CN111145245A - 一种短时临近降雨预报方法、系统及计算机可读存储介质 - Google Patents
一种短时临近降雨预报方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111145245A CN111145245A CN201911418575.4A CN201911418575A CN111145245A CN 111145245 A CN111145245 A CN 111145245A CN 201911418575 A CN201911418575 A CN 201911418575A CN 111145245 A CN111145245 A CN 111145245A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- bilstm
- radar echo
- image
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种短时临近降雨预报方法、系统及可读存储介质,包括如下步骤:获取用于进行降雨预报的雷达回波图;将所述雷达回波图输入C‑BiLSTM降雨回归模型,以生成短时临近降雨预报;其中,所述C‑BiLSTM降雨回归模型包括CNN网络和BiLSTM网络,所述CNN网络用于提取所述雷达回波图的图像特征,所述BiLSTM网络用于根据所述特征图像生成所述短时临近降雨预报。本发明的有益效果:能够准确地进行短时临近降雨预报。
Description
技术领域
本发明涉及地面气象观测技术领域,具体而言,涉及一种短时临近降雨预报方法、系统及计算机可读存储介质。
背景技术
目前气象领域主要采用Z-R关系法、概率配对法和对Z-R关系的算法校正法来进行降雨量预测,这些方法只能单一的强调某因素的作用,无法同时考虑多种因素影响,如,在实际降雨中由于水滴破裂、蒸发、冻雨的合并等会存在相态变化,导致这些方法的预测并不合理,往往对强降雨量估计严重偏低。
发明内容
本发明解决的问题是如何进行准确地进行短时临近降雨预报。
为解决上述问题,本发明提供一种短时临近降雨预报方法,包括如下步骤:
获取用于进行降雨预报的雷达回波图;
将所述雷达回波图输入C-BiLSTM降雨回归模型,以生成短时临近降雨预报;
其中,所述C-BiLSTM降雨回归模型包括CNN网络和BiLSTM网络,所述CNN网络用于提取所述雷达回波图的图像特征,所述BiLSTM网络用于根据所述特征图像生成所述短时临近降雨预报。
进一步地,在将所述雷达回波图输入C-BiLSTM降雨回归模型,以生成短时临近降雨预报步骤之前,还包括如下步骤,
获取自动站在预设时间段内的累计降雨量数据,以及获取在所述预设时间段内的多个历史雷达回波图;
提取所述历史雷达回波图的区域统计特征和主方向特征;
建立C-BiLSTM降雨回归模型;
将所述区域统计特征和所述主方向特征输入所述C-BiLSTM降雨回归模型,以生成用于进行模型训练的降雨量预测数据;
根据所述降雨量预测数据和所述累计降雨量数据对所述C-BiLSTM降雨回归模型进行训练,直至所述C-BiLSTM降雨回归模型收敛。
进一步地,所述提取所述历史雷达回波图的区域统计特征,具体包括:
在所述历史雷达回波图中采样多个尺寸的图像区域;
提取所述图像区域中多个百分位的反射率值作为所述区域统计特征。
进一步地,所述提取所述历史雷达回波图的主方向特征,具体包括:
将多个所述历史雷达回波图卷积,得到多个第一面积的图像;
将多个所述第一面积的图像通过最大池化方法池化,得到多个第二面积的图像;
根据多个所述第二面积的图像,确定多个所述雷达回波图的整体移动方向;
以各个所述第二面积的图像的中心为基准,分别提取各个所述第二面积的图像中,在所述整体移动方向上面积大小为第三面积的图像为所述主方向特征。
进一步地,所述根据多个所述第二面积的图像,确定多个所述雷达回波图的整体移动方向,具体包括:
设定多个所述第二面积的图像中,处于所述预设时间段内最初时刻的所述第二面积的图像为基准图像;
以所述基准图像的中心点为原点建立包括北、南、西、东四个方向的方向坐标;
计算所述第二面积的图像在所述方向坐标中各个方向的分布量;
设定所述分布量最大的所述方向为基准方向;
判断与所述分布量最大的所述方向垂直的垂直方向的分布量是否大于预设阈值;
若是,则设定所述垂直方向与所述基准方向的中间方向为所述整体移动方向;
若否,则设定所述基准方向为所述整体移动方向。
进一步地,根据所述降雨量预测数据和所述累计降雨量数据对所述C-BiLSTM降雨回归模型进行训练,直至所述C-BiLSTM降雨回归模型收敛,具体包括:
根据所述降雨量预测数据和所述累计降雨量数据计算损失函数;
固定所述C-BiLSTM降雨回归模型中的随机种子,以及初始化所述C-BiLSTM降雨回归模型中的参数;
基于所述损失函数,按照回归损失最小化迭代更新所述C-BiLSTM降雨回归模型的所述参数。
进一步地,所述提取所述历史雷达回波图的区域统计特征和主方向特征步骤之前,还包括如下步骤:
