CN114067214B - 一种基于多模型融合卷积网络的暴雨识别方法和装置 - Google Patents
一种基于多模型融合卷积网络的暴雨识别方法和装置 Download PDFInfo
- Publication number
- CN114067214B CN114067214B CN202210046042.3A CN202210046042A CN114067214B CN 114067214 B CN114067214 B CN 114067214B CN 202210046042 A CN202210046042 A CN 202210046042A CN 114067214 B CN114067214 B CN 114067214B
- Authority
- CN
- China
- Prior art keywords
- storm
- rainstorm
- doppler radar
- result
- base data
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
Abstract
本发明提供了一种基于多模型融合卷积网络的暴雨识别方法和装置,涉及暴雨预警的技术领域,包括:获取待识别区域的样本多普勒雷达基数据,并基于样本多普勒雷达基数据确定出样本多普勒雷达基数据中包含的风暴体的属性信息;获取地面观测站点发送的待识别区域的观测数据,并基于观测数据和属性信息,构建数据集;将数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到暴雨识别模型;在获取到待识别区域的当前多普勒雷达基数据,利用当前多普勒雷达基数据和暴雨识别模型,确定出待识别区域中是否发生暴雨,解决了现有的暴雨识别方法的识别准确率较低的技术问题。
Description
技术领域
本发明涉及暴雨设别的技术领域,尤其是涉及一种基于多模型融合卷积网络的暴雨识别方法和装置。
背景技术
暴雨属于强对流天气类型的之一,是一种不良天气。 其形成过程是相当复杂的,一般从宏观物理条件来说,产生暴雨的主要物理条件是充足的源源不断的水汽、强盛而持久的气流上升运动和大气层结构的不稳定而导致的。暴雨天气对许多行业有不同的负面影响,比如暴雨可能会破坏土壤和植被庄家、影响人们正常出行和易发洪灾水涝等。因此对于暴雨这一类不良天气的监测与预警是十分必要的,然而,它也是气象业务中较为棘手的问题之一。本发明使用多普勒雷达基数据和地面观测站点数据作为暴雨天气监测的数据源,用其分析历史天气情况,有效利用这些资料能够对暴雨等一系列问题进行有价值的研究。
随着计算机现代技术的日益发展,其在包括大气科学领域在内的很多行业都产生了深远影响,尤其是计算机人工智能技术在气象业务上的应用,体现出其技术优势。目前人工智能领域中的深度学习技术逐渐广泛用于气象的许多分支业务上,如短临外推、相似天气分析和强天气的识别等方面。以前对暴雨等强对流天气的识别分析主要依靠复杂的物理方法以及有经验的预报人员对图像、相关成因分析进行识别、判断。这些方式有许多值得借鉴的地方,但其缺点是人力物力成本高,时间效率较低,识别准确率也因为一些客观因素而受限。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种基于多模型融合卷积网络的暴雨识别方法和装置,以缓解了现有的暴雨识别方法的识别准确率较低的技术问题。
第一方面,本发明实施例提供了一种基于多模型融合卷积网络的暴雨识别方法,包括:获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到所述暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨。
进一步地,所述特征信息包括:垂直累积液态含水量、风暴顶高、45dBz所在高度、最大反射率因子所在高度和风暴的最大反射率。
进一步地,基于所述样本多普勒雷达基数据确定出所述待识别区域中包含的风暴体的属性信息,包括:基于所述样本多普勒雷达基数据,计算出多普勒雷达各个仰角的基本反射率;基于所述基本反射率和风暴体识别算法,确定出所述第一位置信息;基于所述基本反射率,确定出所述第一时间信息和所述属性信息。
进一步地,所述风暴体识别算法包括单体质心算法和区域扩散算法。
进一步地,基于所述观测数据和所述属性信息,构建数据集,包括:基于所述观测数据和所述属性信息,得到目标结果,其中,所述目标结果用于表征所述风暴体是否发生暴雨;基于所述属性信息和所述目标结果,构建所述数据集。
进一步地,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨,包括:基于所述当前多普勒雷达基数据,确定出所述当前多普勒雷达基数据中包含的风暴体的属性信息;将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的卷积神经网络,得到第一结果;将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的Stacking算法网络,得到第二结果;将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的包含Stacking算法的卷积神经网络,得到第三结果,其中,所述第一结果、所述第二结果和所述第三结果均表征所述风暴体是否发生暴雨;若所述第一结果、所述第二结果和所述第三结果中目标结果的数量大于或等于预设阈值,则确定所述风暴体发生暴雨,所述目标结果为表征所述风暴体发生暴雨的结果。
