CN112363140B - 一种基于循环神经网络的热力约束外推客观订正方法 - Google Patents
一种基于循环神经网络的热力约束外推客观订正方法 Download PDFInfo
- Publication number
- CN112363140B CN112363140B CN202011222520.9A CN202011222520A CN112363140B CN 112363140 B CN112363140 B CN 112363140B CN 202011222520 A CN202011222520 A CN 202011222520A CN 112363140 B CN112363140 B CN 112363140B
- Authority
- CN
- China
- Prior art keywords
- extrapolation
- radar echo
- echo
- probability
- probability density
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013213 extrapolation Methods 0.000 title claims abstract description 64
- 238000012937 correction Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 62
- 230000003287 optical effect Effects 0.000 claims description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000002592 echocardiography Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000000415 inactivating effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 abstract description 2
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract 2
- 230000007787 long-term memory Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 239000005442 atmospheric precipitation Substances 0.000 description 2
- WWVKQTNONPWVEL-UHFFFAOYSA-N caffeic acid phenethyl ester Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCC1=CC=CC=C1 WWVKQTNONPWVEL-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- SWUARLUWKZWEBQ-UHFFFAOYSA-N phenylethyl ester of caffeic acid Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCCC1=CC=CC=C1 SWUARLUWKZWEBQ-UHFFFAOYSA-N 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 241000607720 Serratia Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
- 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
- G01S13/958—Theoretical aspects
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于循环神经网络的热力约束外推客观订正方法，属于雷达回波短临预报领域。针对雷达外推预报的回波强度无法预估的问题，本发明使用数值模式预报结果对雷达回波的短临外推结果进行热力约束，首先基于数值模式预报结果生成危险天气发生概率产品，然后通过长短期记忆循环神经网络，建立危险天气概率预报产品和雷达回波概率密度分布函数间时序映射关系；基于该时序映射关系，结合数值模式0‑2小时预报结果，计算未来0‑2小时雷达回波概率密度分布，并以此对雷达回波外推结果进行频率匹配，将外推后的回波概率密度订正至预测的回波概率密度分布上去，实现雷达回波短临外推的客观订正，从而提高预报准确率。
Description
技术领域
本发明涉及雷达回波短临预报领域，更具体地说，涉及一种基于循环神经网络的热力约束外推客观订正方法。
背景技术
短临预报(0-2h)是气象预报业务中的重点和难点。特别是针对强对流天气，由于其发生发展时间段、覆盖范围小、致灾性强，可预报性较低，成为预报员业务实践中的重要挑战。随着全球及区域数值模式的发展，数值预报逐渐成为业务预报中的重要工具。数值模式由于时间空间分辨率有限，无法实现精细化短临预报。
