【技术实现步骤摘要】
本专利技术涉及天气雷达信息处理，具体是涉及一种面向对流风暴精细结构的三维雷达回波临近预报方法。
技术介绍
1、天气雷达观测得到的基本反射率（回波）反映气象目标内部降水粒子的尺度和密度，可用于衡量天气现象的强度及分布，基于高时空分辨率雷达回波的0-2小时外推（临近预报）是解决灾害性大风、暴雨、雷暴等强天气预警问题的主要途径，并在航空、电力等领域具有重要应用价值。
2、当前，以风暴追踪、交叉相关或光流法为代表的传统外推方法均建立在雷达回波线性演变假设基础上，仅能在对流风暴发展成熟后对其未来移动方向给出估计，不能刻画对流初生、增强、组织化等非线性演变，而这些因素恰是业务中提前发布预警决策的关键判据。
3、随着计算机技术的快速发展，深度学习技术因其强大的非线性问题处理能力已逐渐在雷达回波临近预报领域得到应用。当前深度学习临近预报研究多建立在单一层次雷达回波场基础上，但实际情况下，引发灾害性大风、暴雨、雷暴等强天气发生发展的对流风暴三维结构均存在差异，因此将单一层次回波作为输入的深度学习模型能所提取的特征有限，不能刻画对流风暴的精细结构特征；此外，在损失函数的设计方面，单一层次的深度学习雷达回波临近预报多采用针对不同量级回波场的加权损失函数，这对于多垂直层次的雷达回波输入而言同样是不适用的。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中存在的技术问题之一。
2、因此，本专利技术的一个目的在于，提供一种面向对流风暴精细结构的三维雷达回波临近
3、本专利技术的另一个目的在于提供一种面向对流风暴精细结构的三维雷达回波临近预报系统。
4、为了达到上述的目的，本专利技术一方面提供一种面向对流风暴精细结构的三维雷达回波临近预报方法，包括如下步骤：
5、s100、获取分析区域的基本反射率因子数据，通过质控和插值，建立分析区域的高分辨率三维雷达回波数据集；
6、s200、根据高分辨率三维雷达回波数据集，采用基于swinurnn3d融合框架，训练得到最优三维雷达回波临近预报模型；
7、s300、以最临近三维雷达反射率序列数据作为最优三维雷达回波临近预报模型输入，输出预测的三维雷达反射率因子序列。
8、进一步的，所述获取分析区域的基本反射率因子数据，通过质控和插值，建立分析区域的高分辨率三维雷达回波数据集，具体方法为：
9、s110、确定分析区域的空间范围、水平和垂直分辨率，建立预报网格；
10、s120、从分析区域中的偏振天气雷达中提取基本反射率因子数据，进行质量控制并插值到等距离的预报网格，建立分析区域内的高分辨率三维雷达回波数据集。
11、进一步的，基本反射率因子数据进行质量控制，用于剔除非气象杂波；质量控制的基本反射率因子数据通过三维组网拼图方式插值到等距离分析网格。
12、进一步的，对建立的高分辨率三维雷达回波数据集进行时序划分，连续40个时次共4个小时的数据序列中，前10帧为作为模型训练集，后30帧作为标签。
13、进一步的，步骤s300中所述以最临近三维雷达反射率数据作为最优三维雷达回波临近预报模型输入，输出预测的三维雷达反射率因子序列，具体为，获取实时三维雷达回波数据，在最优三维雷达回波临近预报模型的输入端代入过去1小时10个时次的三维雷达回波数据，预报得到未来连续30个时次共3小时的三维雷达回波预报结果。
14、进一步的，所述根据高分辨率三维雷达回波数据集，采用基于swinurnn3d融合框架，训练得到最优三维雷达回波临近预报模型，具体方法为：
15、s210、设计基于深度学习的三维雷达回波临近预报模型，所述三维雷达回波临近预报模型，采用融合了一个引入注意力机制的全卷积神经网络unet，以及一个并行的训练神经网络swinrnn子网络，生成的swinurnn3d融合框架；
16、s220、设计综合损失函数，综合考虑平衡l1损失函数，风格损失函数，三维生成对抗损失函数和垂直方向梯度损失函数四种计算损失函数的方法，即：；
17、其中，表示平衡l1损失函数，表示风格损失函数，表示三维生成对抗损失函数，表示垂直方向梯度损失函数；
18、所述平衡l1损失函数的计算式为：
19、；
20、其中，和分别表示三维雷达反射率因子的观测场和模型预报场；n代表所有预报时次所有格点的样本总和；表示加权函数，通过统计落在不同区间的数量，给予不同区间不同的权重，的计算式为：
21、，
22、式中为不同阈值区间比重的参数，gamma越大给予高阈值区间的权重就越大，为划分的区间，表示不同阈值区间的频率，具体为：
23、，
24、其中为不同阈值区间的频数，为总的频数；
25、风格损失函数的计算式为：
26、；
27、其中，和分别表示去除背景噪音后的雷达反射率因子观测场和模型预报场的风格特征；t和l分别表示时间步长和风格特征模型efficientnet的层数；
28、具体的，风格损失函数通过将雷达反射率因子观测场和模型预报场分别输入efficientnet计算二者的风格特征后比较其l2损失。
