CN111487624A - 一种预测降雨量的方法与设备 - Google Patents

一种预测降雨量的方法与设备 Download PDF

Info

Publication number
CN111487624A
CN111487624A CN202010329379.6A CN202010329379A CN111487624A CN 111487624 A CN111487624 A CN 111487624A CN 202010329379 A CN202010329379 A CN 202010329379A CN 111487624 A CN111487624 A CN 111487624A
Authority
CN
China
Prior art keywords
radar echo
image sequence
echo image
historical
preset
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.)
Pending
Application number
CN202010329379.6A
Other languages
English (en)
Inventor
周康明
杨光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010329379.6A priority Critical patent/CN111487624A/zh
Publication of CN111487624A publication Critical patent/CN111487624A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

与现有技术相比，本申请通过一种预测降雨量的方法，首先获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像，接着基于所述第一雷达回波图像序列确定第二雷达回波图像序列，最后将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。通过该方法，使用训练后的改进SlowFast神经网络模型来预测未来短时降雨量，大大提高了预测准确率，可应用于各种相关应用场景，满足实际需要。

Description

一种预测降雨量的方法与设备
技术领域
本申请涉及计算机图像处理技术领域，尤其涉及一种预测降雨量的技术。
背景技术
降雨量预测对很多农业生产、城市生活及工作等有着重要作用，如降雨量预测是机场运行的一项重要保障。雷达回波图像可以表现某片区域上空云的形态，连续帧雷达回波图像序列则能反映该区域上空云的运动和变化轨迹，而云的形态和运动趋势可以用于判断未来天气。
在深度学习兴起后，出现了利用神经网络模型来预测降雨量，如TrajGRU(TrajectoryGated Recurrent Unit，轨迹门控递归单元)神经网络模型，利用雷达回波图像数据，捕捉雷达回波图像的特征规律来预测未来的雷达回波图像，从而预测未来天气。但是用这种方法得到的预测结果准确率不佳，特别是非临近的降雨量预测，如短时降雨量预测的准确率不高，难以满足实际需要。
发明内容
本申请的目的是提供一种预测降雨量的方法与设备，用以解决现有技术中降雨量预测准确率不高的技术问题。
根据本申请的一个方面，提供了一种预测降雨量的的方法，其中，所述方法包括：
获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
基于所述第一雷达回波图像序列确定第二雷达回波图像序列；
将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。
可选地，其中，所述第二雷达回波图像序列包括：
所述第一雷达回波图像序列的首、尾两帧雷达回波图像，及基于预设间隔从第一雷达回波图像序列中采样获取的若干帧雷达回波图像。
可选地，其中，确定所述训练后的改进SlowFast神经网络模型包括：
获取所述预设站点的历史第一雷达回波图像序列，构建历史第一雷达回波图像序列训练集，其中，所述历史第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
基于所述历史第一雷达回波图像序列确定历史第二雷达回波图像序列，构建与所述历史第一雷达回波图像序列训练集对应的历史第二雷达回波图像序列训练集，其中，所述历史第二雷达回波图像序列从所述历史第一雷达回波图像序列中采样确定；
获取所述预设站点与所述历史第一雷达回波图像序列对应的历史降雨量，构建历史降雨量数据集；
将所述历史第一雷达回波图像序列训练集、所述历史第二雷达回波图像序列训练集和所述历史降雨量数据集用于训练改进SlowFast神经网络，当所述改进SlowFast神经网络的损失函数输出满足预置阈值，完成所述SlowFast神经网络模型训练。
可选地，其中，所述改进SlowFast神经网络是将SlowFast神经网络尾部的分类或者检测结构替换成回归结构。
可选地，所述改进SlowFast神经网络的结构包括：
Fast Pathway分支，包括1个卷积池化层和4个残差模块、1个全局平均池化层；