而当前常用的短临外推手段包括TITAN、光流法和TREC等。其中TITAN通过对雷暴落区和质心位置进行计算，预估雷暴单体的落区和质心的移动变化，无法实现单点的精细化预报。光流法和TREC方法在进行雷达回波短临外推时通过对比不同时刻的雷达回波变化，计算雷达回波的移动趋势方向，从而将回波按照一定的规则进行短临外推，能够实现定时定点定量的预报。然而光流和TREC算法由于在雷达回波短临外推的过程中可能出现回波发散、拉长等情况，因而有研究学者基于数值模式模拟数据，提出一种修正雷达回波外推图像发散现象的方法。
经检索发现一篇现有技术，发明名称：一种修正雷达回波外推图像发散现象的方法，公开号CN109283505A，公开日2019年01月29日，提出了一种修正雷达回波外推图像发散现象的方法，以改善雷达回波外推图像因发散而影响降水量等预报准确性的问题该方法通过将数值模式预报数据和外推数据进行一定的融合互补，将发散掉的雷达回波进行一定程度的修补，将回波“过度增加”或“过度减小”的区域进行削弱或填充，从而实现回波强度的修订。然而该方案主要作用是将发散掉的“多度增加”或“过度减小”的回波进行订正，即该方法的最终目的是将回波分布恢复至回波外推前的分布。TITAN、光流和TREC算法在本质上并未预测雷达回波的强弱变化，仅能够通过回波的移动变化对回波的移动进行预测，却无法预估回波强度的变化。
发明内容
1.要解决的技术问题
针对现有技术中存在的无法预估雷达回波强度变化的问题，本发明提供了一种数值模式预报场和雷达回波短临外推产品相结合的方法，并通过搭建LSTM(Long Short-TermMemory)循环神经网络模型，寻找根据数值模式预报结果和强对流天气发展变化趋势之间的关系，通过该变化关系它可以实现对雷达回波强度概率密度变化进行预测，并以此对雷达回波发展变化进行客观订正，实现了雷达回波短临预报准确率的提高。
2.技术方案
本发明的目的通过以下技术方案实现。
本发明利用数值模式和雷达回波短临外推相结合，并通过搭建LSTM循环神经网络模型，寻找根据数值模式预报结果预测和强对流天气发展变化趋势之间的关系，通过该变化关系对雷达回波概率密度变化进行预测，并以此对回波发展变化进行客观订正，提高雷达回波短临预报准确率。
具体而言，本发明公开了一种基于循环神经网络的热力约束外推客观订正方法，包括以下步骤：
步骤1：参考危险天气概率密度指数计算方法，根据数值模式计算强对流天气发生概率指数；
步骤2：通过样条插值方法将数值模式粗网格点低时空分辨率数据插值到雷达回波拼图数据的高时空分辨率网格点上；
步骤3：分别统计不同时刻的雷达回波强度分布概率密度以及对应时间节点上强对流天气发生概率指数分布，统计回波强度大于阈值的概率和强对流天气发生概率大于阈值的概率，用于下一步构建模型训练使用；
步骤4：利用LSTM循环神经网络构建雷达回波概率密度和强对流天气发生概率指数分布间的关系的模型，并利用数值模式预报的未来强对流天气发生概率指数反算雷达回波概率密度分布；
步骤5：通过多尺度光流法及半拉格朗日外推算法分别计算连续雷达回波图像之间的光流场变化，并使用半拉格朗日外推算法对回波走势进行分段外推，用于实现雷达回波0-2小时短临预报；
步骤6：参考频率匹配算法根据步骤4中得到的雷达回波强度概率密度分布，采用按照对应累积概率密度的方式而非频率匹配中使用对应降水强度的方式，对光流法外推结果进行频率订正，对光流法预报结果中的雷达回波就行强度修正，以使得结果中雷达回波强度概率密度和步骤4中模式预报的结果一致，实现回波强弱变化趋势预报，提升回波预报准确率。
进一步地，在步骤1中，利用基于接近度概念的强对流天气预报方法研究中选取的K指数、沙氏指数、大气可降水量、925hPa散度、0℃层和-20℃层高度、CAPE以及0-1km、0-3km、0-6km切变等参数进行接近度计算，获取雷暴天气发生概率指数。
进一步地，所述步骤2包括：
步骤201：通过三次样条插值的方式将不同时刻的强对流天气发生概率指数插值到高精度的网格中；
步骤202：对于每个格点通过三次样条插值生成时间序列。
进一步地，在步骤3中，分别统计每6分钟的雷达回波在大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点数分布，
进一步地，同时统计对应时间节点上雷暴天气发生概率大于20％、30％、40％、50％格点数目占总格点数比例。
进一步地，在步骤4中，搭2层LSTM神经网络，以一小时内6分钟间隔，11个时次雷达回波概率密度分布和对应时刻的强对流天气发生概率密度分布，以及未来6分钟强对流天气发生概率密度函数为输入，未来6分钟雷达回波概率密度分布为输出，搭建两层LSTM训练模型。
进一步地，搭建两层LSTM训练模型的方法包括：
步骤401：设置模型第一层LSTM网络隐藏节点数为64，并添加概率为0.5的神经元随机失活的方式增强神经网络的鲁棒性；
步骤402：设置模型第二层LSTM网络隐藏节点数为32，Dropout概率为0.2；
步骤403：添加一次全连接层，输出格点数为6，和雷达回波格点数分布相对应。
进一步地，经过训练后的模型通过循环往复，将输出的雷达回波格点概率密度分布转带入到模型输入中，用于实现0-2小时短临雷达回波概率密度分布预报。
进一步地，所述步骤5包括：
步骤501：使用多尺度光流算法，输入相邻时刻雷达回波数据，计算光流场；
步骤502：对光流场进行高斯模糊，用于平滑光流场；
