本申请涉及一种局部区域降雨强度预测方法、装置、系统和计算机可读存储介质。所述方法包括：S1、对预处理之后的连续m帧降雨强度图序列提取浅层特征；S2、基于Metaformer将所述浅层特征进行降维变换以提取深层特征；S3、基于Metaformer将所述深层特征进行升维变换以输出高维特征；S4、将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0<m≤n≤20。本申请能够更好地拟合雷达回波图序列中较大时空范围的降雨演变过程，使得局部区域降雨强度预测精度得到提高。强度预测精度得到提高。强度预测精度得到提高。
【技术实现步骤摘要】
局部区域降雨强度预测方法、装置、系统和存储介质
[0001]本申请涉及气象预报
，更具体地说，涉及一种局部区域降雨强度预测方法、装置、系统和计算机可读存储介质。
技术介绍
[0002]短期(0
‑
6小时)局部区域降雨强度预测是天气预报领域中的一个重要问题，它能为公众日常生活和经济活动提供天气指引，在促进经济发展、保护民众生命财产安全等方面发挥着重要作用。
[0003]传统的局部区域降雨强度预测主要基于光流法的雷达回波图外推法。基于光流法的雷达回波图外推法是建立在光滑运动和总降雨强度不变的假设上，从连续的雷达回波图中估计对流云的运动模式，进而使用半拉格朗日平流模型预测未来雷达回波图。面临动态的、非线性运动模式以及变化迅速的降雨强度场景时，基于光流法的雷达回波图外推法难以进行高精度地预测降雨强度。
[0004]通过数据驱动的方式，利用具有优秀的拟合非线性过程能力的深度神经网络模型进行雷达回波图序列时空过程建模的机器学习方法逐渐受到更多关注。例如，基于Conv LSTM的深度神经网络模型捕捉过去雷达回波图序列的时空模式并预测未来雷达回波图，该模型在经典的LSTM(Long Short
‑
Term Memory，长短期记忆网络)的基础上以卷积神经网络取代全连接神经网络推断图像序列对应的隐藏状态，得以在时序相关性学习中同时具有空间相关性学习的能力，由此在短期的局部区域雷达回波图序列预测任务中取得更高的预测精度。为了解决Conv LSTM参数相对较多而难以训练的问题，现有技术中又提出了Conv GRU(Gate Recurrent Unit，门控循环单元)模型捕捉雷达回波图序列的时空模式及预测未来雷达回波图。由于Conv GRU的卷积基于不变的局部连接结构模板，对于连续的雷达回波图序列多变的局部空间结构特征缺乏有效地学习，Trajectory GRU模型被提出，该模型首先学习卷积运算的局部连接结构再进行特征提取，由此提高雷达回波图序列预测精度。为了学习多模态的降雨模式，现有技术中还提出GA
‑
GRU模型进行降雨过程拟合，相比于Conv GRU模型，其预测的雷达回波图序列更为锐利且降雨强度预测精度也得到提高。
[0005]但是，现有的这些基于深度学习的降雨强度预测方法在较大范围的时空信息捕捉方面仍然存在不足，在应对较大时空范围降雨过程场景时，降雨强度预测性能受到较大限制。
技术实现思路
[0006]本申请要解决的技术问题在于，针对现有技术的上述缺陷，提供一种能捕捉较大范围的时空特征以提升降雨强度预测精度的局部区域降雨强度预测方法、装置、系统和计算机可读存储介质。
[0007]本申请为解决其技术问题在第一方面提出一种局部区域降雨强度预测方法，包括如下步骤：
[0008]S1、对预处理之后的连续m帧降雨强度图序列提取浅层特征；
[0009]S2、基于Metaformer将所述浅层特征进行降维变换以提取深层特征；
[0010]S3、基于Metaformer将所述深层特征进行升维变换以输出高维特征；
[0011]S4、将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0<m≤n≤20。
[0012]根据本申请所述的局部区域降雨强度预测方法的一个实施例中，所述步骤S1中提取浅层特征进一步包括：
[0013]S11、对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换；
[0014]S12、将经过第一次逐点卷积的特征图进行第一次特征归一化；
[0015]S13、对第一次归一化处理后的特征图进行第一次非线性映射；
[0016]S14、对步骤S13得到的特征图进行第二次逐点卷积；
[0017]S15、将经过第二次逐点卷积的特征图进行第二次特征归一化；
[0018]S16、对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。
[0019]根据本申请所述的局部区域降雨强度预测方法的一个实施例中，所述步骤S2进一步包括将如下步骤S21
‑
S25依次循环执行至少一次：
[0020]S21、将输入的特征图进行特征归一化，然后进行可分离卷积计算；
[0021]S22、将步骤S21计算后的特征图与输入的特征图相加，得到第一新特征图；
[0022]S23、将所述第一新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；
[0023]S24、将步骤S23变换后的特征图与所述第一新特征图相加，得到第二新特征图；
[0024]S25、对所述第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。
