一种基于多模态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多模态的雷达回波外推方法，包括：雷达基数据预处理：读取雷达基数据并进行数据预处理，对数据处理后的归一化灰度数据进行裁剪和标记并划分数据集；构造并训练雷达回波外推模型：使用卷积长短期记忆网络ConvLSTM(Convolutional Long

【技术实现步骤摘要】
一种基于多模态的雷达回波外推方法


[0001]本专利技术属于大气探测中地面气象观测
，尤其涉及一种基于多模态的雷达回波外推方法。

技术介绍

[0002]天气雷达回波外推是指给定历史回波序列，预测未来0
‑
6小时内回波形态、强度、分布等状态和属性，根据外推结果，预报人员可对强降水、冰雹、飑线及龙卷等强对流天气进行预报，因此雷达回波外推是强对流天气短临预报的最重要和基础手段之一
[0003]传统的回波外推方法如质心追踪法、光流法等主要基于运动跟踪的思想，受回波外推模型复杂度的限制，在预报时效和准确性等方面仍有不足。如基于单体的质心追踪法，通过拟合质心坐标的位置，获得质心的运动矢量，从而实现对单体的跟踪和预测；基于区域的交叉相关法通过使用若干子区域对回波图像进行分割操作，计算子区域的运动矢量场，通过求解相关系数确定回波子区域的运动矢量，进而外推回波的运动和形变；光流法起源于计算机视觉领域，通过求解带约束条件的光流方程，得到连续回波的光流场，基于光流场可间接得到回波的运动矢量。总的来说，质心追踪法需要首先识别风暴单体，适用于强回波单体外推的情形；交叉相关法难以准确估计强对流系统快速的运动和剧烈演变，适用于对流云或层状云等一般或混合性降水系统外推的情形；光流法假定连续回波在时序上亮度固定，且假定区域移速较缓，适用于变化平缓的天气系统。传统方法的基本思路为先估计回波运动的矢量场，然后通过时序图像间的差异预测回波运动，但外推强对流系统的复杂演变仍有较大局限，尤其难以应用于不同类型的强对流天气系统。<br/>[0004]近年来，随着计算机硬件的迅速发展和大规模训练数据的出现，深度学习通过学习数据的多层抽象表征，训练可完成端到端任务的深度模型，在计算机视觉、自然语言处理等领域得到广泛应用。作为一种数据驱动的方法，基于深度学习的雷达回波外推不仅能够学习历史数据中数据的有效表征，还可以通过卷积等操作在时空范围内进行多尺度分析推理，其建模能力和应用潜力均强于传统的雷达回波外推方法。在雷达回波外推问题中，有大量的雷达探测数据可用于训练，长期积累的历史雷达回波数据也隐含了雷达回波的变化规律，因此从深度学习的观点出发，可以通过训练合理的神经网络模型来解决这一难题。在众多神经网络模型中，卷积长短期记忆网络ConvLSTM(Convolutional LSTM Network)，通过将部分全连接操作替换为卷积运算，不仅能够保持LSTM较强的时序信息处理能力，还增强了空间特征提取能力，是解决时空序列学习问题的有效模型之一。但目前基于深度学习的雷达回波外推主要针对反射率因子进行外推，而单一的反射率因子不能够完全反映大气中粒子的性质和分布状态，有效利用多种雷达产品的相关性和互补性，存在预测准确性低的问题。
[0005]基于ConvLSTM网络结构，为提高雷达回波外推的准确度和预报时效，针对雷达回波的运动变化特点，设计基于多模态的雷达回波外推网络，该网络由编码层、特征融合层、预测层、状态融合层和解码层组成，特征融合层由卷积长短期记忆模型和注意力模块组成，
通过融合多模态特征建模多种雷达产品的相关性和互补性，解决外推准确性低和有效时长短的问题。
[0006]训练后的网络能够有效利用雷达多模态数据的相关性和互补性，记忆回波非线性运动、生消演变等特征，从历史回波数据中充分学习雷达回波运动变化规律，对于提高雷达回波外推精确度和预报时效具有重要意义。