步骤503：通过半拉格朗日外推算法，对回波进行光流外推。
进一步地，在步骤6中，利用步骤4中计算所得的雷达回波概率分布，对步骤5中计算出来的雷达回波进行改进频率匹配，采用按照同一累积概率分布的强度进行反向订正，计算光流外推的雷达回波概率分布，通过读取雷达回波的概率分布，主要为大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点的概率。根据步骤5总计算出来的概率密度数值，读取对应累积概率密度的强度，通过线性方法，将数值大小按照比例分段进行调整，以使得订正后的概率密度和预报的回波概率密度分布一样，这样做能够确保订正后的概率密度和步骤4中计算出来的概率密度相同，从而实现雷达回波的客观订正。
3.有益效果
相比于现有技术，本发明的优点在于：
本发明公开的一种基于循环神经网络的热力约束外推客观订正方法，能够克服传统光流法外推无法对雷达回波强度变化进行修正的缺点，考虑到数值模式在大范围内的回波减弱和变强趋势预报中效果明显，所以结合数值模式预报结果进行频率匹配订正，通过该方法有效提升了雷达回波短时预报的准确率。
附图说明
图1为基于循环神经网络的热力约束外推客观订正算法流程图；
图2为三次样条插值法内插效果示意图；
图3为雷达回波概率密度分布和模式雷暴天气概率分布时间序列图；
图4为LSTM预测效果个例示意图；
图5为光流场计算结构示意图；
图6为光流场计算效果示意图；
图7至图10为光流法和订正后对比图。
具体实施方式
数值模式通过多种物理动力过程进行大气状态模拟，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象，可以有效反应对流天气发展变化趋势。因而本发明以传统的光流算法为基础，首先通过光流法对0-2小时雷达回波的移动趋势进行预报；然后结合数值模式预报的天气发展变化趋势，基于相对较为粗糙的低时空分辨率天气发展变化趋势产品，对光流法预报的雷达回波短临预报产品按照概率分布进行订正，将外推的结果的强度进行调整。本发明统计累积概率密度为相同的点的强度，例如分布统计降水的10％分位数，20％分位数，50％分位数等，对订正前和订正后的强度值进行线性转为，这样能够完美的实现订正前和订正后概率上的完全一致。本发明选取的方式是首先统计历史观测结果中大于0.1dBz、10dBz、20dBz、30dBz、40dBz和50dBz的概率，并以此为样本，进行训练，最终实现预报大于0.1dBz、10dBz、20dBz、30dBz、40dBz和50dBz的概率。而后统计短临外推结果总对应概率百分位数的强度值，对强度值进行分段线性订正，使得订正后的大于0.1dBz、10dBz、20dBz、30dBz、40dBz和50dBz的概率和模型预报的概率保持一致，实现雷达回波强度变化趋势的修订，实现雷达回波的热力约束外推，提高预报准确率。
下面结合说明书附图和具体的实施例，对本发明作详细描述。虽然本发明已较佳实例揭露如下，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
实施例1
如图1所示，为基于循环神经网络的热力约束外推客观订正算法流程图，通过数值模式计算、雷达回波密度分布、强对流天气指数计算、LSTM雷达回波概率密度预报模型建立、光流法外推和频率匹配共6个步骤完成雷达回波短临外推的客观订正。
具体而言，该方法包括如下步骤：
步骤1，利用基于接近度概念的强对流天气预报方法中选取的K指数、沙氏指数、大气可降水量、925hPa散度、0℃层和-20℃层高度、CAPE以及0-1km、0-3km、0-6km切变等参数进行接近度计算，获取雷暴天气发生概率指数。该方法通过统计再分析资料中这些热力因子和临近站点发生雷暴等强对流天气间关系，应用相对偏差模糊矩阵评价技术，对上述对流参数进行权重分配和逐次筛选，获得了既体现强对流与气候平均态间明显差异，又体现自身相对稳定的特征对流参数序列，筛选和强对流天气较为相关的特征。同时，根据历史分类强对流个例中各特征对流参数的频谱分布获得各对流参数的频率分布分段函数，然后基于中尺度数值模式预报的对流参数，综合历史频率分布和权重分配，构建了分类强对流天气预报概率，并以优势概率作为分类判据，做出强对流分类预报。
本发明使用2018-2019年2年的雷达回波观测资料和危险天气概率预报结果进行统计分析，选取强对流发生的概率指数作为训练样本。同时统计2020年夏季的数据作为测试样本，进行模型检验。雷达组网数据范围覆盖整个江苏地区，范围包括112-122°E，29-37°N，空间分辨率为0.01°，时间分辨率为1分钟。模式数据采用江苏省气象的WRF产品，空间分辨率为3km，时间分辨率为1小时。
步骤2，首先通过三次样条插值的方式将不同时刻的强对流天气发生概率指数进行插值到更高精度的网格中，然后对于每个格点通过三次样条插值生成更加精细的时间序列。三次样条插值是一种描绘光滑曲线的简单工具，通过假设函数在每个小区间上是三次多项式，且具有连续的二阶导数，进而在没一个分段连列出方程组，求得三次多项式的拟合参数，达到分段拟合的目的。一般的分段插值法有一个严重的缺点，就是会导致插值函数在子区间的端点处不光滑，而三次样条曲线插值就不存在这个问题。三次样条插值由分段三次曲线连接而成，在连接点处有二阶连续导数，从而可以保证在连接点处光滑连接。效果图如图2所示，三次样条插值在考虑函数连续的情况下还同时考虑了函数导数的连续性，因此时间序列插值效果非常平滑。
