一种基于轻量化三维时域卷积网络的雷暴预测方法技术

本发明专利技术公开了一种基于轻量化三维时域卷积网络的雷暴预测方法，获取雷达回波数据集；并对雷达回波数据集进行预处理，将预处理后的数据集划分为训练集、验证集和测试集；构建3D‑TCN雷暴预测网络模型，包括含3D因果膨胀卷积层的多个残差块，用于捕捉雷达数据的时间和空间特征；利用反向调度采样策略对所述雷暴预测网络模型行训练，采用均方误差和感知损失衡量预测图像与真实图像之间的差异，获得训练好的雷暴预测网络模型；输入实际雷达回波数据，通过述训练好的3D‑TCN模型进行预测，得到雷暴演变预测结果。旨在提高气象雷达对雷暴的精准预测能力。本发明专利技术将雷达图像的时序信息与空间特征相结合，实现更精确的实时雷暴演变预测。

【技术实现步骤摘要】

本专利技术涉及气象雷达预测和深度学习领域，具体涉及一种基于轻量化三维时域卷积网络的雷暴预测方法。

技术介绍

1、雷暴是一种伴随雷电和强降水的极端天气现象，其对航空、农业和城市基础设施等领域构成了严重威胁。因此，对雷暴进行精确的短时预测具有重要意义。传统的雷暴预测方法主要基于物理模型和统计模型，这些方法通常依赖于对大气动力学和热力学的复杂建模。然而，这类方法在捕捉雷暴生成和演变的非线性特征方面存在较大局限性，导致预测的准确性和实时性不足。近年来，随着雷达观测技术和深度学习方法的发展，基于神经网络的雷暴预测方法得到了广泛关注。循环神经网络(recurrent neural network,rnn)及其变种(如长短期记忆网络lstm)被广泛应用于时序数据处理，但由于rnn结构的串行计算特性，训练速度较慢，且存在梯度消失和梯度爆炸等问题，限制了其在雷暴预测中的应用效果。针对这些问题，时域卷积网络(temporal convolutional network,tcn)被提出用于时序数据的建模，具有并行计算能力，且能够有效捕捉长时间依赖关系。为了进一步提高雷暴预测的准本文档来自技高网...

【技术保护点】

1.一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，实现过程如下：

2.根据权利要求1所述的一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，所述对雷达回波数据进行预处理过程包括质量控制、图像裁剪、归一化、无效图像剔除、时间序列同步抽取。

3.根据权利要求1所述的一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，所述3D-TCN雷暴预测网络模型包括初始卷积层、第一残差块、第二残差块、输出卷积层；所述残差块包括第一3D因果膨胀卷积层、第一归一化层、第一ReLU层、第一Dropout层、第二3D因果膨胀卷积层、第二归一化层、第二ReLU层、第...

【技术特征摘要】

1.一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，实现过程如下：

2.根据权利要求1所述的一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，所述对雷达回波数据进行预处理过程包括质量控制、图像裁剪、归一化、无效图像剔除、时间序列同步抽取。

3.根据权利要求1所述的一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，所述3d-tcn雷暴预测网络模型包括初始卷积层、第一残差块、第二残差块、输出卷积层；所述残差块包括第一3d因果膨胀卷积层、第一归一化层、第一relu层、第一dropout层、第二3d因果膨胀卷积层、第二归一化层、第二relu层、第二dropout层残差连接。

4.根据权利要求1所述的一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，所述残差块的输出通道数逐渐增加。

5.根据权利要求1所述的一种基于轻量化三维时域卷积网络的雷暴预测方法，其特征在于，所述3d因果膨胀卷积为：

<...

【专利技术属性】
技术研发人员：汪玲，陆恩绩，朱岱寅，吴迪，周晔，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：