CN112365091A - 一种基于分类节点图注意力网络的雷达定量降水估计方法 - Google Patents

一种基于分类节点图注意力网络的雷达定量降水估计方法 Download PDF

Info

Publication number
CN112365091A
CN112365091A CN202011371960.0A CN202011371960A CN112365091A CN 112365091 A CN112365091 A CN 112365091A CN 202011371960 A CN202011371960 A CN 202011371960A CN 112365091 A CN112365091 A CN 112365091A
Authority
CN
China
Prior art keywords
node
layer
output
input
cngat
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
Application number
CN202011371960.0A
Other languages
English (en)
Other versions
CN112365091B (zh
Inventor
彭轩
李骞
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202011371960.0A priority Critical patent/CN112365091B/zh
Publication of CN112365091A publication Critical patent/CN112365091A/zh
Application granted granted Critical
Publication of CN112365091B publication Critical patent/CN112365091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于分类节点图注意力网络的雷达定量降水估计方法，包括：观测区域的图表示；对气象雷达回波拼图和自动雨量计观测降水率的数据预处理得到训练样本集；利用训练样本集训练CNGAT模型，通过前向传播得到模型输出，再通过反向传播更新模型参数使其收敛；通过对输出数据处理得到降水率估计值。

Description

一种基于分类节点图注意力网络的雷达定量降水估计方法
技术领域
本发明属于大气探测中地面气象观测技术领域，尤其涉及一种基于分类节点图注意力网络的雷达定量降水估计方法。
背景技术
定量降水估计(Quantitative Precipitation Estimation，QPE)是气象和水文应用领域的一个重要问题，因为降水是全球水和能量循环的主要组成部分。多普勒天气雷达能够以高时空分辨率探测大范围的降水，因此雷达定量降水估计(Radar QuantitativePrecipitation Estimation，RQPE)成为QPE最常用的方法之一。多普勒天气雷达测量的降水粒子的雷达反射率(Z)与降水率(R)密切相关，它们之间的关系通常称为Z-R关系。最常用的Z-R关系是指数方程Z＝aRb，其中的两个参数a和b通常是根据气候时间尺度上观测的雷达与降水数据的统计特性预先设定的经验值。但是，由于不同降水类型的雷达回波特征往往差异明显，将其应用到具体的降水事件时，其估计精度往往较低。为了提高指数Z-R关系精度，学者们提出的主要改进工作可以概括为两个主要方面。一种被称为分类Z-R关系，它首先根据雷达回波场识别降水类型，不同的降水类型采用不同的参数a和b。另一种被称为动态Z-R关系，它根据最近降水事件的观测动态调整参数。这些方法都引入了特定领域的知识，如降水类型或降水场的时间分布特征，并利用雨量计的降水观测来修正模型参数。然而，这些Z-R模型的局限性在于只能进行单点估计，并且把降水看成是静态的，忽略了降水场的时空分布特征。为了能表示降水场中可能存在的复杂的时空相关性，需要引入一个更复杂的模型。
近年来，越来越多的气象研究人员开始将基于“深度学习”的数据驱动方法应用到气象观测或预报领域，这些方法往往比传统方法更高效并且更灵活。然而，由于雨量计位置分布的稀疏性和不规则性，常规深度学习方法无法利用完整的雷达回波图像进行有效的训练。另一方面，图神经网络(Graph Neural Networks，GNNs)因其能够表示复杂结构的数据而受到越来越多的关注。
发明内容
发明目的：本发明所要解决的技术问题是针对现有的雷达定量降水估计方法无法有效利用雷达回波场的时空分布特征导致估计精度低的问题，提出了一种基于分类节点图注意力网络CNGAT(Categorical Node Graph Attention Network，CNGAT)的雷达定量降水估计方法，包括以下步骤：
步骤1：观测区域的图表示：将气象雷达回波拼图覆盖区域用图表示，并且确定图中节点之间的连接方式。
步骤2：处理训练数据：对气象雷达回波拼图作归一化处理，再将连续K帧的归一化图像按顺序排列在一起组成一个训练样本，所有训练样本构成的集合为训练集的输入数据部分。对观测区域内的离散分布的自动雨量计测得的降水率数据进行对数变化，将对数变化后的值作为对应节点输出标签，构成训练集的输出数据部分。训练集包含输入-输出样本对的个数为TrainingsetSize。
步骤3：初始化模型参数：设置节点类型分配规则，设计分类节点图注意力网络CNGAT的结构，确定每一层节点隐状态向量维数。
步骤4：训练参数初始化：设置学习率为0.001，每次迭代输入一个样本，一个训练周期迭代的次数为TrainingsetSize，设模型训练的周期数为NumEpoch，总迭代次数为NumIteration＝TrainingsetSize×NumEpoch。当且迭代次数IterationNo＝1。
步骤5：读取训练样本：每次迭代从步骤2获得的训练集中随机读取1个训练样本对，包括一个由K幅连续图像构成的输入图像序列{x1，x2，…，xK}，和对应的输出标签y；xK表示第K幅图像；
步骤6：前向传播：利用分类节点图注意力网络CNGAT提取输入图像序列的特征，再将每一层提取的特征向量拼接得到一个长特征向量，将长特征向量输入到最后的输入到输出映射层，得到的预测结果
Figure BDA0002806394810000021
步骤7：误差反向传播更新参数：定义损失函数
Figure BDA0002806394810000022
利用损失函数计算输出误差，将误差从后至前传递，逐层计算分类节点图注意力网络CNGAT中每一层的误差，再计算误差与模型参数的梯度，根据梯度采用梯度下降法更新模型参数。
步骤8：输出数据处理：将步骤6中得到的预测结果
Figure BDA0002806394810000023
通过下式得到最终的估计降水场
Figure BDA0002806394810000024
即：
Figure BDA0002806394810000025
步骤1包括以下步骤：
步骤1-1，确定图节点：设气象雷达回波拼图的分辨率为M×N，其中M指在纬度方向的像素数点个数为M，即每一行有M个像素；N指在经度方向上的像素点个数为N，即共有N行；每个像素代表观测区域的一个子区域，则每一子区域用一个节点表示；一个气象雷达回波拼图由M×N个节点表示；