Slow Pathway分支，包括1个卷积池化层、4个残差模块、1个全局平均池化层，其中，在距离输出近端的后两个残差模块使用了时间维度卷积；
3个特征融合卷积层、1个拼接层和1个全连接层，其中，在所述Fast Pathway分支中的前3个残差模块的每一个残差模块与所述Slow Pathway分支中的对应残差模块之间有1个特征融合卷积层，其中，所述Fast Pathway分支中的全局平均池化层和所述SlowPathway分支中的全局平均池化层的输出都作为拼接层的输入，拼接层的输出作为全连接层的输入。
可选地，其中，所述特征融合卷积层包括：
将所述Fast Pathway分支中的残差模块输出作为特征融合卷积层的输入；
特征融合卷积层的输出与所述Slow Pathway分支中的对应残差模块的输出按特征点位置进行加法运算，结果作为所述Slow Pathway分支中的下一个残差模块的输入。
可选地，其中，所述损失函数包括均方差损失函数。
根据本申请的另一方面，还提供了一种预测降雨量的设备，其中，所述设备包括：
第一装置，用于获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
第二装置，用于基于所述第一雷达回波图像序列确定第二雷达回波图像序列；
第三装置，用于将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。
与现有技术相比，本申请通过一种预测降雨量的方法，首先获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像，接着基于所述第一雷达回波图像序列确定第二雷达回波图像序列，最后将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。通过该方法，使用训练后的改进SlowFast神经网络模型来预测未来短时降雨量，大大提高了预测准确率，可应用于各种相关应用场景，满足实际需要。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种预测降雨量的方法流程图；
图2示出根据本申请一个方面的一个实施例的一种改进SlowFast神经网络模型的结构示意图；
图3示出根据本申请另一个方面的一种预测降雨量的设备示意图；
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，系统各模块和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及优选实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出本申请一个方面的一种预测降雨量的方法流程图，其中，一个实施例的方法包括：
S11获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
S12基于所述第一雷达回波图像序列确定第二雷达回波图像序列；
S13将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。
在本申请中，所述方法通过设备1执行，所述设备1为计算机设备和/或云，所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集；所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。
在此，所述计算机设备和/或云仅为举例，其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
在该实施例中，在所述步骤S11中，通过设备1直接接收气象雷达数据来获取所述第一雷达回波图像序列，也可以通过拷贝、网络传输等方式来获取所述第一雷达回波图像序列。第一雷达回波图像序列的获取方式在此不做限定，任何获取方式如适用于本申请也应包含在本申请的保护范围内。
设备1获取的第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像，其中，预设帧数的选择应使得第一雷达回波图像序列中蕴含足够的天气信息来预测降雨量。例如，包括连续13帧雷达回波图像的第一雷达回波图像序列，或者包括连续10帧雷达回波图像的第一雷达回波图像序列。在此，对预设帧数不做限定，任何适用于本申请的预设帧数也应包含在本申请的保护范围内。
继续在该实施例中，在所述步骤S12中，设备1基于第一雷达回波图像序列来确定第二雷达回波图像序列。
可选地，其中，所述第二雷达回波图像序列包括：
所述第一雷达回波图像序列的首、尾两帧雷达回波图像，及基于预设间隔从第一雷达回波图像序列中采样获取的若干帧雷达回波图像。
其中，预设间隔的选择应保证第二雷达回波图像序列包含足够的信息量，然后需要保证能够从第一雷达回波图像序列中采样得到间隔数相同帧。例如，基于包括连续13帧雷达回波图像的第一雷达回波图像序列，预设采样间隔为4，则可确定第一雷达回波图像序列的第1帧、第13帧，以及第5帧、第9帧，一共4帧构成第二雷达回波图像序列。或者基于包括连续10帧雷达回波图像的第一雷达回波图像序列，预设采样间隔为3，则可确定第一雷达回波图像序列的第1帧、第10帧，以及第4帧、第7帧，一共4帧构成第二雷达回波图像序列。在此，对预设间隔不做限定，任何适用于本申请的预设间隔也应包含在本申请的保护范围内。
