System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术气象预报,具体地,涉及一种融合多源数据的长序列雷达图像预测方法及系统。
技术介绍
1、降雨预报一直是天气预报中最受关注的研究领域之一,强对流天气引发的洪涝和地质灾害给人民的生命安全与财产造成极大危害,对其进行临近预报预警意义重大。由于降雨是一个复杂的非线性过程,其发生的天气学条件非常复杂,加上易受区域各种因素的影响,降雨预报的难度非常大,降雨预报的准确率一直也是公众关注的焦点信息之一。目前,雷达回波外推技术是一种广泛应用的短期天气预报方法。这种方法利用了天气动力学原理,只需较少的计算,就可以支持雷达回波图像的精确外推,并且实现降水的实时预报。因此,它是获得高精度短期天气预报的关键要求。
2、传统上,可以通过利用光流法或交叉相关法,基于在这些相邻时刻捕获的雷达图像来确定相邻时刻之间的回波移动。随后,将该信息用于推断下一时刻的雷达回波。雷达反射率数据可以用来推断当时的降雨情况。然而,值得注意的是,这种方法依赖于恒定运动的假设,而大气变化往往是复杂多变的。因此,这种假设在这个领域常常是不切实际的。尽管这些传统方法可以预测降水系统的未来位置,但无法准确预测其演变趋势。因此,追踪强降水回波的失败率显著增加,预测精度随着时间的推移迅速下降。
3、随着深度学习技术的快速发展,各种深度学习方法被提出并应用于气象领域。雷达临近预报实质上是对时空序列数据的预测问题,需要神经网络根据在不同时间点的雷达反射率数据中观察到的分布模式来预测反射率因子的未来位置。在这个过程中,关键的方面在于使神经网络能够保留之前时间点的部分
4、尽管与传统气象方法相比,现有的深度学习技术在预测降雨分布方面显示出了很好的结果,但下列几个问题需要解决和改进。一方面,与通过物理方法生成的图像相比,预测图像往往更模糊,在细节上与真实雷达图像存在显著差异。另一方面,在回波数据波动严重的情况下,这些方法很难做出准确的预测。对于强降雨地区,即使预测时间延长,也无法始终如一地生成高质量的回波数据。
技术实现思路
1、因为雷达回波图像是单通道的灰度图像,包含的信息量较少。除了历史时刻的雷达图像信息之外,遥感气象卫星的扫描数据与水分子所形成的云的生消有很大的关联性,而预测地点的地形特点对水汽运动有相当影响,这些数据可以对雷达图像的变化趋势预测起到帮助;所以本专利技术提出了一种融合多源数据的长序列雷达图像预测方法及系统,使用多模态的气象数据进行雷达图像的外推,并优化预测图像的准确性、拓展预报时间范围,解决现有短临降雨预测任务中所面临的任务和挑战。
2、本专利技术通过以下技术方案实现:
3、一种融合多源数据的长序列雷达图像预测方法,所述方法具体包括以下步骤:
4、步骤1,对于雷达回波预报训练模型进行改动,使其等多关注长时的运动趋势; 并利用三种编码器对雷达图像数据进行编码;
5、步骤2:在雷达图像数据的基础上,引入卫星云图数据使用卷积门控记忆单元convgru进行编码,通过门控结构将卫星云图数据和雷达数据融合;
6、步骤3:进一步引入地形高程数据,并使用resnet提取地形数据的特征信息,随后将这些特征与雷达图像数据在通道维度上进行融合,将空间信息与地形相关数据相结合;
7、步骤4:将提取的特征通过特征融合模块整合。该过程将雷达图像和地形数据的相关信息相互融合,形成更为丰富的表示。最终,融合后的特征被传递到时间窗口解码器,从而生成未来的雷达回波图像。
8、进一步地,在步骤1中,具体包括:
9、记忆对齐模块memory是通过全部可用的训练数据进行训练的,丰富的运动上下文信息被捕捉并记录。这些记忆向量可以视作模型对历史整体信息的有效提取,帮助系统更好地理解输入序列中的长期依赖关系。这一机制使得模型能够有效地整合历史上下文信息,并提升其预测能力;