步骤1-2，确定节点之间的连接关系：设节点vi与节点vj之间的距离为rij；对于中心节点i，利用距离阈值R(通常为5km左右)确定节点j是否与它有边相连：如果rij≤R，则节点j有边eji连接到节点i，否则没有。
步骤2包括以下步骤：
步骤2-1：训练输入数据规范化处理：原始气象雷达回波拼图为雷达反射率因子图Z的对数形式，即10lgZ。将原始气象雷达回波拼图的每个像素点的值除以100，得到规范化的气象雷达回波拼图X，即X＝lgZ/10。
步骤2-2：训练输出数据规范化处理：设观测区域内的自动雨量计测得的降水率为R，利用对数变换将R转换为输出标签Y，即Y＝lg(R+1)。
步骤2-3：构造训练样本集：将规范化后的气象雷达回波拼图按照时间顺序排列得到一个气象雷达回波拼图序列{X1，X2，…，XN}，XN为第N个时刻的规范化雷达回波拼图；将规范化后的输出标签也按照时间顺序额排列得到一个标签序列{Y1，Y2，…，YN}，YN为第N个时刻的规范化输出标签；选择一个长度为K(K一般小于10)的滑动窗口，从雷达回波拼图序列的第一个图像开始，每次取K幅图像出来组成一个训练样本的输入数据部分，并将这K幅图像中的最后一幅图像对应时刻的自动雨量站的规范化标签作为训练样本的输出部分；再向后平移一个图像，取出下一组作为下一个样本；如此循环往复，直到剩余图像数量少于K为止；按照上述方法构成的第n个训练样本
Figure BDA0002806394810000031
为如下形式，
Figure BDA0002806394810000032
yn＝Yn+K-1。
其中
Figure BDA0002806394810000033
为第n个训练样本的输入图像序列，序列长度为K，
Figure BDA0002806394810000034
是第n个训练样本中的第K个输入图像；
yn为第n个训练样本的输出标签。
步骤3包括以下步骤：
步骤3-1，确定节点类型分配规则：设节点类型数为C，设置C-1个阈值{threshold1，threshold2，…，thresholdC-1}，thresholdj表示第j个阈值，利用这些阈值将规范化的雷达反射率因子的值域划分成C个区间，则节点i所属类别c的判断规则如下：
Figure BDA0002806394810000041
其中，X(i)为节点i所对应的规范化雷达反射率因子值。类型数C一般为2或3，即把雷达反射率因子划分为2或3个值域区间，对应的阈值的个数为1或2。
步骤3-2，构造分类节点图注意力网络CNGAT的特征提取模块：特征提取模块由分类节点图注意力网络CNGAT的7个卷积层叠加组成，每个卷积层由两部分组成，第一部分为特征转换子层，第二部分为聚合子层。
步骤3-3，构造分类节点图注意力网络CNGAT的输出映射模块：输出映射模块为一个多层感知机，其输入向量为特征提取模块的输出，输出为CNGAT模型对规范化降水率的估计值。
步骤3-2包括以下步骤：
步骤3-2-1，所述特征转换子层包含三层，即输入层、隐藏层和输出层。对于分类节点图注意力网络CNGAT第一层卷积层，特征转换子层的输入层维数K，隐藏层维数为M，输出层维数为D。对于分类节点图注意力网络CNGAT其它卷积层，特征转换子层的输入层维数为D，隐藏层维数为M，输出层维数为D。
每一个聚合子层对每个节点的直接相邻节点的特征向量加权求和(包括本节点的特征向量)后，通过非线性变换得到该节点的新特征向量。聚合子层包含一个注意力权重系数计算模块，权重系数通过注意力权重系数计算模块计算得到，相邻节点权重系数由本节点的特征向量和该相邻节点的特征向量共同决定。
步骤3-2-2，将特征转换子层的参数初始化。对于第一个卷积层，特征转换子层的输入层到隐藏层权重矩阵的每个元素初始取值为
Figure BDA0002806394810000042
隐藏层到输出层的权重矩阵的每个元素初始取值为
Figure BDA0002806394810000051
对于其它卷积层，特征转换子层的输入层到隐藏层权重矩阵的每个元素初始取值为
Figure BDA0002806394810000052
隐藏层到输出层的权重矩阵的每个元素初始取值为
Figure BDA0002806394810000053
rand(·)为随机数生成函数。
步骤3-2-4，将聚合子层的注意力权重系数初始化，每一节点的注意力权重系数计算模块中的每个参数初始取值为
Figure BDA0002806394810000054
步骤3-3包含以下步骤：
步骤3-3-1，输出映射模块包含3层，即输入层、隐藏层和输出层，输入层的维数为6×D+K，隐藏层的维数为6×D+K，输出层的维数为1。
步骤3-3-2，初始化输出映射模块参数：输入层到隐藏层的权重矩阵的每个参数的初始值为
Figure BDA0002806394810000055
隐藏层到输出层的权重矩阵的每个参数的初始值为
Figure BDA0002806394810000056
步骤5包括以下步骤：
步骤5-1，对于当前迭代次数IterationNo，从集合{1，2，3，…，TrainingsetSize}中随机抽取一个数m；
步骤5-2，从训练样本集中取出第m个样本，即：
Figure BDA0002806394810000057
y＝ym。
其中
Figure BDA0002806394810000058
为第m个样本的输入规范化雷达回波拼图序列的第k幅拼图；ym为第m个样本的输出标签；
Figure BDA0002806394810000059
为取出的输入规范化雷达回波拼图序列的第k幅拼图；y为取出的拼图序列对应的输出标签。
步骤6包括以下步骤：
步骤6-1：根据输入规范化气象雷达回波拼图序列确定每个节点的类型。
步骤6-2：每个节点的输入特征向量经过分类节点图注意力网络CNGAT特征提取模块多次卷积后输出提取特征。
步骤6-3：将分类节点图注意力网络CNGAT特征提取模块输出的特征向量输入到输出映射层，得到每个节点的规范化降水率估计值。
步骤6-1包括以下步骤：
步骤6-1-1，求{x1，x2，…，xK}的在时间序列上的平均值xmean：
xmean＝(x1+x2+…+xK)/K；
步骤6-1-2，对于节点i，根据其对应的平均后规范化雷达反射率因子的值判断其节点类型：
Figure BDA0002806394810000061
其中xmean(i)为节点i的平均后规范化雷达反射率因子，thresholdj为第j个阈值，ci为节点i的类别。
步骤6-2包括以下步骤：
步骤6-2-1，对于每个节点i，第1层卷积层将输入特征向量
Figure BDA0002806394810000062
转换成第1层节点特征向量
Figure BDA0002806394810000063
步骤6-2-2，对每个节点i，第l层卷积层将第l-1层特征向量
Figure BDA0002806394810000064
转换成第l层特征向量，2≤l≤7；
步骤6-2-3，对每个节点i，输出映射模块将输入节点特征与每一个卷积层的特征向量拼接而成的长特征向量
Figure BDA0002806394810000065
转换成规范化降水率估计值
Figure BDA0002806394810000066
具体计算过程如下：
Figure BDA0002806394810000067
其中，ReLU(x)为一种非线性激活函数，其具体形式为：
ReLU(x)＝max(0，x)。
其中o1、o2为权值矩阵。