技术实现思路

[0007]专利技术目的：本专利技术所要解决的技术问题是针对现有的雷达回波外推方法的准确度低、预报时效短，提出了一种基于多模态(Multi
‑
Modality)的雷达回波外推方法，实现对雷达回波的外推预测，包括以下步骤：
[0008]步骤1，雷达基数据预处理：读取组合反射率因子CR、垂直累积液态水含量VIL、回波顶高TOP的雷达基数据并进行数据预处理，对数据处理后得到的归一化灰度数据进行裁剪和标记，并划分成训练样本集、验证样本集和测试样本集；
[0009]步骤2，训练雷达回波外推模型：初始化网络模型，对步骤1得到的组合反射率因子CR、垂直累积液态水含量VIL、回波顶高TOP样本集提取多模态数据特征并进行特征融合，使用融合特征训练ConvLSTM网络，训练完成后保存网络参数；
[0010]步骤3，测试模型：将测试样本集中的数据输入到步骤2训练好的网络模型中，最终得到预测的雷达回波图像。
[0011]步骤1
‑
1，读取雷达基数据：根据天气雷达基数据格式，读取基数据并解码，数据起始点从左上角开始，按照列序数随经度增大而增大、行序数随纬度减小而增大写数据，得到数据块，按照文件头中数据层数和经纬坐标，将数据块转换为气象要素规整网格数据，将解码后的数据文件按文件头和数据块分别存储；
[0012]步骤1
‑
2，雷达基数据预处理：读取步骤1
‑
1中数据块，根据转换公式将存储值转换为气象要素实际值，并映射到一个灰度值区间上，然后进行归一化处理，得到归一化灰度数据；
[0013]步骤1
‑
3，数据产品处理：对于步骤1
‑
2得到的归一化灰度数据，选定主要的回波区，将归一化灰度数据裁剪为相同的尺寸，对应时刻的回波顶高和垂直累积液态水含量数据进行相同的处理；
[0014]步骤1
‑
4，数据集划分：对步骤1
‑
3得到的尺寸裁剪后的归一化灰度数据，根据实际气象要素值大小和范围设定像素阈值，标记数据并筛选出符合条件的数据序列，并根据一定的时间序列长度和滑动窗口宽度生成数据样本集，按照一定的比例将样本集划分为训练样本集、验证样本集和测试样本集。
[0015]步骤1
‑2‑
1，读取数据块和数据转换：读取步骤1
‑
1中数据块，根据雷达基数据格式说明文件中的记录值约定，将数据块存储值转换为实际值；
[0016]步骤1
‑2‑
2，灰度值映射：实际雷达拼图的覆盖经纬范围为20
°
*10
°
，经度方向分辨率为0.01
°
，纬度方向分辨率为0.01
°
，据此将步骤1
‑2‑
1中的数据块形状重整为(1000,2000)，然后将数据块数据值映射到0～255的灰度值范围内得到灰度数据P，再归一化处理得到归一化灰度数据P
′
，灰度映射公式如下：
[0017][0018][0019][0020]归一化公式如下：
[0021][0022]其中，V
CR
、V
VIL
、V
TOP
分别表示组合反射率因子实际值、垂直累积液态水含量实际值、回波顶高实际值，P
CR
、P
VIL
、P
TOP
分别表示数据映射后的组合反射率灰度值、垂直累积液态水含量灰度值、回波顶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态的雷达回波外推方法，其特征在于，包括以下步骤：步骤1，雷达基数据预处理：读取组合反射率因子CR、垂直累积液态水含量VIL、回波顶高TOP的雷达基数据并进行数据预处理，对数据处理后得到的归一化灰度数据进行裁剪和标记，并划分成训练样本集、验证样本集和测试样本集；步骤2，训练雷达回波外推模型：初始化网络模型，对步骤1得到的组合反射率因子CR、垂直累积液态水含量VIL、回波顶高TOP样本集提取多模态数据特征并进行特征融合，使用融合特征训练ConvLSTM网络，训练完成后保存网络参数；步骤3，测试模型：将测试样本集中的数据输入到步骤2训练好的网络模型中，最终得到预测的雷达回波图像。2.根据权利要求1所述的方法，其特征在于，步骤1包括以下步骤：步骤1
‑
