CN114355482A - 基于光流和气象数值预报的强对流天气识别方法及系统 - Google Patents
基于光流和气象数值预报的强对流天气识别方法及系统 Download PDFInfo
- Publication number
- CN114355482A CN114355482A CN202210002182.0A CN202210002182A CN114355482A CN 114355482 A CN114355482 A CN 114355482A CN 202210002182 A CN202210002182 A CN 202210002182A CN 114355482 A CN114355482 A CN 114355482A
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- optical flow
- nwp
- strong convection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000009795 derivation Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 239000007788 liquid Substances 0.000 claims description 13
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000033001 locomotion Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012950 reanalysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000005436 troposphere Substances 0.000 description 2
- 230000009012 visual motion Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于光流和气象数值预报的强对流天气识别方法及系统，其中方法主要体现在计算光流，搭建模型并训练模型，所述模型包括NWP stream模块和Optical flow模块，在训练器中输入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据，其中光流数据的计算方法为：在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的数据集文件，基于这两个文件所对应的计算光流的函数，计算出对应的光流数据，NWP数据输入NWP stream模块的分支，光流数据输入Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算，同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果。本发明可以实现强对流天气的细粒度分类。
Description
技术领域
本发明涉及气象技术领域，具体的说，涉及一种基于光流和气象数值预报 的强对流天气识别方法及系统。
背景技术
自从人类诞生以来，天气就影响着人们的日常生活。天气塑造了各种大气 事件，并对农业、交通、旅游、航空等现实生产生活系统产生重大影响，在众 多大气事件中强对流天气对人类社会的影响最大，强对流天气是空气强烈垂直 运动而导致出的天气现象，强对流天气(SCW)通常包括暴风雨、闪电、冰雹、 对流阵风、短时强降雨、龙卷风，其对世界大部分地区的生命和财产构成严重 威胁。由于小尺度的对流系统快速变化并与环境进行复杂的相互作用，预测强 对流天气的具体类别仍然是当今业务气象领域下的一个具有挑战性且有重大意 义的问题。强对流天气的物理特征包含位势高度(Geopotential)、温度(Temperature)、风的u分量(U-wind)、风的v分量(V-wind)、相对湿度(Relativehumidity)、比湿(Specific humidity)、垂直速度(Vertical velocity)、涡度(Vorticity)、 势涡度(Potential vorticity)、比云液态含水量(Specific cloud liquidwater content) 等。
