一种融合自注意力模块与Unet模型的短时强降水预报方法技术

本发明专利技术公开了一种融合自注意力模块与Unet模型的短时强降水预报方法，属于气象卫星领域；具体包括：首先，收集GFS预报数据和GPM

【技术实现步骤摘要】
一种融合自注意力模块与Unet模型的短时强降水预报方法


[0001]本专利技术属于气象卫星领域，尤其涉及一种融合自注意力模块与Unet模型的短时强降水预报方法。

技术介绍

[0002]强降水是一种作用时间短暂、爆发强烈、灾害严重的区域性天气，而短时强降水是指每小时降水量不低于20mm的降水，是一种极端天气，主要由超级单体和中尺度对流系统(MCS)造成，具有局地性强，发展快，历时短和破坏性大等特点，由于在短时间内形成大量降水，会危害军事安全和人民生活财产安全。因此，以精细的空间和时间分辨率对降水量，尤其是强降水量进行可靠的估计，对于许多水文应用至关重要，包括制定水资源管理和规划战略、开发预警系统以及气候研究。短时强降水的准确预报可以避免重大经济损失，减少不必要的麻烦。此外，强降水天气的有效预报也可以为其他恶劣天气的估计与预报提供参考。
[0003]GFS(全球预报系统)是美国国家海洋和大气管理局(NOAA)开发的一种先进的数值天气预报系统，可以提供全球范围内的天气预报和气象数据。GFS预报系统使用大量的气象观测数据和计算机模型，进行高精度的天气预报和气象数据分析。它可以提供从几小时到数天的天气预报和气象数据，并在很大程度上影响着全球各个领域的决策和规划。
[0004]卫星遥感是目前能够实现全球范围降水观测的唯一手段，气象卫星在地球的上空观测，不受地理和自然条件限制，各国气象部门积极研发属于自己的定量降水产品，具有代表性的基于卫星观测的全球降水产品包括：PERSIANN、PERSIANN
‑/>CCS、CHIRPS、TRMM、CMORPHGPM
‑
IMERG以及中国气象卫星的定量降水估计产品，
[0005]其中，GPM
‑
IMERG降水数据，即经过处理和校正后的GPM卫星的最终降水产品，具有较高的时间分辨率和空间分辨率，IMERG随季节以及降水类型、结构和强度而变化，适用于科学研究和应用。
[0006]动态天气模型的输出是强降水潜势预报的主要数据来源，利用GFS预报数据与GPM降水真值构建强降水数据训练集，进行短时强降水预报训练可以获得高校且准确的深度学习模型。

