[發明專利]基于Transformer-IRB的短臨降雨預測方法、裝置和存儲介質

在審

• 申請號: 202111374147.3
• 申請日: 2021-11-18
• 公開（公告）號: CN114137541A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 楊戈;黃典;馮圣中
• 申請（專利權）人: 國家超級計算深圳中心（深圳云計算中心）
• 主分類號: G01S13/95
• 分類號: G01S13/95;G01S7/41;G06N3/04;G06N3/08
• 代理公司: 深圳市順天達專利商標代理有限公司 44217
• 代理人: 李琴

本發明公開了一種基于Transformer?IRB的短臨降雨預測方法、裝置和存儲介質，方法包括：將雷達回波圖像進行預處理，將預處理之后的連續的M幀雷達回波圖像送入預先構建并訓練好的基于Transformer?IRB的短臨降雨預測模型以得到N幀雷達回波圖像，短臨降雨預測模型包括塊嵌入模塊、特征提取模塊、解碼模塊，塊嵌入模塊提取連續的多幀雷達回波圖的嵌入特征并加上位置編碼后送入特征提取模塊，特征提取模塊采用若干具有多頭注意力層的Transformer?倒置殘差塊模塊構成編碼器對輸入的嵌入特征進行特征提取后送入解碼模塊，解碼模塊對輸入進行解碼得到連續多幀雷達回波圖，本發明得以更好擬合雷達回波圖序列中長范圍時空范圍的降雨演變過程，提升預測精度。

技術領域

本發明涉及氣象預報領域，尤其涉及一種基于Transformer-IRB的短臨降雨預測方法、裝置和存儲介質。

背景技術

短臨降雨預報指的是未來0-6小時的降雨預測，是天氣預報領域中的一個重要問題，它能為公眾日常生活和專業生產活動提供天氣指引，在促進經濟發展、保護民眾生命財產安全等方面發揮著重要作用。現有短臨降雨預報方法主要有兩類，一類是基于光流法的雷達回波圖外推法，另一類是基于機器學習的雷達回波圖外推法。

基于光流法的雷達回波圖外推法是從連續的雷達回波圖中估計對流云的運動模式，進而使用半拉格朗日平流模型預測未來雷達回波圖，如中國香港天文臺使用的ROVER(Real-time Optical flow by Variational methods for Echoes of Radar)方法。

由于基于光流法的雷達回波圖外推法建立在光滑運動和總降雨強度不變的假設上，面臨動態的、非線性運動模式以及變化迅速的降雨強度場景時難以進行高精度的降雨預測。為此，利用具有強大的擬合非線性變換能力的深度神經網絡模型，并以大量歷史數據驅動方式進行雷達回波圖序列時空過程建模的機器學習方法受到越來越多的關注，這些工作可分為基于循環神經網絡架構和非循環神經網絡架構兩類。在基于循環神經網絡的研究中，代表工作如2015 年Shi等人提出的Convolutional LSTM(Long Short-Term Memory)模型，該模型在LSTM的基礎上使用卷積神經網絡推斷雷達回波圖序列對應的隱藏狀態，卷積神經網絡引入局部空間相關性的學習，相比于ROVER、FC-LSTM等模型其取得更高的預測精度。然而，常規的卷積神經網絡以固定的采樣模板對每個點位進行卷積運算難以捕捉對流云多變的形態，為此2017年Shi等人提出 TrajGRU(Trajectory Gated Recurrent Unit)模型，該模型通過卷積神經網絡推斷每個點位的采樣點位置進行重采樣，由此得以從全局輸入信息中獲取不固定的采樣點以捕捉多變的空間形態特征。在非循環神經網絡結構的工作中，代表工作如2019年Ayzel等人提出的基于CNN的方法，采用U-Net架構構建預測模型。生成對抗網絡方法也得到關注，如2019年深圳市氣象局聯合哈工大提出的基于GAN方法構建的人工智能預報模型，如2019年Tian等人提出基于ConvGRU和GAN方法的短臨降雨預報模型。以上工作中，基于循環神經網絡架構的模型在捕捉較大范圍的時空依賴上具有很大局限性；基于非循環神經網絡架構的模型時空特征提取能力仍有待提高，且缺乏對全局的時空特征關系的關注，制約著短臨降雨預報模型的準確性。

發明內容

本發明要解決的技術問題在于，針對現有技術的上述缺陷，提供一種基于Transformer-IRB的短臨降雨預測方法、裝置和存儲介質。

本發明解決其技術問題所采用的技術方案是：

一方面，構造一種基于Transformer-IRB的短臨降雨預測方法，包括：

將雷達回波圖像進行預處理；