继续在该实施例中，在所述步骤S13中，所述第一雷达回波图像序列和所述第二雷达回波图像序列都作为训练后的改进SlowFast神经网络模型的输入，用来预测预设站点预设时间段内降雨量。
其中，如果第一雷达回波图像序列能覆盖多个预设站点，包含这些预设站点的气象信息，可以获得与第一雷达回波图像序列覆盖范围相同的、包含这些预设站点历史气象信息的历史雷达回波图像序列，以及这些预设站点的历史真实降雨量数据，则可以同时预测这些预设站点预设时间段内降雨量。例如，有90个站点处于雷达回波图的覆盖区域内，对这90个站点的位置分布不作要求，并且可以获取到这90个站点的历史雷达回波图像序列和历史真实降雨量数据，则可以通过训练后的改进SlowFast神经网络模型预测这90个站点未来时间段内降雨量。在此，对预设站点不做限定，任何适用于本申请的预设站点也应包含在本申请的保护范围内。
可选地，其中，确定所述训练后的改进SlowFast神经网络模型包括：
获取所述预设站点的历史第一雷达回波图像序列，构建历史第一雷达回波图像序列训练集，其中，所述历史第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
基于所述历史第一雷达回波图像序列确定历史第二雷达回波图像序列，构建与所述历史第一雷达回波图像序列训练集对应的历史第二雷达回波图像序列训练集，其中，所述历史第二雷达回波图像序列从所述历史第一雷达回波图像序列中采样确定；
获取所述预设站点与所述历史第一雷达回波图像序列对应的历史降雨量，构建历史降雨量数据集；
将所述历史第一雷达回波图像序列训练集、所述历史第二雷达回波图像序列训练集和所述历史降雨量数据集用于训练改进SlowFast神经网络，当所述改进SlowFast神经网络的损失函数输出满足预置阈值，完成所述SlowFast神经网络模型训练。
现有的SlowFast神经网络模型是一种视频识别分类模型，常用于视频分类和检测任务。在本申请中，包含预设帧数的连续帧雷达回波图像组成的第一雷达回波图像序列可视为待识别的视频，则对预设时间段内降雨量预测转换为视频识别回归任务。连续帧雷达回波图像序列作为视频信息输入训练后的改进SlowFast神经网络模型，输出雷达回波图覆盖区域的预设气象站点预设时间内降雨量预测值。
可选地，所述改进SlowFast神经网络是将SlowFast神经网络尾部的分类或者检测结构替换成回归结构。在确保改进SlowFast神经网络规模的前提下获得较好的训练效率和结果。
可选地，所述改进SlowFast神经网络的结构包括：
Fast Pathway分支，包括1个卷积池化层和4个残差模块、1个全局平均池化层；
Slow Pathway分支，包括1个卷积池化层、4个残差模块、1个全局平均池化层，其中，在距离输出近端的后两个残差模块使用了时间维度卷积；
3个特征融合卷积层、1个拼接层和1个全连接层，其中，在所述Fast Pathway分支中的前3个残差模块的每一个残差模块与所述Slow Pathway分支中的对应残差模块之间有1个特征融合卷积层，其中，所述Fast Pathway分支中的全局平均池化层和所述SlowPathway分支中的全局平均池化层的输出都作为拼接层的输入，拼接层的输出作为全连接层的输入。
可选地，其中，所述特征融合卷积层包括：
将所述Fast Pathway分支中的残差模块输出作为特征融合卷积层的输入；
特征融合卷积层的输出与所述Slow Pathway分支中的对应残差模块的输出按特征点位置进行加法运算，结果作为所述Slow Pathway分支中的下一个残差模块的输入。
其中，使用卷积神经网络捕捉雷达回波图像序列中空间维度上云的形态特征和时间维度上云的运动变化特征，提取了相关特征后，将特征拼接后输入全连接层，最后输出预测降雨量数值。
可选地，其中，所述损失函数包括均方差损失函数。
获取到一定数量的涵盖预设站点的历史连续雷达回波图像序列作为训练集，并获取到相应的预设站点历史真实降雨量数据。采用训练集对改进SlowFast神经网络进行训练，计算网络输出值与相应的历史真实降雨量数据之间的MSE loss(Mean Square Errorloss，均方差损失)，然后使用梯度下降法更新网络参数，直到网络输出值和历史真实降雨量数据之间的均方差符合预设阈值，则完成改进SlowFast神经网络的训练，获得经过训练的改进SlowFast神经网络模型。
所述均方差计算公式如下：
Figure BDA0002464402570000081
其中，y表示历史真实降雨量，yi为站点i的历史真实降雨量；
y’表示预测降雨量，yi’为改进SlowFast神经网络模型预测的站点i预设时间段内的降雨量；
n为预设站点的数量。
将获得的包含预设帧数连续雷达回波图像的雷达回波图像序列输入经过训练的改进SlowFast神经网络模型，模型输出即为雷达回波图像覆盖区域内的预设站点预设时间段内的预测降雨量。
