基于多尺度时空一致性的短临降雨预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于多尺度时空一致性的短临降雨预测方法和装置，方法包括：利用获得的降雨时序特征对空间分布特征进行编码约束，获得降雨时空融合特征；利用多尺度时空一致性监督，对不同尺度下的降雨时空融合特征数据进行高斯分布拟合，将不同尺度下特征之间的差异性作为监督损失；利用近邻差一致性，对获取的预测降雨图中的邻近雨像素进行相互约束，保证局部降雨的关联性；在特征图级别和像素级别分别计算损失函数，并与一致性监督损失以及近邻差一致性损失相加作为全局损失，用于神经网络的优化训练，得到最佳短临降雨预测模型用于短临降雨的预测。装置包括：处理器和存储器。本发明专利技术实现了对短临降雨的有效预测，提高了灾害预警能力。害预警能力。害预警能力。

【技术实现步骤摘要】
基于多尺度时空一致性的短临降雨预测方法和装置


[0001]本专利技术涉及计算机视觉及短临降雨预测领域，尤其涉及一种基于多尺度时空一致性的短临降雨预测方法和装置。

技术介绍

[0002]短临降雨预报是指利用雷达回波、数值模式、自动站等气象观测数据对短时临近(0～6小时)的降雨、对流等天气现象进行公里的定量预报
[1]。随着海洋气候变化的加剧，极端降雨事件发生频率不断增加，强度不断升级。极端强降水在沿海和内陆地区引发了严重暴雨洪涝灾害，对农业、交通、通讯等方面都有着重要影响，造成了严重的经济损失和人员伤亡。对局部地区强降水、短时大风等强对流天气进行短临预报，对建立灾害预警机制具有重要意义。
[0003]传统短临降雨的预测方法通常是采用基于大气实况的数值模拟方法，通过数值计算求解支配大气运动的动力学和热力学方程组，实现对降水的预测。
[0004]由于大气是一个高度复杂的混沌系统，基于动力学建模的相关方程非常复杂，计算量巨大，难以快速预测。

