基于雷达图像的U-net变体神经网络的洪涝预警方法技术

本发明专利技术公开了基于雷达图像的U

【技术实现步骤摘要】
基于雷达图像的U
‑
net变体神经网络的洪涝预警方法


[0001]本专利技术涉及一种洪涝灾害预警方法，尤其涉及一种基于雷达图像的U
‑
net变体神经网络的洪涝灾害预警方法。

技术介绍

[0002]我国是世界上洪涝灾害多发频发国家之一，在我国三分之二左右的国土面积都面临着不同类型和不同程度的洪涝灾害。近年来，对洪涝灾害进行预警的研究越来越多。目前已有的研究从不同的角度去解决洪涝灾害预警问题。传统的洪涝灾害预警问题有基于雷达场的平流降水预警，这种预警方式难以捕捉非线性事件如因为对流引起的强降雨。基于神经网络的预警方式可以捕捉到这种非线性事件，但这往往需要由专门雷达捕捉到的数据，而且这些数据具有难获取，冗余，不易训练等缺点。

技术实现思路

[0003]本专利技术的目的是提供一种基于雷达图像的U
‑
net变体神经网络的洪涝灾害预警方法，能够在易获取的雷达图像上进行洪涝灾害预警，捕捉在洪涝灾害预警中的非线性事件的能力，提高洪涝灾害预警的准确性。
[0004]本专利技术采用下述技术方案：
[0005]一种基于雷达图像的U
‑
net变体神经网络的洪涝预警方法，依次包括以下步骤：
[0006]A：获取监测区域的彩色雷达图片并转换为以像素数值代表雷达回波强度的灰度图片，然后根据得到的灰度图片建立训练数据集和测试数据集；
[0007]B：建立U
‑
net变体神经网络模型，；
[0008]C：将步骤A中获得的训练数据集，输入步骤B中建立的U
‑
net变体神经网络模型中进行迭代训练，直至U
‑
net变体神经网络模型收敛于设定的损失值，得到训练后的U
‑
net变体神经网络模型；
[0009]D：将步骤A中测试数据集的数据放入步骤C中训练后的U
‑
net变体神经网络模型进行测试，得到以测试数据集中首张图像采集时间为起点的未来90分钟内的监测区域的雷达图像；
[0010]E：对步骤D中得到的以测试数据集中首张图像采集时间为起点的未来90分钟内的雷达图像进行质量评估，得到U
‑
net变体神经网络的性能分析结果；
[0011]F：根据步骤E中得到U
‑
net变体神经网络的性能分析结果，调整步骤C中训练后的U
‑
net变体神经网络模型参数，对训练后的U
‑
net变体神经网络模型进行优化；
[0012]G：根据优化后的U
‑
net变体神经网络模型，利用彩色雷达图片进行洪涝预警。
[0013]所述的步骤A包括以下具体步骤：
[0014]A1：获取监测区域的彩色雷达图片，并将彩色雷达图片按照序号读取到四维数组dataList0中；四维数组dataList0中包含图片数量、图片像素大小和通道数；
[0015]A2：对步骤A1中得到的四维数组dataList0进行遍历，将四维数组dataList0中的
彩色数据根据比色卡转换为灰度数据，最终得到灰度时间序列图片；灰度数据的数值代表雷达回波的强度；
[0016]A3：将步骤A2中得到的灰度时间序列图片进行下采样，得到下采样后的灰度时间序列图片；