步骤6-2-1包括以下步骤：
步骤6-2-1-1，第1层卷积层利用特征转换子层对每个节点的输入特征向量进行维数变换：
Figure BDA0002806394810000071
其中，
Figure BDA0002806394810000072
Figure BDA0002806394810000073
上式中Tanh(x)的具体形式为：
Figure BDA0002806394810000074
Figure BDA0002806394810000075
为节点i经过维数变换后的第1层中间特征向量。
xk(i)为节点i对应的输入规范化雷达反射率因子序列的第k个规范化雷达反射率因子；
Figure BDA0002806394810000076
和
Figure BDA0002806394810000077
分别为
Figure BDA0002806394810000078
的第一层和第二层的权值矩阵；
步骤6-2-1-2，求节点i的每个邻居节点的注意力权重
Figure BDA0002806394810000079
Figure BDA00028063948100000710
并且，
Figure BDA00028063948100000711
上式中LeakyReLU(x)是一种非线性激活函数，其具体形式为：
LeakyReLU(x)＝max(0，x)-0.1×min(0，x)；
Figure BDA00028063948100000712
为权值向量；
步骤6-2-1-3，完成节点i的邻居节点的信息聚合，得到第2层的特征向量
Figure BDA00028063948100000713
具体过程如下：
Figure BDA00028063948100000714
Figure BDA00028063948100000715
其中，Nc(i)为节点i的属于类别c的邻居节点的集合。
Figure BDA00028063948100000716
为第1层节点i的邻居节点中属于类别c的邻居节点聚合后的特征向量。
步骤6-2-2包括以下步骤：
步骤6-2-2-1，第l层(2≤l≤7)卷积层利用特征转换子层对每个节点的输入特征向量进行维数变换：
Figure BDA0002806394810000081
其中，
Figure BDA0002806394810000082
步骤6-2-2-2，求节点i的每个邻居节点的注意权重
Figure BDA0002806394810000083
Figure BDA0002806394810000084
并且，
Figure BDA0002806394810000085
其中，
Figure BDA0002806394810000086
为权值向量；
步骤6-2-2-3，完成节点i的邻居节点的信息聚合，得到第l层的特征向量
Figure BDA0002806394810000087
具体过程如下：
Figure BDA0002806394810000088
Figure BDA0002806394810000089
Figure BDA00028063948100000810
为第l层节点i的邻居节点中属于类别c的邻居节点聚合后的特征向量。
步骤7包括以下步骤：
步骤7-1，利用损失函数计算损失：对于节点i，如果其有标签，则先求其损失Li：
Figure BDA00028063948100000811
其中，ωi＝10y(i)。则输出损失L为：
Figure BDA00028063948100000812
其中，Nlabeled为被标注的节点的集合。
步骤7-2，将输出损失看成是模型参数的函数，利用链式求导法则，计算CNGAT的输出映射层的每一层误差项。
步骤7-3，利用链式求导法则，由后向前逐层计算每一层卷积层的误差项。
步骤7-4，计算梯度。根据步骤7-2和步骤7-3的误差项，计算CNGAT每个参数的梯度，关于利用链式求导法则计算误差项以及利用误差项更新参数的思想与方法在文献“Rumelhart D E,Hinton G E,Williams R J.Learning representations by back-propagating errors[J].Nature,1986,323(6088):533-536.”中有详细描述。
步骤7-5，更新参数。利用步骤7-4得到的参数的梯度和学习率，得到每个参数的更新项，将原参数值与更新项相减，得到更新后的参数值。
图卷积网络(Graph Convolution Network，GCN)及其变体如图注意力网络(GraphAttention Network，GAT)可以将具有不定大小的无序排列邻居的不规则数据表示为一个图结构，并根据局部或全局的图结构来获取相邻节点的附加信息，这也被称为消息聚合。受其启发，本发明提出了一种分类节点图注意力网络(Category Node Graph AttentionNetwork，CNGAT)模型，将网格化天气雷达回波和无序分布的雨量计数据结合起来，学习雷达回波场与降水场之间的映射关系。CNGAT根据雷达反射率将节点划分为不同的类别，并采用注意机制来学习相邻节点的重要性。因此，它能更擅长处理复杂的图结构。该模型还将前K帧(包括当前帧)的连续雷达回波作为输入节点特征，有效地结合了雷达回波序列的时间特征，从而能更好地预测雨滴的最终降落点和地面降水强度。
有益效果：本发明将图神经网络(GNN)应用到雷达定量降水估计。提出了一种分类节点图注意力(CNGAT)模型，该模型能实现多类节点之间的信息聚合。比常规图卷积网络能表示更复杂的图特征。利用多层CNGAT的卷积，该模型能够很好的从天气雷达回波序列中提取出不同范围的局部的时空分布特征，并能有效的利用离散分布自动雨量计的降水观测数据进行训练。相较于传统的雷达反射率因子-降水强度关系模型即Z-R关系模型，该模型的降水估计精度有大幅提升。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明的流程图。
图2为观测区域的图表示方法示意图。
图3为CNGAT卷积层结构图示意图。
具体实施方式
如图1所示，本发明提供了一种基于分类节点图注意力网络的雷达定量降水估计方法，包括以下步骤：
步骤1：观测区域的图表示：将气象雷达回波拼图覆盖区域用图表示，并且确定图中节点之间的连接方式。
步骤2：处理训练数据：对气象雷达回波拼图作归一化处理，再将连续K帧的归一化图像按顺序排列在一起组成一个训练样本，所有训练样本构成的集合为训练集的输入数据部分；对观测区域内的离散分布的自动雨量计测得的降水率数据进行对数变化，将对数变化后的值作为对应节点输出标签，构成训练集的输出数据部分；训练集包含输入-输出样本对的个数为TrainingsetSize；
步骤3：初始化模型参数：设置节点类型分配规则，设计分类节点图注意力网络CNGAT的结构，确定每一层节点隐状态向量维数；
步骤4：初始化训练参数：设置学习率，每次迭代输入一个样本，一个训练周期迭代的次数为TrainingsetSize，设模型训练的周期数为NumEpoch，总迭代次数为NumIteration＝TrainingsetSize×NumEpoch；当且迭代次数IterationNo＝1；
步骤5：读取训练样本：每次迭代从步骤2获得的训练集中随机读取1个训练样本对，包括一个由K幅连续图像构成的输入图像序列{x1，x2，…，xK}，和对应的输出标签y；xK表示第K幅图像；
