【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，清晰度相较真实雷达回波图像大幅下降，无法满足清晰、准确预报的需求。
技术实现思路
1、本专利技术目的在于提供基于sfgan-arpredrnn模型和多层雷达数据的短时强降水分钟级预报方法，以提高短时强降水预报的定量化、客观化、精细化水平和预报时效，改进雷达回波逐渐衰减难题。
2、本专利技术中所述基于sfgan-arpredrn
3、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。
4、所述arpredrnn模型包括tam模块用于捕捉不同时间帧的注意力。
5、所述tam模块包括处理长期时间相关性信息。
6、所述arpredrnn模型包括lam模块用于捕捉不同层间的注意力。
7、所述lam模块包括处理对不同层次的空间相关性信息。
8、所述predrnn模型设置tam模块和lam模块后得到attst-lstm模型，模型表达式为：
9、
10、
11、
12、
13、
14、
15、
16、
17、其中x为该时次的张量，t为时次，g为加工门、i为更新门、f为遗忘门，w为权重，l为任一层，h为隐藏状态，m为空间记忆特征张量，c为时间记忆特征张量，o为输出门，q为查询张量、k为键张量、v为值张量，t为tam的代称，s为lam的代称。
18、增加层间注意力模块后，任一层的输出为：
19、
20、每层输出通过卷积和变形生成当前时次的查询qt，kt是历史输入信息经过各自卷积得到，vt是通过历史输入信息经过变形得到；当l为1时，为所有已输入的历史图像信息x0：t；当l非1时为上一层的所有输出隐藏状态以获得长期时空信息。
21、在lam中考虑从前l-1层生成的隐藏状态张量信息获取注意力，并添加进顶层输出中生成最终输出，以自适应获取不同层中的空间信息，其中t为当前时次，s为lam模块的代称，l为任一层；在相同时间帧内，顶层输出通过卷积和变形生成查询qs，而ks和vs则通过前l-1层生成的隐藏状态张量信息经过各自卷积及变形生成ks和vs，新的输出可由注意力机制更新；生成新的输出后，将原始输出与新输出结合并进行逐层归一化，得到
22、本专利技术中所述基于sfgan-arpredrnn模型和多层雷达数据的短时强降水分钟级预报方法至少具备以下优点：
23、1)创新提出sfgan-arpredrnn模型，促进了雷达回波随时间逐渐衰减难题的解决。
24、针对雷达回波随时间逐渐衰减的问题，从两个方面进行改进，首先引进注意力机制，在predrnn模型基础上嵌入时间注意力模块(temporal attention module，tam)和层间注意力模块(layer attention module，lam)，提出了arpredrnn模型。该模型分别从时间和空间两个维度保留更多特征，两个模块的目标是捕捉不同时间帧和不同层间的注意力，并考虑长期历史信息。tam考虑长期的时间相关性信息，而lam则考虑对不同层次的空间相关性信息。
25、其次，在arpredrnn模型后面加入gan模块，得到最终的sfgan-arpredrnn模型。该模型通过引入多个对抗生成网络改进损失函数改善mse损失函数带来的模糊问题，并通过生成器及多维度判别器的博弈来生成外推结果。
26、(2)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。
27、根据影响系统，结合雷达回波组织形态，将指定地区的短时强降水类型可分为台风类、飑线类(飑线ⅰ型和飑线ⅱ型)、普通季风类，三类四型短时降水雷达回波在空间结构、移动方向及其引导气流、降水机制等方面各具特点、差异明显。
28、分类建设指定地区短时强降水历史过程数据集，分别构建所述三类四型短时强降水雷达回波预报模型，再分别进行参数调整和优化。与以往大多数雷达回波外推预报技术采用同一模型相比，本专利技术中所述方法提升了雷达回波模型的预报效果，实际检验评估也证实了这点，另一优势是可降低深度学习模型对于数据量的需求。
29、(3)采用多层雷达数据，进一步提升短时强降水的预报效果。
30、采用多层雷达数据，一方面可有效区分不同类型强降水雷达回波的垂直结构，提炼同一类型强降水回波的共性特征，减少发散度。另一方面，可有效监控并提炼强降水雷达回波强度和垂直结构的变化特征，有利于推测产生强降水的对流风暴回波增强或减弱等强度变化趋势，进而推测降水开始、增强、减弱或消亡的演变趋势。与以往多数雷达回波外推技术采用单层或组合反射率图像数据相比，本专利技术中所述方法获取了更多强降水垂直结构和强度变化信息，可进一步提升本方法的预报准确率。
31、(4)在线训练，实时修正强降水雷达回波预报。
32、强降水回波模型的构建均使用历史数据预训练出来的，学习到了很多共性的规律，但很多性质也被平均处理。而实时运行的雷达回波既有模型历史共性特点，也有本次过程个性化特点。因而在线学习本次过程的特性，根据回波实况实时修正模型，事实证明该方法确实有效，对深度学习中回波衰减快和回波新生等关键问题的解决具有一定改进和推动作用。
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-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
6.根据权利要求5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PredRNN模型设置TAM模块和LAM模块后得到AttST-LSTM模型，模型表达式为：
7.根据权利要求6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，增加层间注意力模块后，任一层的输出为：
8.根据权利要求7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，在LAM中考虑从前L-1层生成的隐藏状态张量信息获取注意力，并添加进顶层输出中生成最终输出，以自适应获取不同层中的空间信息，其中t为当前时次，S为LAM模块的代称，l为任一层；在相同时间帧内，顶层输出通过卷积和变形生成查询QS，而KS和VS则通过前L-1层生成的隐藏状态张量信息经过各自卷积及变形生成KS和VS，新的输出可由注意力机制更新；生成新的输出后，将原始输出与新输出结合并进行逐层归一化，得到
...【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：
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。