目前，中国气象局国家气象中心(NMC)利用基于成分(IB)的预测方法发布 主观强对流天气预测，该方法首先由Doswell等人于1996年提出[1]。然后在 中国进一步发展IB方法确定了SCW事件的基本成分，其中通常包括相对独立 的气象变量或参数，如潜在的不稳定性、大气湿度、提升指数、垂直风切变等。 不同的天气情况需要对流环境的热力学和动力学参数，这些参数是由气象学家 根据他们对SCW的经验和知识主观确定的。这些成分可以为气象预报员/气象 学家提供一个清晰的天气情况。对主观预测的评价表明，IB方法相当有效。然 而，在应用这种方法时仍然有一些局限性。首先，由于中国地形极其复杂，不 同地区的气候特征似乎有显著差异。因此，各种天气条件，如冷锋和东波，可 能导致对流风暴。因此，利用不同成分变量的统一阈值，很难实现对中国不同 地区强对流的准确预测。其次，随着数值天气预报(NWP)和气象观测网络的快 速发展，近年来可用的气象信息的数量激增。气象学家在没有超算的情况下几 乎没有能力从大量数据中发现和合成有用和有价值的信息。与主观提取的因素 相比，机器学习方法不太依赖于用户的经验和知识。使用传统的机器学习算法 已经进行了许多尝试，如人工神经网络(ANN)、支持向量机(SVM)和随机森林 (RF)来进行天气预测。Manzato(2005)和Chaudhuri(2010)利用从大气探测 数据中得出的指数开发了一种基于ANN的短期雷暴和降雨预报工具，可应用 于不同地区。他们的结果表明，神经网络可以是一种进行多元数据分析的强大 的统计方法。机器学习算法也应用于冰雹预测，龙卷风预测和探测，破坏性风 预测，极端降水预测和雷暴天气预报，这些研究的结果都令人鼓舞。
深度神经网络(DNN)是具有多层的神经网络，在输入层和输出层之间增加 多个隐藏层与传统的ANN算法和SVM算法类似，DNN可以模拟复杂的非线 性系统。此外，与传统算法相比，DNN已经被证明在使用更深层提取高级特征 方面具有更好的性能。DNN在计算机视觉领域有广泛的应用，人脸识别和医学 诊断。它产生的结果可与人类专家产生的结果相当，且在某些情况下也优于人 类专家.深度学习在气象学中已经有了一些初步的应用。例如，采用深度学习算 法从雷达回波时空序列中捕获时空相关性，获得外推向量，然后进一步用于预 测雷达回波的发展和运动。特别是，克莱因等人创建了一个动态卷积层，石等 人创建了一个卷积长期短期记忆(ConvLSTM)网络，Wang等人创建了一个预测 递归神经网络(PredRNN)。对预测的评估表明，深度学习解决方案可以比光流 法等传统算法提供更好的预测。张等人表明，在多源气象数据可用时，通过深 度学习框架可以同时更好地预测对流风暴的启动、增长和平流。在他们的研究 中，建立了一个五层卷积神经网络(CNN)来从雷达中提取变分多普勒雷达分析 系统(VDRAS)创建的再分析数据。实验结果表明，深度学习方法比传统的外推 方法具有更好的性能。Gope等人利用堆叠自动编码器(SAE)创建了一个基于历 史气候数据的风暴预测模型。该模型是DNN模型的一种类型，并成功地预测 了孟买和加尔各答提前6-48小时的暴雨，假警报比传统方法少。
复杂的物理过程和动态特征经常涉及到小时空尺度的对流系统中。因此， 为了提高对SCW的预测，必须了解它们在各种条件下发生和发展的机制，充 分自动提取各种类型SCW的对流特征，并综合考虑其地理环境和气候背景。
发明内容
本发明旨在解决强对流天气识别分类问题，提供了基于光流和气象数值预 报的强对流天气识别方法及系统，可有效解决上述方法所具有的弊端，为后续 的强对流天气识别领域研究提供新的思路与方法。
本发明的具体技术方案如下：
根据本发明的第一技术方案，提供了一种基于光流和气象数值预报的强对 流天气识别方法，包括以下步骤：
获取目标时间段的气象参数文件；
获取并筛选出强对流天气的历史记录；
提取并融合数据，制作数据集；
计算光流，搭建模型并训练模型：所述模型包括NWP stream模块和Optical flow模块，通过预设的batch size划分数据集，设定epoch次数，在训练器中输 入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据， 其中光流数据的计算方法为：在数据集中根据样本数据的时间戳向前查找上一 个时间戳所对应的数据集文件，基于这两个文件所对应的计算光流的函数，计 算出对应的光流数据，NWP数据输入NWP stream模块的分支，光流数据输入 Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算， 同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果；
强对流天气的具体类别的预测，包括：将最新一次观测强对流天气的数据 连同先前的历史数据输入模型，得出预测结果。
根据本发明的第二技术方案，提供了一种基于光流和气象数值预报的强对 流天气识别系统，包括处理器，所述处理器被配置为：
获取目标时间段的气象参数文件；
获取并筛选出强对流天气的历史记录；
提取并融合数据，制作数据集；
