[發(fā)明專利]基于深度學習的短時強降雨預測方法

在審

• 申請?zhí)枺?/td>: 202110317764.3
• 申請日: 2021-03-25
• 公開（公告）號: CN112949934A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設計）人: 王仁芳;孫德超;李謙;洪鑫華;梁豐
• 申請（專利權(quán)）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

本發(fā)明涉及一種基于深度學習的短時強降雨預測方法，通過預先形成目標區(qū)域在不同采集時刻的目標區(qū)域?qū)嶋H降雨數(shù)據(jù)集，并且得到歸一化處理后的目標區(qū)域?qū)嶋H降雨數(shù)據(jù)集，將該歸一化處理后的目標區(qū)域?qū)嶋H降雨數(shù)據(jù)集內(nèi)任一采集時刻對應的歸一化后的雷達回波圖序列輸入到預先構(gòu)建的3D卷積?GRU神經(jīng)網(wǎng)絡模型，將3D卷積?GRU神經(jīng)網(wǎng)絡模型的輸出作為該任一采集時刻的降雨量預測值，通過不斷訓練，得到優(yōu)化的3D卷積?GRU神經(jīng)網(wǎng)絡模型，再將目標區(qū)域當前時刻的雷達回波圖序列歸一化處理后輸入優(yōu)化的3D卷積?GRU神經(jīng)網(wǎng)絡模型，將優(yōu)化的3D卷積?GRU神經(jīng)網(wǎng)絡模型的輸出作為目標區(qū)域在未來時間段內(nèi)的降雨量預測值，實現(xiàn)針對目標區(qū)域在短時內(nèi)的強降雨預測。

技術領域

本發(fā)明涉及計算機視覺和氣象服務技術領域，尤其涉及一種基于深度學習的短時強降雨預測方法。

背景技術

短時強降雨是一種突發(fā)性強、降水時間短以及降水量大的天氣過程，由于短時強降雨引發(fā)的氣象災害通常“措不及防”，導致其產(chǎn)生的社會危害性極大，每年因短時強降雨引發(fā)的自然災害層出不窮，嚴重威脅著人們的生命財產(chǎn)安全。因此，實現(xiàn)對短時強降雨進行準確預測，對于防災、減災意義重大。

在現(xiàn)有的短時強降雨預測方法中，通常將雷達回波外推技術作為臨近天氣預報的主要技術手段，具體是根據(jù)氣象雷達探測到的回波數(shù)據(jù)，確定回波的強度分布以及回波體(如降水區(qū))的移動速度和移動方向，然后再通過對回波體做線性或者非線性外推，預測出一定時間段后的雷達回波狀態(tài)。

中國發(fā)明專利CN105046089B公開了一種預測強降雨及洪澇災害的方法，根據(jù)歷史各月的降雨總量數(shù)據(jù)，通過采集事件時序列數(shù)據(jù)并構(gòu)建降雨量序列，利用基于模糊減法聚類算法、統(tǒng)計學習、選擇性結(jié)構(gòu)風險最小化理論以及類簇投影相結(jié)合的方式預測將來某月總降雨量，由此實現(xiàn)強降雨及洪澇災害的預測。該發(fā)明專利中的預測強降雨方案使用模糊聚類算法對訓練集進行聚類，且類簇個數(shù)由選擇性結(jié)構(gòu)風險最小化理論確定，使得聚類結(jié)果更加準確，且保證了預測結(jié)果的有效性和準確性。

但是，上述發(fā)明專利CN105046089B的預測強降雨的方法也存在不足：由于該發(fā)明專利中的預測強降雨方法所能預測的是將來某一個月的總降雨量，無法實現(xiàn)對突發(fā)性強、降水時間短以及降水量大的短時強降雨天氣進行預測。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術問題是針對上述現(xiàn)有技術提供一種基于深度學習的短時強降雨預測方法。

本發(fā)明解決上述技術問題所采用的技術方案為：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(qū)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(qū)域?qū)嶋H降雨數(shù)據(jù)集；其中，在該目標區(qū)域?qū)嶋H降雨數(shù)據(jù)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(qū)域?qū)嶋H降雨數(shù)據(jù)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(qū)域?qū)嶋H降雨數(shù)據(jù)集；

步驟S3，預先構(gòu)建3D卷積-GRU神經(jīng)網(wǎng)絡模型；其中，3D卷積-GRU神經(jīng)網(wǎng)絡模型包括3D卷積神經(jīng)網(wǎng)絡和GRU神經(jīng)網(wǎng)絡，3D卷積-GRU神經(jīng)網(wǎng)絡模型的輸入為3D卷積神經(jīng)網(wǎng)絡的輸入，3D卷積神經(jīng)網(wǎng)絡的輸出為GRU神經(jīng)網(wǎng)絡的輸入，GRU神經(jīng)網(wǎng)絡的輸出為3D卷積-GRU神經(jīng)網(wǎng)絡模型的輸出；

步驟S4，將歸一化處理后的目標區(qū)域?qū)嶋H降雨數(shù)據(jù)集中的各采集時刻的雷達回波圖序列作為3D卷積-GRU神經(jīng)網(wǎng)絡模型的輸入，并且將該3D卷積-GRU神經(jīng)網(wǎng)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(qū)域?qū)嶋H降雨數(shù)據(jù)集對該3D卷積-GRU神經(jīng)網(wǎng)絡模型做訓練，以訓練得到優(yōu)化的3D卷積-GRU神經(jīng)網(wǎng)絡模型；