如图2所示，为三次样条插值内插效果示意图，图中红色点为模式预报的1小时间隔数据，蓝色实线为样条插值后的结果，样条插值考虑插值点的导数的连续性，因而曲线会比较平滑。
步骤3，分别统计每6分钟的雷达回波在大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点数分布，同时统计对应时间节点上雷暴天气发生概率大于20％、30％、40％、50％格点数目占总格点数比例。如图3所示，为雷达回波概率密度分布和模式雷暴天气概率分布时间序列图，从图中可以看出，一个月时间内，雷暴发生概率指数大于30％和大于40％格点数和雷暴概率密度分布函数间时间序列图，线条为雷达回波大于一定数值的格点数，填色为模式预报回波概率大于一定数值格点数。从图中能够看出二者有着很好的趋势对应关系，而在强度变化上的差异，可以通过LSTM循环神经网络模型的训练得到很好的解决。
步骤4，根据循环神经网络模型，使用python，Keras机器学习框架，搭2层LSTM神经网络，以一小时内6分钟间隔，11个时次雷达回波概率密度分布和对应时刻的强对流天气发生概率密度分布，以及未来6分钟强对流天气发生概率密度函数为输入，未来6分钟雷达回波概率密度分布为输出，搭建2层LSTM训练模型。模型第一层LSTM网络隐藏节点数为64，并添加概率为0.5的神经元随机失活Dropout的方式增强神经网络的鲁棒性。模型第二层LSTM网络隐藏节点数为32，Dropout概率为0.2。最后添加一次全连接层，输出格点数为6，和雷达回波格点数分布相对应。经过训练后的模型通过循环往复，将输出的雷达回波格点概率密度分布转带入到模型输入中，实现0-2小时短临雷达回波概率密度分布预报。
其中，LSTM模型分为前向计算过程和误差后向传播过程，前者通过对输入项的计算得到结果，后者通过误差项的传递不断更新网络层参数。其中前向传播过程的递推公式为：
(1)利用输入门来控制输入信息被接纳的程度，同样由当前时刻的输入与上一时刻的隐藏节点组成：
i(t)＝σ(Wixx(t)+Wihh(t-1)+bi)
其中，i(t)表示t时刻的输入门大小，σ代表激活函数sigmoid，x(t)为t时刻的输入值，Wix为输入门对应的权重，h(t-1)为t-1时刻的隐藏节点值，Wih为隐藏节点所对应的输入门权重，bi为该输入门的偏置。
(2)利用遗忘门控制内部状态信息被保留的程度，同样由当前时刻的输入与上一时刻的隐藏节点组成：
f(t)＝σ(Wfxx(t)+Wfhh(t-1)+bf)
其中，f(t)表示t时刻的遗忘门大小，σ代表激活函数sigmoid，Wfx为遗忘门对应的权重，Wfh为隐藏节点所对应的遗忘门权重，bf为该遗忘门的偏置。
(3)由输入门和遗忘门计算当前的单元状态，有：
其中，表示t时刻的输入单元状态，φ代表激活函数tanh，Wch为输入的单元状态对应的权重，Wch为隐藏节点所对应的输入的单元状态权重，bc为该输入节点的偏置。
进一步由输入的单元状态计算当前时刻的单元状态：
其中，c(t)表示t时刻的输入单元状态，°代表按元素相乘。
(4)利用输出门控制输出信息的比例，同样由当前时刻的输入与上一时刻的隐藏节点组成：
o(t)＝σ(Woxx(t)+Wohh((t-1)+bo)
其中，表示t时刻的输出门大小，σ代表激活函数sigmoid，Wox为输出门对应的权重，Woh为隐藏节点所对应的输出门权重，bo为该输出门的偏置。
(5)LSTM模型的最终输出(即当前时刻的隐藏状态)由输出门和单元状态共同确定：
对于误差的后向传播过程，定义t时刻的误差项为其中E为预测值与真值的误差和。则有：
netf,t＝Wfxx(t)+Wfhh(t-1)+bf
neti,t＝Wixx(t)+Wihh(t-1)+bi
neto,t＝Woxx(t)+Wohh(t-1)+bo
且有其中，net代表节点。
则任意T时刻的误差项为代入前向传播过程中的公式有：
在获得了所有梯度之后，即可根据梯度下降算法来更新每个权重。
使用2018-2019年2年数据进行交叉训练检验，并使用2020年夏季数据进行测试。如图4所示，为LSTM预测效果个例示意图，显示一次个例的概率密度预报结果，上图中的实线为LSTM模型预报结果，虚线为观测结果，由于数据跨度范围较大，仅展示了0.1dBz和10dBz的变化曲线。下图为模式输出的强对流天气概率大于10％，20％和30％的曲线。总体而言实际观测的回波有先增强后减弱的趋势，LSTM模型虽然在细节上无法和观测贴合的很好，但在趋势上很好的把握住了回波的变化趋势。
步骤5，使用多尺度光流算法，输入相邻时刻雷达回波数据，计算光流场，并对光流场进行卷积核大小为5的高斯模糊，用于平滑光流场。通过半拉格朗日外推算法，对回波进行光流外推，实现0-2小时短临预报。
光流法假定图像的亮度在短时间内移动过程中不发生变化，即：
I(x+uΔt，y+vΔt，t+Δt)＝I(x，y，t) (1)
得到：
Ixu+Iyv+It＝0 (2)
其中：
由于(2)式中有u、v两个变量，因此需要额外的条件约束，才能得到完整的光流场。通常采用的办法是通过最小二乘法，假定计算出的风场误差平方和最小时为最优解。
由于单纯光流法计算出来的光流场在回波边界出会出现无光流场的情况，因此通过高斯模糊的方法对光流场进行了平滑，一是为了使图像更为平滑，剔除野点，二是为了使光流场能够覆盖回波外的部分区域。