进一步地,若基于所述当前多普勒雷达基数据,确定出所述当前多普勒雷达基数据中不包含的风暴体,则所述待识别区域中未发生暴雨;若所述第一结果、所述第二结果和所述第三结果中目标结果的数量小于所述预设阈值,则确定所述风暴体未发生暴雨。
第二方面,本发明实施例还提供了一种基于多模型融合卷积网络的暴雨识别装置,包括:获取单元,构建单元,训练单元和识别单元,其中,所述获取单元,用于获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;所述构建单元,用于获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;所述训练单元,用于将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到所述暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;所述识别单元,用于在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到所述暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨,本发明实施例通过基于多分类的深度学习网络结构、多模型融合优化,达到了对暴雨天气的智能识别的目的,进而解决了现有的暴雨识别方法的识别准确率较低的技术问题,从而实现了提高暴雨识别准确率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于多模型融合卷积网络的暴雨识别方法的流程图;
图2为本发明实施例提供的多模型融合卷积网络的示意图;
图3为本发明实施例提供的一种基于多模型融合卷积网络的暴雨识别装置的示意图;
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
根据本发明实施例,提供了一种基于多模型融合卷积网络的暴雨识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于多模型融合卷积网络的暴雨识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;
需要说明的是,上述特征信息包括:垂直累积液态含水量、风暴顶高、45dBz所在高度、最大反射率因子所在高度和风暴的最大反射率。
步骤S104,获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;
步骤S106,将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到所述暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;
步骤S108,在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨。
在本发明实施例中,通过获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到所述暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨,本发明实施例通过基于多分类的深度学习网络结构、多模型融合优化,达到了对暴雨天气的智能识别的目的,进而解决了现有的暴雨识别方法的识别准确率较低的技术问题,从而实现了提高暴雨识别准确率的技术效果。
在本发明实施例中,步骤S102包括如下步骤:
步骤S11,基于所述样本多普勒雷达基数据,计算出多普勒雷达各个仰角的基本反射率;
步骤S12,基于所述基本反射率和风暴体识别算法,确定出所述第一位置信息;
步骤S13,基于所述基本反射率,确定出所述第一时间信息和所述属性信息。
在本发明实施例中,首先从样本多普勒雷达基数据中解析计算出各个仰角下的雷达基本反射率Ref(i),并利用风暴体识别算法Cell(Ref(n)),确定出样本多普勒雷达基数据包含的风暴体像素,以及将雷达极坐标转化成直角坐标,并使用经纬度定位算法LonLat(Cell(Ref(n)))将风暴体像素坐标转化成经纬度,得到风暴体的第一位置信息。其中i表示第i个仰角,n表示一共有n个仰角;
然后,根据基于基本反射率,确定出风暴体的第一时间信息和风暴体的属性信息。
风暴顶高(H_top)是指风暴体最顶部的高度。在本发明实施例中,首先识别出独立的三维风暴体,计算单体在同一位置上存在反射率值大于30dBZ的点,则最高点所在高度为风暴顶高。
45dBZ所在高度(H_45)是指三维风暴体中反射率为45dBZ所在高度的最大值。
最大反射率因子所在高度(H_Rmax)是某一风暴体中最大反射率所在高度,它可以突出风暴体核心位置,对特定强天气及其发展潜势具有指导性意义。
风暴的最大反射率(Rmax)是风暴体在发生发展过程中其能够达到的最大值,其大小与探测物质的直径大小有关。
在得到上述属性特征之后,即得到多普勒雷达基数据的风暴特征要素数据集,记为CELLDATASET。一个雷达基数据中可能包含多个三维风暴体,在这个数据集中,将所有待鉴别的雷达基数据中能识别到的风暴体都作为数据样本,即一个风暴体作为一个数据样本,这个样本包含以上五个特征要素和该风暴体所对应的中心经纬度及对应雷达数据的扫描时间,其样本量时间范围为一个月至一百年之间。
需要说明的是,上述的风暴体识别算法包括单体质心算法和区域扩散算法。
