【技术实现步骤摘要】
本申请实施例涉及降水预测，尤其涉及一种具有物理约束预测模型的降水预报方法和预报系统。
技术介绍
1、短临降水定量预报(quantitative precipitation nowcasting,qpn)是天气预报中一项极具挑战性的任务。在风暴预警，空中运输，大型集会等各类日常场景中，精确、及时、高效的降水预报产品是确保活动成功进行的必要构成。
2、计算机视觉(computer vision,cv)的最新进展扩大了将深度学习(deeplearning,dl)技术应用于qpn任务的可能性，但利用各种深度学习模型进行qpn任务时，仍有如下挑战必须克服：
3、黑盒式dl模型缺乏物理约束和先验知识。气象学家特别关注dl模型的物理约束。然而，在小尺度系统中，如降水、对流和湍流，大尺度的守恒定律是不适用的，这就意味着很难将质量或动量守恒应用于qpn模型。另一方面，物理信息神经网络(pinns)，是专门为解决描述物理规律的非线性偏微分方程(pde)而设计的。虽然最近的研究主要集中在使用pinns作为传统数值求解器的替代品来模拟圆柱体流动、飞机机翼和风力涡轮机等，但它们还没有与现实世界的qpn任务联系起来。
技术实现思路
1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
2、本公开实施例的主要目的在于提出一种具有物理约束预测模型的降水预报方法和预报系统，利用物理约束内容损失改善模型对于极端降水事件地关注和敏感性，进而增加模型对极端降水
3、第一方面，本公开实施例提出一种具有物理约束预测模型的降水预报方法，其特征在于，所述具有物理约束预测模型的降水预报方法包括如下步骤：
4、构建预测模型，并选取vil图像样本；其中，vil图像为垂直累积液态水含量的雷达图；
5、构建所述预测模型的损失函数，通过所述vil图像样本和所述损失函数对所述预测模型进行训练，以得到训练完成的预测模型；所述损失函数包括mse损失项和对流扩散项；
6、将测量用的vil图像输入至所述训练完成的预测模型中，得到的未来多帧的预测图像，以用于进行降水事件预测。
7、本申请的一些实施例中，所述对流扩散项包括：
8、
9、其中，α,β1,β2,γ为常量，γ为扩散项的系数，q为vil图像，上标用于表征时间上的变化，时刻n+1是时刻n的下一时刻，下标i用于表征x方向的网格点，下标j用于表征y方向的网格点，网格点i+1为网格点i在x方向的前一个网格点，网格点i-1为网格点i在x方向的后一个网格点，网格点j+1为网格点j在y方向的前一个网格点，网格点j-1为网格点j在y方向的后一个网格点。
10、本申请的一些实施例中，所述预测模型包括：
11、输入模块，包括一个3×3的卷积层；
12、编码模块，包括三个级联的编码器，所述编码器依次包括多个堆叠的视觉transformer和一个下采样层；视觉transformer包括级联的多头平方注意力和前馈神经网络，多头平方注意力对特征图的处理过程包括：
13、
14、
15、
16、
17、
18、其中，x为多头平方注意力的输入特征，为多头平方注意力的输出特征，为1×1的点逐元卷积，为3×3的深度卷积，为从多头平方注意力的输入特征转换得到的query，key和value矩阵，α为可训练参数，w1为1×1的卷积，sigmoid为激活函数，attention为注意力机制，xln为将x进行无偏差的层归一化后的特征；
19、多头平方注意力的输出特征在输入前馈神经网络之前，还包括：将多头平方注意力的输出特征进行无偏差的层归一化，得到层归一化后的特征；前馈神经网络对特征的处理过程包括：
20、将层归一化后的特征输入至第一条路径中的点逐元卷积和深度卷积中，并将深度卷积的输出特征通过gelu函数激活；将层归一化后的特征输入至第二条路径中的点逐元卷积和深度卷积中，并将深度卷积的输出特征通过sigmoid函数激活；计算通过gelu函数激活的特征与通过sigmoid函数激活的特征的哈达玛乘积；将所述哈达玛乘积输入至1×1卷积中，并将1×1卷积的输出特征与多头平方注意力的输出特征进行跳跃连接，得到前馈神经网络的输出特征；
21、中央模块，包括多个堆叠的视觉transformer；
22、解码模块，包括三个级联的解码器，所述解码器依次包括上采样层、卷积层和多个堆叠的视觉transformer；每一个所述编码器模块的输出特征均与对应一个所述解码器模块的所述上采样层的输出特征进行跳跃连接；
