基于Attention机制的短临降水预测方法技术

本发明专利技术公开了基于Attention机制的短临降水预测方法，属于天气预报技术领域，其包括以下步骤：首先输入前t时刻的雷达回波图序列(V

【技术实现步骤摘要】
基于Attention机制的短临降水预测方法
本专利技术属于天气预报
，具体涉及基于Attention机制的短临降水预测方法。
技术介绍
气象因素的变化(如风速、温度、湿度、降水等)都深刻地影响着人类的生活。准确预报未来气象要素，可广泛服务于人们日常生活，交通运输，农林畜牧业，致灾天气避险等领域。随着地球观测卫星数量增长与气候模型日益增强，气象研究者们面临着更大规模的数据。目前，数值预报与基于数值预报数据的人工智能预报是天气预报的主要方法。对于数值天气预报方法而言，短期预报需要复杂的物理大气模型仿真。近年来，深度学习方法已开始被应用于天气预报。然而，目前传统方法以使用2D-CNN或3D-CNN为主，精度(主要采用CSI指数衡量)不高；本专利技术提出的短临降水预测方法，通过Attention机制实现Seq2Seq，使得模型输出更接近真实值，同时融合了13个特征通道(包含9种海拔下的湿度，12种海拔下的风速和2种降雨强度)的模式数据，能够较大程度地提升精度。
技术实现思路
本专利技术的目的是提供基于Atte本文档来自技高网...

【技术保护点】
1.基于Attention机制的短临降水预测方法，其特征在于：包括以下步骤：/nS1：输入前t时刻的雷达回波图序列(V

【技术特征摘要】
1.基于Attention机制的短临降水预测方法，其特征在于：包括以下步骤：
S1：输入前t时刻的雷达回波图序列(V1,V2,…，Vt)和预处理后的模式数据Key(K)，对输入数据进行数据清洗与去噪，得到处理后的输入数据；
S2：将雷达回波图的灰度图像输入包含4层卷积和最大池化的CNN网络，然后经过线性全连接层得到n维数组，这n维数组作为Query(Q)；
S3：将雷达回波图序列、模式数据和S2中的Query输入包括4个Attention单元和Norm层的编码器，然后将结果输入包括4个Attention单元、Norm层和全连接层的解码器，得到预测雷达回波图序列Vt+1,Vt+2,…,Vt+p；
S4：对预测的雷达回波图像，通过Z-R变换得到未来的区域降水预测，输出短临降水预测结果Yt+1,Yt+2,…,Yt+p，其中，Yt+q表示预测的t+q时刻的雷达回波图转换为降水图后的结果，1≤q≤p，p表示短临降水预测时刻的总数。


2.根据权利要求1所述的基于Attention机制的短临降水预测方法，其特征在于：所述步骤S1中，对输入t时刻的历史雷达回波图序列的去噪过程包括以下步骤：
S11：对未去噪的历史雷达回波图引入平滑因子以进行地物剔除；
S12：对经过S11处理后的历史雷达回波图使用二维小波变换进行去噪。


3.根据权利要求1所述的基于Attention机制的短临降水预测方法，其特征在于：所述的步骤S2中，使用3×3的卷积核对图像进行卷积(Convolution)操作，卷积计算公式为



其中F为卷积核，G为原图像，H为卷积变换后的图像；
线性全连接网络(FeedForwardNeuralNetwork,FFNN)的输出可以表示为
Q＝FFNN(V)＝WTV
其中V表示线性全连接层的输入，Q表示线性全连接层的输出，W为待训练权重参数。


4.根据权利要求1所述的基于Attention机制的短临降水预测方法，其特征在于：所述的步...

【专利技术属性】
技术研发人员：牛丹，栾岱洋，李浩瑞，郁航远，张建东，曹中豪，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32