考虑到线性外推的不足，我们提出利用半拉格朗日方法进行外推。外推算法的基本表达式如下：
F(t0+τ，x)＝F(t0，x-a)
即当前位置未来时刻的回波是有当前时候某个位置上的回波平移得到。不同外推算法的意义在于如何建立二者之间的联系。
考虑二维情况，当雷达回波从(x-2a，y-2β)移动到(x，y)，有：
其中a，β为Δt时间内，雷达回波在x，y方向上的移动距离，因此：
a＝Δt U(x-a，y-β，t)
β＝Δt U(x-a，y-β，t)
考虑雷达回波的移动速度随着空间在变化，因此可以将整个外推预报时段分成更小的时间段，采用迭代的方法来获得每个时间步长的移动距离：
ak+1＝Δt U(x-ak,y-βk,t)
βk+1＝Δt V(x-ak,y-βk,t)
最后将各个步长的移动距离累加，即可得到总的移动距离。对雷达回波的位置进行外推，即可实现降水的临近外推预报。
在光流场计算时使用3层图像金字塔结构，如图5所示，为光流场计算结构示意图，图中每一层图像比例为2，将图像按照1/2、1/4、1/8的比例进行逐层缩小，以取得不同尺度图像移动信息，是的整体光流场的计算更为平滑准确。在进行外推时采用半拉格朗日的方式，如图6所示，为光流场计算效果示意图，图中将外推过程分为4段进行分段线性外推，将整个外推过程进行细化，每次仅外推步长的1/4，然后依据新格点的光流进行1/4步长的外推，逐步进行，使得的外推结果在存在风向变化的情况下更逼近真实情况。
步骤6，利用步骤4中计算所得的雷达回波概率分布，对步骤5中计算出来的雷达回波进行频率匹配订正，计算光流外推的雷达回波概率分布，将其订正到预报的回波概率密度分布上去，从而实现雷达回波的客观订正。具体订正过程为：
(1)提取步骤4中计算出来的雷达回波概率密度数值，包括大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点的累积概率密度。例如大于0.1dBz的概率为0.8，大于10dBz的概率为0.4等。
(2)根据步骤5中的光流外推结果，统计对应累积概率密度的雷达回波强度，统计出回波强度大于3dBz的概率为0.8，步骤4中预报的大于0.1dBz的概率相同，统计出回波强度大于14dBz的概率为0.4，和步骤4中大于10dBz的概率相同。这样分布找到0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz对应概率密度分布的回波强度。
(3)采用线性变换的方式，利用计算出来的0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz对应的回波强度数值，例如上一步中的0.1dBz对应3dBz，10dBz对应14dBz，这样将外推后的结果中3dBz以下的结果订正到0.1dBz以下，将3dBz到14dBz的回波，按照线性变换至0.1dBz到10dBz，采用
Y＝(x-3dBz)/(14dBz-3dBz)*(10dBz-0.1dBz)+0.1dBz
对3-14dBz之间的结果进行订正。其中0.1dB和10dBz为训练时的设定，而3dBz和14dBz及为统计的结果。
按照此方法分别对后面的10dBz-20dBz，20dBz-30dBz，30dBz-40dBz，40dBz-50dBz以及50dBz以上的回波进行分段订正，以达到订正后的回波概率密度分布和步骤4中预测的回波概率密度分布完全一致的效果。
图7至图10为一次个例结果的展示，其中图7为外推前的数据，图8为1小时候的回波分布，能够看出回波有了明显的减弱，回波范围有明显的缩小。图9为原始的光流外推结果，从图中可以看出回波的分布和图7中开始外推前的结果几乎没有差别，因而导致了大量的虚报结果。而图10的结果为经过频率订正后的回波，该结果的回波范围和观测比较接近，虚报得到了明显的下降。
综上所述，本发明通过循环神经网络，利用高经度数值模式预报产品计算雷达回波概率密度分布，并通过频率匹配方法实现雷达回波短临外推产品的客观订正，这种将观测、短临外推和数值模式互相结合，使用机器学习作为粘合剂的方法，最终实现回波强弱变化的预报，实现了数值模式和光流法短临外推的合理统一，并以此对回波发展变化进行客观订正，提高雷达回波短临预报准确率。
以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件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 (6)
1.一种基于循环神经网络的热力约束外推客观订正方法，其特征在于，包括以下步骤：
步骤1：根据数值模式计算强对流天气发生概率指数；
步骤2：通过样条插值方法将数值模式粗网格点低时空分辨率数据插值到雷达回波拼图数据的高时空分辨率网格点上；
步骤3：分别统计不同时刻的雷达回波强度分布概率密度以及对应时间节点上强对流天气发生概率指数分布；所述步骤2包括：
步骤201：通过三次样条插值的方式将不同时刻的强对流天气发生概率指数插值到高精度的网格中；
步骤202：对于每个格点通过三次样条插值生成时间序列；
步骤4：利用LSTM循环神经网络构建雷达回波概率密度和强对流天气发生概率指数分布间的关系模型，并利用数值模式预报的未来强对流天气发生概率指数反算雷达回波概率密度分布；在步骤4中，以一小时为时长，T分钟为间隔时间，(60/T+1)个时次雷达回波概率密度分布和对应时刻的强对流天气发生概率密度分布，以及未来T分钟强对流天气发生概率密度函数为输入，未来T分钟雷达回波概率密度分布为输出，搭建两层LSTM训练模型；