1，读取雷达基数据：根据天气雷达基数据格式，读取基数据并解码，数据起始点从左上角开始，按照列序数随经度增大而增大、行序数随纬度减小而增大写数据，得到数据块，按照文件头中数据层数和经纬坐标，将数据块转换为气象要素规整网格数据，将解码后的数据文件按文件头和数据块分别存储；步骤1
‑
2，雷达基数据预处理：读取步骤1
‑
1中数据块，根据转换公式将存储值转换为气象要素实际值，并映射到一个灰度值区间上，然后进行归一化处理，得到归一化灰度数据；步骤1
‑
3，数据产品处理：对于步骤1
‑
2得到的归一化灰度数据，选定主要的回波区，将归一化灰度数据裁剪为相同的尺寸，对应时刻的回波顶高和垂直累积液态水含量数据进行相同的处理；步骤1
‑
4，数据集划分：对步骤1
‑
3得到的尺寸裁剪后的归一化灰度数据，根据实际气象要素值大小和范围设定像素阈值，标记数据并筛选出符合条件的数据序列，并根据一定的时间序列长度和滑动窗口宽度生成数据样本集，按照一定的比例将样本集划分为训练样本集、验证样本集和测试样本集。3.根据权利要求2所述的方法，其特征在于，步骤1
‑
4包括以下步骤：步骤1
‑4‑
1，阈值法标记数据：对每一帧组合反射率因子归一化灰度数据，尺寸为X*Y，统计每帧组合反射率因子归一化灰度数据的数据值和元素数，设置回波信息的数据值和元素数的阈值，超过此阈值的归一化灰度数据帧标记为1，其他数据标记为0；对于垂直累积液态水含量和回波顶高归一化灰度数据，与标记为1的组合反射率因子归一化灰度数据同时刻的数据，也标记为1；步骤1
‑4‑
2，生成数据序列样本集：设置样本序列长度sequence_length＝20，滑动窗口宽度sliding_window_width，样本序列中前10帧的步长step
_
size_1＝1，样本序列中后10帧的步长step
_
size_2＝2，将前10帧数据作为模型输入序列input，后10帧数据作为标签序列label，样本序列sequence表示为：sequence＝{input，label}其中，其中，其中，其中，表示输入序列中第1到第10个数据，时间上连续；
表示标签序列中第1到第10个数据，时间上间隔为2；t
‑
9，t
‑
8，t
‑
7，t
‑
6，t
‑
5，t
‑
4，t
‑
3，t
‑
2，t
‑
1，t，t+2，t+4，t+6，t+8，t+10，t+12，t+14，t+16，t+18，t+20分别表示数据+6，t+8，t+10，t+12，t+14，t+16，t+18，t+20分别表示数据对应的时刻；输入序列input中第10个数据和标签序列label中第1个数据时间上间隔为2；后一序列与前一序列对应数据时间间隔为滑动窗口宽度sliding_window_width所对应的时长；其中，i表示模态类别，I表示模态集合，i∈I，I＝{CR，VIL，TOP}；第i个模态数据序列总数N
i
由如下公式确定：其中，count表示归一化灰度数据集中数据总数；从所有生成的图像序列中，筛选出含有标记为1的图像的序列，作为图像序列样本集的样本。4.根据权利要求3所述的方法，其特征在于，步骤2包括以下步骤：步骤2
‑
1，网络模型初始化：构造ConvLSTM回波外推网络各部分组成并定义模型参数，采用Orthogonal方法初始化训练参数，模型采用Adam优化器训练，初始化模型超参数，设置学习率learning_rate，训练阶段每次输入的样本数量train_batch_size、训练最大迭代次数train_max_epoch；步骤2
‑
2，多模态数据特征提取和特征融合：对输入模型的包括组合反射率因子CR、垂直累计液态水含量VIL、回波顶高TOP在内的多模态数据，通过卷积操作提取多模态特征，然后采用基于注意力的特征拼接进行特征融合；步骤2
‑
3，网络参数训练及更新：在模型训练阶段，采用批训练的方式，每次从步骤1获得的训练样本集中取一个维数为train_batch_size的训练数据输入网络，对网络参数进行训练和优化，训练过程中的参数记为卷积核中的权重w和偏置b，通过误差反向传播算法进行参数学习；当数据集每迭代一轮，使用验证样本集评估当前模型效果，优化超参数设置。5.根据权利要求4所述的方法，其特征在于，步骤2