10、在训练阶段中,所有帧被用来计算差分序列,通过另一个长期运动上下文编码器提取长期序列的运动上下文,在训练过程中进行上下文的存储;输入历史数据构成的短序列进行另一次训练,此时不再对记忆模块进行梯度反向传播,从而实现仅查询记忆模块并预测,最终使得记忆对齐模块memory能够提取运动上下文,并用于后续的序列预测。
11、进一步地,在步骤1中,
12、所述雷达回波预报训练模型的输入为一系列雷达回波数据帧,分别输入到空间编码器、动态匹配编码器和动态环境编码器中,
13、步骤1.1,处理雷达的历史数据,选择前5帧的数据依次输入到空间编码器;由卷积长短时记忆模块convlstm接受提取的空间特征,并按时间步得到输出状态和细胞状态;
14、步骤1.2,同时计算雷达回波图像的差分序列,将它输入到动态匹配编码器中,经由memory记忆对准模组,获得涵盖全局动作的上下文的记忆向量;
15、步骤1.3,因为细胞状态涵盖了输入序列从起始的历史信息,因此通过动态环境编码器,利用通道注意力机制和convlstm中输出的细胞状态,来细化全局动作上下文记忆向量,以在当前步骤嵌入所需的运动上下文,将得到细化后的与输出状态连接起来,构建为嵌入长期上下文的特征向量,并由解码器接受输出;输出帧会作为新的输入,进一步得到更长的输出;
16、
17、
18、
19、为查询向量,为键向量,为的维度,为值向量。
20、进一步地,在步骤2中,
21、步骤2.1,对卫星云图数据进行处理,使用独立的卷积循环神经网络convrnn对卫星云图数据进行编码,获得其隐状态,使用训练更为轻量的convgru(卷积门控记忆单元)进行编码,在第t步中得到隐状态,再与当前雷达帧产生的convlstm中隐状态融合,得到融合的隐状态;
22、步骤2.2,使用门控结构将雷达与卫星云图的数据进行融合,具体的计算公式如下:
23、
24、
25、
26、
27、为更新矩阵,为雷达更新权重矩阵,为雷达隐状态,为卫星更新权重矩阵,为卫星隐状态,为更新偏移矩阵,为重置矩阵,为雷达重置权重矩阵,为卫星重置权重矩阵,为重置偏移矩阵,为候选隐藏状态,为雷达隐状态权重矩阵,为卫星隐状态权重矩阵,为候选隐状态偏移矩阵。
28、进一步地,在步骤3中,
29、步骤3.1,由于地形数据的特征在时间上保持不变,采用残差模块的卷积神经网络来提取地形数据的特征信息。经过resnet处理后,地形数据将被转换成三个特征图,大小分别为128×16×16、64×64×32和32×32×64;
30、步骤3.2,在通道维度上对雷达信息与地形信息进行融合,二者分别来自于之前步本文档来自技高网...
【技术保护点】
1.一种融合多源数据的长序列雷达图像预测方法,其特征在于:
2.根据权利要求1所述方法,其特征在于:在步骤1中,具体包括:
3.根据权利要求2所述方法,其特征在于:在步骤1中,
4.根据权利要求3所述方法,其特征在于:在步骤2中,
5.根据权利要求4所述方法,其特征在于:在步骤3中,
6.一种融合多源数据的长序列雷达图像预测系统,其特征在于:
7.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任意一项所述方法的步骤。
8.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至5中任意一项所述方法的步骤。
【技术特征摘要】
1.一种融合多源数据的长序列雷达图像预测方法,其特征在于:
2.根据权利要求1所述方法,其特征在于:在步骤1中,具体包括:
3.根据权利要求2所述方法,其特征在于:在步骤1中,
4.根据权利要求3所述方法,其特征在于:在步骤2中,
5.根据权利要求4所述方法,其特征在于:在步骤3中,
6.一种融合...
【专利技术属性】
技术研发人员:叶允明,魏衍乐,李旭涛,陈训来,王蕊,王书欣,
申请(专利权)人:哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院,
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。