[0025]根据本申请所述的局部区域降雨强度预测方法的一个实施例中，所述步骤S3进一步包括将如下步骤S31
‑
S35依次循环执行至少一次：
[0026]S31、将输入的特征图进行特征归一化，然后进行可分离卷积计算；
[0027]S32、将步骤S31计算后的特征图与输入的特征图相加，得到第三新特征图；
[0028]S33、将所述第三新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；
[0029]S34、将步骤S33变换后的特征图与所述第三新特征图相加，得到第四新特征图；
[0030]S35、对所述第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。
[0031]根据本申请所述的局部区域降雨强度预测方法的一个实施例中，所述步骤S4进一步包括：
[0032]S41、将步骤S3得到的特征图进行第一次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；
[0033]S42、对第一次反卷积计算后的特征图进行特征归一化；
[0034]S43、对归一化处理后的特征图进行第一次非线性映射；
[0035]S44、将步骤S43得到的特征图进行第二次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；
[0036]S45、将经过第二次反卷积的特征图进行第二次非线性映射，输出n帧降雨强度图。
[0037]根据本申请所述的局部区域降雨强度预测方法的一个实施例中，所述方法在步骤S1之前还将雷达回波图像数据预处理为降雨强度图，具体包括：
[0038]S01、对雷达回波图去噪；
[0039]S02、按照如下公式将去噪后的雷达回波图z转化为降雨强度图x：
[0040][0041]其中，a＝58.53、b＝1.56；
[0042]S03、按照如下公式将降雨强度图x进行标准归一化：
[0043][0044]其中，x
i，j
为原始降雨强度图x在像元(i，j)处的像素值，mean为降雨强度图数据集中所有像元值的均值，δ为降雨强度图数据集中所有像元值的标准差，为降雨强度图x标准归一化本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种局部区域降雨强度预测方法，其特征在于，包括如下步骤：S1、对预处理之后的连续m帧降雨强度图序列提取浅层特征；S2、基于Metaformer将所述浅层特征进行降维变换以提取深层特征；S3、基于Metaformer将所述深层特征进行升维变换以输出高维特征；S4、将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0＜m≤n≤20。2.根据权利要求1所述的局部区域降雨强度预测方法，其特征在于，所述步骤S1中提取浅层特征进一步包括：S11、对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换；S12、将经过第一次逐点卷积的特征图进行第一次特征归一化；S13、对第一次归一化处理后的特征图进行第一次非线性映射；S14、对步骤S13得到的特征图进行第二次逐点卷积；S15、将经过第二次逐点卷积的特征图进行第二次特征归一化；S16、对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。3.根据权利要求1所述的局部区域降雨强度预测方法，其特征在于，所述步骤S2进一步包括将如下步骤S21
‑
S25依次循环执行至少一次：S21、将输入的特征图进行特征归一化，然后进行可分离卷积计算；S22、将步骤S21计算后的特征图与输入的特征图相加，得到第一新特征图；S23、将所述第一新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；S24、将步骤S23变换后的特征图与所述第一新特征图相加，得到第二新特征图；S25、对所述第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。4.根据权利要求1所述的局部区域降雨强度预测方法，其特征在于，所述步骤S3进一步包括将如下步骤S31
‑
S35依次循环执行至少一次：S31、将输入的特征图进行特征归一化，然后进行可分离卷积计算；S32、将步骤S31计算后的特征图与输入的特征图相加，得到第三新特征图；S33、将所述第三新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；S34、将步骤S33变换后的特征图与所述第三新特征图相加，得到第四新特征图；S35、对所述第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。5.根据权利要求1所述的局部区域降雨强度预测方法，其特征在于，所述步骤S4进...
【专利技术属性】
技术研发人员：杨戈，黄典，林力佳，冯圣中，
申请(专利权)人：国家超级计算深圳中心深圳云计算中心，
类型：发明
国别省市：
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。