際降雨數據集；其中，在該目標區域實際降雨數據集中，同一采集時刻的雷達回波圖序列與降雨量實際值為一一對應關系；

步驟S2，對目標區域實際降雨數據集中的各雷達回波圖做歸一化處理，得到歸一化處理后的目標區域實際降雨數據集；

步驟S3，預先構建3D卷積-GRU神經網絡模型；其中，3D卷積-GRU神經網絡模型包括3D卷積神經網絡和GRU神經網絡，3D卷積-GRU神經網絡模型的輸入為3D卷積神經網絡的輸入，3D卷積神經網絡的輸出為GRU神經網絡的輸入，GRU神經網絡的輸出為3D卷積-GRU神經網絡模型的輸出；

步驟S4，將歸一化處理后的目標區域實際降雨數據集中的各采集時刻的雷達回波圖序列作為3D卷積-GRU神經網絡模型的輸入，并且將該3D卷積-GRU神經網絡模型的輸出作為針對該采集時刻的降雨量預測值，利用歸一化處理后的目標區域實際降雨數據集對該3D卷積-GRU神經網絡模型做訓練，以訓練得到優化的3D卷積-GRU神經網絡模型；

步驟S5，采集目標區域在當前時刻的雷達回波圖序列，對該雷達回波圖序列內各雷達回波圖執行歸一化處理，并將歸一化處理后的雷達回波圖序列輸入到優化的3D卷積-GRU神經網絡模型中，并且將該優化的3D卷積-GRU神經網絡模型的輸出作為目標區域在未來時間段內的降雨量預測值。

2.根據權利要求1所述的基于深度學習的短時強降雨預測方法，其特征在于，在步驟S2中，在對目標區域實際降雨數據集中各雷達回波圖做歸一化處理之前還包括：

將目標區域實際降雨數據集中的每一個雷達回波圖通過線性變換處理成灰度圖；其中，線性變換處理的公式為g'(d,e)＝K·g(d,e)+B，g(d,e)表示采集到的雷達回波圖的像素值，K表示斜率，B表示截距，g'(d,e)表示線性變換處理后的灰度圖所對應的像素值；

以及，采用雙線性濾波器對所得灰度圖做濾波處理，并且將濾波處理后的灰度圖作為需要進行歸一化處理的雷達回波圖。

3.根據權利要求2所述的基于深度學習的短時強降雨預測方法，其特征在于，在步驟S3中，構建的3D卷積-GRU神經網絡模型的3D卷積神經網絡如下：

其中，表示3D卷積神經網絡的第i層神經元的第j個特征圖的輸出，x和y分別表示輸入到3D卷積神經網絡中的歸一化雷達回波圖的空間維度，z表示輸入到3D卷積神經網絡中的歸一化雷達回波圖序列的時間維度，σ(·)表示激活函數，b_ij表示3D卷積神經網絡的第i層神經元的第j個特征圖的偏置函數，p、q和r分別表示卷積值，P_i、Q_i和R_i分別表示3D卷積神經網絡中卷積核的尺寸，表示第m個特征中的第(p,q,r)個神經元連接的權重，表示輸入到3D卷積神經網絡中的歸一化雷達回波圖序列的維度值。