具体的,单体质心算法由四部分组成:风暴段的识别、风暴体质心的识别、风暴体的追踪和风暴体的位置预报。其识别算法的基本步骤是:(1)首先在体积扫描的每个径向上搜索强度大于一定阈值的连续点,合并成有一定权重长度的一维风暴段;(2)然后在PPI层中按方位距离、长度重叠的相关性将风暴段合并成有一定权重面积的二维风暴分量;(3)最后按空间垂直相关将风暴分量合并成具有一定权重体积的三维风暴体。
区域生长算法是一种影像分割技术。基本思想将以一定判别依据,将具有相似准则的像素合并起来构成区域。主要步骤是对每个需要分割的区域找出一个种子像素作为生长起点(通俗一点就是找一个像素作为参考,用于判断其他像素与参考像素之间是否具有联系),然后根据一定的判别准则,将种子像素周围相似的像素进行判别,相似性较高的像素进行合并,如此就像种子一样发芽生长。区域生长算法的实现步骤如下:
步骤1. 随机或者对图像进行扫描,找到第一个还没有赋予属性的像素, 设该像素为(x0, y0);
步骤2. 以(x0, y0)为中心, 考虑(x0, y0)的4邻域或者8邻域像素(x, y)与种子像素的灰度值之差的绝对值小于某个阈值T,如果满足条件, 将(x, y)与(x0, y0)合并(在同一区域内), 同时将(x, y)压入堆栈;
步骤3. 从堆栈中取出一个像素, 把它当作(x0, y0)返回到步骤2;
步骤4. 当堆栈为空时,返回到步骤1;
步骤5. 重复步骤1 - 4直到图像中的每个点都有归属时,生长结束。
在本发明实施例中,基于所述观测数据和所述属性信息,构建数据集,包括如下步骤:
基于所述观测数据和所述属性信息,得到目标结果,其中,所述目标结果用于表征所述风暴体是否发生暴雨;
基于所述属性信息和所述目标结果,构建所述数据集。
在发明实施例中,通过多普勒雷达基数据CELLDATASET中风暴体经纬度定位信息和时间信息与带有暴雨标记的地面观测站点定位信息和时间信息,根据预设规则对风暴体的特征属性信息与观测数据的匹配,并建立可训练的暴雨数据集,该数据集记为RAINSTORMSET。
下面将对上述的模型融合卷积网络进行说明。
型融合卷积网络如图2所示,Input为输入,后面连接shape依次为(None,512)、(None,256)、(None,128)、(None,64)、(None,32)、(None,16)的Dense层,其中激活函数使用Relu,搭建多层Dense层以优化特征提取工作,使其在测试集上的准确率比使用浅层网络更高;后面使用SoftMax作为激活函数进行分类以识别暴雨;网络训练过程中,使用交叉熵损失,优化器选用Adam。
首先,因为基于Stacking的方法其将多个不同的单模型组合一起进行训练,相比单模型更具有优势,但其并没有将卷积神经网络引入,而卷积神经网络有其自身的特征提取优势,所以提出一种基于多模型融合卷积网络在暴雨识别上的方法,通过带有卷积网络的Stacking方法、多种机器学习模型融合的Stacking方法和独立卷积网络的训练将以权重投票的方式生成识别预测结果,从而弥补单模型或者仅使用卷积网络对于模型性能的影响。
如图2所示,图2为多模型融合网络框架,卷积神经网络分为输入、卷积层(Dense层)和Dense SoftMax层,使用的激活函数为Relu,损失函数为交叉熵;Stacking算法网络包括多种模型(如朴素贝叶斯Naïve Bayes、随机森林Random Forest和支持向量机SVM)融合后的结构;右包含Stacking算法的卷积神经网络的结构。
本发明首先在、Stacking算法网络和包含Stacking算法的卷积神经网络中进行学习,最后在进行投票。
优选的,本发明实施例中备选使用如下的投票方法:
绝对多数投票,其需要有效票过半才可认可,在多个分类器对某一类别进行预测的情况下,投票函数选择预测结构高于总结果一般的部分作为投票结果:
其中T表示分类器个数,在本发明中,分类器个数是指虚线框stacking过后的分类器,而不是基模型(如朴素贝叶斯Naïve Bayes、随机森林Random Forest和支持向量机SVM,或者DNN)分类器个数,hi表示第i个学习器,cj表示预测出的标记,N表示N种类别,即在T个分类器对类别j的预测结果大于总投票结果的一半,就预测是类别j,否者就拒绝refuse预测。
对多模型融合卷积网络的训练方式进行优化,采用多模型融合的训练方法,首先,因为基于Stacking的方法其将多个不同的单模型组合一起进行训练,相比单模型更具有优势,但其并没有将卷积神经网络引入,而卷积神经网络有其自身的特征提取优势,所以提出一种基于多模型融合卷积网络在暴雨识别上的方法,通过带有卷积网络的Stacking方法、多种机器学习模型融合的Stacking方法和独立卷积网络的训练将以权重投票的方式生成识别预测结果,从而弥补单模型或者仅使用卷积网络对于模型性能的影响。
优选的技术方案1为:所述S6中的模型框架描述如下:
1)输入通过卷积神经网络CNN后的识别结果记为Result1;
2)输入通过Stacking后的识别结果记为Result2;
3)输入通过卷积神经网络CNN结合Stacking后的识别结果记为Result3;
其中2)中的Stacking算法可选的算法有随机森林(Random Forest)算法、支持向量机、朴素贝叶斯等;
其中3)的结合方式为:将卷积神经网络CNN作为Stacking中的基本模型之一,使得能够与其它基算法(如随机森林算法、支持向量机、朴素贝叶斯)一起组成新模型。
在本发明实施例中,步骤S108包括如下步骤:
步骤S21,基于所述当前多普勒雷达基数据,确定出所述当前多普勒雷达基数据中包含的风暴体的属性信息;
步骤S22,将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的卷积神经网络,得到第一结果;
