基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法技术

本发明专利技术公开基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法，包括搭建双分支双阶段深度模型BBDM框架，BBDM框架具有双分支网络结构；对单站多普勒雷达特征数据进行预处理；在训练BBDM过程中采用双分支训练策略；在训练BBDM过程中采用双阶段训练策略；对训练得到的模型进行存储，用于后续的测试；在测试阶段，对雷达特征数据进行预处理，再输入到之前存储的模型中，仅使用回归分支作为最终的输出，得到最终的降水量的估算结果。通过本发明专利技术的模型可以利用单站多普勒天气雷达观测数据，快速、准确的对各种不同强度的降水量进行估算，同时，这也是一种通用的用于处理有明显样本不平衡的回归问题的方法。显样本不平衡的回归问题的方法。显样本不平衡的回归问题的方法。

【技术实现步骤摘要】
基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法


[0001]本专利技术涉及图像识别和天气智能识别
具体地说是基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法。

技术介绍

[0002]传统的利用多普勒天气雷达定量估算降水(QPE)技术是利用雷达回波强度(Z)与地面降水量(R)之间的经验关系(通常成为Z
‑
R关系)，Z
‑
R关系式可描述为：
[0003]Z＝aR
b
[0004]其中，a,b是参数，参数大小与降水天气类型、季节、区域均有密切关系，通常利用经验关系确定。参数设置的不确定性是利用传统技术估算地面降水精度不高的主要原因。
[0005]近年来使用机器学习方法来识别强降水仍处于尝试阶段，SVM、AdaBoost等经典的机器学习方法开始用于雷达定量估测降水，这类方法计算高效，但仍需人工尝试不同的雷达参数组合对于模型的影响，对于非线性表达，蕴含语义信息的数据源的分类效果会变差。
[0006]端到端的深度学习的方法不需要事先确定输入的特征值，具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法，其特征在于，包括如下步骤：步骤(1)，搭建双分支双阶段深度模型BBDM框架，所述双分支双阶段深度模型BBDM框架具有双分支网络结构；步骤(2)，对单站多普勒雷达特征数据进行预处理，使各个雷达特征之间分布统一，并将雷达特征输入到BBDM中进行训练；步骤(3)，在训练BBDM的过程中采用双分支训练策略；步骤(4)，在训练BBDM的过程中采用双阶段训练策略；步骤(5)，对训练得到的模型进行存储，用于后续的测试；步骤(6)，在测试阶段，对雷达特征数据进行如步骤(2)中同样的预处理过程，再输入到之前存储的模型中；步骤(7)，在测试阶段，仅使用回归分支作为最终的输出，得到最终的降水量的估算结果。2.根据权利要求1所述的基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法，其特征在于，在步骤(1)中，所述双分支网络结构包括回归分支和分类分支，其中，回归分支用于输出降水量的实值，分类分支是用来在训练阶段缓解长尾分布的影响。3.根据利要求1所述的基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法，其特征在于，在步骤(2)中，采用了4个单站多普勒雷达特征，分别是垂直累积液态水含量VIL、混合扫描反射率HBR、组合反射率CR和3km等高面反射率CAP30，需要对着4个单站多普勒雷达特征进行特征规范化处理，使得各个数据特征处于统一的尺度下，以便于进行分析比较，具体方法如下：(2
‑
1)对HBR、CR、CAP30特征进行数据预处理：直接通过归一化和标准化的方式来进行预处理；先统计各个特征分布中的最大值和最小值，分别记为x
max
和x
min
；然后再进行归一化的操作，假设原有的特征为x，归一化之后的特征为则归一化公式如下所示：最后再统计归一化之后特征的均值和标准差，分别记为μ和σ，假设标准化之后的数据为则标准化的公式如下；得到的即是预处理完成的HBR、CR、CAP30特征，可以输入到BBDM中；(2
‑
2)对VIL特征进行数据预处理；首先进行三次根号的处理：其中是三次根号处理后的数据；然后统计特征分布中的最大值和最小值，分别记为和
再进行归一化的操作，假设经过三次根号处理后的特征为归一化之后的特征为则归一化公式如下所示：然后再统计归一化之后特征的均值和标准差，分别记为μ和σ，假设标准化之后的数据为则标准化的公式如下：得到的即是预处理完成的VIL特征,可以输入到BBDM中；(2
‑
3)对标签降水量进行规范化；先进行三次根号的处理，假设y是原有的标签降水量数据，是经过三次根号处理过后的标签数据，则三次根号处理的公式如下；然后再统计特征分布的最大值和最小值，分别记为和如归一化公式如下：得到的即是BBDM模型需要使用的标签降水量。4.根据权利要求3所述的基于双分支双阶段深度模型的单站多普勒天气雷达强降水估算方法，其特征在于，在步骤(3)中，所述双分支训练策略包括回归分支策略和分类分支策略，其中回归分支策略具体为：回归分支中，假设深度模型BBDM的回归分支的输出结果为其中是[0,1]之间的数，真实降水标签在步骤(2

【专利技术属性】
技术研发人员：熊安元，苏菲，刘娜，花文军，刘雨佳，王子轩，辛永健，
申请(专利权)人：国家气象信息中心中国气象局气象数据中心，
类型：发明
国别省市：