搭建两层LSTM训练模型的方法包括：
步骤401：设置模型第一层LSTM网络隐藏节点数为64，并添加概率为0.5的神经元随机失活的方式增强神经网络的鲁棒性；
步骤402：设置模型第二层LSTM网络隐藏节点数为32，Dropout概率为0.2；
步骤403：添加一次全连接层，输出格点数为6，和雷达回波格点数分布相对应；
经过训练后的模型通过循环往复，将输出的雷达回波格点概率密度分布转带入到模型输入中，实现短临雷达回波概率密度分布预报；
步骤5：通过多尺度光流法及半拉格朗日外推算法分别计算连续雷达回波图像之间的光流场变化，并使用半拉格朗日外推算法对回波走势进行分段外推；
步骤6：使用频率匹配算法根据步骤4中得到的雷达回波概率密度分布对光流法外推结果进行频率匹配订正，提升回波预报准确率。
2.根据权利要求1所述的一种基于循环神经网络的热力约束外推客观订正方法，其特征在于，在步骤1中，采用接近度计算获取强对流天气发生概率指数。
3.根据权利要求1所述的一种基于循环神经网络的热力约束外推客观订正方法，其特征在于，在步骤3中，分别统计相同间隔时间T分钟内的雷达回波在大于0.1dBz、10dBz、20dBz、30dBz、40dBz、50dBz格点数分布。
4.根据权利要求3所述的一种基于循环神经网络的热力约束外推客观订正方法，其特征在于，同时统计所述间隔时间T分钟对应的时间节点上雷暴天气发生概率大于20％、30％、40％、50％格点数目占总格点数比例。
5.根据权利要求1所述的一种基于循环神经网络的热力约束外推客观订正方法，其特征在于，所述步骤5包括：
步骤501：使用多尺度光流算法，输入相邻时刻雷达回波数据，计算光流场；
步骤502：对光流场进行高斯模糊，用于平滑光流场；
步骤503：通过半拉格朗日外推算法，对回波进行光流外推。
6.根据权利要求1所述的一种基于循环神经网络的热力约束外推客观订正方法，其特征在于，在步骤6中，采用按照同一累积概率分布的强度进行反向订正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011222520.9A CN112363140B (zh) | 2020-11-05 | 2020-11-05 | 一种基于循环神经网络的热力约束外推客观订正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011222520.9A CN112363140B (zh) | 2020-11-05 | 2020-11-05 | 一种基于循环神经网络的热力约束外推客观订正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112363140A CN112363140A (zh) | 2021-02-12 |
| CN112363140B true CN112363140B (zh) | 2024-04-05 |
Family
ID=74508464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011222520.9A Active CN112363140B (zh) | 2020-11-05 | 2020-11-05 | 一种基于循环神经网络的热力约束外推客观订正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112363140B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239722B (zh) * | 2021-03-31 | 2022-08-30 | 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 |
| CN113204903B (zh) * | 2021-04-29 | 2022-04-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10313653A1 (de) * | 2003-03-26 | 2004-10-14 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und System zur regionalen Niederschlagsvorhersage für drahtlose Endgeräte |
| KR20120104805A (ko) * | 2011-03-14 | 2012-09-24 | 한국수력원자력 주식회사 | 발전용 댐의 홍수기 수문방류량 결정방법 |
| CN107121679A (zh) * | 2017-06-08 | 2017-09-01 | 湖南师范大学 | 用于雷达回波外推的循环神经网络预测法及记忆单元结构 |
| CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
| 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 |