技术实现思路

[0007]本专利技术针对短时强降水预报不准确的现象，提供了一种融合自注意力模块与Unet模型的短时强降水预报方法，通过使用GFS预报数据和GPM
‑
IMER降水数据训练深度学习模型，并将目标区域的强降水情况可视化。
[0008]所述的融合自注意力模块与Unet模型的短时强降水预报方法，具体步骤如下：
[0009]步骤一，收集GFS预报数据和GPM
‑
IMERG逐半小时降水数据，将二者进行时间分辨率与空间分辨率匹配，并进行初步处理之后构建训练数据集。
[0010]具体过程如下：
[0011]首先，根据GFS预报数据的时间分辨率三小时，将GPM
‑
IMERG半小时的降水数据进
行三小时降水累积计算，并将累积降水结果进行二值化处理，保存在标签数据集中。
[0012]然后，对GFS预报数据进行双线性插值处理，使其分辨率与GPM
‑
IMERG降水数据的空间分辨率保持一致；并对空间分辨率保持一致的GFS预报数据，使用GBDT算法进行初步降维处理，获得筛选后的气象因子，保存在特征数据集中。
[0013]最后，将特征数据集与标签数据集共同构成训练数据集。
[0014]步骤二，将自注意力模块嵌入Unet模型，构建能够预报短时强降水的融合模型；
[0015]Unet模型为Encoder
‑
Decoder网络结构，Encoder是由卷积层、残差单元和下采样模块组成的模块，Decoder是由反卷积层和上采样操作组成的模块；下采样模块包含双层卷积模块和下采样操作，下采样操作通常使用池化操作，缩小图像尺寸的同时保留特征信息。上采样操作通过反卷积操作将特征图的尺寸增加，同时将特征表示的分辨率提高。
[0016]融合模型具体为：
[0017]首先，将特征数据集的输入通道数降维至指定维度，并通过四个下采样模块提取更高层次的特征图A；
[0018]接着，在四个下采样模块之后融合自注意力模块，自注意力模块将输入的特征图A分为若干个类别，对每个类别内的特征通道进行注意力机制计算，得到每个类别的注意力权重。
[0019]其中，注意力模块的输入特征图A的通道数，取决于上一个下采样模块的输出通道数，注意力模块的输出通道数会被传递到下一个上采样模块中进行处理，所以输出通道数与上一个下采样模块的输出通道数相同。
[0020]然后，将注意力加权的特征图B与未加权的特征图A进行融合，输入四个上采样模块进行上采样操作，得到增大尺寸的特征图C，并将其与下采样操作中得到的特征图B进行合并。
[0021]最后，通过卷积操作将合并特征图D的通道数减少到指定维度，并使用归一化指数函数将其映射到概率空间中，得到了每个像素点属于不同类别的概率分布，并得到最终的分割结果。
[0022]步骤三，基于融合模型对训练数据集进行训练并调参，得到最优融合模型。
[0023]训练过程中选用的损失函数为交叉熵损失函数，公式如下：
[0024]L＝
‑
[y*log(p)+(1
‑
y)*log(1
‑
p)
[0025]其中，y是训练数据集中的标签数据，p是融合模型中预测的强降水概率。
[0026]具体训练过程为：
[0027]将训练数据集的特征数据输入融合模型之后，损失函数不断计算融合模型的预测结果与标签数据之间的差异，并反向传播给融合模型；同时使用可变步长学习率的方式对融合模型中的参数进行训练，训练过程中的优化器采用Adam梯度下降法，设置初始学习率为0.01，不断调整参数并训练之后得到具有不同参数的融合模型；
[0028]得到上述融合模型之后，本专利技术使用CSI，POD，FAR，TS评估函数对具有不同参数的融合模型的效果进行评估，根据评估效果将具有最优参数的融合模型保存下来，作为最终预报短时强降水潜势预报的融合模型。
[0029]其中，CSI,POD,FAR,TS函数的计算公式分别如下：
[0030]CSI＝TP/(TP+FN+FP)
[0031]POD＝TP/(TP+FP)
[0032]FAR＝FP/(FP+TN)
[0033]TS＝(TP+TN)/(TP+TN+FP+FN)
[0034]其中，TP表示真正例数，FP表示假正例数，TN表示真负例数，FN表示假负例数。
[0035]步骤四，针对待测时刻的GFS气象预报数据，将其处理为与训练数据相同形状和经纬度范围，经过插值和翻转处理后得到区域数据；
[0036]步骤五，将区域数据输入训练好的最优融合模型中，计算出强降水预报结果。
[0037]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合自注意力模块与Unet模型的短时强降水预报方法，其特征在于，具体步骤如下：步骤一，收集GFS预报数据和GPM
‑
IMERG逐半小时降水数据，将二者进行时间分辨率与空间分辨率匹配，并进行初步处理之后构建训练数据集；步骤二，将自注意力模块嵌入Unet模型，构建能够预报短时强降水的融合模型；Unet模型为Encoder
‑
Decoder网络结构，Encoder是由卷积层、残差单元和下采样模块组成的模块，Decoder是由反卷积层和上采样操作组成的模块；下采样模块包含双层卷积模块和下采样操作，下采样操作通常使用池化操作，缩小图像尺寸的同时保留特征信息；上采样操作通过反卷积操作将特征图的尺寸增加，同时将特征表示的分辨率提高；融合模型具体为：首先，将特征数据集的输入通道数降维至指定维度，并通过四个下采样模块提取更高层次的特征图A；接着，在四个下采样模块之后融合自注意力模块，自注意力模块将输入的特征图A分为若干个类别，对每个类别内的特征通道进行注意力机制计算，得到每个类别的注意力权重；然后，将注意力加权的特征图B与未加权的特征图A进行融合，输入四个上采样模块进行上采样操作，得到增大尺寸的特征图C，并将其与下采样操作中得到的特征图B进行合并；最后，通过卷积操作将合并特征图D的通道数减少到指定维度，并使用归一化指数函数将其映射到概率空间中，得到了每个像素点属于不同类别的概率分布，并得到最终的分割结果；步骤三，基于融合模型对训练数据集进行训练并调参，得到最优融合模型；训练过程中选用的损失函数为交叉熵损失函数，公式如下：L＝
‑
[y*log(p)+(1
‑
y)*log(1
‑
p)其中，y是训练数据集中的标签数据，p是融合模型中预测的强降水概率；具体训练过程为：将训练数据集的特征数据输入融合模型之后，损失函数不断计算融合模型的预测结果与标签数据之间的差异，并反向传播给融合模型；同时使用可变步长学习率的方式对融合模型中的参数进行训...

【专利技术属性】
技术研发人员：高峰，李梦月，刘厂，叶远康，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：