计算光流，搭建模型并训练模型，所述模型包括NWP stream模块和Optical flow模块，通过预设的batch size划分数据集，设定epoch次数，在训练器中输 入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据， 其中光流数据的计算方法为：在数据集中根据样本数据的时间戳向前查找上一 个时间戳所对应的数据集文件，基于这两个文件所对应的计算光流的函数，计 算出对应的光流数据，NWP数据输入NWP stream模块的分支，光流数据输入 Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算， 同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果；
将最新一次观测强对流天气的数据连同先前的历史数据输入模型，得出预 测结果。
有益效果在于：
根据本发明提供的基于光流和气象数值预报的强对流天气识别方法及系统， 可用于气象领域的低类别差异性细粒度分类问题。使用NWP预报数据，引入 光流法用来提取大气流动的方向与强度并自动提取各种类型SCW的对流特征， 训练本发明所提出的分支并行卷积神经网络可以实现强对流天气的细粒度分类。
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。在所有附 图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分 并不一定按照实际的比例绘制。
图1为根据本发明实施例的一种基于光流和气象数值预报的强对流天气识 别方法的流程图；
图2为根据本发明实施例的适用于强对流天气的物理特征图；
图3a为根据本发明实施例的部分气象参数展示图。
图3b为根据本发明实施例的部分气象参数展示图。
图3c为根据本发明实施例的部分气象参数展示图。
图3d为根据本发明实施例的部分气象参数展示图。
图3e为根据本发明实施例的部分气象参数展示图。
图4为根据本发明实施例的不同强对流天气的分布情况图。
图5为根据本发明实施例的基于光流和气象数值预报的强对流天气识别系 统的硬件图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描 述的实施例仅仅是本发明的一部分实施例，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。
需要说明的是，本发明实施例中所有方向性指示(诸如上、下、左、右、 前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对 位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应 地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而 不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。 由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特 征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非 另有明确具体的限定。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例 仅用以解释本发明，并不用于限定发明。
现在结合说明书附图对本发明做进一步的说明。
图1示出了根据本发明实施例的一种基于光流和气象数值预报的强对流天 气识别方法的流程图。如图1所示，本发明实施例提供了一种基于光流和气象 数值预报的强对流天气识别方法，该方法始于步骤S100，获取目标时间段的气 象参数文件。可以理解的，气象参数文件是由若干气象参数组成的。注意，本 文中所述的气象参考可以是任一格式，具体以实际需要进行选择。例如，可以 是netCDF格式或GRIB2格式或MICAPS4格式等等。本发明实施例对此不作 具体限制。
在一些实施例中，基于历史数据库，以预设周期获取若干气象参数，作为 气象参数文件；其中，所述气象参数包括不同气压高度下的位势高度、温度、 水平方向的风速分量、垂直方向的风速分量、相对湿度、比湿、垂直速度、涡 度、势涡度、比云液态含水量。
示例性的，本发明实施例所用的为ECMWF所提供的ERA5数据，ERA5 是过去4到7个10年全球气候和天气的第五代ECMWF再分析数据。目前的 数据是从1950年开始的，分为1950-1978年和1979年以后的气候数据存储条 目。ERA5取代了ERA-Interim再分析数据。ERA5提供大量大气、海浪和地表 量的每小时估算值。为方便起见，已经预先计算了整体均值和散布。其基本产 品包括：位势高度(Geopotential)、温度(Temperature)、风的u分量(U-wind)、 风的v分量(V-wind)、相对湿度(Relativehumidity)、比湿(Specifichumidity)、 垂直速度(Verticalvelocity)、涡度(Vorticity)、势涡度(Potentialvorticity)、 比云液态含水量(Specificcloudliquidwatercontent)等。