| CN108732570A (zh) * | 2017-04-20 | 2018-11-02 | 深圳市气象局 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
| KR20190057013A (ko) * | 2017-11-17 | 2019-05-27 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
| CN109814175A (zh) * | 2019-02-14 | 2019-05-28 | 浙江省气象台 | 一种基于卫星的强对流监测方法及其应用 |
| CN110020462A (zh) * | 2019-03-07 | 2019-07-16 | 江苏无线电厂有限公司 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
| JP2019158787A (ja) * | 2018-03-16 | 2019-09-19 | 株式会社デンソーテン | レーダ装置及び信号処理方法 |
| CN110346844A (zh) * | 2019-07-15 | 2019-10-18 | 南京恩瑞特实业有限公司 | Nriet基于云分类和机器学习的定量降水估测方法 |
| CN110568442A (zh) * | 2019-10-15 | 2019-12-13 | 中国人民解放军国防科技大学 | 一种基于对抗外推神经网络的雷达回波外推方法 |
| CN110824481A (zh) * | 2019-10-28 | 2020-02-21 | 兰州大方电子有限责任公司 | 一种基于雷达反射率外推的定量降水预测方法 |
| CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
| CN111784760A (zh) * | 2020-06-22 | 2020-10-16 | 太极计算机股份有限公司 | 雷达线性光流外推结果订正雷达机器学习外推结果的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9322951B2 (en) * | 2007-02-12 | 2016-04-26 | Locus Energy, Inc. | Weather and satellite model for estimating solar irradiance |
-
2020
- 2020-11-05 CN CN202011222520.9A patent/CN112363140B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10313653A1 (de) * | 2003-03-26 | 2004-10-14 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und System zur regionalen Niederschlagsvorhersage für drahtlose Endgeräte |
| KR20120104805A (ko) * | 2011-03-14 | 2012-09-24 | 한국수력원자력 주식회사 | 발전용 댐의 홍수기 수문방류량 결정방법 |
| CN108732570A (zh) * | 2017-04-20 | 2018-11-02 | 深圳市气象局 | 基于粒子滤波融合算法的灾害性对流天气的临近预报方法 |
| CN107121679A (zh) * | 2017-06-08 | 2017-09-01 | 湖南师范大学 | 用于雷达回波外推的循环神经网络预测法及记忆单元结构 |
| KR20190057013A (ko) * | 2017-11-17 | 2019-05-27 | 한국외국어대학교 연구산학협력단 | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 |
| JP2019158787A (ja) * | 2018-03-16 | 2019-09-19 | 株式会社デンソーテン | レーダ装置及び信号処理方法 |
| CN108549116A (zh) * | 2018-03-27 | 2018-09-18 | 南京恩瑞特实业有限公司 | NRIET blending融合预报方法 |
| 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 |
| CN109814175A (zh) * | 2019-02-14 | 2019-05-28 | 浙江省气象台 | 一种基于卫星的强对流监测方法及其应用 |
| CN110020462A (zh) * | 2019-03-07 | 2019-07-16 | 江苏无线电厂有限公司 | 一种对气象数据进行融合处理并生成数值天气预报的方法 |
| CN110346844A (zh) * | 2019-07-15 | 2019-10-18 | 南京恩瑞特实业有限公司 | Nriet基于云分类和机器学习的定量降水估测方法 |
| CN110568442A (zh) * | 2019-10-15 | 2019-12-13 | 中国人民解放军国防科技大学 | 一种基于对抗外推神经网络的雷达回波外推方法 |