[0017]A4：将步骤A3中得到的下采样后的灰度时间序列图片，按照灰度时间序列图片序号升序排序划分为15张为一组的训练数据，最终得到多组训练数据；然后将多组训练数据划分成训练数据集和测试数据集。
[0018]所述的U
‑
net变体神经网络模型包含小波自适应去噪层和一个U型结构；
[0019]其中，小波自适应变换层将输入数据进行二维小波多尺度分解，得到输入数据的各尺度系数，然后根据自适应的阈值将所有小于阈值的各尺度系数舍去；再将剩下的各尺度系数进行逆变换，得到去噪后的数据；最后将去噪后的数据传入U型结构中的第一循环限定步长特征提取层；
[0020]U型结构从左至右、从上到下依次是第一循环限定步长特征提取层、第一最大池化层、第二循环限定步长特征提取层、第二最大池化层、第三循环限定步长特征提取层、第三最大池化层、第四循环限定步长特征提取层、第四最大池化层、第五循环限定步长特征提取层、第一上采样限定步长丰富特征层、第一注意力层、第一上采样循环限定步长特征处理层、第二上采样限定步长特征处理层、第二注意力层、第二上采样循环限定步长特征处理层、第三上采样卷积层、第三注意力层、第三上采样循环限定步长特征处理层、第四上采样卷积层、第四注意力层、第四上采样循环限定步长特征处理层和第一限定步长特征输出层。
[0021]所述的小波自适应变换层通过下述函数实现二维小波多尺度分解：
[0022][C，S]＝wavedec2(waveletData
ab
，2，
′
coif3
′
)；
[0023]其中，C是输入数据的各尺度系数，S是各尺度系数的大小，waveletData
ab
是小波自适应变换层的输入数据，
′
coif3
′
为Coiflet小波基函数中的一种形式；
[0024]小波自适应变换层通过下述函数实现选取自适应阈值去噪：
[0025]nc1＝wthcoef2(
′
h
′
，C，S，P)；
[0026]nc2＝wthcoef2(
′
v
′
，nc1，S，P)；
[0027]nc3＝wthcoef2(
′
d
′
，nc2，S，P)；
[0028]其中，
′
h
′
，
′
v
′
，
′
d
′
分别代表从水平、垂直和对角三个方向来对各尺度系数进行去噪，nc1，nc2，nc3依次代表从水平、垂直和对角三个方向去噪后的各尺度系数，P是自适应阈值；
[0029]小波自适应变换层通过下述函数实现二维小波多尺度逆变换：
[0030]waveletResData
ab
＝waverec2(nc3，S，
′
coif3
′
)；
[0031]其中，waveletResData
ab
代表小波自适应变换层的输出数据，
′
coif3
′
是Coiflet小波基函数中的一种形式。
[0032]所述的每一层的循环限定步长特征提取层首先将输入数据进行限定步长特征提取，然后将经过限定步长特征提取后的数据进行二次循环特征提取；
[0033]使用限定步长特征提取数据进行二次循环特征提取的方法为：
[0034][0035]inputData...