将所述历史雷达回波图中回波强度大于第一预设回波强度,且小于第二预设回波强度的区域的回波强度重置为零,其中所述第一预设回波强度大于所述第二预设回波强度。
进一步地,所述CNN网络包括输入层、卷积层、池化层、全连接层和输出层;所述卷积层用于将所述输入层输出的图像数据进行卷积操作,所述池化层用于将所述卷积层输出的图像数据进行池化操作,所述全连接层用于将所述池化层输出的图像数据转换为特征向量,所述输出层用于将所述特征向量输出至所述BiLSTM网络。
本发明的有益效果:根据建立的C-BiLSTM降雨回归模型,将获取的雷达回波图中的图像特征进行提取,从而依据该提取的图像特征,以能够准确地进行短时临近降雨预报。
一种短时临近降雨预报系统,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现上述所述的短时临近降雨预报方法。
本发明的短时临近降雨预报系统与上述短时临近降雨预报方法相对于现有技术所具有的优势相同,在此不再赘述。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器读取并运行时,实现上述所述的短时临近降雨预报方法。
本发明的计算机可读存储介质与上述短时临近降雨预报方法相对于现有技术所具有的优势相同,在此不再赘述。
附图说明
图1为本发明实施例所述的短时临近降雨预报方法流程图;
图2为本发明实施例所述的C-BiLSTM降雨回归模型的结构图;
图3为本发明实施例所述的BiLSTM网络的结构图;
图4为本发明实施例所述的短时临近降雨预报方法中对图像进行卷积操作的示意图;
图5为本发明实施例所述的短时临近降雨预报方法中对图像进行池化操作的示意图;
图6为本发明实施例所述的CNN网络的结构图;
图7为本发明实施例所述的短时临近降雨预报方法中对C-BiLSTM降雨回归模型进行训练时的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
同时,要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
参照图1-6所示,本发明实施例提出了一种短时临近降雨预报方法,包括如下步骤:
S1获取用于进行降雨预报的雷达回波图;
S2将所述雷达回波图输入C-BiLSTM降雨回归模型,以生成短时临近降雨预报;
其中,所述C-BiLSTM降雨回归模型包括CNN网络和BiLSTM网络,所述CNN网络用于提取所述雷达回波图的图像特征,所述BiLSTM网络用于根据所述图像特征生成所述短时临近降雨预报。
目前气象领域主要采用Z-R关系法、概率配对法和对Z-R关系的算法校正法来进行降雨量预测,这些方法只能单一的强调某因素的作用,无法同时考虑多种因素影响。
根据相关经验可知,雷达回波图本身所含有的信息量十分丰富,数据也易于获得和处理,对于中小尺度的短时强降雨的降雨量预测来说,雷达回波图所具有的图像特征是能够完整描述当前区域的气象环境。
基于此,本发明实施例提出了一种短时临近降雨预报方法以根据建立的C-BiLSTM降雨回归模型,将获取的雷达回波图中的图像特征进行提取,从而依据该提取的图像特征,以能够准确地进行短时临近降雨预报,其中C--BiLSTM降雨回归模型包括CNN网络和BiLSTM网络,参照图2-4其中,通过CNN网络的卷积层和池化层对雷达回波图进行卷积操作和池化操作,以提取历史雷达回波图的图像特征,用于对降雨量的预测。
对于一个训练样本中的10张历史雷达回波图之间相互影响,互为补充,其携带的信息共同组成了对于预测时刻一小时内自动站上空气象环境因素的完整描述,这个气象条件的表征要考虑到前后观测到的回波图像的共同作用,因此,如果能够更准确地学习到多张历史雷达回波图像中按时间顺序的图像序列的上下文信息,才能够更准确地输出短时临近降雨预报,基于此,本实施例中,通过BiLSTM网络进行历史雷达回波图中图像特征的处理,BiLSTM网络包括多个前向状态的长短期记忆网络(LSTM)以及多个后向状态的长短期记忆网络,并能够通过拼接层将两个方向输出进行拼接,其中输入BiLSTM网络的历史雷达回波图的图像特征包括区域统计特征和主方向特征,区域统计特征以及主方向特征共同组成对雷达回波图的完整描述,因此BiLSTM根据区域统计特征和主方向特征能够输出准确的降雨预报。
在本发明的一个可选的实施例中,在将所述雷达回波图输入C-BiLSTM降雨回归模型,以生成短时临近降雨预报步骤之前,还包括如下步骤,
获取自动站在预设时间段内的累计降雨量数据,以及获取在所述预设时间段内的多个历史雷达回波图;
提取所述历史雷达回波图的区域统计特征和主方向特征;
建立C-BiLSTM降雨回归模型;
将所述区域统计特征和所述主方向特征输入所述C-BiLSTM降雨回归模型,以生成用于进行模型训练的降雨量预测数据;
根据所述降雨量预测数据和所述累计降雨量数据对所述C-BiLSTM降雨回归模型进行训练,直至所述C-BiLSTM降雨回归模型收敛。