本申请一个方面的一个实施例的一种改进SlowFast神经网络模型的结构示意图如图2所示，模型包括SlowPathway和Fast Pathway两个分支，每个分支中都包括1个由Conv(Convolution，卷积)模块和Pool(池化)模块组成的卷积池化层、4个Res(Residual，残差)模块，将获取的不同雷达回波图像序列分别输入SlowPathway和Fast Pathway两个分支，采用3D卷积，用于捕捉雷达回波图像序列的2D空间特征以及时间维度特征，其中更关注空间特征的Slow Pathway分支只在Res4和Res5两个模块中使用了时间维度卷积，而更关注时间维度特征的Fast Pathway分支则在卷积池化层和4个Res模块中都使用了时间维度卷积，但是为了减少计算量，Fast Pathway分支的通道数只有Slow Pathway分支中相对应模块的通道数的1/8。在每个Res模块(不包括尾部最后一个Res模块)后，Fast Pathway分支捕捉到的特征都会与Slow Pathway分支捕捉到的特征进行融合，用于辅助Slow Pathway分支后续学习。其中，所述融合的方式将Fast Pathway分支当前Res模块输出的特征图输入一个卷积层，而通道数则与Slow Pathway分支当前输出特征图保持一致，再将卷积后所得的特征图与Slow Pathway分支当前输出特征图做Element Wise Sum(特征点位置进行加法)运算，得到的特征图作为Slow Pathway下一个Res模块的输入。
然后分别将Slow Pathway分支和Fast Pathway分支最后一个Res模块输出的特征图输入Global average Pool(全局平均池化)层，进行全局平均池化操作，接着分别将SlowPathway分支和Fast Pathway分支的全局平均池化后的特征值输入一个Concate(拼接)层，将Concate层的输出再输入一个FullConnect(全连接)层，最后得到降雨量预测值。
采用图2所示经过训练的改进SlowFast神经网络模型预测90个站点未来预设时间段内降雨量的一组网络参数见如下表1和表2。
表1
Figure BDA0002464402570000091
Figure BDA0002464402570000101
注：Conv-卷积；Pool-池化；Res-残差；Stride-步长；Max poolingstride-最大池化步长；Global average pool-全局平均池化；Concate-拼接；Full connect-全连接；Rainfall forecast value-降雨量预测值
表2
Conv2 5×1<sup>2</sup>,256；Stride 3,1<sup>2</sup>；Pad 1,0<sup>2</sup>
Conv3 5×1<sup>2</sup>,512；Stride 3,1<sup>2</sup>；Pad 1,0<sup>2</sup>
Conv4 5×1<sup>2</sup>,1024；Stride 3,1<sup>2</sup>；Pad 1,0<sup>2</sup>
将Fast Pathway分支Res2、Res3和Res4模块输出的特征图分别输入对应的Conv2、Conv3和Conv4卷积层，各卷积层的参数见表2，通道数与Slow Pathway分支对应的当前Res模块输出特征图保持一致，再将各卷积层输出的特征图与Slow Pathway分支对应的当前Res模块输出特征图做Element Wise Sum运算，得到的特征图作为Slow Pathway下一个Res模块的输入。
然后分别将Slow Pathway分支和Fast Pathway分支最后一个Res模块输出的特征图输入Global average Pool层，进行全局平均池化操作，其中，Slow Pathway分支最后一个Res模块输出的特征图包含2048个特征值，Fast Pathway分支最后一个Res模块输出的特征图包含256个特征值，将2048个特征值和256个特征值共2304个特征值输入Concate层，输出1024个特征值，之后将1024个特征值输入一个FullConnect层，输出90个预测值，这90个预测值对应连续13帧雷达回波图像涵盖的90个站点未来预设时间段内的预测降雨量，例如，上述实施例的一个应用场景可以是机场等场景的临近(未来2小时内)或者短时(未来6小时内)降雨量预测。
本申请记载的基于训练后的改进SlowFast神经网络模型的深度学习方法可以针对当前连续雷达回波图像序列端到端地进行雷达回波图像覆盖区域内站点的短时降雨量预测，不需要如建立站点间内在关系等额外人工特征。基于训练后的改进SlowFast神经网络模型较好的特征捕捉性能，经试验，与TrajGRU方法对比，可将短时降雨量预测精度提升10个百分点以上。
图3示出根据本申请另一个方面的一种预测降雨量的设备示意图，其中，所述设备包括：
第一装置31，用于获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
第二装置32，用于基于所述第一雷达回波图像序列确定第二雷达回波图像序列；
第三装置33，用于将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。
