一种基于稀疏对应和深度神经网络的短临降水预测方法技术

本发明专利技术涉及一种基于稀疏对应和深度神经网络的短临降水预测方法，具体包括以下步骤：(1)图像可视化；(2)Fast特征检测；(3)SIFT匹配；(4)计算全局矢量；(5)预测雷达回波图像、统计云团特征和时空方向特征；(6)Inception v3回归。本发明专利技术得到的MAE和RMSE均比其它基于深度学习的方法都要低，且拟合度是最高的，克服了由数据集数量过少带来的问题，且本发明专利技术对比了利用传统堆叠方式的CNN，构建Inception v3模型的结果更加精确，能够使降水预测结果更加精确和有效。

【技术实现步骤摘要】
一种基于稀疏对应和深度神经网络的短临降水预测方法
本专利技术涉及计算机预测领域，具体涉及一种基于稀疏对应和深度神经网络的短临降水预测方法。
技术介绍
现阶段，短临降水预测在气象学上是一个研究热点，利用雷达回波图像解决短临降水预测问题已成为一种主流方法。在雷达气象中，气象目标对雷达波后向散射能力的强弱通常称为气象目标的强度，常见的衡量标准为反射率和反射率因子。其中，单位体积重云雨粒子后向散射截面的总和称为反射率，降水目标单位体积中降水粒子直径的6次方的总和称为雷达反射率因子，单位为mm6/m3。为方便起见，我们通常会对反射率因子进行对数变换，用dBZ来描述：dBZ＝10log(Z/Z0),其中Z0＝1mm6/m3。由于雷达回波图是恒定高度的CAPPI图像，可以根据探测到的反射率因子，利用Marshall-Palmer关系或雷达回波与降水关系(Z-R)可将其转化为对降雨强度的映射。一般情况下，反射率越大，云团中的含水量就越多，越有可能造成降水。现有系统对降水量进行预测的思路是，根据降水目标沿着雷达波段径向运动的速度和回波强度，配合反本文档来自技高网...

【技术保护点】
1.一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：具体包括以下步骤：/n(1)图像可视化：将雷达回波图中的反射率因子转换为灰度图像，使得气象目标可视化；/n(2)Fast特征检测：对可视化的的气象目标图像利用Fast做特征检测；/n(3)SIFT匹配:进行了Fast特征点检测后，利用SIFT进行描述和匹配，为每一个特征点赋予一个基准方向；/n(4)计算全局矢量：基于泰勒冻结假设计算出每个特征点单位时间内的移动速度和方向，进而描绘出全局运动矢量；/n(5)预测雷达回波图像、统计云团特征和时空方向特征：计算出全局矢量后，根据泰勒冻结假设以及利用插值法推算运动轨迹进行雷达回波图像预测...

【技术特征摘要】
1.一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：具体包括以下步骤：
(1)图像可视化：将雷达回波图中的反射率因子转换为灰度图像，使得气象目标可视化；
(2)Fast特征检测：对可视化的的气象目标图像利用Fast做特征检测；
(3)SIFT匹配:进行了Fast特征点检测后，利用SIFT进行描述和匹配，为每一个特征点赋予一个基准方向；
(4)计算全局矢量：基于泰勒冻结假设计算出每个特征点单位时间内的移动速度和方向，进而描绘出全局运动矢量；
(5)预测雷达回波图像、统计云团特征和时空方向特征：计算出全局矢量后，根据泰勒冻结假设以及利用插值法推算运动轨迹进行雷达回波图像预测，并对云团特征和时空方向特征进行统计；
(6)Inceptionv3回归：构建Inceptionv3模型，并将局部雷达图像输入到Inceptionv3模型中提取特征，最后得到输出，即得到预测的降水量。


2.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(2)Fast特征检测的具体方法为：
A.对步骤(1)中得到的可视化图像上的固定半径上的像素进行分割测试，将待测点作为中心像素点，周围16个像素作为作为邻域灰度值的点，利用图像的空间连续性，将中心像素点分别与水平、垂直方向上的四个邻域点作比较，符合阈值判断条件即为特征点，否则为非特征点，需去除；
B.去除大量非特征点之后，特征点依次照亮度程度分为三类，并依次利用熵值来对特征点的不确定性总量进行量化，同时，为每个特征点设一个布尔类型的变量，用来表示是否为角点，对像素集合I分类的不确定性用经验熵H(I)来表示，则经验熵H(I)表示为：



其中ρ表示角点数目，表示非角点数目，由此可得出信息增益：H(I)-H(w1)-H(w2)-H(w3)，之后选取含有最大信息增益的灰度像素进行分割；
C.定义角点响应函数为：



把每一个特征点与邻域像素差值的绝对值之和作为量化值，再与相邻角点进行比较来去除响应值较小的角点。


3.根据权利要求2所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤A中阈值判断的条件公式为：



其中参数t为阈值，Il为邻域的灰度值，I0为中心像素值，类别参数ws，S＝{1，2，3}，表示与邻域灰度值相比下的亮度类别，若w1和w3的总数量大于等于3，则认为该点是特征点。


4.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(3)中SIFT匹配的具体方法为：利用差商代替导数，计算特征点的梯度值和方向，所述梯度值的计算公式为：



所述特征点的方向的计算公式为：



对每个特征点建立一个描述符用来做匹配操作，使用特征点尺度空间内4x4邻域窗口方向的梯度信息，构建128维的相量特征，形成SIFT特征描述向量，所述描述向量中包含了局部云团的结构隐藏特征，根据表征向量的相似程度，对相邻两帧的雷达回波图像进行特征点匹配。


5.根据权利要求1所述的一种基于稀疏对应和深度神经网络的短临降水预测方法，其特征在于：所述步骤(4)中计算全局矢量的方法为：假设在固定观测点对...

【专利技术属性】
技术研发人员：方巍，张飞鸿，易伟楠，庞林，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32