为了实现短时临近降雨预报,得到实时的定量降水估计(QPE)和短期定量降水预报(QPF),首要需要解决的问题是如何利用现有的雷达回波数据和自动站数据进行多源异构的融合和挖掘,刻画和描述原始的未经处理的时空序列数据并最终提取区域特征进行样本构建,历史雷达回波图是很好的建模数据,所以可通过组织这些历史雷达回波图,构建合理的数据集,用于训练,以及从大量的雷达回波图中抽取到有效特征,并进行深度学习模型的构建,最终对历史雷达回波图和累计降雨量之间关系进行精准建模训练,最终,依据建立并训练完成的模型结合获取的用于进行降雨预报的雷达回波图,以能够准确及时的对定量降水估计(QPE)和短期定量降水预报(QPF),并且在位置准确性和强度准确性均优于现行的传统光流法和交叉相关法。
利用深度学习方法建模历史雷达回波图像和累计降雨量之间的对应关系,从而可以根据得到的雷达回波图的图像特征,如主方向特征,区域统计特征等得到对未来降雨量的预报,基于此,本发明实施例中,包括初始的C-BiLSTM降雨回归模型的建立,其中,C-BiLSTM降雨回归模型通过CNN网络(卷积神经网络)和BiLSTM网络(双向循环神经网络),即图2中双向LSTM层,进行搭建,其中CNN网络的输出连接BiLSTM网络的输入,在进行C-BiLSTM降雨回归模型训练时,获取自动站在预设时间段内的累计降雨量数据,以作为模型训练的真实值,以及根据自动站所处区域,获取当前区域中雷达在同样的预设时间段内采集到的雷达回波图作为历史雷达回波图,并提取所述历史雷达回波图中,将雷达回波图的图像特征输入模型的BiLSTM网络(双向循环神经网络)以获得用于进行模型训练的降雨量预测数据,该降雨量预测数据用于对C-BiLSTM降雨回归模型进行训练,当获得降雨量预测数据后,可将降雨量预测数据作为预测值,以与真实值进行对比,从而用于模型学习训练,直至模型训练到收敛,从而能够将训练完成的C-BiLSTM降雨回归模型用于短时临近降雨预报,将实时的雷达回波图通过C-BiLSTM降雨回归模型即可获得当前区域的降雨预报,使得降雨量预报更加准确。
通常情况自动站会在一定时间内记录一次降雨量,如5分钟记录一次降雨量,相应的,该自动站所记录的区域对应的雷达会在一定时间内发送雷达回波,如6分钟发送一次雷达回波,相应地,6分钟记录一次雷达回波,以此,可在一个预设时间段内提取多个降雨量以得到所述时间段的累计降雨量,相应地,在该预设时间段内,会存在多个所述历史雷达回波图,提取多个所述历史雷达回波图用于进行雷达回波图特征的提取,如提取一个小时的累计降雨量,相应的提取一个小时的10张雷达回波图。
由于原始的历史雷达回波图的数据维度过高,因此在需要先进行特征工程,抽取出不同尺度的特征代表每个不同样本,可以有效降低数据的维度,同时还可以起到防止过拟合的效果,样本主要对数据集抽取区域统计特征,以及主方向特征。
所述提取所述历史雷达回波图的区域统计特征,具体包括:
在所述历史雷达回波图中采样多个尺寸的图像区域;
提取所述图像区域中多个百分位的反射率值作为所述区域统计特征。
减小图像数据维度的常用思路是用一个或一些值来代表一个区域的特征,这和卷积神经网络里的池化操作很像,图像处理中常用的方法有最大池化,平均池化和加和池化,以此通过CNN网络的池化层在对图像数据的池化过程中,保存图像的最大回波反射率值作为区域统计特征。
在本实施例中,参照图4所示,对于历史雷达回波图,可以31*31的图像大小为限,其中数值表示图像中实际地理位置的长度,如大小为31*31时,该图像指31*31公里的地理区域,在这个范围内,对于雷达的影响会随着距离的减小而减弱,基于此,在所述历史雷达回波图中采样多个尺寸的图像区域,其中采样的图像区域的中心具体可为采集这些历史雷达回波图的雷达,其中,多个尺寸的所述图像可包括10*10大小、20*20大小,31*31大小,依次进行图像提取,直至提取到31*31大小的图像,基于提取的所述图像,提取图像中多个百分位的反射率值作为所述区域统计特征,本实施例中,多个百分位可为第25、50、75、100四个百分位,采集这些百分位的最大反射率值作为所述区域统计特征以用于预测该区域上空气象的降雨量。
对于每一张历史雷达回波图像,都可以计算其运动主方向作为主方向特征。为了得到云团的主要移动方向,对于原始图像来说,包含了过多不必要的信息,不利于抽取主方向,因此需要对原始图像进行高度概括,去掉冗余信息,只保留具有代表意义的高层特征。参照图5所示,主要思路是:对于大小为m*m大小的雷达回波图像,先将其缩减到10*10大小的范围,再根据这个范围确定出6*6大小的区域作为云团移动的主方向。都挑选与运动主方向一致的6*6大小的矩阵作为特征。
所述提取所述历史雷达回波图的主方向特征,具体包括:
将多个所述历史雷达回波图卷积,得到多个第一面积的图像;
将多个所述第一面积的图像通过最大池化方法池化,得到多个第二面积的图像;
根据多个所述第二面积的图像,确定多个所述雷达回波图的整体移动方向;
以各个所述第二面积的图像的中心为基准,分别提取各个所述第二面积的图像中,在所述整体移动方向上面积大小为第三面积的图像为所述主方向特征。