根据本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面，还提供了一种预测降雨量的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：
获取包括连续帧数雷达回波图像的第一雷达回波图像序列，对所述第一雷达回波图像序列按预设间隔采样获得第二雷达回波图像序列，将获得的所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种预测降雨量的方法，其特征在于，所述方法包括：
获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
基于所述第一雷达回波图像序列确定第二雷达回波图像序列；
将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。
2.根据权利要求1所述的方法，其特征在于，所述第二雷达回波图像序列包括：
所述第一雷达回波图像序列的首、尾两帧雷达回波图像，及基于预设间隔从第一雷达回波图像序列中采样获取的若干帧雷达回波图像。
3.根据权利要求1或2所述的方法，其特征在于，确定所述训练后的改进SlowFast神经网络模型包括：
获取所述预设站点的历史第一雷达回波图像序列，构建历史第一雷达回波图像序列训练集，其中，所述历史第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
基于所述历史第一雷达回波图像序列确定历史第二雷达回波图像序列，构建与所述历史第一雷达回波图像序列训练集对应的历史第二雷达回波图像序列训练集，其中，所述历史第二雷达回波图像序列从所述历史第一雷达回波图像序列中采样确定；
获取所述预设站点与所述历史第一雷达回波图像序列对应的历史降雨量，构建历史降雨量数据集；
将所述历史第一雷达回波图像序列训练集、所述历史第二雷达回波图像序列训练集和所述历史降雨量数据集用于训练改进SlowFast神经网络，当所述改进SlowFast神经网络的损失函数输出满足预置阈值，完成所述SlowFast神经网络模型训练。
4.根据权利要求1所述的方法，其特征在于，所述改进SlowFast神经网络是将SlowFast神经网络尾部的分类或者检测结构替换成回归结构。
5.根据权利要求4所述的方法，其特征在于，所述改进SlowFast神经网络的结构包括：
Fast Pathway分支，包括1个卷积池化层和4个残差模块、1个全局平均池化层；
Slow Pathway分支，包括1个卷积池化层、4个残差模块、1个全局平均池化层，其中，在距离输出近端的后两个残差模块使用了时间维度卷积；
3个特征融合卷积层、1个拼接层和1个全连接层，其中，在所述Fast Pathway分支中的前3个残差模块的每一个残差模块与所述Slow Pathway分支中的对应残差模块之间有1个特征融合卷积层，其中，所述Fast Pathway分支中的全局平均池化层和所述Slow Pathway分支中的全局平均池化层的输出都作为拼接层的输入，拼接层的输出作为全连接层的输入。
6.根据权利要求5所述的方法，其特征在于，所述特征融合卷积层包括：
将所述Fast Pathway分支中的残差模块输出作为特征融合卷积层的输入；
特征融合卷积层的输出与所述Slow Pathway分支中的对应残差模块的输出按特征点位置进行加法运算，结果作为所述Slow Pathway分支中的下一个残差模块的输入。
7.根据权利要求3所述的方法，其特征在于，所述损失函数包括均方差损失函数。
8.一种预测降雨量的设备，其特征在于，所述设备包括：
第一装置，用于获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；
第二装置，用于基于所述第一雷达回波图像序列确定第二雷达回波图像序列；
第三装置，用于将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。
9.一种计算机可读介质，其特征在于，
其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7中任一项所述的方法。
10.一种预测降雨量的设备，其特征在于，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述方法的操作。
CN202010329379.6A 2020-04-23 2020-04-23 一种预测降雨量的方法与设备 Pending CN111487624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010329379.6A CN111487624A (zh) 2020-04-23 2020-04-23 一种预测降雨量的方法与设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010329379.6A CN111487624A (zh) 2020-04-23 2020-04-23 一种预测降雨量的方法与设备