步骤S23,将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的Stacking算法网络,得到第二结果;
步骤S24,将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的包含Stacking算法的卷积神经网络,得到第三结果,其中,所述第一结果、所述第二结果和所述第三结果均表征所述风暴体是否发生暴雨;
步骤S25,若所述第一结果、所述第二结果和所述第三结果中目标结果的数量大于或等于预设阈值,则确定所述风暴体发生暴雨,所述目标结果为表征所述风暴体发生暴雨的结果。
步骤S26,若基于所述当前多普勒雷达基数据,确定出所述当前多普勒雷达基数据中不包含的风暴体,则所述待识别区域中未发生暴雨;
步骤S27,若所述第一结果、所述第二结果和所述第三结果中目标结果的数量小于所述预设阈值,则确定所述风暴体未发生暴雨。
在本发明实施例中,首先读入当前多普勒雷达基数据,通过风暴体检测识别当前多普勒雷达基数据中的风暴体,如果未能识别到具体的风暴体,则认为该当前多普勒雷达基数据上没有发生暴雨的情况;如果通过风暴体检测能够识别到风暴体,那么将其输入到暴雨识别模型中进行鉴别。
具体的,分别将风暴体的属性信息输入暴雨识别模型的卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络,分别得到第一结果、第二结果和第三结果,并根据第一结果、第二结果和第三结果确定风暴体是否发生暴雨。
一般情况下,如果第一结果、第二结果和第三结果中有两个及以上结果为1,则结果为1,表示多模型最后输出识别投票结果为1,即发生暴雨;
如果第一结果、第二结果和第三结果中仅有1个结果为1,则结果为0,表示多模型最后输出识别投票结果为0,即不发生暴雨;
如果第一结果、第二结果和第三结果中结果均为0,则结果为0,表示多模型最后输出识别投票结果为0,即不发生暴雨。
其中,1表示结果为风暴体发生暴雨,0表示风暴体未发生暴雨。
本发明涉及计算机人工智能技术与大气科学交叉领域,提出一种以深度学习卷积神经网络为模型,通过对风暴体的检测,从而对暴雨的自动识别方法。首先生成基于多普勒雷达基数据的风暴体的单体数据集,将风暴体的单体数据集与地面观测数据对应,构建数据集,将数据集作为网多模型融合卷积网络的输入对多模型融合卷积网络进行训练;通过设计基于多分类的深度学习网络结构、多模型融合优化,实现对暴雨(强降水)天气的智能识别。
实施例二:
本发明实施例还提供了一种基于多模型融合卷积网络的暴雨识别装置,该基于多模型融合卷积网络的暴雨识别装置用于执行本发明实施例上述内容所提供的基于多模型融合卷积网络的暴雨识别方法,以下是本发明实施例提供的基于多模型融合卷积网络的暴雨识别装置的具体介绍。
如图3所示,图3为上述基于多模型融合卷积网络的暴雨识别装置的示意图,该基于多模型融合卷积网络的暴雨识别装置包括:获取单元10,构建单元20,训练单元30和识别单元40。
所述获取单元10,用于获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;
所述构建单元20,用于获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;
所述训练单元30,用于将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到所述暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;
所述识别单元40,用于在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨。
在本发明实施例中,通过获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到所述暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨,本发明实施例通过基于多分类的深度学习网络结构、多模型融合优化,达到了对暴雨天气的智能识别的目的,进而解决了现有的暴雨识别方法的识别准确率较低的技术问题,从而实现了提高暴雨识别准确率的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图4,本发明实施例还提供一种电子设备100,包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种基于多模型融合卷积网络的暴雨识别方法,其特征在于,包括:
获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;
获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;
将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;
在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨;
其中,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨,包括:
基于所述当前多普勒雷达基数据,确定出所述当前多普勒雷达基数据中包含的风暴体的属性信息;
将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的卷积神经网络,得到第一结果;