步骤6：前向传播：利用分类节点图注意力网络CNGAT提取输入图像序列的特征，再将每一层提取的特征向量拼接得到一个长特征向量，将长特征向量输入到最后的输入到输出映射层，得到的预测结果
Figure BDA0002806394810000101
步骤7：误差反向传播更新参数：定义损失函数
Figure BDA0002806394810000102
利用损失函数计算输出误差，将误差从后至前传递，逐层计算分类节点图注意力网络CNGAT中每一层的误差，再计算误差与模型参数的梯度，根据梯度采用梯度下降法更新模型参数；
步骤8：输出数据处理：将步骤6中得到的预测结果
Figure BDA0002806394810000103
通过下式得到最终的估计降水场
Figure BDA0002806394810000111
即：
Figure BDA0002806394810000112
步骤1包括以下步骤：
步骤1-1，确定图节点：设气象雷达回波拼图的分辨率为M×N，其中M指在纬度方向的像素数点个数为M，即每一行有M个像素；N指在经度方向上的像素点个数为N，即共有N行。每个像素代表观测区域的一个子区域，则每一子区域用一个节点表示；一个气象雷达回波拼图由M×N个节点表示；以华东地区雷达回波拼图为例，其分辨率为600×800。
步骤1-2，确定节点之间的连接关系：设节点vi与节点vj之间的距离为rij；对于中心节点i，利用距离阈值R确定节点j是否与它有边相连：如果rij≤R，则节点j有边eji连接到节点i，否则没有。图2给出了连接规则示意，可以看到按照距离阈值确定的边是双向连接的。对于华东地区雷达拼图，相邻节点之间的平均距离约为1.5km，若取距离阈值R＝3km，则每一个节点平均约有12个节点与其直接相连。
步骤2包括以下步骤：
步骤2-1：训练输入数据规范化处理：原始气象雷达回波拼图为雷达反射率因子图Z的对数形式，即10lgZ。将原始气象雷达回波拼图的每个像素点的值除以100，得到规范化的气象雷达回波拼图X，即X＝lgZ/10。
步骤2-2：训练输出数据规范化处理：设观测区域内的自动雨量计测得的降水率为R，利用对数变换将R转换为输出标签Y，即Y＝lg(R+1)。
步骤2-3：构造训练样本集：将规范化后的气象雷达回波拼图按照时间顺序排列得到一个气象雷达回波拼图序列{X1，X2，…，XN}，XN为第N个时刻的规范化雷达回波拼图；将规范化后的输出标签也按照时间顺序额排列得到一个标签序列{Y1，Y2，…，YN}，YN为第N个时刻的规范化输出标签；选择一个长度为K(K一般小于10)的滑动窗口，这个序列中的第一个图像开始，每次取K幅图像出来组成一个训练样本的输入数据部分，并将这K幅图像中的最后一幅图像对应时刻的自动雨量站的规范化标签作为训练样本的输出部分；再向后平移一个图像，取出下一组作为下一个样本；如此循环往复，直到剩余图像数量少于K为止；若取K＝5，则按照上述方法构成的第n个训练样本
Figure BDA0002806394810000121
如下，
Figure BDA0002806394810000122
yn＝Yn+4。
其中
Figure BDA0002806394810000123
为第n个训练样本的输入图像序列，序列长度为K，yn为第n个训练样本的输出标签。
步骤3包括以下步骤：
步骤3-1，确定节点类型分配规则：设节点类型数为C，设置C-1个阈值{threshold1，threshold2，…，thresholdC-1}，thresholdj-1表示第j-1个阈值，利用这些阈值将规范化的雷达反射率因子的值域划分成C个区间，则节点i所属类别c的判断规则如下：
Figure BDA0002806394810000124
其中，X(i)为节点i所对应的规范化雷达反射率因子值。类型数C一般为2或3，即把雷达反射率因子划分为2或者3个值域区间，对应的阈值的个数为1或2。以C＝2为例，取threshold1＝0.35。则：
Figure BDA0002806394810000125
步骤3-2，构造分类节点图注意力网络CNGAT的特征提取模块：特征提取模块由分类节点图注意力网络CNGAT的7个卷积层叠加组成，每个卷积层由两部分组成，第一部分为特征转换子层，第二部分为聚合子层。如图3所示为CNGAT卷积层结构图示意图。
步骤3-3，构造分类节点图注意力网络CNGAT的输出映射模块：输出映射模块为一个多层感知机，其输入向量为特征提取模块的输出，输出为模型对规范化降水率的估计值。
步骤3-2包括以下步骤：
步骤3-2-1，所述特征转换子层包含三层，即输入层、隐藏层和输出层。对于分类节点图注意力网络CNGAT第一层卷积层，特征转换子层的输入层维数K＝5，隐藏层维数为M＝16，输出层维数为D＝16。对于分类节点图注意力网络CNGAT其它卷积层，特征转换子层的输入层维数为D＝16，隐藏层维数为M＝16，输出层维数为D＝16。
每一个聚合子层则对每个节点的直接相邻节点的特征向量加权求和(包括本节点的特征向量)后，通过非线性变换得到该节点的新特征向量。权重系数通过注意力机制得到，相邻节点权重系数由本节点的特征向量和该相邻节点的特征向量共同决定。
步骤3-2-2，将特征转换子层的参数初始化。对于第一个卷积层，特征转换子层的输入层到隐藏层权重矩阵的每个元素初始取值为
Figure BDA0002806394810000131
隐藏层到输出层的权重矩阵的每个元素初始取值为
Figure BDA0002806394810000132
对于其它卷积层，特征转换子层的输入层到隐藏层权重矩阵的每个元素初始取值为
Figure BDA0002806394810000133
隐藏层到输出层的权重矩阵的每个元素初始取值为
Figure BDA0002806394810000134
rand(·)为随机数生成函数。
步骤3-2-4，将聚合子层的注意力权重系数初始化，每一节点的注意力权重系数计算模块中的每个参数初始取值为
Figure BDA0002806394810000135
步骤3-3包含以下步骤：
步骤3-3-1，输出映射模块包含3层，即输入层、隐藏层和输出层，输入层的维数为6×16+5，隐藏层的维数为6×16+5，输出层的维数为1。
步骤3-3-2，初始化输出映射模块参数：输入层到隐藏层的权重矩阵的每个参数的初始值为
Figure BDA0002806394810000136
隐藏层到输出层的权重矩阵的每个参数的初始值为
Figure BDA0002806394810000137
步骤5包括以下步骤：
步骤5-1，对于当前迭代次数IterationNo，从集合{1，2，3，…，TrainingsetSize}中随机抽取一个数m；
步骤5-2，从训练样本集中取出第m个样本，即：
Figure BDA0002806394810000138
y＝ym。
步骤6包括以下步骤：
步骤6-1：根据输入规范化气象雷达回波拼图序列确定每个节点的类型。
步骤6-2：每个节点的输入特征向量经过分类节点图注意力网络CNGAT特征提取模块多次卷积后输出提取特征。
步骤6-3：将分类节点图注意力网络CNGAT特征提取模块输出的特征向量输入到输出映射层，得到每个节点的规范化降水率估计值。
步骤6-1包括以下步骤：
步骤6-1-1，求{x1，x2，…，x5}的在时间序列上的平均值xmean：
xmean＝(x1+x2+…+x5)/5；
步骤6-1-2，对于节点i，根据其对应的平均后规范化雷达反射率因子的值判断其节点类型：