Publications (1)

Publication Number Publication Date
CN111487624A true CN111487624A (zh) 2020-08-04

Family

ID=71798888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010329379.6A Pending CN111487624A (zh) 2020-04-23 2020-04-23 一种预测降雨量的方法与设备

Country Status (1)

Country Link
CN (1) CN111487624A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929688A (zh) * 2020-09-22 2020-11-13 蔻斯科技(上海)有限公司 一种用于确定雷达回波预测帧序列的方法与设备
CN112180375A (zh) * 2020-09-14 2021-01-05 成都信息工程大学 一种基于改进的TrajGRU网络的气象雷达回波外推方法
CN112183313A (zh) * 2020-09-27 2021-01-05 武汉大学 一种基于SlowFast的电力作业现场动作识别方法
CN112241813A (zh) * 2020-10-20 2021-01-19 山东大学 基于小波分解的降雨预测方法及系统
CN113239722A (zh) * 2021-03-31 2021-08-10 成都信息工程大学 基于深度学习在多尺度下的强对流外推方法及系统
CN113552656A (zh) * 2021-07-26 2021-10-26 福建农林大学 基于室外影像多时空融合的降水强度监测方法及系统
CN114091765A (zh) * 2021-11-25 2022-02-25 山西勇利信息科技有限公司 一种基于时空双向多粒度动态集成的未来降雨预测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7324396A (en) * 1996-11-05 1998-05-29 Millennium Interactive Limited Process control
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
US20180091747A1 (en) * 2014-10-17 2018-03-29 Voxtel, Inc. Event tracking imager
CN107966679A (zh) * 2017-11-16 2018-04-27 中国电子科技集团公司第二十研究所 基于云架构的甚低频导航实时网格化电波传播修正方法
CN108508505A (zh) * 2018-02-05 2018-09-07 南京云思创智信息科技有限公司 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统
CN109919051A (zh) * 2019-02-22 2019-06-21 同济大学 一种用于视频图像处理的卷积神经网络加速方法
CN109919862A (zh) * 2019-02-01 2019-06-21 北京佳格天地科技有限公司 雷达图像去噪系统、方法及计算机设备
CN109982020A (zh) * 2019-02-26 2019-07-05 南京邮电大学 一种视频存储及检索方法
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置
US20190303158A1 (en) * 2018-03-29 2019-10-03 Qualcomm Incorporated Training and utilization of a neural branch predictor
CN110309835A (zh) * 2019-06-27 2019-10-08 中国人民解放军战略支援部队信息工程大学 一种图像局部特征提取方法及装置
CN110770760A (zh) * 2017-05-19 2020-02-07 渊慧科技有限公司 对物理系统的未来状态进行对象级预测
CN110942009A (zh) * 2019-11-22 2020-03-31 南京甄视智能科技有限公司 基于时空混合卷积网络的跌倒检测方法与系统
CN111047088A (zh) * 2019-12-09 2020-04-21 上海眼控科技股份有限公司 预测图像获取方法、装置、计算机设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU7324396A (en) * 1996-11-05 1998-05-29 Millennium Interactive Limited Process control
US20180091747A1 (en) * 2014-10-17 2018-03-29 Voxtel, Inc. Event tracking imager
CN110770760A (zh) * 2017-05-19 2020-02-07 渊慧科技有限公司 对物理系统的未来状态进行对象级预测
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
CN107966679A (zh) * 2017-11-16 2018-04-27 中国电子科技集团公司第二十研究所 基于云架构的甚低频导航实时网格化电波传播修正方法
CN108508505A (zh) * 2018-02-05 2018-09-07 南京云思创智信息科技有限公司 基于多尺度卷积神经网络的强降雨及雷暴预报方法和系统
US20190303158A1 (en) * 2018-03-29 2019-10-03 Qualcomm Incorporated Training and utilization of a neural branch predictor
CN109919862A (zh) * 2019-02-01 2019-06-21 北京佳格天地科技有限公司 雷达图像去噪系统、方法及计算机设备
CN109919051A (zh) * 2019-02-22 2019-06-21 同济大学 一种用于视频图像处理的卷积神经网络加速方法
CN109982020A (zh) * 2019-02-26 2019-07-05 南京邮电大学 一种视频存储及检索方法
CN110135654A (zh) * 2019-05-24 2019-08-16 北京百度网讯科技有限公司 用于预测强对流天气的方法和装置
CN110309835A (zh) * 2019-06-27 2019-10-08 中国人民解放军战略支援部队信息工程大学 一种图像局部特征提取方法及装置
CN110942009A (zh) * 2019-11-22 2020-03-31 南京甄视智能科技有限公司 基于时空混合卷积网络的跌倒检测方法与系统
CN111047088A (zh) * 2019-12-09 2020-04-21 上海眼控科技股份有限公司 预测图像获取方法、装置、计算机设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHRISTOPH FEICHTENHOFER 等: ""SlowFast Networks for Video Recognition"", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE VISION》 *
JEAN-PHILIPPE TAREL 等: ""3D Road Environment Modeling Applied to Visibility Mapping: An Experimental Comparison"", 《2012 IEEE/ACM 16TH INTERNATIONAL SYMPOSIUM ON DISTRIBUTED SIMULATION AND REAL TIME APPLICATIONS》 *
李长城: ""不良天气下的高速公路交通流特性及引导控制研究"", 《中国博士学位论文全文数据库 工程科技II辑》 *
王海峰 等: ""静态程序切片的GPU通用计算功耗预测模型"", 《软件学报》 *
邱莉莉: ""基于改进蚁群算法的机器人路径规划"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180375A (zh) * 2020-09-14 2021-01-05 成都信息工程大学 一种基于改进的TrajGRU网络的气象雷达回波外推方法
CN112180375B (zh) * 2020-09-14 2022-12-20 成都信息工程大学 一种基于改进的TrajGRU网络的气象雷达回波外推方法
CN111929688A (zh) * 2020-09-22 2020-11-13 蔻斯科技(上海)有限公司 一种用于确定雷达回波预测帧序列的方法与设备
CN111929688B (zh) * 2020-09-22 2021-02-09 蔻斯科技(上海)有限公司 一种用于确定雷达回波预测帧序列的方法与设备
CN112183313A (zh) * 2020-09-27 2021-01-05 武汉大学 一种基于SlowFast的电力作业现场动作识别方法
CN112241813A (zh) * 2020-10-20 2021-01-19 山东大学 基于小波分解的降雨预测方法及系统
CN112241813B (zh) * 2020-10-20 2024-01-23 山东大学 基于小波分解的降雨预测方法及系统
CN113239722A (zh) * 2021-03-31 2021-08-10 成都信息工程大学 基于深度学习在多尺度下的强对流外推方法及系统
CN113552656A (zh) * 2021-07-26 2021-10-26 福建农林大学 基于室外影像多时空融合的降水强度监测方法及系统
CN114091765A (zh) * 2021-11-25 2022-02-25 山西勇利信息科技有限公司 一种基于时空双向多粒度动态集成的未来降雨预测方法