29、生成对抗损失函数的计算式为：
30、；
31、其中，为三维雷达回波反射率因子生成对抗损失函数，其包括时间判别损失函数和高度判别损失函数。
32、具体的，表示为：
33、；
34、式中g为生成器即swinurnn3d网络，为时间鉴别器，在时间维度上进行判别，是三维雷达反射率因子观测场，是三维雷达反射率因子模型预报场。
35、具体的，表示为：
36、；
37、式中g为生成器即swinurnn3d网络，为高度鉴别器，在高度维度上进行判别，是三维雷达反射率因子观测场，是三维雷达反射率因子模型预报场。
38、垂直梯度损失函数的计算式为：
39、；
40、其中，和分别是三维雷达反射率因子观测场和模型预报场在垂直方向上的梯度。
41、s230、通过模型训练和超参数调整，获得最优三维雷达回波临近预报模型。
42、本专利技术另一方面提供一种面向对流风暴精细结构的三维雷达回波临近预报系统，包括：
43、数据获取模块，用于获取分析区域的基本反射率因子数据，并通过质控和插值，建立分析区域的高分辨率三维雷达回波数据集；
44、模型训练模块，用于根据高分辨率三维雷达回波数据集，采用基于swinurnn3d融合框架，训练得到最优三维雷达回波临近预报模型；
45、预测模块，用于以最临近三维雷达反射率数据作为最优三维雷达回波临近预报模型输入，输出预测的三维雷达反射率因子序列。
<本文档来自技高网...【技术保护点】
1.一种面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，所述获取分析区域的基本反射率因子数据，通过质控和插值，建立分析区域的高分辨率三维雷达回波数据集，具体方法为：
3.根据权利要求2所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，基本反射率因子数据进行质量控制，用于剔除非气象杂波；质量控制的基本反射率因子数据通过三维组网拼图方式插值到等距离分析网格。
4.根据权利要求2所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，对建立的高分辨率三维雷达回波数据集进行时序划分，连续40个时次共4个小时的数据序列中，前10帧为作为模型训练集，后30帧作为标签。
5.根据权利要求4所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，步骤S300中所述以最临近三维雷达反射率序列数据作为最优三维雷达回波临近预报模型输入，输出预测的三维雷达反射率因子序列，具体为，获取实时三维雷达回波数据，在最优
6.根据权利要求1所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，所述根据高分辨率三维雷达回波数据集，采用基于SwinURNN3D融合框架，训练得到最优三维雷达回波临近预报模型，具体方法为：
7.一种面向对流风暴精细结构的三维雷达回波临近预报系统，其特征在于，包括：
8.一种非暂态计算机可读存储介质，其上存储有计算机指令，该计算机指令使计算机执行权利要求1-6任意一项所述的面向对流风暴精细结构的三维雷达回波临近预报方法。
9.一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，处理器调用存储器中的逻辑指令，以执行权利要求1-6任意一项所述的面向对流风暴精细结构的三维雷达回波临近预报方法。
...【技术特征摘要】
1.一种面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，所述获取分析区域的基本反射率因子数据，通过质控和插值，建立分析区域的高分辨率三维雷达回波数据集，具体方法为：
3.根据权利要求2所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，基本反射率因子数据进行质量控制，用于剔除非气象杂波；质量控制的基本反射率因子数据通过三维组网拼图方式插值到等距离分析网格。
4.根据权利要求2所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，对建立的高分辨率三维雷达回波数据集进行时序划分，连续40个时次共4个小时的数据序列中，前10帧为作为模型训练集，后30帧作为标签。
5.根据权利要求4所述的面向对流风暴精细结构的三维雷达回波临近预报方法，其特征在于，步骤s300中所述以最临近三维雷达反射率序列数据作为最优三维雷达回波临近预报模型输入，输出预...
【专利技术属性】
技术研发人员：庄潇然，康志明，曾康，郑玉，刘希，冯宇轩，耿良超，闵锦忠，
申请(专利权)人：江苏省气象台，
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。