Figure BDA0002806394810000141
步骤6-2包括以下步骤：
步骤6-2-1，对于每个节点i，第1层卷积层将输入特征向量
Figure BDA0002806394810000142
转换成第1层节点特征向量
Figure BDA0002806394810000143
步骤6-2-2，对每个节点i，第l层卷积层将第l-1层特征向量
Figure BDA0002806394810000144
转换成第l层特征向量，2≤l≤7；
步骤6-2-3，对每个节点i，输出映射模块将输入节点特征与每一个卷积层的特征向量拼接而成的长特征向量
Figure BDA0002806394810000145
转换成规范化降水率估计值
Figure BDA0002806394810000146
具体计算过程如下：
Figure BDA0002806394810000147
其中，ReLU(x)为一种非线性激活函数，其具体形式为：
ReLU(x)＝max(0，x)。
步骤6-2-1包括以下步骤：
步骤6-2-1-1，第1层卷积层利用特征转换子层对每个节点的输入特征向量进行维数变换：
Figure BDA0002806394810000151
其中，
Figure BDA0002806394810000152
Figure BDA0002806394810000153
上式中Tanh(x)的具体形式为：
Figure BDA0002806394810000154
xk(i)为节点i对应的输入规范化雷达反射率因子序列的第k个规范化雷达反射率因子。
Figure BDA0002806394810000155
和
Figure BDA0002806394810000156
分别为
Figure BDA0002806394810000157
的第一层和第二层的权值矩阵。
步骤6-2-1-2，求节点i的每个邻居节点的注意权重
Figure BDA0002806394810000158
Figure BDA0002806394810000159
并且，
Figure BDA00028063948100001510
上式中LeakyReLU(x)是一种非线性激活函数，其具体形式为：
LeakyReLU(x)＝max(0，x)-0.1×min(0，x)；
步骤6-2-1-3，完成节点i的邻居节点的信息聚合，得到第2层的特征向量
Figure BDA00028063948100001511
具体过程如下：
Figure BDA00028063948100001512
Figure BDA00028063948100001513
其中，Nc(i)为节点i的属于类别c的邻居节点的集合；
Figure BDA00028063948100001514
为第1层节点i的邻居节点中属于类别c的邻居节点聚合后的特征向量。。
步骤6-2-2包括以下步骤：
步骤6-2-2-1，第l层(2≤l≤7)卷积层利用特征转换子层对每个节点的输入特征向量进行维数变换：
Figure BDA0002806394810000161
其中，
Figure BDA0002806394810000162
步骤6-2-2-2，求节点i的每个邻居节点的注意权重
Figure BDA0002806394810000163
Figure BDA0002806394810000164
并且，
Figure BDA0002806394810000165
步骤6-2-2-3，完成节点i的邻居节点的信息聚合，得到第l层的特征向量
Figure BDA0002806394810000166
具体过程如下：
Figure BDA0002806394810000167
Figure BDA0002806394810000168
Figure BDA0002806394810000169
为第l层节点i的邻居节点中属于类别c的邻居节点聚合后的特征向量。
步骤7包括以下步骤：
步骤7-1，利用损失函数计算损失：对于节点i，如果其有标签，则先求其损失：
Figure BDA00028063948100001610
其中，ωi＝10y(i)。则输出损失L为：
Figure BDA00028063948100001611
其中，Nlabeled为被标注的节点的集合。
步骤7-2，将输出损失看成是模型参数的函数，利用链式求导法则，计算CNGAT的输出映射层的每一层误差项。
步骤7-3，利用链式求导法则，由后向前逐层计算每一层卷积层的误差项。
步骤7-4，计算梯度。根据步骤7-2和步骤7-3的误差项，计算CNGAT每个参数的梯度。
步骤7-5，更新参数。利用步骤7-4得到的参数的梯度和学习率，得到每个参数的更新项，将原参数值与更新项相减，得到更新后的参数值。
本发明提供了一种基于分类节点图注意力网络的雷达定量降水估计方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种基于分类节点图注意力网络的雷达定量降水估计方法，其特征在于，包括以下步骤：
步骤1：观测区域的图表示：将气象雷达回波拼图覆盖区域用图表示，并且确定图中节点之间的连接方式；
步骤2：处理训练数据：对气象雷达回波拼图作归一化处理，再将连续K帧的归一化图像按顺序排列在一起组成一个训练样本，所有训练样本构成的集合为训练集的输入数据部分；对观测区域内的离散分布的自动雨量计测得的降水率数据进行对数变化，将对数变化后的值作为对应节点输出标签，构成训练集的输出数据部分；训练集包含输入-输出样本对的个数为TrainingsetSize；
步骤3：初始化模型参数：设置节点类型分配规则，设计分类节点图注意力网络CNGAT的结构，确定每一层节点隐状态向量维数；
步骤4：初始化训练参数：设置学习率，每次迭代输入一个样本，一个训练周期迭代的次数为TrainingsetSize，设模型训练的周期数为NumEpoch，总迭代次数为NumIteration＝TrainingsetSize×NumEpoch；当且迭代次数IterationNo＝1；
步骤5：读取训练样本：每次迭代从步骤2获得的训练集中随机读取1个训练样本对，包括一个由K幅连续图像构成的输入图像序列{x1，x2，…，xK}，和对应的输出标签y；xK表示第K幅图像；
步骤6：前向传播：利用分类节点图注意力网络CNGAT提取输入图像序列的特征，再将每一层提取的特征向量拼接得到一个长特征向量，将长特征向量输入到最后的输入到输出映射层，得到的预测结果
Figure FDA0002806394800000011
步骤7：误差反向传播更新参数：定义损失函数
Figure FDA0002806394800000012
利用损失函数计算输出误差，将误差从后至前传递，逐层计算分类节点图注意力网络CNGAT中每一层的误差，再计算误差与模型参数的梯度，根据梯度采用梯度下降法更新模型参数；
步骤8：输出数据处理：将步骤6中得到的预测结果
Figure FDA0002806394800000013
通过下式得到最终的估计降水场
Figure FDA0002806394800000014
即：
Figure FDA0002806394800000015
2.根据权利要求1所述的方法，其特征在于，步骤1包括以下步骤：
