基于双区域位置先验和全局时空表示的短临降水预报方法技术

本发明专利技术公开了一种基于双区域位置先验和全局时空表示的短临降水预报方法，包括：获取设定时间段内指定区域的短临降水分布数据，并进行预处理，得到预处理数据；将预处理数据输入构建的基于双区域位置先验和全局时空表示的短临降水预报模型，输出指定区域在未来设定时间段内的降水分布。本发明专利技术能够统筹降水区域和非降水区域的数据特征，提高短临降水的预报准确度。准确度。准确度。

【技术实现步骤摘要】
基于双区域位置先验和全局时空表示的短临降水预报方法


[0001]本专利技术属于短临降水预报
，具体涉及一种基于双区域位置先验和全局时空表示的短临降水预报方法。

技术介绍

[0002]降水是指地面从大气中获得的水汽凝结物的过程，包括但不限于雨、雪、露、霜等多种形式。降水受到多方面因素的影响，比如地理位置、大气环流、天气系统条件等。短临降水是降水的表现之一，是指短时间内发生的强降雨现象。该现象的发生可能会引起洪涝、城市积水和山体滑坡等，对人类的生产生活带来不便甚至危害。因此精确的临近降水预报的研究很有必要。临近降水预报分为两大类：传统方法类和深度学习类。传统方法的典型代表是光流法。因为光流法可以用来描述相对于观察者的运动所造成的观测目标、表面或边缘的运动。因此，许多预报方法借助光流法和依靠数学理论和大气相关知识用于短临降水预报工作。但是传统算法无法提取和利用难以直接观测的细微降水特征(即，细节特征和语义特征)，从而导致了预报的准确度低。因此能捕捉降水细节特征和语义特征的深度学习方法成为了短临降水预报的主流。深度学习中常用的卷积单元拥有强大的学习能力，可以利用其平移不变性和感受野的性质用于提取更多特征以建立高度拟合非线性、随机性和复杂性数据的模型。目前基于深度学习的短临降水预报的成果丰富，具体地说，PreRANN将ST
‑
LSTM嵌入RNN网络从而达到了对时空信息的建模和学习。PredRANN则是在PreRANN的基础上采取了融入注意力机制的方式提高降水特征的学习能力。Motion方法则是对GRU模块的重新设计，融入了运动的趋势信息和瞬时变量提高了对降水区域的预测准确度。但是这些方法对于非降水区域的关注不够从而未能统筹存在互补关系的双区域，也未能从全局的角度预测降水区域的结构，导致了检测性能受到限制。