在本实施例中,对于所述历史雷达回波图,当提取的历史雷达回波图大小为m*m,如31*31时,通过所述CNN网络将各历史雷达回波图进行卷积操作,以将所述历史雷达回波图的大小卷积后得到第一面积的图像,本实施例中为第一面积的大小为20*20,其中,卷积步骤的权重可以用1,以将历史雷达回波图的回波反射率求平均值,在获得第一面积的图像后,通过CNN网络将第一面积的图像通过最大池化方法池化,保留雷达回波图中的最大回波反射率值,经过池化后得到第二面积的图像,本实施例中,20*20大小的图像池化后得到10*10大小的图像,以此,获得多个高度概括的第二面积的图像,以此基于多个所述第二面积的图像,确定多个所述雷达回波涂得整体移动方向,即,确定自动站上方的气象情况如云层在时间段内的整体移动方向。
对于降雨量进行回归建模是一个有监督的模型,降雨量的数据可以由地面自动站提供,根据经验已经知道雷达回波图像上的回波反射率(区域统计特征)是影响降雨大小的一个要素,那么对于地面自动站来说,其检测到的降雨可以代表一个区域的降雨量,反过来,这个自动站点的降雨量和以该站点为中心的区域的雷达回波也是有关系的,自动站点的降雨多少受到周围邻域的影响,越靠近中心,影响就越大,因此,不同的邻域选择会含有不同的信息量。将上述提取到的m*m大小的邻域进行回归建模,m取不同大小的值以比较不同的信息量对降雨量的影响程度。而CNN网络的卷积操作实际上是通过卷积核大小的滑窗实现的,特征图上的点对应上一层输入的某个滑窗区域,这与降雨邻域十分吻合,因此,建立包括CNN网络的C-BiLSTM降雨回归模型,对历史雷达回波图进行特征提取,最终得到对累计降雨量的回归,以训练C-BiLSTM降雨回归模型,并根据该训练完成的模型进行短时临近降雨预报,能够使得降雨预报更加准确。
其中,在确定多个所述雷达回波图的整体移动方向后,以各个所述第二面积的图像的中心为基准,分别提取各个所述第二面积的图像中,在所述整体移动方向上面积大小为第三面积的图像为所述主方向特征,本实施例中所得到的第二面积的图像大小为10*10,在确定整体移动方向后,以10*10大小的中心为基准,提取在该方向上第三面积的图像,如6*6大小的图像,以此作为主方向特征,以此将主方向特征以及所述区域统计特征结合以用于预测该区域上空气象的降雨量。
在本发明的一个可选的实施例中,所述根据多个所述第二面积的图像,确定多个所述雷达回波图的整体移动方向,具体包括:
设定多个所述第二面积的图像中,处于所述预设时间段内最初时刻的所述第二面积的图像为基准图像;
以所述基准图像的中心点为原点建立包括北、南、西、东四个方向的方向坐标;
计算所述第二面积的图像在所述方向坐标中各个方向的分布量;
设定所述分布量最大的所述方向为基准方向;
判断与所述分布量最大的所述方向垂直的垂直方向的分布量是否大于预设阈值;
若是,则设定所述垂直方向与所述基准方向的中间方向为所述整体移动方向;
若否,则设定所述基准方向为所述整体移动方向。
在本实施例中,根据多个所述第二面积的图像,确定多个所述雷达回波图的整体移动方向具体为,设定一所述第二面积的图像为基准图像,该第二面积的图像为在所述时间段中为最初获得的雷达回波图所对应的第二面积的图像,以此,后续获得的雷达回波图所对应的第二面积的图像均为在所述初始时刻之后,自动站上空的气象情况移动后所得到,其中,以所述基准图像的中心点为原点建立包括北、南、西、东四个方向的方向坐标,计算所述第二面积的图像在所述方向坐标中各个方向的分布量,通常情况下,每个所述第二面积的图像均在北南方向和东西方向上具有两个分布量,其中,对于多张所述第二面积的图像,采取分布量投票的形式,若某一第二面积的图像相对于所述方向坐标在东和南方向均进行了移动,则在东方向以及南方向的分布量计加1,以此,当分布量统计完成时,设定所述分布量最大的所述方向为基准方向,基于此,为了进一步更加准确的得到移动方向,判断与所述分布量最大的所述方向垂直的垂直方向的分布量是否大于预设阈值,如当判定北方向为基准方向后,若在东西方向上,东方向的分布量大于预设阈值,则设定所述垂直方向与所述基准方向的中间方向为所述整体移动方向,即设定东北方向为整体移动方向,否则设定所述基准方向为整体移动方向。
在本发明的一个可选的实施例中,根据所述降雨量预测数据和所述累计降雨量数据对所述C-BiLSTM降雨回归模型进行训练,直至所述C-BiLSTM降雨回归模型收敛,具体包括:
根据所述降雨量预测数据和所述累计降雨量数据计算损失函数;
固定所述C-BiLSTM降雨回归模型中的随机种子,以及初始化所述C-BiLSTM降雨回归模型中的参数;
基于所述损失函数,按照回归损失最小化迭代更新所述C-BiLSTM降雨回归模型的所述参数。
参照图7所示,本实施例中,在对C-BiLSTM降雨回归模型进行训练前先进行降雨量数据集制作,即按时间段,连续获取多个历史雷达回波图首,然后给定模型中各个结构单元的个数,包括:
一次训练的样本数batch_size,对应本发明实施例中的多个历史雷达回波图的主方向特征和区域统计特征;