步骤1-1，确定图节点：设气象雷达回波拼图的分辨率为M×N，其中M指在纬度方向的像素数点个数为M，即每一行有M个像素；N指在经度方向上的像素点个数为N，即共有N行；每个像素代表观测区域的一个子区域，则每一子区域用一个节点表示；一个气象雷达回波拼图由M×N个节点表示；
步骤1-2，确定节点之间的连接关系：设节点vi与节点vj之间的距离为rij；对于中心节点i，利用距离阈值R确定节点j是否与它有边相连：如果rij≤R，则节点j有边eji连接到节点i，否则没有。
3.根据权利要2所述的方法，其特征在于，步骤2包括以下步骤：
步骤2-1：训练输入数据规范化处理：原始气象雷达回波拼图为雷达反射率因子图Z的对数形式，即101gZ；将原始气象雷达回波拼图的每个像素点的值除以100，得到规范化的气象雷达回波拼图X，即X＝lgZ/10；
步骤2-2：训练输出数据规范化处理：设观测区域内的自动雨量计测得的降水率为R，利用对数变换将R转换为输出标签Y，即Y＝lg(R+1)；
步骤2-3：构造训练样本集：将规范化后的气象雷达回波拼图按照时间顺序排列得到一个气象雷达回波拼图序列{X1，X2，…，XN}，XN为第N个时刻的规范化雷达回波拼图；将规范化后的输出标签也按照时间顺序额排列得到一个标签序列{Y1，Y2，…，YN}，YN为第N个时刻的规范化输出标签；选择一个长度为K的滑动窗口，从雷达回波拼图序列的第一个图像开始，每次取K幅图像出来组成一个训练样本的输入数据部分，并将这K幅图像中的最后一幅图像对应时刻的自动雨量站的规范化标签作为训练样本的输出部分；再向后平移一个图像，取出下一组作为下一个样本；如此循环往复，直到剩余图像数量少于K为止；按照上述方法构成的第n个训练样本
Figure FDA0002806394800000021
为如下形式，
Figure FDA0002806394800000022
yn＝Yn+K-1，
其中
Figure FDA0002806394800000023
为第n个训练样本的输入图像序列，序列长度为K，
Figure FDA0002806394800000024
是第n个训练样本中的第K个输入图像；
yn为第n个训练样本的输出标签。
4.根据权利要求3所述的方法，其特征在于，步骤3包括以下步骤：
步骤3-1，确定节点类型分配规则：设节点类型数为C，设置C-1个阈值{threshold1，threshold2，…，thresholdC-1}，thresholdj表示第j个阈值，利用这些阈值将规范化的雷达反射率因子的值域划分成C个区间，则节点i所属类别c的判断规则如下：
Figure FDA0002806394800000031
其中，X(i)为节点i所对应的规范化雷达反射率因子值；
步骤3-2，构造分类节点图注意力网络CNGAT的特征提取模块：特征提取模块由分类节点图注意力网络CNGAT的7个卷积层叠加组成，每个卷积层由两部分组成，第一部分为特征转换子层，第二部分为聚合子层；
步骤3-3，构造分类节点图注意力网络CNGAT的输出映射模块：输出映射模块为一个多层感知机，其输入向量为特征提取模块的输出，输出为CNGAT模型对规范化降水率的估计值。
5.根据权利要求4所述的方法，其特征在于，步骤3-2包括以下步骤：
步骤3-2-1，所述特征转换子层包含三层，即输入层、隐藏层和输出层；对于分类节点图注意力网络CNGAT第一层卷积层，特征转换子层的输入层维数K，隐藏层维数为M，输出层维数为D；对于分类节点图注意力网络其它CNGAT卷积层，特征转换子层的输入层维数为D，隐藏层维数为M，输出层维数为D；
每一个聚合子层对每个节点的直接相邻节点的特征向量加权求和后，通过非线性变换得到该节点的新特征向量；聚合子层包含一个注意力权重系数计算模块，权重系数通过注意力权重系数计算模块计算得到，相邻节点权重系数由本节点的特征向量和该相邻节点的特征向量共同决定；
步骤3-2-2，将特征转换子层的参数初始化：对于第一个卷积层，特征转换子层的输入层到隐藏层权重矩阵的每个元素初始取值为
Figure FDA0002806394800000032
隐藏层到输出层的权重矩阵的每个元素初始取值为
Figure FDA0002806394800000033
对于其它卷积层，特征转换子层的输入层到隐藏层权重矩阵的每个元素初始取值为
Figure FDA0002806394800000041
隐藏层到输出层的权重矩阵的每个元素初始取值为
Figure FDA0002806394800000042
rand(·)为随机数生成函数；
步骤3-2-4，将聚合子层的注意力权重系数初始化，每一节点的注意力权重系数计算模块中的每个参数初始取值为
Figure FDA0002806394800000043
步骤3-3包含以下步骤：
步骤3-3-1，输出映射模块包含3层，即输入层、隐藏层和输出层，输入层的维数为6×D+K，隐藏层的维数为6×D+K，输出层的维数为1；
步骤3-3-2，初始化输出映射模块参数：输入层到隐藏层的权重矩阵的每个参数的初始值为
Figure FDA0002806394800000044
隐藏层到输出层的权重矩阵的每个参数的初始值为
Figure FDA0002806394800000045
6.根据权利要求5所述方法，其特征在于，步骤5包括以下步骤：
步骤5-1，对于当前迭代次数IterationNo，从集合{1，2，3，…，TrainingsetSize}中随机抽取一个数m；
步骤5-2，从训练样本集中取出第m个样本，即：
Figure FDA0002806394800000046
y＝ym，
其中
Figure FDA0002806394800000047
为第m个样本的输入规范化雷达回波拼图序列的第k幅拼图，ym为第m个样本的输出标签；
Figure FDA0002806394800000048
为取出的输入规范化雷达回波拼图序列的第k幅拼图；y为取出的拼图序列对应的输出标签。
7.根据权利要求6所述方法，其特征在于，步骤6包括以下步骤：
步骤6-1：根据输入规范化气象雷达回波拼图序列确定每个节点的类型；
步骤6-2：每个节点的输入特征向量经过分类节点图注意力网络CNGAT特征提取模块卷积后输出提取特征；
步骤6-3：将分类节点图注意力网络CNGAT特征提取模块输出的特征向量输入到输出映射层，得到每个节点的规范化降水率估计值。
8.根据权利要求7所述方法，其特征在于，步骤6-1包括以下步骤：
步骤6-1-1，求{x1，x2，…，xK}在时间序列上的平均值xmean：
xmean＝(x1+x2+…+xK)/K；
步骤6-1-2，对于节点i，根据其对应的平均后规范化雷达反射率因子的值判断其节点类型：
Figure FDA0002806394800000051
其中xmean(i)为节点i的平均后规范化雷达反射率因子，thresholdj为第j个阈值，ci为节点i的类别；
步骤6-2包括以下步骤：
步骤6-2-1，对于每个节点i，第1层卷积层将输入特征向量
Figure FDA0002806394800000052
转换成第1层节点特征向量
Figure FDA0002806394800000053
步骤6-2-2，对每个节点i，第l层卷积层将第l-1层特征向量
Figure FDA0002806394800000054
转换成第l层特征向量，2≤l≤7；
步骤6-2-3，对每个节点i，输出映射模块将输入节点特征与每一个卷积层的特征向量拼接而成的长特征向量
Figure FDA0002806394800000055
转换成规范化降水率估计值