【技术保护点】

【技术特征摘要】
1.一种基于雷达图像的U
‑
net变体神经网络的洪涝预警方法，其特征在于：依次包括以下步骤：A：获取监测区域的彩色雷达图片并转换为以像素数值代表雷达回波强度的灰度图片，然后根据得到的灰度图片建立训练数据集和测试数据集；B：建立U
‑
net变体神经网络模型；C：将步骤A中获得的训练数据集，输入步骤B中建立的U
‑
net变体神经网络模型中进行迭代训练，直至U
‑
net变体神经网络模型收敛于设定的损失值，得到训练后的U
‑
net变体神经网络模型；D：将步骤A中测试数据集的数据放入步骤C中训练后的U
‑
net变体神经网络模型进行测试，得到以测试数据集中首张图像采集时间为起点的未来90分钟内的监测区域的雷达图像；E：对步骤D中得到的以测试数据集中首张图像采集时间为起点的未来90分钟内的雷达图像进行质量评估，得到U
‑
net变体神经网络的性能分析结果；F：根据步骤E中得到U
‑
net变体神经网络的性能分析结果，调整步骤C中训练后的U
‑
net变体神经网络模型参数，对训练后的U
‑
net变体神经网络模型进行优化；G：根据优化后的U
‑
net变体神经网络模型，利用彩色雷达图片进行洪涝预警。2.根据权利要求1所述的基于雷达图像的U
‑
net变体神经网络的洪涝预警方法，其特征在于，所述的步骤A包括以下具体步骤：A1：获取监测区域的彩色雷达图片，并将彩色雷达图片按照序号读取到四维数组dataList0中；四维数组dataList0中包含图片数量、图片像素大小和通道数；A2：对步骤A1中得到的四维数组dataList0进行遍历，将四维数组dataList0中的彩色数据根据比色卡转换为灰度数据，最终得到灰度时间序列图片；灰度数据的数值代表雷达回波的强度；A3：将步骤A2中得到的灰度时间序列图片进行下采样，得到下采样后的灰度时间序列图片；A4：将步骤A3中得到的下采样后的灰度时间序列图片，按照灰度时间序列图片序号升序排序划分为15张为一组的训练数据，最终得到多组训练数据；然后将多组训练数据划分成训练数据集和测试数据集。3.根据权利要求1所述的基于雷达图像的U
‑
net变体神经网络的洪涝预警方法，其特征在于：所述的U
‑
net变体神经网络模型包含小波自适应去噪层和一个U型结构；其中，小波自适应变换层将输入数据进行二维小波多尺度分解，得到输入数据的各尺度系数，然后根据自适应的阈值将所有小于阈值的各尺度系数舍去；再将剩下的各尺度系数进行逆变换，得到去噪后的数据；最后将去噪后的数据传入U型结构中的第一循环限定步长特征提取层；U型结构从左至右、从上到下依次是第一循环限定步长特征提取层、第一最大池化层、第二循环限定步长特征提取层、第二最大池化层、第三循环限定步长特征提取层、第三最大池化层、第四循环限定步长特征提取层、第四最大池化层、第五循环限定步长特征提取层、第一上采样限定步长丰富特征层、第一注意力层、第一上采样循环限定步长特征处理层、第二上采样限定步长特征处理层、第二注意力层、第二上采样循环限定步长特征处理层、第三
上采样卷积层、第三注意力层、第三上采样循环限定步长特征处理层、第四上采样卷积层、第四注意力层、第四上采样循环限定步长特征处理层和第一限定步长特征输出层。4.根据权利要求3所述的基于雷达图像的U
‑
net变体神经网络的洪涝预警方法，其特征在于：所述的小波自适应变换层通过下述函数实现二维小波多尺度分解：[C,S]＝wavedec2(waveletData
ab
,2,
′
coif3
′
)；其中，C是输入数据的各尺度系数，S是各尺度系数的大小，waveletData
ab
是小波自适应变换层的输入数据，
′
coif3
′
为Coiflet小波基函数中的一种形式；小波自适应变换层通过下述函数实现选取自适应阈值去噪：nc1＝wthcoef2(
′
h
′
,C,S,P)；nc2＝wthcoef2(
′
v
′
,nc1,S,P)；nc3＝wthcoef2(
′
d
′
,nc2,S,P)；其中，
′
h
′
,
′
v
′
,
′
d
′
分别代表从水平、垂直和对角三个方向来对各尺度系数进行去噪，nc1，nc2，nc3依次代表从水平、垂直和对角三个方向去噪后的各尺度系数，P是自适应阈值；小波自适应变换层通过下述函数实现二维小波多尺度逆变换：waveletResData
ab
＝waverec2(nc3,S,
′
coif3
′
)；其中，waveletResData
ab
代表小波自适应变换层的输出数据，
′
coif3
′
是Coiflet小波基函数中的一种形式。5.根据权利要求3所述的基于雷达图像的U
‑
net变体神经网络的洪涝预警方法，其特征在于：所述的每一层的循环限定步长特征提取层首先将输入数据进行限定步长特征提取，然后将经过限定步长特征提取后的数据进行二次循环特征提取；使用限定步长特征提取数据进行二次循环特征提取的方法为：inputData
k2
＝outputData
k1
其中，outputData
k1
表示U
‑
net变体神经网络模型的第k层第一次循环的输出数据，inputData
k1
表示U
‑
net变体神经网络模型的第k层第一次循环的输入数据，m
k1
和n
k1
表示inputData
k1
的高度和宽度，Kernel
k1
表示U
‑
net变体神经网络模型的第k层第一次循...

【专利技术属性】
技术研发人员：张磊，王亚东，朱绍明，孟坤颖，牛一波，康潇，左宪禹，
申请(专利权)人：河南大学，
类型：发明
国别省市：