技术实现思路

[0005]本专利技术提供了一种基于多尺度时空一致性的短临降雨预测方法和装置，本专利技术解决了现有技术对区域降雨时空特征挖掘不充分、预测速度慢、精度低以及预测不够准确的问题，进而实现了对短临降雨的有效预测，提高了灾害预警能力，详见下文描述：
[0006]第一方面、一种基于多尺度时空一致性的短临降雨预测方法，所述方法包括：
[0007]利用获得的降雨时序特征对空间分布特征进行编码约束，获得降雨时空融合特征；
[0008]利用多尺度时空一致性监督，对不同尺度下的降雨时空融合特征数据进行高斯分布拟合，将不同尺度下特征之间的差异性作为监督损失；
[0009]利用近邻差一致性，对获取的预测降雨图中的邻近雨像素进行相互约束，保证局部降雨的关联性；
[0010]在特征图级别和像素级别分别计算损失函数，并与一致性监督损失以及近邻差一致性损失相加作为全局损失，用于神经网络的优化训练，得到最佳短临降雨预测模型用于短临降雨的预测。
[0011]第二方面、一种基于多尺度时空一致性的短临降雨预测装置，所述装置用于执行第一方面所述的方法步骤，所述装置包括：
[0012]多尺度的时空特征提取模块，用于获得不同尺度下由浅及深的降雨时序和空间分布特征；
[0013]降雨时空融合模块，利用时序约束空间编码操作，用具有降雨时序信息的特征对降雨空间位置信息的特征进行编码约束，获得降雨时空融合特征；
[0014]多尺度时空一致性监督模块，对不同尺度下降雨时空融合特征数据进行高斯分布拟合，多尺度特征之间的差异性作为辅助损失用于一致性监督；
[0015]区域降雨预测模块，将深层抽象低精度的降雨时空融合特征变为深层抽象高精度特征，并与浅层高精度特征进行融合，生成包含全局特征的降雨图，进行区域降雨预测。
[0016]第三方面、一种基于多尺度时空一致性的短临降雨预测装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
[0017]本专利技术提供的技术方案的有益效果是：
[0018]1、本专利技术克服了传统数值模拟需要复杂的建模以及需要庞大计算力的缺点，从纯数据驱动的角度解决气象混沌问题；
[0019]2、本专利技术从降雨时序和空间两个方面生成多尺度特征图，挖掘降雨的细节特征和抽象特征，利用互协方差注意力实现长距离空间建模，有效弥补了RNN(循环神经网络)难以长距离空间建模，Transformer(纯注意力机制)需要庞大的计算资源的缺点；利用时序约束空间编码操作，用具有降雨时序信息的特征对降雨空间位置信息的特征进行编码约束，加强了时空特征融合；提高短临预测能力并且在实际应用中可以快速部署；
[0020]3、本专利技术利用多尺度时空一致性监督，多尺度降雨时空融合特征之间的差异性作为辅助损失用于一致性监督，弥补了多尺度特征之间的语义鸿沟，提高了特征的表征能力。
[0021]因此，本专利技术能够充分学习挖掘降雨的时序和空间信息，细节和抽象信息，减少所需的计算资源，提升降雨预测准确性、精度以及速度，进而满足人们对天气预报的需求，监测短临强降雨，实现对自然灾害预警。
附图说明
[0022]图1为一种基于多尺度时域一致性的短临降雨预测方法的流程图；
[0023]图2为多尺度时域一致性的短临降雨预测网络结构图；
[0024]图3为时序约束空间编码结构图；
[0025]图4为一种基于多尺度时空一致性的短临降雨预测装置的结构示意图。
具体实施方式
[0026]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。
[0027]近年来，基于数据驱动的深度学习发展迅速，同时观测卫星、雷达和传感器网络提供了海量气象数据，因此天气预报和深度学习具有天然耦合的关系。基于深度学习短临降雨预报相对传统的数值预报在时效性以及分辨率上有明显优势，此外深度学习还可以基于专家的知识经验，提高平均预测水平以及利用统计与数值模式中无法利用的抽象预报知识等。目前，基于深度学习的短临降雨预测模型主要分为三类：一是时序预测模型，将短临降水预报视为一个时空序列预测问题，常用的网络结构，例如：ConvLSTM(卷积长短期记忆网络)、ConvGRU(卷积门控循环单元)、TrajGRU(轨迹门控循环单元)
[2][3][4]等，有效挖掘了降雨信息的时序特性但难以实现空间信息长距离建模；二是基于UNet(U型网络)的预测模型，将短临降水预报视为图生图问题，例如：SmaAt
‑
UNet(小型注意力U型网络)和AA
‑
TransUNet
(注意力监督的TransUNet)
[5][6][7]，融合全局空间信息，但对时序关系没有进行显式建模且多尺度间存在信息损失问题；三是基于Transformer的预测模型，可实现长距离建模，但需要大量的计算资源。
[0028]深度学习在气象领域中有着良好的应用前景，针对已有数据的时间和空间特征，设计合适的深度学习网络，可以提高短临降雨预测的准确性、精确性和及时性，有效防范自然灾害，保护人民的生命财产安全。
[0029]实施例1
[0030]一种基于多尺度时空一致性的短临降雨预测方法，参见图1，该短临降雨预测方法包括以下步骤：
[0031]101：基于雷达回波图生成的降雨图，分别对时序和空间两方面进行建模，通过多次降低分辨率以及调整通道数获取不同尺度下由浅及深的降雨时序特征和空间分布特征；
[0032]102：利用获得的降雨时序特征对空间分布特征进行编码约束，获得降雨时空融合特征；
[0033]103：利用多尺度时空一致性监督，对不同尺度下的降雨时空融合特征数据进行高斯分布拟合，将不同尺度下特征之间的差异性作为监督损失进行一致性监督，提高多尺度降雨时空融合特征的表征能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度时空一致性的短临降雨预测方法，其特征在于，所述方法包括：利用获得的降雨时序特征对空间分布特征进行编码约束，获得降雨时空融合特征；利用多尺度时空一致性监督，对不同尺度下的降雨时空融合特征数据进行高斯分布拟合，将不同尺度下特征之间的差异性作为监督损失；利用近邻差一致性，对获取的预测降雨图中的邻近雨像素进行相互约束，保证局部降雨的关联性；在特征图级别和像素级别分别计算损失函数，并与一致性监督损失以及近邻差一致性损失相加作为全局损失，用于神经网络的优化训练，得到最佳短临降雨预测模型用于短临降雨的预测。2.根据权利要求1所述的一种基于多尺度时空一致性的短临降雨预测方法，其特征在于，所述降雨时序特征的获取具体为：对输入的多帧降雨图按时序编码，按距离预测降雨图的远近，赋予输入的多帧降雨图不同权重，并作为时序信息进行编码，通过卷积层将经编码的多帧降雨图数据映射为多尺度高维特征，生成与降雨空间分布特征S
i
相应尺度的降雨时序特征图。3.根据权利要求1所述的一种基于多尺度时空一致性的短临降雨预测方法，其特征在于，所述获得降雨时空融合特征具体为：利用时序约束空间编码操作，用具有降雨时序信息的特征对降雨空间位置信息的特征进行编码约束，获得降雨时空融合特征。4.根据权利要求1所述的一种基于多尺度时空一致性的短临降雨预测方法，其特征在于，所述将不同尺度下特征之间的差异性作为监督损失为：尺度间特征差异度量公式为：其中，i表示第i层尺度，j表示第j层尺度；将各尺度间的差异量累积，利用监督损失进行梯度回传，对网络参数进行更新，监督损失为：其中，p
i
(x)为第i层特征的概率密度函数；p
j
(x)为第j层特征的概率密度函数；D为尺度间特征差异度量公式。5.根据权利要求4所述的一种基于多尺度时空一致性的短临降雨预测方法，其特征在于，所述近邻差一致性损失为：对预...

【专利技术属性】
技术研发人员：李文辉，周颖，宋丹，刘安安，魏志强，聂婕，丁群安，李壮，潘晓驹，
申请(专利权)人：天津大学，
类型：发明
国别省市：