【技术实现步骤摘要】
一种基于卷积的降雨预测方法
[0001]本专利技术属于降雨预报领域，具体涉及一种基于卷积的降雨预测方法。
技术介绍
[0002]准确的降水预报不仅可以为人们的日常生活提供便利，而且有助于防灾减灾。目前用于降水预报的通用操作系统是数值天气预报（Numerical Weather Prediction, NWP）模型。NWP是一种考虑各项复杂因素（地形和非绝热加热等物理过程），通过具有函数预报未来天气的方法。这意味着NWP方法计算复杂、公式化和规律化严重，反而会限制降水预报的准确性。随着降水研究的不断深入，深度神经网络技术凭借着优秀的特征提取能力和自动学习模式特征的优势被逐步引用于降水领域。
[0003]基于深度学习的降雨预报有着广泛应用前景，目前它大多数使用单一的观测到的雷达或卫星图像来学习非线性函数实现降水预报。然而，降雨是整个天气系统相互作用的结果，会受到其他环境因子（如风、地势、温度、气压等）的影响。为提高预测精度，多模态融合技术被提出用于降水预报领域。相对而言，针对多模态降雨预测这一研究领域的工作成果还较少；而...
【技术保护点】
【技术特征摘要】
1.一种基于卷积的降雨预测方法，其特征在于，包括以下步骤：S1、获取降雨和风数据，并对其进行处理，得到二维信息；S2、将二维信息输入多模态融合结构，得到经过信息补充后的降雨特征图；S3、将降雨特征图输入UNet模型，得到降水强度分类结果，完成降雨预测；所述S3中，根据UNet模型得到降水强度分类结果的方法具体为：S31、对降雨特征图进行连续四次的最大池化下采样、深度可分离卷积、批量归一化和Relu处理，得到第一特征图，且每次最大池化下采样前均进行卷积注意力处理，生成中间特征图；S32、将第一特征图进行卷积注意力处理，得到第二特征图；S33、将第二特征图进行连续四次的双线性上采样和深度可分离卷积处理，得到第三特征图，且在每次双线性上采样处理过程中通过跳跃链接的长短期记忆网络模块将中间特征图拼接到生成的特征图上；S34、将第三特征图经过1*1的卷积操作得到降水强度分类结果。2.根据权利要求1所述的基于卷积的降雨预测方法，其特征在于，所述二维信息包括累积降雨量图、从西到东的风速图和从南到北的风速图；所述S1包括以下分步骤：S11、通过Z
‑
R关系算法将降雨数据转换为累积降雨量图；其中，所述降雨数据为间隔5分钟时间步长的雷达反射率，所述累积降雨量图的空间分辨率为0.01度；S12、通过三角函数方法将风数据转换为从西到东的风速图和从南到北的风速图；其中，所述风数据为间隔5分钟的风速和风向，所述从西到东的风速图和从南到北的风速图的空间分辨率为0.01度。3.根据权利要求2所述的基于卷积的降雨预测方法，其特征在于，所述S2中，多模态融合结构包括依次连接的卷积通道和Concat层，所述卷积通道包括第一channel通道、第二channel通道和第三channel通道，所述第一~第三channel通道均与所述Concat层连接；其中，所述第一~第三channel通道均设置有3*3的卷积核。4.根据权利要求3所述的基于卷积的降雨预测方法，其特征在于，所述S2包括以下分步骤：S21、将累积降雨量图、从西到东的风速图和从南到北的风速图分别输入至第一~第三channel通道中进行卷积操作，得到第四~第六特征图；S22、将第四~第六特征图输入Concat层中进行累加堆叠操作，得到降雨特征图。5.根据权利要求1所述的基于卷积的降雨预测方法，其特征在于，所述S3中，深度可分离卷积处理的方法具体为：将深度可分离卷积处理的特征图依次输入两个深度可分离卷积模块，得到深度可分离卷积处理结果，其中，每个深度可分离卷积模块包括相互连接的逐通道卷积和逐点卷积。6.根据权利要求1所述的基于卷积的降雨预测方法，其特征在于，所述S3中，卷积注意力处理的方法具体为：将卷积注意力处理的特征图作为第一输入特征图，将第一输入特征图输入卷积注意力模块，得到卷积注意力处理结果，其中，所述卷积注意力模块包括相互连接的通道注意力子
模块和空间注意力子模块；得到卷积注意力处理结果的方法具体为：SA1、将第一输入特征图输入至通道注意力子模块，得到通道注意力特征图；SA2、将通道注意力特征图输入至空间注意力子模块，得到二维空间注意力图；SA3、根据二维空间注意力图和通道注意力特征图与第一输入特征图进行叉乘计算，得到卷积注意力处理结果。7.根据权利要求6所述的基于卷积的降雨预测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：邹茂扬，范鈡月，杨昊，陈敏，
申请(专利权)人：成都信息工程大学，
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。