| CN110824481A (zh) * | 2019-10-28 | 2020-02-21 | 兰州大方电子有限责任公司 | 一种基于雷达反射率外推的定量降水预测方法 |
| CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
| CN111784760A (zh) * | 2020-06-22 | 2020-10-16 | 太极计算机股份有限公司 | 雷达线性光流外推结果订正雷达机器学习外推结果的方法 |
Non-Patent Citations (6)
| Title |
|---|
| A Method of Weather Radar Echo Extrapolation Based on Convolutional Neural Networks;En Shi;International Conference on Multimedia Modeling;全文 * |
| An Energy-Based Generative Adversarial Forecaster for Radar Echo Map Extrapolation;Wei Xu;IEEE Geoscience and Remote Sensing Letters;全文 * |
| The incorporation of an organic soil layer in the Noah-MP land surface model and its evaluation over a boreal aspen forest;Liang Chen et.al;Atmospheric Chemistry and Physics;全文 * |
| 循 环 神 经 网 络 在 雷 达 临 近 预 报 中 的 应 用;韩丰等;应用气象学报;全文 * |
| 王兴 ; 罗永月 ; 苗春生 ; 张皓 ; .基于拉格朗日力学的雷达图像追踪预测方法.软件导刊.(12),全文. * |
| 降 水 偏 差 订 正 的 频 率 （ 或 面 积 ）匹 配 方 法 介 绍 和 分 析;李俊;气象;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112363140A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN113392961B (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
| CN112363140B (zh) | 一种基于循环神经网络的热力约束外推客观订正方法 | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
| CN110363349B (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
| CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
| CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
| CN110765878A (zh) | 一种短时降雨预测方法 | |
| CN115935834A (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
| CN116148796A (zh) | 一种基于雷达图像外推的强对流天气临近预报方法 | |
| CN112464567A (zh) | 基于变分同化框架的智能资料同化方法 | |
| CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
| CN116910534A (zh) | 一种不同海域海洋环境要素时空智能预测方法和装置 | |
| CN114611803A (zh) | 基于退化特征的开关器件寿命预测方法 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN117011668A (zh) | 一种基于时序预测神经网络的天气雷达回波外推方法 | |
| CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
| CN113933915B (zh) | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 | |
| CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
| CN113408183A (zh) | 基于预测模型的车辆基地短期复合预测方法 | |
| Aliberti et al. | Non-linear autoregressive neural networks to forecast short-term solar radiation for photovoltaic energy predictions |
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 |