其中，位势高度(Geopotential)参数是单位质量在特定位置相对于平均海 平面的重力势能。这也是克服重力将单位质量从平均海平面提升到该位置所必 须完成的工作量。位势高度可以通过将位势除以地球的重力加速度 g(＝9.80665m/s-2)来计算。位势高度在天气气象学(天气模式分析)中起着重要 作用。在恒定压力水平(例如300、500或850hPa)绘制的位势高度图可用于 识别天气系统，例如气旋、反气旋、槽和脊。在地球表面，该参数显示地表的 位势(高度)的变化，通常被称为地形。
势涡度(Potentialvorticity)是空气在大气中旋转的能力的量度。如果我们 忽略加热和摩擦的影响，则在气团之后势涡度是守恒的。它用于寻找可能发生 和发展大风暴的地方。潜在涡度在对流层顶上方强烈增加，因此，它也可用于 与平流层和平流层-对流层交换有关的研究。当大气中的空气柱开始旋转时，就 会形成大风暴。势涡度是根据大气中空气柱的风、温度和压力计算得出的。
相对湿度(Relativehumidity)，该参数是水蒸气压力占空气饱和值的百分 比(水蒸气开始凝结成液态水或沉积成冰的点)。对于超过0℃(273.15K)的温 度，计算水的饱和度。在低于-23℃的温度下，计算冰上的饱和度。在-23℃ 和0℃之间，此参数是通过使用二次函数在冰值和水值之间进行插值来计算 的。
比湿(Specifichumidity)，该参数是每千克湿空气中的水蒸气质量。湿空 气的总质量是干空气、水蒸气、云液、云冰、雨和降雪的总和。
垂直速度(Verticalvelocity)，该参数是向上或向下方向的空气运动速度。ECMWF综合预报系统(IFS)使用基于压力的垂直坐标系，压力随高度降低，因 此垂直速度的负值表示向上运动。垂直速度对于了解大气的大规模动态非常有 用，包括向上运动/上升(负值)和向下运动/下沉(正值)的区域。
涡度(Vorticity)，该参数是空气在水平方向上围绕垂直轴相对于地球表 面固定点旋转的量度。在天气系统的尺度上，低谷(可能包括降雨的天气特征) 与逆时针旋转(在北半球)相关，而脊(带来轻微或静止风的天气特征)与顺 时针旋转相关。将地球自转的影响，即科里奥利参数，添加到相对涡度中会产 生绝对涡度。
比云液态含水量(Specificcloudliquidwatercontent)，由雨滴大小的大尺度 云产生的大量水，因此可以作为降水落到地表。ECMWF综合预报系统(IFS)中 的云方案生成了大规模云。云图表示由于IFS在网格框或更大的空间尺度上直 接预测的大气量(如压力、温度和湿度)的变化而导致的云和大尺度降水的形 成和消散。该数量以每千克湿空气总质量的千克数表示。“潮湿空气的总质量” 是干燥空气、水蒸气、云液、云冰、雨和降雪的总和。此参数表示网格框的平 均值。云包含不同大小的水滴和冰粒的连续体。IFS云方案将其简化为表示许 多离散的云滴/粒子，包括云水滴、雨滴、冰晶和雪(聚合冰晶)。在IFS中， 液滴形成、相变和聚集的过程也得到了高度简化。
图2示出了根据本发明实施例的适用于强对流天气的物理特征图。如图2 所示，在在获取到netCDF格式存储的数据后进行读取并进行数据可视化，将 时间戳转化为以公元纪年的表示方式，读取某一具体时间轴下对应地理范围内 某一维度的物理参数，并用pyplot.colorbar展示出彩图。彩图如图3a-图3e所 示。
在步骤S200，获取筛选出强对流天气的历史记录。
在一些实施例中，筛选出的强对流天气的历史记录包括ID号、事件发生时 间、修订时间、精度、纬度、强对流的天气类别。
其中，所述强对流的天气类别包括大风、破坏性闪电、冰雹、台风、大雪。
示例性的，本发明实施例所选取的历史记录为ESDW所提供的发生在法国 境内的强对流天气的详细历史记录，具体包括以下基本数据项，ID号、事件发 生时间、修订时间、精度、纬度、强对流的具体天气类别。如图4所示，本发 明实施例筛选了2016-2018年在法国经常发生的强对流天气：大风、降雨、冰 雹、台风、闪电，并统计出它们的发生次数。
本发明实施例中，按年度或具体的类别筛选出有效的强对流天气的历史记 录制作成对应的CSV文件，方便下一步操作。
在步骤S300，提取并融合数据，制作数据集.
本发明实施例为了保证所获取的数据集的正样本和负样本分布均匀，分别 提取强对流天气数据和提取普通天气数据。
具体说来，提取强对流天气数据和提取普通天气数据；其中，强对流天气 数据根据所述强对流天气的历史记录在所述气象参数文件中定位到该强对流事 件所对应发生时段的所有天气参数，并根据该事件的经纬度坐标运用点扩散方 法，将该点向外扩散形成第一经纬范围，基于所述第一经纬范围在气象参数文 件中剪裁出对应的气象参数，作为所述数据集的正样本；
