基于能量生成对抗性预测器的灾害天气预报方法技术

本发明专利技术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，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。在EBGAN预测器的模型中输入用于进行灾害性天气临近预报的雷达回波图像序列，通过模型获取雷达回波图像序列中的图像特征信息，从而能够对图像特征信息进行分析，以此能够使得更加方便获取天气短临预报，并且使预报更加准确。

【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(GRU)中的点运算。已经表明，与基于光流的方法相比，这两种模型都可以产生更有希望的外推结果。但是，预测的图像趋于模糊和不现实。而且，预测位置不够准确。最近，生成对抗网络(GAN)在产生现实图像方面显示出令人鼓舞的性能，是解决缺陷的有效工具。为了获得更好的结果，将GAN用于雷达回波图外推的想法，并开发了一种GA-ConvGRU方法。在该方法中，ConvGRU被视为生成器，而卷积神经网络被构建为鉴别器。实验评估证明GA-ConvGRU提供比ConvGRU和ConvLSTM更好的结果。但是，GA-ConvGRU遭受许多GAN方法的固有缺点，即生成器和鉴别器不易于协调训练，受训练不稳定的困扰，这通常会导致性能降低。而且，仍然出现模糊效果的问题。
技术实现思路
本专利技术要解决的技术问题在于，提供一种基于能量生成对抗性预测器的灾害天气预报方法。本专利技术解决其技术问题所采用的技术方案是：构造一种基于能量生成对抗性预测器的灾害天气预报方法，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。优选地，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。优选地，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。优选地，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)：优选地，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；优选地，所述下采样和上采样层中利用了至少两个比例内核，引入多尺度内核卷积算子，在各下采样和上采样层中卷积运算符的参数设置不同。优选地，所述生成器中ConvRNN的结构是通过使用时空LSTM单位(ST-LSTM)建立的；ST-LSTM在标准的ConvLSTM单元中引入了时空存储信息输入门it，忘记门ft，输入调制门gt，在标准LSTM单元第l级的时间存储信息和相应的参数i't；以及引入时空存储单元的相应参数：忘记门f't，输入门g't，以及输出ot和隐藏状态Ht的计算如下：优选地，构建了一个两层的ST-LSTM体系结构来替换每个ConvRNN层，两层ST-LSTM构成一个PredRNN单元，沿时间维度传递时间存储信息作为ConvLSTM，时空存储信息还根据空间维度传送。优选地，使用以下均方差为目标函数，使生成器适合给定的训练样本：这里，表示第n个训练序列中的第t个雷达回波图观测。表示与第n个训练序列相对应的第t个预测图像；N是训练样本的总数；k是预测的窗口大小。优选地，构建了一个至少四层卷积神经网络作为判别器，它由至少两层卷积编码器和至少两层解卷积解码器组成；让D(·)表示鉴别器，给定样本x，则其能量得分将作为重建误差计算：E＝||D(x)-x||(13)以下目标函数将其最小化：LD＝||D(x)-x||+[m-||D(G(z))-G(z)]+(14)其中，LG发生器损失目标函数，LD鉴别器损失目标函数；在EBGAN预报器中，通过分别最小化目标函数LG和LD来同时进行生成训练发生器和鉴别器。实施本专利技术的基于能量生成对抗性预测器的灾害天气预报方法，具有以下有益效果：在EBGAN预测器的模型中输入用于进行灾害性天气临近预报的雷达回波图像序列，通过模型获取雷达回波图像序列中的图像特征信息，从而能够对图像特征信息进行分析，以此能够使得更加方便获取天气短临预报，并且使预报更加准确。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例中的EBGAN预测器的工作流程示意图；图2是EBGAN预测器中生成器的结构示意图；图3是多尺度卷积层结构的示意图；图4是生成器的结构；图5是EBGAN预测器中鉴别器的结构。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。本专利技术一个优选实施例中的基于能量生成本文档来自技高网...

【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