[發明專利]一種基于MPI并行的三維神經網絡的強對流天氣預測方法

有效

• 申請號: 202110832813.7
• 申請日: 2021-07-22
• 公開（公告）號: CN113568068B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 張磊;孟坤穎;沈夏炯;韓道軍;陳會平;李星辰;馬夏青;鮑立杰;肖琦
• 申請（專利權）人: 河南大學
• 主分類號: G01W1/10
• 分類號: G01W1/10;G06N3/04;G06N3/08
• 代理公司: 鄭州睿途知識產權代理事務所(普通合伙) 41183
• 代理人: 李伊寧

本發明公開了一種基于MPI并行的三維神經網絡的強對流天氣預測方法，包括以下步驟：A：從原始多普勒天氣雷達中讀取雷達回波數據，生成三維神經網絡訓練數據集；B：建立基于python的三維神經網絡模型；C：將三維神經網絡模型轉換成基于C++語言的三維神經網絡；D：利用MPI實現三維神經網絡的數據并行設計；E：訓練后的三維神經網絡；F:將最新的N個預處理后的多普勒雷達回波數據，輸入至訓練后的三維神經網絡內進行強對流天氣預測。本發明的目的是提供一種基于MPI并行的三維神經網絡的強對流天氣預測方法，能夠在提升強對流天氣預測準確度的同時，有效實現預測程序的負載平衡。本發明的目的是提供一種基于MPI并行的三維神經網絡的強對流天氣預測方法，能夠在提升強對流天氣預測準確度的同時，有效實現預測程序的負載平衡。

技術領域

本發明涉及一種強對流天氣預測方法，尤其涉及一種基于MPI并行的三維神經網絡的強對流天氣預測方法。

背景技術

強對流天氣是在春末夏初之際對我國北方地區造成嚴重氣象災難的災害性天氣之一，并且具有突然性、迅速性和破壞性極大的特點，對人們的生產、生活甚至財產安全和人身安全都會造成極大的影響。由于強對流天氣發生時尺度小、變化快，使用常規時空分辨率較低的儀器很難對其進行有效觀測。多普勒天氣雷達是可以對強對流天氣進行長時間持續采樣的設備之一，對于惡劣天氣的探測和預報起著極其重要的作用。

近年來不少學者開發了利用多普勒天氣雷達資料預測強對流天氣的算法，我國也已經建立了多種天氣預報服務系統，對強對流天氣的預測能力達到了一定的高度。傳統的強對流天氣預測方法主要有風暴跟蹤信息產品算法(STI)和風暴單體的識別和跟蹤算法(SCIT)等。但由于傳統的預測方法依賴于物理假設，這些物理假設只能反映一部分大氣狀態，不能完全反映大氣的真實狀態，對預測準確度會造成影響。機器學習的方法可以在不依賴物理假設的情況下從雷達數據中提取特征。但是這種淺層機器學習方法也存在一定的缺陷，需要人工來構建數據特征，這種人工特征工程十分耗費時間，并且依賴于專家的指導。

隨著深度學習方法的興起，許多科研工作者致力于研究利用深度學習方法進行強對流天氣預測的算法研究，但是以往的天氣雷達回波研究主要停留在二維雷達數據回波圖，或者直接利用原始三維多普勒雷達數據進行預測，二維數據回波圖只能片面的給出某一角度或者高度的雷達回波情況，不能很好的表達出不同大氣狀態下的形態特點，而直接用原始三維多普勒天氣雷達數據進行預測雖然能夠得到更多的雷達回波信息，但是三維神經網絡相比二維神經網絡模型參數更多，需要的算力也更高，即使是一般的GPU運行起來也存在一定的困難，可能會出現內存溢出或是程序運行異常慢的問題。

發明內容

本發明的目的是提供一種基于MPI并行的三維神經網絡的強對流天氣預測方法，能夠在提升強對流天氣預測準確度的同時，有效實現預測程序的負載平衡。

本發明采用下述技術方案：

一種基于MPI并行的三維神經網絡的強對流天氣預測方法，包括以下步驟：

A：從原始多普勒天氣雷達中讀取雷達回波數據，生成三維神經網絡訓練數據集，并將三維神經網絡訓練數據集劃分為多組輸入數據；

B：建立基于python的三維神經網絡模型，三維神經網絡包含子網絡a和子網絡b；

子網絡a的結構從上至下依次為：子網絡a第一循環數據特征提取層、子網絡a第一最大池化層、子網絡a第二循環數據特征提取層、子網絡a第二最大池化層、子網絡a第三循環數據特征提取層、子網絡a第三最大池化層、子網絡a第四循環數據特征提取層、子網絡a第四最大池化層、子網絡a第五循環數據特征提取層和Dropout層；