基于SFGAN-ARPredRNN模型和多层雷达数据的短时强降水分钟级预报方法技术

本发明专利技术公开了基于SFGAN‑ARPredRNN模型和多层雷达数据的短时强降水分钟级预报方法，涉及天气预报技术，针对现有技术中雷达回波逐渐衰减的难题提出本方案。对PredRNN模型嵌入时间注意力模块和层间注意力模块，增加历史关键信息补充多层雷达的原始输入信息，并增加残差结构得到ARPredRNN模型；将所述ARPredRNN模型基于序列信息和每帧图片生成对抗网络，得到所述SFGAN‑ARPredRNN模型；最后利用所述SFGAN‑ARPredRNN模型对短时强降水作分钟级定量的预报。优点在于，促进了雷达回波随时间逐渐衰减难题的解决。分类分季构建短时强降水雷达回波预报模型，差异化训练模型。提升短时强降水的预报效果。在线训练，实时修正强降水雷达回波预报。

【技术实现步骤摘要】

本专利技术涉及天气预报技术，尤其涉及基于sfgan-arpredrnn模型和多层雷达数据的短时强降水分钟级预报方法。

技术介绍

1、短时强降水常常引发城市内涝、山洪、泥石流、山体滑坡等重大灾害，造成重大财产损失和人员伤亡等。

2、短时强降水多由中小尺度系统造成，具有尺度小、突发性强、生命期短的特点，一直是天气预报的重点和难点。目前短时强降水的客观预报主要根据数值模式计算环境物理量进行6-12小时的潜势概率预报，难以应对这种变化快或生消迅速的短时强降水定量化预报的需求。天气雷达成为短时强降水监测、短临预警的主要设备。预报员主要根据天气雷达反射率因子回波特征及其强度、位置变化等进行短时强降水的主观预警，客观预报方法比较少见。

3、与之相关的雷达回波短临预报，则随着深度学习技术的发展，利用深度学习技术进行雷达回波外推预报逐渐成为一种新的发展方向。但大多数基于深度学习的雷达回波外推模型都面临着随着时次增加，雷达回波逐渐衰减的难题，即回波强度逐渐减弱、强回波区域预测命中比例急剧下降。传统rnn类时空序列预测模型的外推结果逐渐失真模糊，清晰度相本文档来自技高网...

【技术保护点】

1.基于SFGAN-ARPredRNN模型和多层雷达数据的短时强降水分钟级预报方法，其特征在于，对PredRNN模型嵌入时间注意力模块和层间注意力模块，增加历史关键信息补充多层雷达的原始输入信息，并增加残差结构得到ARPredRNN模型；将所述ARPredRNN模型基于序列信息和每帧图片生成对抗网络，得到所述SFGAN-ARPredRNN模型；

2.根据权利要求1所述基于SFGAN-ARPredRNN模型和多层雷达数据的短时强降水分钟级预报方法，其特征在于，所述ARPredRNN模型包括TAM模块用于捕捉不同时间帧的注意力。

3.根据权利要求2所述基于SFGAN-...

【技术特征摘要】

1.基于sfgan-arpredrnn模型和多层雷达数据的短时强降水分钟级预报方法，其特征在于，对predrnn模型嵌入时间注意力模块和层间注意力模块，增加历史关键信息补充多层雷达的原始输入信息，并增加残差结构得到arpredrnn模型；将所述arpredrnn模型基于序列信息和每帧图片生成对抗网络，得到所述sfgan-arpredrnn模型；

2.根据权利要求1所述基于sfgan-arpredrnn模型和多层雷达数据的短时强降水分钟级预报方法，其特征在于，所述arpredrnn模型包括tam模块用于捕捉不同时间帧的注意力。

3.根据权利要求2所述基于sfgan-arpredrnn模型和多层雷达数据的短时强降水分钟级预报方法，其特征在于，所述tam模块包括处理长期时间相关性信息。

4.根据权利要求3所述基于sfgan-arpredrnn模型和多层雷达数据的短时强降水分钟级预报方法，其特征在于，所述arpredrnn模型包括lam模块用于捕捉不同层间的注意力。

5.根据权利要求4所述基于sfgan-arpredrnn模型和多层雷达数据的短时...

【专利技术属性】
技术研发人员：伍志方，兰宇，唐思瑜，韦凯华，吴林，程兴国，
申请(专利权)人：广东省气象台南海海洋气象预报中心，珠江流域气象台，
类型：发明
国别省市：