基于改进的网络卷积模型预测临近预报的方法及设备技术

本申请的目的是提供一种基于改进的网络卷积模型预测临近预报的方法及设备，本申请通过确定使用的原始网络卷积模型的卷积核尺寸和输入图像尺寸；根据所述卷积核尺寸和输入图像尺寸确定所述输入图像的指定方位上的边缘区域；建立改进的网络卷积模型，其中，所述改进的网络卷积模型中对所述指定方位上的边缘区域进行对应的卷积操作；将确定的网络训练数据输入至所述改进的网络卷积模型中进行序列学习，得到未来若干帧的预报图像。从而避免了雷达扫描起始位置处数据边缘突变问题，提高临近预报的预测准确度。

【技术实现步骤摘要】
基于改进的网络卷积模型预测临近预报的方法及设备
本申请涉及计算机领域，尤其涉及一种基于改进的网络卷积模型预测临近预报的方法及设备。
技术介绍
随着遥感科技的发展，雷达已经成为了地面探测天气情况的重要手段。多普勒天气雷达是一种新型雷达，它利用降水回波频率与发射频率之间的变化的多普勒效应来测定降水粒子的径向运动速度，并通过这种速度信息图测风速分布、垂直气流速度、大气湍流、降水粒子谱分布、降水中特别是强对流降水中的风场结构特征。雷达探测的反射信号称为雷达回波，雷达探测的信号强弱及结构反应了天气及降水的结构。通过对于雷达水平回波图的演变过程随着时间的外推，不难得到对于未来天气演变规律的预报，这样的过程一般被称为是临近预报。一般多普勒雷达产品的显示方式有PPI、CAPPI、CR等，随着机器学习的发展，现有很多通过神经元网络深度学习进行临近预报的预测，用于预测的数据通常使用固定高度的CAPPI或者CR进行；由于多普勒天气雷达的体扫为锥形，存在CAPPI、VCS或CR的数据本身是由PPI插值生成，数据本身已经缺失了一部分数据量，因此存在较大的不确定性本文档来自技高网...

【技术保护点】
1.一种基于改进的网络卷积模型预测临近预报的方法，其特征在于，所述方法包括：/n确定使用的原始网络卷积模型的卷积核尺寸和输入图像尺寸；/n根据所述卷积核尺寸和输入图像尺寸确定所述输入图像的指定方位上的边缘区域；/n建立改进的网络卷积模型，其中，所述改进的网络卷积模型中对所述指定方位上的边缘区域进行对应的卷积操作；/n将确定的网络训练数据输入至所述改进的网络卷积模型中进行序列学习，得到未来若干帧的预报图像。/n

【技术特征摘要】
1.一种基于改进的网络卷积模型预测临近预报的方法，其特征在于，所述方法包括：
确定使用的原始网络卷积模型的卷积核尺寸和输入图像尺寸；
根据所述卷积核尺寸和输入图像尺寸确定所述输入图像的指定方位上的边缘区域；
建立改进的网络卷积模型，其中，所述改进的网络卷积模型中对所述指定方位上的边缘区域进行对应的卷积操作；
将确定的网络训练数据输入至所述改进的网络卷积模型中进行序列学习，得到未来若干帧的预报图像。


2.根据权利要求1所述的方法，其特征在于，所述指定方位上的边缘区域包括上边缘区域、下边缘区域、左边缘区域及右边缘区域，对所述指定方位上的边缘区域进行对应的卷积操作，包括：
对所述左边缘区域及右边缘区域采用边缘填值为零的卷积方式进行卷积操作；
对所述下边缘区域的边缘填值填充至所述上边缘区域，生成卷筒状图像，对所述卷筒状图像进行卷积操作。


3.根据权利要求1所述的方法，其特征在于，将确定的网络训练数据输入至所述改进的网络卷积模型中进行序列学习之前，包括：
确定目标数量时刻中每一时刻的多层PPI原始数据；
根据所述每一时刻的多层PPI原始数据确定网络训练数据。


4.根据权利要求3所述的方法，其特征在于，根据所述每一时刻的多层PPI原始数据确定网络训练数据，包括：
对所述每一时刻的多层PPI原始数据进行目标层仰角的映射处理，得到每一时刻对应的映射数据；
将所有时刻的第一层至最后一层的映射数据的通道进行拼接，作为网络训练数据。


5.根据权利要求3所述的方法，其特征在于，确定目标数量时刻中每一时刻的多层PPI原始数据，包括：
读取目标数量时刻中每一时刻的N个仰角的雷达扫描数据，其中，所述雷达扫描数据包括由雷达方位角扫描频次和射线上的等距采样点确定的尺寸的图像，N为正整数；
根据目标时刻中每一时刻的N个仰角的雷达扫描数据确定所述目标数量时刻中每一时刻的多层PPI原始...

【专利技术属性】
技术研发人员：何娜，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31