一种基于动态权重损失的雷达回波外推方法技术

本发明专利技术公开了一种基于动态权重损失的雷达回波外推方法，包括：(1)基于现有短临预报模型的预测结果构建动态损失函数，所述现有短临预报模型为采用雷达回波外推方法实现降水强度预测的模型；(2)采集雷达回波数据并建立雷达回波外推数据集，将雷达回波外推数据集按照一定比例划分为训练集与验证集；(3)将训练集数据输入短临预报模型进行模型训练，获取动态损失函数优化短临预报模型，将验证集数据输入优化后的短临预报模型获取预测结果。本发明专利技术基于雷达数据有效提升目前主流的深度学习模型预测性能，并且有效缓解现有雷达回波外推方法产生的累积误差。产生的累积误差。产生的累积误差。

【技术实现步骤摘要】
一种基于动态权重损失的雷达回波外推方法


[0001]本专利技术涉及遥感信息处理的领域，具体是涉及一种基于动态权重损失的雷达回波外推方法。

技术介绍

[0002]短临预报是指预测2h以内的未来降水强度。在0
‑
2h的临近预报技术中主要为雷达回波外推法，而在实际预报中有效时间在1h以内。临近预报是一种预警局部地区灾害性天气的重要手段，为农业，旅游，交通和人们的日常活动提供及时有效的气象保障服务。然而，由于短时降水系统固有的复杂性和非线性特点，使得预测某个地区的短时降雨分布非常具有挑战性。传统上的短临预报主要有雷达回波外推、中尺度数值模式以及概念模型等方法，数值模式广泛应用于中长期预报，利用复杂的大气物理方程来模拟天气过程，在临近预报中表现不佳，因其需要大量实时大气资料，很难生成短时间的高分辨率预报；同时，要利用大型计算机作数值计算，花费的成本巨大。概念模型预报方法依靠预报员的主观意识判断，其结果缺乏一定的细节信息。由此可见，目前业务上短临预报方法仍以雷达回波外推预报为主。
[0003]近些年来，深度学习(deep learning)应用于众多领域，包括目标检测、语义分割、图像识别等。它们的共同点是构建模型来学习大量数据去拟合一个非线性系统，正因如此，利用大量气象雷达数据进行短临预报逐渐吸引众多研究者的关注。与传统的雷达回波外推方法相比，基于深度学习的方法具有更强大的建模能力。2015年香港科技大学团队首次将长短期记忆网络(Lstm)与卷积神经网络(CNN)相结合，提出了ConvLSTM模型，将全连接的长短期记忆网络(Fully Connected LSTM)中的阿达玛积换为卷积操作，这样就增加了模型对空间信息的学习能力，而非仅仅是时间信息，通过在LSTM内部的变换式中将Hadamard乘子替换成卷积操作以此来捕捉时空运动特征。然而由于引入卷积核会导致空间位置不变性，这对具有旋转、形变等的气象模式是一种缺陷。随后在2017年该团队在ConvLSTM的基础上又进行改进，提出了轨迹门循环单元(TrajGRU)模型。该模型相对于未改进前增加了一定的抗畸变性，但在实际业务中效果与ConvLSTM相差不大。2017年Wang等提出一种具有锯齿形连接结构模型spatio
‑
temporal LSTM(ST
‑
LSTM)，既可以水平传输记忆状态，也可以在层间垂直传输记忆状态。通过引入时间记忆单元和空间记忆单元，可以有效地对形状变形和运动轨迹进行建模。但是ST
‑
LSTM会面临梯度消失的问题。为解决该问题，该团队于2018年提出PredRNN升级版PredRNN++模型，通过引入梯度高速公路单元模块捕捉长期的记忆依赖。2019年又由该团队提出Memory in Memory(MIM)模型，从非平稳性的角度看待时空序列预测问题，该网络在手写数字预测，降雨量预测，交通预测和人体行为预测的时空序列任务中与其他网络相比，取得了更好的效果。
[0004]以前的研究为了提高雷达回波外推的准确性，循环单元变得更加复杂，例如，PredRNN,MIM和E3D
‑
LSTM等。虽然这些模型的时空预测性能得到提升，但是，这大大增加了参数量，显存消耗和训练时间。另一方面，一些研究直接使用均方误差(MSE)或平均绝对误
差(MAE)对模型进行训练，但是每一帧回波图像的预测难度是不同的，并且预测时间靠后图像的误差更大，直接进行MSE和MAE损失计算没有考虑到预测结果的误差特点，限制了后期图像的预报性能。现有技术中存在一些基于损失函数进行预测模型优化，例如申请号为2020109616071的专利申请公开了一种基于改进的TrajGRU网络的气象雷达回波外推方法，通过增加一层雷达图形序列输入，根据所得损失函数值大小程度计算每层雷达数据的损失函数权重给予不容损失值不同的权重值。但是该方法虽然考虑到对损失函数进行权重值的设计，但主要是对两层雷达序列进行权重值的设计，并没有提高模型使用现有损失函数产生误差累积的问题。

技术实现思路

[0005]专利技术目的：本专利技术提供一种基于动态权重损失的雷达回波外推方法，通过设计一种分配给每一帧图像的动态权重优化损失函数，最终获取到较为准确的外推结果，解决现有雷达回波外推方法产生的累积误差。
[0006]技术方案：本专利技术提供一种基于动态权重损失的雷达回波外推方法，具体包括：
[0007](1)基于现有短临预报模型的预测结果构建动态损失函数，所述现有短临预报模型为采用雷达回波外推方法实现降水强度预测的模型；所述动态损失函数DWL公式为：
[0008][0009]式中，w
i
表示第i个预测时刻的动态权重；k，b，x均为超参数；表示第i个预测时刻绝对误差，表示第i个预测时刻的预测回波图像，y
i
表示第i个预测时刻的观测回波图像，i∈[1,m]，m为雷达回波序列的长度；WL
i
表示第i个预测时刻的损失，具体每个预测时刻的损失计算公式为：
[0010][0011][0012][0013]式中，表示任一预测时刻对应的加权损失函数；β表示缩小系数，γ表示放大系数；B
‑
MSE表示带有权重的MSE，B
‑
MAE表示带有权重的MAE,L
ssim
＝1
‑
SSIM，SSIM表示结构相似性函数；R
t,h,w
表示像素坐标为(t,h,w)的标签反射率，表示像素坐标为(t,h,w)的预测反射率，weight
t,h,w
表示像素坐标为(t,h,w)的权重；
[0014](2)采集雷达回波数据并建立雷达回波外推数据集，将雷达回波外推数据集按照一定比例划分为训练集与验证集；
[0015](3)将训练集数据输入短临预报模型进行模型训练，获取动态损失函数优化短临预报模型，将验证集数据输入优化后的短临预报模型获取预测结果。
[0016]进一步的，步骤(1)中现有短临预报的模型包括：ConvLSTM模型、TrajGRU模型、
PredRNN模型。
[0017]进一步的，步骤(1)中weight
t,h,w
具体公式为：
[0018][0019]进一步的，步骤(1)中SSIM具体公式为：
[0020][0021]式中，μ
Y
表示真实值的均值，表示预测值的均值；表示真实值与预测值的协方差，用于衡量图像的结构相似度；σ
Y
表示真实值的方差；表示预测值的方差，用于估计图像的对比度；C1、C2均为常数。
[0022]进一步的，步骤(3)中k＝b＝1，x＝e。
[0023]此外，本专利技术还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态权重损失的雷达回波外推方法，其特征在于，包括以下步骤：(1)基于现有短临预报模型的预测结果构建动态损失函数，所述现有短临预报模型为采用雷达回波外推方法实现降水强度预测的模型；所述动态损失函数DWL公式为：式中，w
i
表示第i个预测时刻的动态权重；k，b，x均为超参数；表示第i个预测时刻绝对误差，表示第i个预测时刻的预测回波图像，y
i
表示第i个预测时刻的观测回波图像，i∈[1，m]，m为雷达回波序列的长度；WL
i
表示第i个预测时刻的损失，具体每个预测时刻的损失计算公式为：刻的损失计算公式为：刻的损失计算公式为：式中，表示任一预测时刻对应的加权损失函数；β表示缩小系数，γ表示放大系数；B
‑
MSE表示带有权重的MSE，B
‑
MAE表示带有权重的MAE，L
ssim
＝1
‑
SSIM，SSIM表示结构相似性函数；R
t，h，w
表示像素坐标为(t，h，w)的标签反射率，表示像素坐标为(t，h，w)的预测反射率，weight
t，h，w
表示像素坐标为(t，h，w)的权重；(2)采集雷达回波数据并建立雷达回波外推数据集，将雷达回波外推数据集按照一定比例划分为训练集与验证集；(3)将...

【专利技术属性】
技术研发人员：耿苏桐，张永宏，马光义，谢东林，赵华俊，逯焕宇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：