技术实现思路

[0003]为解决现有技术中的不足，本专利技术提供一种基于双区域位置先验和全局时空表示的短临降水预报方法，能够统筹降水区域和非降水区域的数据特征，提高短临降水的预报准确度。
[0004]为达到上述目的，本专利技术所采用的技术方案是：
[0005]第一方面，提供一种短临降水预报方法，包括：获取设定时间段内指定区域的短临降水分布数据，并进行预处理，得到预处理数据；将预处理数据输入构建的基于双区域位置先验和全局时空表示的短临降水预报模型，输出指定区域在未来设定时间段内的降水分布。
[0006]进一步地，所述短临降水分布数据为多普勒雷达回波外推数据。
[0007]进一步地，所述预处理包括缩放、特征标准化和尺寸归一化。
[0008]进一步地，所述基于双区域位置先验和全局时空表示的短临降水预报模型，包括位置预测模块和全局时空结构预测模块；基于双区域位置先验和全局时空表示的短临降水
预报模型通过卷积层和循环层首先对输入的预处理数据进行特征提取，生成对应的特征图；然后通过矩阵变换从特征图中剥离出降水区域的特征图和非降水区域的特征图；将降水区域的特征图和非降水区域的特征图分别输入至对应的位置预测模块中，获得与降水区域和非降水区域对应的下一帧的位置先验知识；再将两种位置先验知识融合成双区域位置的先验知识，并输入到全局时空结构预测模块中以完善双区域全局结构；最后全局时空结构预测模块的输出结果经过编码和解码操作来预测降水分布。
[0009]进一步地，所述基于双区域位置先验和全局时空表示的短临降水预报模型，包括多个不同时间节点的神经网络结合体；每一个时间节点的神经网络结合体的作用是输入当前帧的降水分布通过一系列优化和特征提取以预测输出下一帧的降水分布；同时，该时间节点的预测结果会输入到下一时间节点的网络中，构成循环神经网络用以捕捉位移和时空信息；在每一个时间节点的神经网络结合体中包含有五层组合块，每一层组合块均是双区域位置预测模块
‑
全局时空结构预测模块
‑
编码层
‑
解码层的结构。
[0010]进一步地，所述基于双区域位置先验和全局时空表示的短临降水预报模型，采用L1+L2形式的损失函数：
[0011][0012]其中，Loss表示损失函数，y
i
表示预测分布，表示标签，n表示特征图中像素点个数，i表示像素点。
[0013]进一步地，所述基于双区域位置先验和全局时空表示的短临降水预报模型的训练方法，包括：收集设定时间段内某一区域内的短临降水分布数据从而构建原始数据集；将原始数据集进行预处理，并按设定比例划分为训练集和测试集；将训练集输入所述基于双区域位置先验和全局时空表示的短临降水预报模型中，通过卷积层和循环层首先对输入的训练集进行特征提取，生成对应的特征图；然后通过矩阵变换从特征图中剥离出降水区域的特征图和非降水区域的特征图；将降水区域的特征图和非降水区域的特征图分别输入至对应的位置预测模块中，获得与降水区域和非降水区域对应的下一帧的位置先验知识；再将两种位置先验知识融合成双区域位置的先验知识，并输入到全局时空结构预测模块中以完善双区域全局结构；最后全局时空结构预测模块的输出结果经过编码和解码操作来预测降水分布，并受到损失函数的监督用以更新模型参数；将测试集输入到已训练完毕的基于双区域位置先验和全局时空表示的短临降水预报模型中，用于验证训练结果。
[0014]进一步地，所述训练集中的单个样本包含有两个部分：学习帧和预测帧；学习帧作为先导知识为模型提供基准和对应条件下的降水分布特征，预测帧作为标签用以搭配损失函数来监督模型对于降水分布的预测，进而指导网络模型学习。
[0015]第二方面，提供一种短临降水预报装置，包括：数据预处理模块，用于获取设定时间段内指定区域的短临降水分布数据，并进行预处理，得到预处理数据；降水预报模块，用
于将预处理数据输入构建的基于双区域位置先验和全局时空表示的短临降水预报模型，输出指定区域在未来设定时间段内的降水分布。
[0016]与现有技术相比，本专利技术所达到的有益效果：本专利技术通过获取设定时间段内指定区域的短临降水分布数据，并进行预处理，得到预处理数据；将预处理数据输入构建的基于双区域位置先验和全局时空表示的短临降水预报模型，输出指定区域在未来设定时间段内的降水分布；能够统筹降水区域和非降水区域的数据特征，提高短临降水的预报准确度。
附图说明
[0017]图1是本专利技术实施例提供的一种基于双区域位置先验和全局时空表示的短临降水预报方法的主要流程示意图；
[0018]图2是本专利技术实施例中基于双区域位置先验和全局时空表示的短临降水预报模型的结构框图；
[0019]图3是使用本专利技术实施例提供的一种基于双区域位置先验和全局时空表示的短临降水预报方法进行短临降水预报的预报结果示意图，其中，(a)是输入预报模型的真实雷达回波图，(b)是模型待预测的第6
‑
10帧真实值，(c)是模型预测的第6
‑
10帧结果，(d)是模型待预测的第11
‑
15帧真实值，(e)是模型预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短临降水预报方法，其特征在于，包括：获取设定时间段内指定区域的短临降水分布数据，并进行预处理，得到预处理数据；将预处理数据输入构建的基于双区域位置先验和全局时空表示的短临降水预报模型，输出指定区域在未来设定时间段内的降水分布。2.根据权利要求1所述的短临降水预报方法，其特征在于，所述短临降水分布数据为多普勒雷达回波外推数据。3.根据权利要求1所述的短临降水预报方法，其特征在于，所述预处理包括缩放、特征标准化和尺寸归一化。4.根据权利要求1所述的短临降水预报方法，其特征在于，所述基于双区域位置先验和全局时空表示的短临降水预报模型，包括位置预测模块和全局时空结构预测模块；基于双区域位置先验和全局时空表示的短临降水预报模型通过卷积层和循环层首先对输入的预处理数据进行特征提取，生成对应的特征图；然后通过矩阵变换从特征图中剥离出降水区域的特征图和非降水区域的特征图；将降水区域的特征图和非降水区域的特征图分别输入至对应的位置预测模块中，获得与降水区域和非降水区域对应的下一帧的位置先验知识；再将两种位置先验知识融合成双区域位置的先验知识，并输入到全局时空结构预测模块中以完善双区域全局结构；最后全局时空结构预测模块的输出结果经过编码和解码操作来预测降水分布。5.根据权利要求4所述的短临降水预报方法，其特征在于，所述基于双区域位置先验和全局时空表示的短临降水预报模型，包括多个不同时间节点的神经网络结合体；每一个时间节点的神经网络结合体的作用是输入当前帧的降水分布通过一系列优化和特征提取以预测输出下一帧的降水分布；同时，该时间节点的预测结果会输入到下一时间节点的网络中，构成循环神经网络用以捕捉位移和时空信息；在每一个时间节点的神经网络结合体中包含有五层组合块，每一层组合块均是双区域位置预测模块
‑
全局时空结构预测模块
‑
编码层
‑
解码层的结构。6.根据权利要求5所述的短临降...

【专利技术属性】
技术研发人员：潘泽锋，杭仁龙，袁晓彤，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：