BiLSTM网络中LSTM中隐藏单元的个数;
CNN网络中全连接层隐藏单元的个数。
在模型训练时,初始化模型中的参数使得每次随机变量的初始值相同,所以必须固定模型的随机种子,然后按照回归损失最小化的方向迭代更新参数,当模型收敛之后即可用于降雨量的预测和估计。
其中,采用将所述降雨量预测数据和所述累计降雨量数据进行对比,计算损失函数,具体地,可采用均方误差为损失函数,以基于损失函数更新模型中的参数,直至收敛。
在进行模型训练时,可引入Tensorboard进行可视化调节,以更合理准确地对模型进行训练。
在本发明的一个可选的实施例中,所述CNN网络包括输入层、卷积层、池化层、全连接层和输出层;所述卷积层用于将所述输入层输出的图像数据进行卷积操作,所述池化层用于将所述卷积层输出的图像数据进行池化操作,所述全连接层用于将所述池化层输出的图像数据转换为特征向量,所述输出层用于将所述特征向量输出至所述BiLSTM网络。
其中:卷积操作公式包括:
Hi=f(Hi-1×Wi+bi)
其中,Hi表示所述卷积层的输出,Hi-1表示所述卷积层的输入,Wi表示所述卷积层中卷积核的权重参数,bi表示偏移向量,所述卷积层的输入与所述偏移向量的和通过激活函数得到所述卷积层的输出;
所述卷积层输出的图像数据的宽度计算公式包括:
所述卷积层输出的图像数据的高度计算公式包括:
其中,size表示所述卷积核的大小,stride表示所述卷积核的步长,pad表示所述卷积核的填充大小,w表示所述卷积层输入的图像宽度,h表示所述卷积层输入的图像高度。
本实施例中,基于卷积神经网络(CNN网络)对历史雷达回波图进行特征提取,以用于根据雷达回波图对降雨量进行预测,通过CNN网络的卷积层对雷达回波图进行卷积操作,通常情况下,CNN网络的卷积操作通过卷积核大小的滑窗实现的。
通过CNN网络接收历史雷达回波图,将历史雷达回波图输入卷积层,以得到该卷积层的输出,通过设置卷积核的大小、步长、填充大小,以限定图像卷积后的大小。
其中,对于卷积后的图像,经过池化层进行图像池化,以降低数据的维度,保留主要的特征信息,具体地,通过一扫描矩阵扫描输入的图像数据,通过最大池化方法选取扫描矩阵中元素的最大值,本实施例中可采用2*2大小的扫描矩阵,以此最终得到的图像数据通过全连接层连接到输出层,以输出以特征向量体现的图像特征。
在本发明的一个可选的实施例中,所述激活函数的公式包括:
其中,α的取值为0-1之间的常数。
在本实施例中,采用Elu函数作为卷积层的激活函数,在进行卷积操作时,具有一定的抗干扰能力,其输出均指接近于零,收敛速度更快。
在本发明的一个可选的实施例中,还包括如下步骤:
通过规范化层对所述卷积层输出的图像数据和所述池化层输出的图像数据进行标准化处理,以避免梯度爆照现象的出现,方便模型训练。
在本发明的一个可选的实施例中所述提取所述历史雷达回波图的区域统计特征和主方向特征步骤之前,还包括如下步骤:
将所述历史雷达回波图中回波强度大于第一预设回波强度,且小于第二预设回波强度的区域的回波强度重置为零,其中所述第一预设回波强度大于所述第二预设回波强度。
在本实施例中,在提取所述雷达回波图时,通过将雷达回波图中部分区域的回波强度重置为零,能够避免地面杂波和错误信息的噪声干扰,本实施例中,第一预设回波强度可选为80dBZ,第二预设回波强度可选为15dBZ,以此,将雷达回波图中回波强度大于80dBZ和小于15dBZ的区域的回波强度重置为零。
通过本发明所述的短时临近降雨预报方法进行短时临近降雨预报的预报情况如下表:
表一
区域大小 | Linear | XGBoost | RandomForest | CNN | BiLSTM | C-BiLSTM |
31*31 | 11.03 | 8.01 | 8.53 | 7.45 | 7.76 | 7.20 |
61*61 | 11.29 | 13.52 | 9.06 | 9.44 | 8.92 | 8.55 |
101*101 | 11.3 | 13.77 | 8.14 | 9.71 | 8.77 | 8.99 |
其中区域大小为提取的雷达回波图代表的地理区域大小,通过均方误差(MSE)的值表示各个模型的天气预报情况,其中计算公式为:
表中,Linear(线性回归算法)模型、XGBoost(极端梯度提升算法)模型、RandomForest(随机森林)、CNN网络、BiLSTM网络、C-BiLSTM在各个区域大小进行短时临近降雨预报后根据均方误差公式得到的均方误差值。
从图中,可以看出传统的机器学习算法中,线性回归模型(Linear)对于三种区域大小的预测结果均不理想,这与线性回归无法很好的描述非线性关系相符,因为实际降雨量和回波图像的之间的对应关系为复杂的非线性关系;XGBoost算法只在较小邻域的数据集上效果较好,说明该算法十分依赖于特征的选取,因此算法的表现受限于特征的好坏;随机森林算法(RandomForest)的表现优于前两者,并且和基于深度学习的算法表现相差不多,对于不同区域大小的样本,预测误差不稳定,说明了手工设计的特征可能存在噪声等因素,影响了算法的表现本发明实施例所述的短时临近降雨预报方法对于短时临近降雨的预报误差在31*31和61*61区域的预报相较于其它模型或算法的预报误差更小。