Similar Documents

Publication Publication Date Title
CN111487624A (zh) 一种预测降雨量的方法与设备
US11100357B2 (en) Real-time micro air-quality indexing
CN109543680A (zh) 兴趣点的位置确定方法、装置设备和介质
CN110222726A (zh) 图像处理方法、装置及电子设备
KR20240127952A (ko) 이미지 처리 방법 및 장치
CN109640068A (zh) 视频帧的信息预测方法、装置、设备以及存储介质
CN111929688B (zh) 一种用于确定雷达回波预测帧序列的方法与设备
US11645323B2 (en) Coarse-to-fine multimodal gallery search system with attention-based neural network models
CN110853069A (zh) 一种用于车辆外观分割的神经网络模型构建方法与系统
CN108573510B (zh) 一种栅格地图矢量化方法及设备
CN113407559A (zh) 更新方法、装置及计算机存储介质
CN111830595A (zh) 气象要素的预测方法及设备
CN110378936A (zh) 光流计算方法、装置及电子设备
CN103207385B (zh) 基于gpu的高分辨率宽测绘带机载sar实时成像处理系统
CN115620017A (zh) 图像的特征提取方法、装置、设备及存储介质
CN111027592B (zh) 细粒度对象流量分析方法和装置
CN106611100B (zh) 一种用户行为分析方法和装置
Chima et al. Assessment of Nigeriasat-1 satellite data for urban land use/land cover analysis using object-based image analysis in Abuja, Nigeria
CN115481241A (zh) 深度学习模型的训练方法、装置和设备
CN113256804A (zh) 一种三维重建尺度恢复方法、装置、电子设备及存储介质
CN112073711A (zh) 用于仿真调试智能设备摄像性能参数的方法、系统及设备
US11593944B2 (en) System and method for instance segmentation in pathological images using object-guided framework
CN116627789B (zh) 模型检测方法及装置、电子设备及存储介质
CN113888430B (zh) 图像处理方法和装置以及模型训练方法和装置
US11645766B2 (en) Dynamic sampling for object recognition

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20221111

AD01 Patent right deemed abandoned