【技术实现步骤摘要】
本专利技术涉及气象预测，特别涉及一种基于transform-flownet和r-fpn的降水预测方法。
技术介绍
1、降水是气象学中的重要指标，对于农业、水资源管理、灾害预防等领域有重要意义。然而，降水的空间和时间变化复杂多样，准确预测降水的发生、强度和时空分布一直是科学研究和应用的难点和热点。
2、传统降水预测方法主要基于气象观测数据、数值天气预报模型等，存在着预报时效性不足、空间分辨率低、不确定性高等问题。基于数值天气预报模型通过改进数值模型的参数化方案、提高模型的分辨率和空间插值能力等，使得模型对降水的预测能力逐渐提高，但是这种方法的计算量巨大，计算复杂，耗费时间极长，在面对复杂的天气预测时显得十分吃力。因此，需要开发新的技术手段来提高降水预测的准确性和可靠性。随着科技的进步和仪器设备的更新换代，气象观测技术不断提高，例如，卫星遥感、雷达观测、地面测量等技术能够提供更多的数据，多源数据的融合可以提高降水预测的精度和时效性。
3、近年来，人工智能和机器学习技术的发展为降水预测带来了新的机遇，通过深度学习、神经网络、支持向量机等方法，可以从大量观测数据中挖掘、学习和建模降水的规律，提高降水的预测准确性和时效性。但是现有的深度学习的降水预测模型过于单调，没有完全将降水的全局特征和局部特征全提取并且相结合，同时没有很好的处理天气图像的复杂空间信息，使得基于深度学习预测得到降水精度不够高。
技术实现思路
1、专利技术目的：针对以上问题，本专利技术目的是提供一种基
2、技术方案：本专利技术的一种基于transform-flownet和r-fpn的降水预测方法，包括如下步骤：
3、步骤1，获取气象雷达图像数据，并对气象雷达图像数据进行预处理；
4、步骤2，构建初始降水预测模型，利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数；
5、其中初始降水预测模型包括r-fpn网络、trasnform网络和flownet网络，利用r-fpn网络获取气象雷达图像数据的具有时间信息的局部信息，利用trasnform网络获取气象雷达图像数据的具有时间信息的全局信息，利用flownet网络获取气象雷达图像数据的空间信息；
6、步骤3，利用预处理后的气象雷达图像数据对优化超参数后的初始降水预测模型进行训练，将训练之后的初始降水预测模型作为目标降水预测模型；
7、步骤4，将前一个小时的气象雷达图像数据输入至目标降水预测模型，利用目标降水预测模型预测下一个小时的降雨量。
8、进一步，步骤1包括：
9、步骤101，获取的气象雷达图像数据为雷达回波序列数据集，将每一帧的雷达回波序列数据集提取成二维格式，用集合进行表示，其中表示水平方向的像素坐标，表示垂直方向的像素坐标；
10、步骤102，删除雷达回波序列数据集中的异常值和反复值，并对缺失值进行双线性插值；
11、步骤103，将双线性插值后的雷达回波序列数据集中每一个像素点对应的雷达回波强度值进行归一化处理。
12、进一步，步骤2中构建初始降水预测模型包括：
13、构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块，然后将n个图像块并行输入至n个r-fpn网络，且将第n-1个r-fpn网络的输出结果记作隐藏状态保存下来，作为第n个r-fpn网络的隐藏数据输入至第n个r-fpn网络；将得到的n个r-fpn网络的输出结果相结合，得到雷达图像的局部特征图；
14、将预处理之后的气象雷达图像进行分割拼接，然后将图像编码成序列输入至transform网络，得到雷达图像的全局特征图；
15、将雷达图像的全局特征图与局部特征图一同输入至fam模块，结合生成带有全局特征和局部特征的时间特征图。
16、进一步，构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块包括如下步骤：
17、步骤201，利用的滤波核对预处理后的气象雷达图像进行均值滤波，获得平均图像，两个图像的灰度级均为，l取255，设为图像中灰度级为 i且图像中灰度级为 j的像素1对数，定义对应的联合概率密度为，计算表达式为：
18、，
19、式中，表示气象雷达图像的尺寸；且；
20、步骤202，利用联合概率密度得到关于二维直方图，长度大小为，设有n对阈值将二维直方图分割为n+1个区域，计算每个分割区域的信息熵和概率，表达式分别为：
21、，
22、其中，表示各个区域的信息熵，表示区域的概率，和表示第 k个阈值， k=1,2,…,n+1；
23、步骤203，计算n对阈值总信息熵，表达式为：
24、，
25、其中，为该区域的概率，为该区域的信息熵；
26、步骤204，利用改进的麻雀搜索算法对阈值向量进行寻优迭代，其中每一个麻雀个体的位置代表一个阈值向量，取值为整数，并且利用总信息熵 h作为自适应度函数计算麻雀个体的适应度值，使得阈值向量满足： t*=argmax（ h），其中 t*为阈值向量，直至达到最大迭代次数，然后得出最佳分割阈值；
27、步骤205，使用寻优得到的最佳分割阈值对待分割图像进行阈值分割，输出分割后的图像块。
28、进一步，步骤2中构建初始降水预测模型还包括：
29、将预处理后的气象雷达图像数据分别输入至编码层后，再通过一个相关层进行拼接结合得到特征图c；将特征图c再进行卷积层和relu激活函数层后得到特征图c1；将特征图c1再进行卷积层和relu激活函数层后得到特征图c2；将前一帧气象雷达图像数据进行卷积层和relu激活函数层后与特征图c1、特征图c2一同输入至提取层，得到光流图d1；
30、将光流图d1输入至反卷积层和relu激活函数层得到特征图d2，再进行光流得到光流图d3；将特征图d2和光流图d3一同输入至反卷积层和relu激活函数层得到特征图d4，再进行光流得到光流图d5，将特征图d4和光流图d5一同输入至反卷积层和relu激活函数层得到特征图d6；将特征图d6输入至提取层得到输出的光流图d7，再将光流图d7经过流变形层将光流图映射成图像的空间特征图；
31、将空间特征图与时间特征图一同输入至fam模块，得到预测的雷达图像。
32、进一步，步骤2中利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数包括如下步骤：
33本文档来自技高网...
【技术保护点】
1.一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤1包括：
3.根据权利要求2所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤2中构建初始降水预测模型包括：
4.根据权利要求3所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块包括如下步骤：
5.根据权利要求4所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤2中构建初始降水预测模型还包括：
6.根据权利要求5所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤2中利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数包括如下步骤：
7.根据权利要求6所
8.根据权利要求1-7任一项所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤4包括：
...【技术特征摘要】
1.一种基于transform-flownet和r-fpn的降水预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于transform-flownet和r-fpn的降水预测方法，其特征在于，步骤1包括：
3.根据权利要求2所述的一种基于transform-flownet和r-fpn的降水预测方法，其特征在于，步骤2中构建初始降水预测模型包括：
4.根据权利要求3所述的一种基于transform-flownet和r-fpn的降水预测方法，其特征在于，构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块包括如下步骤：
5.根据权利要求4所述的一种基于tran...
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。