本发明的另一实施例的一种短时临近降雨预报系统,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现上述所述的短时临近降雨预报方法。
通过本发明的短时临近降雨预报系统,根据建立的C-BiLSTM降雨回归模型,将获取的雷达回波图中的图像特征进行提取,从而依据该提取的图像特征,以能够准确地进行短时临近降雨预报。
本发明另一实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器读取并运行时,实现上述所述的短时临近降雨预报方法,以达到本发明实施例中的各有益效果。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种短时临近降雨预报方法,其特征在于,包括如下步骤:
获取用于进行降雨预报的雷达回波图;
将所述雷达回波图输入C-BiLSTM降雨回归模型,以生成短时临近降雨预报;
其中,所述C-BiLSTM降雨回归模型包括CNN网络和BiLSTM网络,所述CNN网络用于提取所述雷达回波图的图像特征,所述BiLSTM网络用于根据所述特征图像生成所述短时临近降雨预报。
2.根据权利要求1所述的短时临近降雨预报方法,其特征在于,在将所述雷达回波图输入C-BiLSTM降雨回归模型,以生成短时临近降雨预报步骤之前,还包括如下步骤,
获取自动站在预设时间段内的累计降雨量数据,以及获取在所述预设时间段内的多个历史雷达回波图;
提取所述历史雷达回波图的区域统计特征和主方向特征;
建立C-BiLSTM降雨回归模型;
将所述区域统计特征和所述主方向特征输入所述C-BiLSTM降雨回归模型,以生成用于进行模型训练的降雨量预测数据;
根据所述降雨量预测数据和所述累计降雨量数据对所述C-BiLSTM降雨回归模型进行训练,直至所述C-BiLSTM降雨回归模型收敛。
3.根据权利要求2所述的短时临近降雨预报方法,其特征在于,所述提取所述历史雷达回波图的区域统计特征,具体包括:
在所述历史雷达回波图中采样多个尺寸的图像区域;
提取所述图像区域中多个百分位的反射率值作为所述区域统计特征。
4.根据权利要求3所述的短时临近降雨预报方法,其特征在于,所述提取所述历史雷达回波图的主方向特征,具体包括:
将多个所述历史雷达回波图卷积,得到多个第一面积的图像;
将多个所述第一面积的图像通过最大池化方法池化,得到多个第二面积的图像;
根据多个所述第二面积的图像,确定多个所述雷达回波图的整体移动方向;
以各个所述第二面积的图像的中心为基准,分别提取各个所述第二面积的图像中,在所述整体移动方向上面积大小为第三面积的图像为所述主方向特征。
5.根据权利要求4所述的短时临近降雨预报方法,其特征在于,所述根据多个所述第二面积的图像,确定多个所述雷达回波图的整体移动方向,具体包括:
设定多个所述第二面积的图像中,处于所述预设时间段内最初时刻的所述第二面积的图像为基准图像;
以所述基准图像的中心点为原点建立包括北、南、西、东四个方向的方向坐标;
计算所述第二面积的图像在所述方向坐标中各个方向的分布量;
设定所述分布量最大的所述方向为基准方向;
判断与所述分布量最大的所述方向垂直的垂直方向的分布量是否大于预设阈值;
若是,则设定所述垂直方向与所述基准方向的中间方向为所述整体移动方向;
若否,则设定所述基准方向为所述整体移动方向。
6.根据权利要求2所述的短时临近降雨预报方法,其特征在于,根据所述降雨量预测数据和所述累计降雨量数据对所述C-BiLSTM降雨回归模型进行训练,直至所述C-BiLSTM降雨回归模型收敛,具体包括:
根据所述降雨量预测数据和所述累计降雨量数据计算损失函数;
固定所述C-BiLSTM降雨回归模型中的随机种子,以及初始化所述C-BiLSTM降雨回归模型中的参数;
基于所述损失函数,按照回归损失最小化迭代更新所述C-BiLSTM降雨回归模型的所述参数。
7.根据权利要求2所述的短时临近降雨预报方法,其特征在于,所述提取所述历史雷达回波图的区域统计特征和主方向特征步骤之前,还包括如下步骤:
将所述历史雷达回波图中回波强度大于第一预设回波强度,且小于第二预设回波强度的区域的回波强度重置为零,其中所述第一预设回波强度大于所述第二预设回波强度。
8.根据权利要求1-7任一所述的短时临近降雨预报方法,其特征在于,所述CNN网络包括输入层、卷积层、池化层、全连接层和输出层;所述卷积层用于将所述输入层输出的图像数据进行卷积操作,所述池化层用于将所述卷积层输出的图像数据进行池化操作,所述全连接层用于将所述池化层输出的图像数据转换为特征向量,所述输出层用于将所述特征向量输出至所述BiLSTM网络。