将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的Stacking算法网络,得到第二结果;
将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的包含Stacking算法的卷积神经网络,得到第三结果,其中,所述第一结果、所述第二结果和所述第三结果均表征所述风暴体是否发生暴雨;
若所述第一结果、所述第二结果和所述第三结果中目标结果的数量大于或等于预设阈值,则确定所述风暴体发生暴雨,所述目标结果为表征所述风暴体发生暴雨的结果。
2.根据权利要求1所述的方法,其特征在于,
所述特征信息包括:垂直累积液态含水量、风暴顶高、45dBz所在高度、最大反射率因子所在高度和风暴的最大反射率。
3.根据权利要求1所述的方法,其特征在于,基于所述样本多普勒雷达基数据确定出所述待识别区域中包含的风暴体的属性信息,包括:
基于所述样本多普勒雷达基数据,计算出多普勒雷达各个仰角的基本反射率;
基于所述基本反射率和风暴体识别算法,确定出所述第一位置信息;
基于所述基本反射率,确定出所述第一时间信息和所述属性信息。
4.根据权利要求3所述的方法,其特征在于,
所述风暴体识别算法包括单体质心算法和区域扩散算法。
5.根据权利要求1所述的方法,其特征在于,基于所述观测数据和所述属性信息,构建数据集,包括:
基于所述观测数据和所述属性信息,得到目标结果,其中,所述目标结果用于表征所述风暴体是否发生暴雨;
基于所述属性信息和所述目标结果,构建所述数据集。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若基于所述当前多普勒雷达基数据,确定出所述当前多普勒雷达基数据中不包含的风暴体,则所述待识别区域中未发生暴雨;
若所述第一结果、所述第二结果和所述第三结果中目标结果的数量小于所述预设阈值,则确定所述风暴体未发生暴雨。
7.一种基于多模型融合卷积网络的暴雨识别装置,其特征在于,包括:获取单元,构建单元,训练单元和识别单元,其中,
所述获取单元,用于获取待识别区域的样本多普勒雷达基数据,并基于所述样本多普勒雷达基数据确定出所述样本多普勒雷达基数据中包含的风暴体的属性信息,其中,所述属性信息包括:第一位置信息,第一时间信息和特征信息;
所述构建单元,用于获取地面观测站点发送的待识别区域的观测数据,并基于所述观测数据和所述属性信息,构建数据集,其中,所述观测数据包括待识别区域中包含的暴雨的位置信息和暴雨的时间信息;
所述训练单元,用于将所述数据集输入多模型融合卷积网络,对多模型融合卷积网络进行训练和优化,得到暴雨识别模型,其中,所述多模型融合卷积网络为基于卷积神经网络、Stacking算法网络和包含Stacking算法的卷积神经网络构建的卷积网络;
所述识别单元,用于在获取到所述待识别区域的当前多普勒雷达基数据,利用所述当前多普勒雷达基数据和所述暴雨识别模型,确定出所述待识别区域中是否发生暴雨;
其中,所述识别单元,用于:
基于所述当前多普勒雷达基数据,确定出所述当前多普勒雷达基数据中包含的风暴体的属性信息;
将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的卷积神经网络,得到第一结果;
将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的Stacking算法网络,得到第二结果;
将所述当前多普勒雷达基数据中包含的风暴体的属性信息输入所述暴雨识别模型的包含Stacking算法的卷积神经网络,得到第三结果,其中,所述第一结果、所述第二结果和所述第三结果均表征所述风暴体是否发生暴雨;
若所述第一结果、所述第二结果和所述第三结果中目标结果的数量大于或等于预设阈值,则确定所述风暴体发生暴雨,所述目标结果为表征所述风暴体发生暴雨的结果。
8.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至6任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
9.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046042.3A CN114067214B (zh) | 2022-01-17 | 2022-01-17 | 一种基于多模型融合卷积网络的暴雨识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210046042.3A CN114067214B (zh) | 2022-01-17 | 2022-01-17 | 一种基于多模型融合卷积网络的暴雨识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067214A CN114067214A (zh) | 2022-02-18 |
CN114067214B true CN114067214B (zh) | 2022-05-13 |
Family
ID=80230943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210046042.3A Active CN114067214B (zh) | 2022-01-17 | 2022-01-17 | 一种基于多模型融合卷积网络的暴雨识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067214B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386294B (zh) * | 2022-03-23 | 2022-07-19 | 北京弘象科技有限公司 | 一种台风环境模型生成方法和装置 |