23、输出模块，包括多个堆叠的视觉transformer、两个卷积层和swish激活层；所述输出模块对特征的处理过程包括：
24、将所述解码模块的输出特征输入至多个堆叠的视觉transformer中的首个视觉transformer中；将多个堆叠的视觉transformer中的最后一个视觉transformer的输出特征输入至第一个卷积层中，得到第一个卷积层的输出特征；将第一个卷积层的输出特征与所述输入模块的输入特征采用跳跃连接；将跳跃连接的特征输入至第二个卷积层中，得到第二个卷积层的输出特征；将第二个卷积层的输出特征采用swish激活层激活，得到所述输出模块的输出特征。
25、本申请的一些实施例中，对所述预测模型进行训练时，所述具有物理约束预测模型的降水预报方法还包括：
26、将所述vil图像样本设置为vil图像数量与所述vil图像样本数量一致的第一掩码样本集和第二掩码样本集，所述第一掩码样本集中的vil图像仅保留像素值大于74的特征张量，所述第二掩码样本集中的vil图像仅保留像素值大于133的特征张量；
27、根据所述第一掩码样本集和第二掩码样本集训练所述预测模型。
28、本申请的一些实施例中，对所述预测模型进行训练时，所述具有物理约束的降水预报方法还包括：
29、从所述vil图像样本中筛选出具有雷暴、冰雹和洪水标签的降水事件；
30、根据所述具有雷暴、冰雹和洪水标签的降水事件训练所述预测模型。
31、本申请的一些实施例中，对所述预测模型进行训练时，所述具有物理约束的降水预报方法还包括：
32、根据所述vil图像样本中的前n/2分钟的vil图像序列训练所述预测模型，根据所述vil图像样本中的后n/2分钟的vil图像序列评估所述预测模型；n为所述vil图像样本中的vil图像序列长度。
33、本申请的一些实施例中，所述损失函数包括是由mse损失项和对流扩散项的加权和组成，且所述mse损失项的权值为1，所述对流扩散项的权值为0.5。
34、第二方面，本公开实施例提出一种具有物理约束预测模型的降水预报系统，所述具有物理约束预测模型的降本文档来自技高网...
【技术保护点】
1.一种具有物理约束预测模型的降水预报方法，其特征在于，所述具有物理约束预测模型的降水预报方法包括如下步骤：
2.根据权利要求1所述的具有物理约束预测模型的降水预报方法，其特征在于，所述对流扩散项包括：
3.根据权利要求2所述的具有物理约束预测模型的降水预报方法，其特征在于，所述预测模型包括：
4.根据权利要求3所述的具有物理约束预测模型的降水预报方法，其特征在于，对所述预测模型进行训练时，所述具有物理约束预测模型的降水预报方法还包括：
5.根据权利要求3所述的具有物理约束预测模型的降水预报方法，其特征在于，对所述预测模型进行训练时，所述具有物理约束的降水预报方法还包括：
6.根据权利要求3所述的具有物理约束预测模型的降水预报方法，其特征在于，对所述预测模型进行训练时，所述具有物理约束的降水预报方法还包括：
7.根据权利要求2所述的具有物理约束预测模型的降水预报方法，其特征在于，所述损失函数包括是由MSE损失项和对流扩散项的加权和组成，且所述MSE损失项的权值为1，所述对流扩散项的权值为0.5。
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
...【技术特征摘要】
1.一种具有物理约束预测模型的降水预报方法，其特征在于，所述具有物理约束预测模型的降水预报方法包括如下步骤：
2.根据权利要求1所述的具有物理约束预测模型的降水预报方法，其特征在于，所述对流扩散项包括：
3.根据权利要求2所述的具有物理约束预测模型的降水预报方法，其特征在于，所述预测模型包括：
4.根据权利要求3所述的具有物理约束预测模型的降水预报方法，其特征在于，对所述预测模型进行训练时，所述具有物理约束预测模型的降水预报方法还包括：
5.根据权利要求3所述的具有物理约束预测模型的降水预报方法，其特征在于，对所述预测模型进行训练时，所述具有物理约束的降水预报方法还包括：
6...
【专利技术属性】
技术研发人员：邓科峰，李大伟，任开军，张荻，刘宇迪，冷洪泽，银福康，宋君强，
申请(专利权)人：中国人民解放军国防科技大学，
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。