9.一种短时临近降雨预报系统,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-8任一项所述的短时临近降雨预报方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器读取并运行时,实现如权利要求1-8任一项所述的短时临近降雨预报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418575.4A CN111145245B (zh) | 2019-12-31 | 2019-12-31 | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418575.4A CN111145245B (zh) | 2019-12-31 | 2019-12-31 | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145245A true CN111145245A (zh) | 2020-05-12 |
CN111145245B CN111145245B (zh) | 2023-07-21 |
Family
ID=70523147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911418575.4A Active CN111145245B (zh) | 2019-12-31 | 2019-12-31 | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145245B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695736A (zh) * | 2020-06-15 | 2020-09-22 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
CN111814961A (zh) * | 2020-07-03 | 2020-10-23 | 深圳市赑玄阁科技有限公司 | 基于生成式对抗网络的降水预报的方法 |
CN111950812A (zh) * | 2020-08-31 | 2020-11-17 | 福建农林大学 | 一种自动识别与预测雨量的方法及其装置 |
CN112183886A (zh) * | 2020-10-22 | 2021-01-05 | 南京信息工程大学 | 基于卷积网络和注意力机制的短时临近降雨预测方法 |
CN112184753A (zh) * | 2020-09-21 | 2021-01-05 | 上海眼控科技股份有限公司 | 目标光流法确定方法、装置、计算机设备和存储介质 |
CN112819199A (zh) * | 2020-12-31 | 2021-05-18 | 上海眼控科技股份有限公司 | 降水量的预测方法、装置、设备和存储介质 |
CN113095443A (zh) * | 2021-06-07 | 2021-07-09 | 江苏思远集成电路与智能技术研究院有限公司 | 基于lstm-dnn网络模型的实时天气预测算法 |
CN114325880A (zh) * | 2022-03-08 | 2022-04-12 | 浙江工业大学 | 一种基于雷达回波图的降雨预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN108646319A (zh) * | 2018-08-09 | 2018-10-12 | 深圳市雅码科技有限公司 | 一种短时强降雨预报方法及系统 |
CN109799550A (zh) * | 2019-03-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 用于预测降雨强度的方法和装置 |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
-
2019
- 2019-12-31 CN CN201911418575.4A patent/CN111145245B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN108646319A (zh) * | 2018-08-09 | 2018-10-12 | 深圳市雅码科技有限公司 | 一种短时强降雨预报方法及系统 |
CN109799550A (zh) * | 2019-03-20 | 2019-05-24 | 北京百度网讯科技有限公司 | 用于预测降雨强度的方法和装置 |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
Non-Patent Citations (4)
Title |
---|
CHANGJIANG ZHANG 等: "A Deep CNN-BiLSTM Model for Short-Term Rainfall Prediction" * |