CN114488070B (zh) * | 2022-04-08 | 2022-07-19 | 北京弘象科技有限公司 | 一种基于深度学习模型的雷达回波外推方法和装置 |
CN114966902A (zh) * | 2022-05-16 | 2022-08-30 | 哈尔滨工业大学 | 一种基于神经网络的降雨量自动估测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021130512A1 (en) * | 2019-12-23 | 2021-07-01 | Total Se | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data |
CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765559B (zh) * | 2019-02-02 | 2019-11-05 | 中国水利水电科学研究院 | 一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法 |
CN110135654B (zh) * | 2019-05-24 | 2021-08-27 | 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 |
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 |
-
2022
- 2022-01-17 CN CN202210046042.3A patent/CN114067214B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021130512A1 (en) * | 2019-12-23 | 2021-07-01 | Total Se | Device and method for predicting values of porosity lithofacies and permeability in a studied carbonate reservoir based on seismic data |
CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114067214A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114067214B (zh) | 一种基于多模型融合卷积网络的暴雨识别方法和装置 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN111104906A (zh) | 一种基于yolo的输电塔鸟巢故障检测方法 | |
CN110728411B (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN110333554B (zh) | Nriet暴雨智能相似分析方法 | |
KR102328734B1 (ko) | 이미지를 분석하기 위해, 딥러닝 네트워크에 이용하기 위한 트레이닝 이미지에 대한 라벨링 신뢰도를 자동으로 평가하기 위한 방법 및 이를 이용한 신뢰도 평가 장치 | |
CN111612002A (zh) | 一种基于神经网络的多目标物体运动追踪方法 | |
CN115223063B (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
CN112541372B (zh) | 一种困难样本筛选方法及装置 | |
CN114078213A (zh) | 一种基于生成对抗网络的农田轮廓检测方法和装置 | |
CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
CN115598738A (zh) | 一种冰雹预警方法和装置 | |
CN113239864A (zh) | 一种适用于农业调查的无人机的路线规划方法 | |
CN115909096A (zh) | 无人机巡航管道隐患分析方法、装置及系统 | |
CN114549970A (zh) | 融合全局细粒度信息的夜间小目标果实检测方法及系统 | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN110636248B (zh) | 目标跟踪方法与装置 | |
CN113536946A (zh) | 一种基于摄像头关系的自监督行人重识别方法 | |
CN116704366A (zh) | 基于transformer深度学习模型的暴雨落区识别预警方法和装置 | |
KR102286178B1 (ko) | 정밀도로지도 품질평가 점수 생성 및 배포 시스템 | |
CN115236676B (zh) | 一种基于滑动时空匹配的冰雹数据集生成方法和装置 | |
CN112966762A (zh) | 一种野生动物检测方法、装置、存储介质及电子设备 | |
CN113361405A (zh) | 一种基于yolo v3的亚洲象识别方法及系统 |
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 |