Figure FDA0002806394800000056
具体计算过程如下：
Figure FDA0002806394800000057
其中，ReLU(x)为一种非线性激活函数，其具体形式为：
ReLU(x)＝max(0，x)，
其中o1、o2为权值矩阵。
9.根据权利要求8所述方法，其特征在于，步骤6-2-1包括以下步骤：
步骤6-2-1-1，第1层卷积层利用特征转换子层对每个节点的输入特征向量进行维数变换：
Figure FDA0002806394800000061
其中，
Figure FDA0002806394800000062
Figure FDA0002806394800000063
上式中Tanh(x)的具体形式为：
Figure FDA0002806394800000064
Figure FDA0002806394800000065
为节点i经过维数变换后的第1层中间特征向量；
xk(i)为节点i对应的输入规范化雷达反射率因子序列的第k个规范化雷达反射率因子；
Figure FDA0002806394800000066
和
Figure FDA0002806394800000067
分别为
Figure FDA0002806394800000068
的第一层和第二层的权值矩阵；
步骤6-2-1-2，求节点i的每个邻居节点的注意力权重
Figure FDA0002806394800000069
Figure FDA00028063948000000610
并且，
Figure FDA00028063948000000611
上式中LeakyReLU(x)是一种非线性激活函数，其具体形式为：
LeakyReLU(x)＝max(0，x)-0.1×min(0，x)；
Figure FDA00028063948000000612
为权值向量；
步骤6-2-1-3，完成节点i的邻居节点的信息聚合，得到第2层的特征向量
Figure FDA00028063948000000613
具体过程如下：
Figure FDA00028063948000000614
Figure FDA00028063948000000615
其中，Nc(i)为节点i的属于类别c的邻居节点的集合；
Figure FDA00028063948000000616
为第1层节点i的邻居节点中属于类别c的邻居节点聚合后的特征向量；
步骤6-2-2包括以下步骤：
步骤6-2-2-1，第l层卷积层利用特征转换子层对每个节点的输入特征向量进行维数变换：
Figure FDA0002806394800000071
其中，
Figure FDA0002806394800000072
步骤6-2-2-2，求节点i的每个邻居节点的注意权重
Figure FDA0002806394800000073
Figure FDA0002806394800000074
并且，
Figure FDA0002806394800000075
其中，
Figure FDA0002806394800000076
为权值向量；
步骤6-2-2-3，完成节点i的邻居节点的信息聚合，得到第l层的特征向量
Figure FDA0002806394800000077
具体过程如下：
Figure FDA0002806394800000078
Figure FDA0002806394800000079
Figure FDA00028063948000000710
为第l层节点i的邻居节点中属于类别c的邻居节点聚合后的特征向量。
10.根据权利要求9所述方法，其特征在于，步骤7包括以下步骤：
步骤7-1，利用损失函数计算损失：对于节点i，如果其有标签，则先求其损失Li：
Figure FDA00028063948000000711
其中，ωi＝10y(i)，则输出损失L为：
Figure FDA00028063948000000712
其中，Nlabeled为被标注的节点的集合；
步骤7-2，将输出损失看成是模型参数的函数，利用链式求导法则，计算CNGAT的输出映射层的每一层误差项；
步骤7-3，利用链式求导法则，由后向前逐层计算每一层CNGAT卷积层的误差项；
步骤7-4，计算梯度：根据步骤7-2和步骤7-3的误差项，通过对参数求偏导计算得到CNGAT每个参数的梯度；
步骤7-5，更新参数：利用步骤7-4得到的参数的梯度和学习率，得到每个参数的更新项，将原参数值与更新项相减，得到更新后的参数值。
CN202011371960.0A 2020-11-30 2020-11-30 一种基于分类节点图注意力网络的雷达定量降水估计方法 Active CN112365091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011371960.0A CN112365091B (zh) 2020-11-30 2020-11-30 一种基于分类节点图注意力网络的雷达定量降水估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011371960.0A CN112365091B (zh) 2020-11-30 2020-11-30 一种基于分类节点图注意力网络的雷达定量降水估计方法

Publications (2)

Publication Number Publication Date
CN112365091A true CN112365091A (zh) 2021-02-12
CN112365091B CN112365091B (zh) 2022-06-14

Family

ID=74536435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011371960.0A Active CN112365091B (zh) 2020-11-30 2020-11-30 一种基于分类节点图注意力网络的雷达定量降水估计方法

Country Status (1)

Country Link
CN (1) CN112365091B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240098A (zh) * 2021-06-16 2021-08-10 湖北工业大学 基于混合门控神经网络的故障预测方法、装置和存储介质
CN113537240A (zh) * 2021-07-09 2021-10-22 北方工业大学 一种基于雷达序列图像的形变区智能提取方法及系统
CN116720635A (zh) * 2023-08-11 2023-09-08 航天信德智图（北京）科技有限公司 一种基于实测数据的广西油茶估产方法
CN117648588A (zh) * 2024-01-29 2024-03-05 和尘自仪(嘉兴)科技有限公司 基于相关性网络图聚类分析的气象雷达参数异常识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107807907A (zh) * 2017-09-08 2018-03-16 中国电力科学研究院 一种降水分类方法及系统
CN110288157A (zh) * 2019-06-27 2019-09-27 电子科技大学 一种基于注意力机制和lstm的径流预测方法