张卫国;范仲丽;钟伟;江雨田;孙飞飞;陈娟;: "雷达回波外推方法在临近降雨预报中的应用" * |
林青;潘宁;刘铭;: "光流法以及结合机器学习在临近预报中的应用" * |
陈元昭;林良勋;王蕊;兰红平;叶允明;陈训来;: "基于生成对抗网络GAN的人工智能临近预报方法研究" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695736A (zh) * | 2020-06-15 | 2020-09-22 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
CN111814961A (zh) * | 2020-07-03 | 2020-10-23 | 深圳市赑玄阁科技有限公司 | 基于生成式对抗网络的降水预报的方法 |
CN111950812A (zh) * | 2020-08-31 | 2020-11-17 | 福建农林大学 | 一种自动识别与预测雨量的方法及其装置 |
CN111950812B (zh) * | 2020-08-31 | 2022-05-24 | 福建农林大学 | 一种自动识别与预测雨量的方法及其装置 |
CN112184753A (zh) * | 2020-09-21 | 2021-01-05 | 上海眼控科技股份有限公司 | 目标光流法确定方法、装置、计算机设备和存储介质 |
CN112183886A (zh) * | 2020-10-22 | 2021-01-05 | 南京信息工程大学 | 基于卷积网络和注意力机制的短时临近降雨预测方法 |
CN112183886B (zh) * | 2020-10-22 | 2024-03-15 | 南京信息工程大学 | 基于卷积网络和注意力机制的短时临近降雨预测方法 |
CN112819199A (zh) * | 2020-12-31 | 2021-05-18 | 上海眼控科技股份有限公司 | 降水量的预测方法、装置、设备和存储介质 |
CN113095443A (zh) * | 2021-06-07 | 2021-07-09 | 江苏思远集成电路与智能技术研究院有限公司 | 基于lstm-dnn网络模型的实时天气预测算法 |
CN114325880A (zh) * | 2022-03-08 | 2022-04-12 | 浙江工业大学 | 一种基于雷达回波图的降雨预测方法及装置 |
CN114325880B (zh) * | 2022-03-08 | 2022-05-31 | 浙江工业大学 | 一种基于雷达回波图的降雨预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111145245B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145245B (zh) | 一种短时临近降雨预报方法、系统及计算机可读存储介质 | |
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
US10795056B2 (en) | Local weather forecast | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
CN111695088A (zh) | 卫星降水空间降尺度最优回归窗口筛选方法与装置 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN114742206B (zh) | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN113343858A (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
CN114185114B (zh) | 降水预报落区的订正方法、装置、电子设备及介质 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
CN114548606A (zh) | 一种气旋强度预测模型的构建方法及气旋强度预测方法 | |
CN117150600A (zh) | 一种用于城市防内涝的屋顶蓄排水控制方法 | |
CN112668615B (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
CN113627465B (zh) | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 | |
Africa | Region | |
CN113988349A (zh) | 一种基于时空局部模型的数值模式预报产品客观释用方法 | |
CN112348062A (zh) | 气象图像预测方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |