【技术实现步骤摘要】
基于能量生成对抗性预测器的灾害天气预报方法
本专利技术涉及天气预报领域,更具体地说,涉及一种基于能量生成对抗性预测器的灾害天气预报方法。
技术介绍
现有的灾害性天气临近预报方法主要包括光流法、单体质心法和交叉相关法等预报,而这些方法在短时间内的预报结果具有较大误差,并且超过一定时间后预报结果的误差更加巨大。由于气象运动的高度动态性和混乱性,灾害性天气临近预报,尤其是降水临近预报是天气预报中的一项重要任务。在任务中,根本问题是雷达回波图像外推。确定外推后,即可通过Z-R关系等传统方法实现降水预测。作为经典的骨干,已经广泛研究了基于光流的方法来进行雷达回波图外推。然而,这些方法具有光流的三个重要缺点:(i)违反了不变的亮度假设;(ii)这些方法无法捕获水凝物的非线性动力学;(iii)他们无法利用庞大的观测记录所传达的知识。由于外推问题可以看作是序列预测问题,因此研究人员开始转向递归神经网络(RNN)作为解决方案。最近的研究表明卷积递归神经网络(ConvRNN)是一个解决这类问题的有效方向。开发了许多卷积RNN模型,例如卷积长短期记忆(ConvLSTM)和卷积门控循环单元(ConvGRU)。两种模型都遵循序列到序列的方式,即输入是观察到的雷达回波图序列,而输出也是将来的预期回波图序列。与传统的RNN方法(即LSTM和GRU)不同,雷达回声外推问题的输入和输出是图像序列,而不是矢量序列。因此,ConvLSTM(ConvGRU)用卷积运算代替了LSTM(G ...
【技术保护点】
1.一种基于能量生成对抗性预测器的灾害天气预报方法,其特征在于,包括以下步骤:/nS1、获取用于进行天气短临预报的雷达回波图像序列;/nS2、将所述雷达回波图像序列输入基于能量的EBGAN预测器,以生成天气短临预报结果。/n
【技术特征摘要】
1.一种基于能量生成对抗性预测器的灾害天气预报方法,其特征在于,包括以下步骤:
S1、获取用于进行天气短临预报的雷达回波图像序列;
S2、将所述雷达回波图像序列输入基于能量的EBGAN预测器,以生成天气短临预报结果。
2.根据权利要求1所述的基于能量生成对抗性预测器的灾害天气预报方法,其特征在于,所述EBGAN预报器由作为生成器的序列到序列预测模型和基于能量的鉴别器组成;
在所述生成器中,时空LSTM用于构建预测器,并考虑了回波图外推;
在所述鉴别器中,训练编码/解码框架来区分给定的回波图序列是预测的还是真实的,实际样本将接收高能量,而预测样本将接收低能量。
3.根据权利要求2所述的基于能量生成对抗性预测器的灾害天气预报方法,其特征在于,给定雷达回波图序列作为输入,所述生成器将输出一系列合成样例图像作为未来的预测;
所述鉴别器将通过计算能量分数来将合成样例与真实样例区分开来,其中合成样例预期得分较高,而真实样例预期得分较低。
4.根据权利要求3所述的基于能量生成对抗性预测器的灾害天气预报方法,其特征在于,给定雷达的固定长度回波图序列作为输入,所述生成器旨在预测固定窗口中的后续雷达回波图序列;
令t表示输入序列的长度,k表示输出序列的长度;
令xi表示在时间i观察到的H×W雷达回波图,xj表示在时间j观察到的H×W雷达回波图;制定所述生成器的目标如式(1):
5.根据权利要求1所述的基于能量生成对抗性预测器的灾害天气预报方法,其特征在于,所述生成器的总体架构由两部分组成,即至少两个RNN层编码器和至少两个RNN层解码器;
在给定输入序列的编码器中,我们首先利用卷积运算对输入进行下采样,然后附加一个ConvRNN层,重复执行该过程,构建一个至少两层的编码器;
基于编码器中ConvRNN的最后一层中提取的隐藏特征,采用带上采样层的ConvRNN解码时空特征,利用编码器中相应的ConvRNN的解码结果和隐藏状态,重复执行前一层ConvRNN和上采样,建立一个至少两层的解码器。
6.根据权利要求5所述的基于能量生成对抗性预测器的灾害天气预报方法,其特征在于,所述下采样和上采样层中利用了至少两个...
【专利技术属性】
技术研发人员:陈训来,谢鹏飞,陈元昭,董宇,刘佳,姬喜洋,王书欣,罗欣,陈潜,
申请(专利权)人:深圳市气象局深圳市气象台,哈尔滨工业大学深圳,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。