CN110956342A (zh) * 2020-01-02 2020-04-03 中国民航大学 基于注意力机制的CliqueNet航班延误预测方法
CN111105093A (zh) * 2019-12-23 2020-05-05 浙江师范大学 基于CNN和BiLSTM的临近降水预测方法
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN111815037A (zh) * 2020-06-24 2020-10-23 河海大学 一种基于注意力机制的可解释性短临极端降雨预测方法
CN111914486A (zh) * 2020-08-07 2020-11-10 中国南方电网有限责任公司 一种基于图注意力网络的电力系统暂态稳定评估方法
CN111983732A (zh) * 2020-07-27 2020-11-24 南京信息工程大学 一种基于深度学习的降水强度估计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107807907A (zh) * 2017-09-08 2018-03-16 中国电力科学研究院 一种降水分类方法及系统
CN110288157A (zh) * 2019-06-27 2019-09-27 电子科技大学 一种基于注意力机制和lstm的径流预测方法
CN111105093A (zh) * 2019-12-23 2020-05-05 浙江师范大学 基于CNN和BiLSTM的临近降水预测方法
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN110956342A (zh) * 2020-01-02 2020-04-03 中国民航大学 基于注意力机制的CliqueNet航班延误预测方法
CN111815037A (zh) * 2020-06-24 2020-10-23 河海大学 一种基于注意力机制的可解释性短临极端降雨预测方法
CN111983732A (zh) * 2020-07-27 2020-11-24 南京信息工程大学 一种基于深度学习的降水强度估计方法
CN111914486A (zh) * 2020-08-07 2020-11-10 中国南方电网有限责任公司 一种基于图注意力网络的电力系统暂态稳定评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANI ZHANG，ETC: "GaAN: Gated Attention Networks for Learning on Large and Spatiotemporal Graphs", 《PROC. UAI》 *
周恒晟: "基于多层次图注意力卷积神经网络的节点分类模型研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
汪瑛等: "雷达定量降水动态分级Z-I关系估算方法", 《热带气象学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240098A (zh) * 2021-06-16 2021-08-10 湖北工业大学 基于混合门控神经网络的故障预测方法、装置和存储介质
CN113537240A (zh) * 2021-07-09 2021-10-22 北方工业大学 一种基于雷达序列图像的形变区智能提取方法及系统
CN113537240B (zh) * 2021-07-09 2023-09-05 北方工业大学 一种基于雷达序列图像的形变区智能提取方法及系统
CN116720635A (zh) * 2023-08-11 2023-09-08 航天信德智图（北京）科技有限公司 一种基于实测数据的广西油茶估产方法
CN116720635B (zh) * 2023-08-11 2023-10-20 航天信德智图（北京）科技有限公司 一种基于实测数据的广西油茶估产方法
CN117648588A (zh) * 2024-01-29 2024-03-05 和尘自仪(嘉兴)科技有限公司 基于相关性网络图聚类分析的气象雷达参数异常识别方法
CN117648588B (zh) * 2024-01-29 2024-04-26 和尘自仪(嘉兴)科技有限公司 基于相关性网络图聚类分析的气象雷达参数异常识别方法

Also Published As

Publication number Publication date
CN112365091B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN112365091B (zh) 一种基于分类节点图注意力网络的雷达定量降水估计方法
CN110232394B (zh) 一种多尺度图像语义分割方法
CN111639787B (zh) 一种基于图卷积网络的时空数据预测方法
CN109523013B (zh) 基于浅层卷积神经网络的空气颗粒物污染程度估计方法
CN104200224A (zh) 基于深度卷积神经网络的无价值图像去除方法
CN112415521A (zh) 基于cgru的强时空特性雷达回波临近预报方法
CN111639719A (zh) 基于时空运动和特征融合的足迹图像检索方法
CN112949414B (zh) 一种宽视域高分六号卫星影像地表水体智能制图方法
CN114463675B (zh) 一种水下鱼类群组活动强度识别方法及装置
CN112651437A (zh) 一种基于深度学习的空间非合作目标位姿估计方法
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
CN111047078A (zh) 交通特征预测方法、系统及存储介质
CN113408398A (zh) 基于通道注意力及概率上采样的遥感图像云检测方法
CN115902806A (zh) 一种基于多模态的雷达回波外推方法
CN115346207A (zh) 一种基于实例结构相关性的二维图像中三维目标检测方法
CN117351440B (zh) 基于开放式文本检测的半监督船舶检测方法及系统
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
Bagwari et al. A comprehensive review on segmentation techniques for satellite images
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
Son et al. Partial convolutional LSTM for spatiotemporal prediction of incomplete data
CN115423810B (zh) 一种风力发电机组叶片覆冰形态分析方法
CN111624606A (zh) 一种雷达图像降雨识别方法
Pillai et al. Fine-Tuned EfficientNetB4 Transfer Learning Model for Weather Classification
CN116363610A (zh) 一种基于改进YOLOv5的航拍车辆旋转目标检测方法

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