‑
1包括以下步骤：步骤2
‑1‑
1，构造编码器C1：编码器C1为一个卷积层，C1层输出特征图数量OutputMaps
C1
＝8，输出特征图的宽度OutputSize
C1
＝51，C1层卷积核尺寸KernelSize
C1
＝7，卷积步长Stride
C1
＝5，填充补零尺寸Padding
C1
＝1；步骤2
‑1‑
2，构造序列编码层C2：序列编码层C2包括前后两个ConvLSTM层，分别记为ConvLSTM1和ConvLSTM2，ConvLSTM1层和ConvLSTM2层各包含10个单元10个单元T时刻的数据分别对应T时刻的数据分别对应其中T∈{t
‑
9，t
‑
8，t
‑
7，t
‑
6，t
‑
5，t
‑
4，t
‑
3，t
‑
2，t
‑
1，t}；
对时刻T的的输出，作为的输入；ConvLSTM单元卷积核尺寸KernelSize
Conv
＝3，输出特征图数量OutputMaps
conv
＝64，输出特征图宽度OutputSize
conv
＝＝51；步骤2
‑1‑
3，构造预测层P1：预测层P1包括前后两个ConvLSTM层，分别记为ConvLSTM3和ConvLSTM4，ConvLSTM3层和ConvLSTM4层各包含10个单元10个单元T
′
时刻的数据分别对应时刻的数据分别对应其中T
′
∈{t+2，t+4，t+6，t+8，t+10，t+12，t+14，t+16，t+18，t+20}；对时刻T
′
的的输出，作为的输入；ConvLSTM单元卷积核尺寸KernelSize
Conv
＝＝3，输出特征图数量OutputMaps
conv
＝64，输出特征图宽度OutputSize
conv
＝51；步骤2
‑1‑
4，构造状态融合层F1：状态融合层F1为一个卷积层，F1层的输入特征图数量为InputMaps
F1
＝128，卷积核尺寸KernelSize
F1
＝1，输出特征图数量OutputMapS
F1
＝8；步骤2
‑1‑
5，构造解码器T1：解码器T1为一个反卷积层，T1层的输入特征图数量为InputMaps
T1
＝8，T1层卷积核尺寸KernelSize
T1
＝7，反卷积步长Stride
T1
＝5，输出图像数OutputMaps
T1
＝1，填充补零尺寸Padding
T1
＝1，输出数据尺寸OutputSize
T1
＝256*256。6.根据权利要求5所述的方法，其特征在于，步骤2
‑
2包括以下步骤：步骤2
‑2‑
1，多模态数据特征提取：对于步骤1
‑4‑
3得到的多模态数据样本集，对每一个样本序列I＝{CR，VIL，TOP}，通过步骤2
‑1‑
1中编码器C1的卷积操作分别提取组合反射率因子CR、垂直累积液态水含量VIL、回波顶高数据特征TOP，得到特征序列编码器C1通过将输入样本帧与对应卷积核卷积，卷积结果加上偏置参数再经过ReLU(
·
)函数激活，输出编码特征计算公式如下：其中，为输入样本帧，为输出编码特征，为卷积核，为偏置参数，*表示卷积运算，ReLU(
·
)为修正线性单元激活函数；分别记组合反射率因子特征序列为记垂直累积液态水含量和回波顶高特征序列为其中M＝{CR}、N＝{VIL，TOP}；步骤2
‑2‑
2，特征融合：特征融合策略采用基于注意力的特征拼接：基于注意力模块CBAM，将组合反射率因子特征序列与垂直累积液态水含量特征序列或回波顶高特征序列分别经过通道注意力单元CAM和空间注意力单元SAM进行注意力加权，然后对特征图进行拼接。7.根据权利要求6所述的方法，其特征在于，步骤2
‑2‑
2包括以下步骤：步骤2
‑2‑2‑
1，计算通道注意力：记组合反射率因子特征序列为记垂直累积液态水含量和回波顶高特征序列为对...

【专利技术属性】
技术研发人员：裴延乐，李骞，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：