普通天气数据根据普通天气的历史记录在所述气象参数文件中定位到该普 通事件所对应发生时段的所有天气参数，并根据该普通事件随机选择一个与所 述第一经纬范围一样大的第二经纬范围，基于所述第二经纬范围在所述气象参 数文件中剪裁出对应的气象参数，作为所述数据集的负样本。
在一些实施例中，所述第一经纬范围和所述第二经纬范围的大小可以为 1.75°×1.75°。当然，本发明实施例仅仅是对经纬范围进行举例，对具体范围大 小不作限定。
在选择1.75°×1.75°的情况下，从步骤S200中提供的CSV数据中取出一条 数据，根据发生事件定位到相邻的两个时间戳，也就是将一次强对流事件用前 后间隔一小时的两次观测数据表示，然后根据发生事件的经纬坐标，以此为中 心，向外扩散形成1.75°×1.75°的经纬范围，换算成张量就是7×7的特征图， 在参数文件中根据选取的预测数据，将多维特征图叠加在一起(stack)形成 7×7×144的张量。
在步骤S400，计算光流，搭建模型并训练模型。
强对流的预测可以看作是一个具有二元分类的分类任务。为此，本发明实 施例构造了一个用于分类的深度学习网络。在各种深度学习网络中，CNN是一 种深度和前馈的人工神经网络，已成功地应用于许多领域，特别是图像和视频 识别领域。CNN算法可以有效地提取二维(2D)特征，减少模型参数的数量，并 利用接受场和权重共享加快训练速度。我们构建了二分类的深度二维CNN分 类模型，并训练它们来预测暴风雨、闪电、冰雹、对流阵风、短时强降雨、龙 卷风。
本发明实施例中的CNN由卷积层、全连通层和Softmax分类器组成。二维 CNN的输入需要一个高度×宽度×通道数格式的三维张量(通道对应于预测 器)。由于为每个样本选择了144个预测器，所以输入可以是一个尺寸为7×7 ×144的三维张量如上所述，这些预测因素代表了有利于SCW事件的环境条件。 本模型由两个并行的CNN组成，输入的尺寸都是7×7×144的三维张量，最 终将两个结果做矩阵叠加输入到Softmax分类器得到结果。
光流指的是视频图像的一帧中的代表同一对象(物体)像素点移动到下一帧 的移动量，使用二维向量表示。或者说，对第一帧图片里面的每个像素，计算 出第二帧图片里面的哪个像素与其对应，即在前后两帧图片的像素之间找一个 对应关系。
稠密光流描述图像每个像素向下一帧运动的光流，为了方便表示，使用颜 色表示光流的方向，亮度表示光流的大小。物体和观察者的相对运动产生了光 流。物体在运动时，它在图像上对应点的亮度模式也在运动，光流即是时变图 像中模式运动速度。光流可以直观地理解为三维空间中的物体的运动映射到图 像上像素的瞬时速度。图像序列光流计算就是利用图像序列中像素强度信息在 时间上的变化以及它们之间存在的可能关系来确定各个像素位置的运动情况。 光流不仅包括了物体运动的信息还能描述有关景物的结构信息，对光流的研究 是计算机视觉运动分析的重要方法。
光流是一种高层次的视觉表述，光流场携带了有关物体运动和三维结构的 丰富信息，可以用于运动目标检测、恢复目标的运动与结构信息、目标分割以 及运动补偿编码等，因此对光流场的研究一直被视为是解决视觉运动分析的有 效途径之一。光流法已经成为对视频图像序列中物体运动估计的主要技术。可 用于虚拟现实、智能监控、人机交互、视频检索、医疗诊断，无人驾驶，机器 人导航，机器臂分拣，医学辅助诊断等。但由于其一些理论基础不完备，在实 际计算中仍存在很多问题，使得其广泛的应用推广受到一定阻碍。国内外的学 者针对这些问题提出了大量的改进方法和策略。
本专利计算光流的公式如下所示，可以用OpenCV所提供的calcOpticalFlowPyrLK()方法即通过金字塔Lucas-Kanade光流方法计算某些点 集的光流(稀疏光流)，实现两次NWP数据到光流数据的转换。
T(x)＝I(W(x；p))
其中，I表示被匹配的图像，T表示模板图像。W表示关于X和P的一个 函数。
本发明还可以通过最小化L2正则化的交叉熵损失函数来优化此网络，并 使用ADAM优化算法来优化参数这是一种基于一阶梯度的优化算法，随机初始 化目标函数，它跟踪梯度的第一、二阶矩，我们将学习率设为0.0001，其他参 数均为作者使用的默认值，经过300次epoch训练，此网络的预测结果明显优 于传统的逻辑回归、决策树、随机森林算法。
最后，在步骤S500，强对流天气的具体类别的预测。
具体说来，在最佳预测模型建立后，保存网络的结构和权重数据，按照本 申请所提出的训练-预测流程(见图四)，将最新一次观测强对流天气的数据 (M*7*7*144，M为预测样本的数量)连同先前的历史数据输入模型，再次经 过5层的卷积层，两条并行分支再次汇集在Softmax分类器得出预测结果。
深度CNN训练是计算密集型的。与通常少量的逻辑CPU(中央处理单元) 相比，CNN训练中使用的GPU(图形处理单元)是一个巨大的计算矩阵，有 数千个的计算核。GPU能够支持并行计算，这对深度学习至关重要，因为它大 大加速了训练过程。NVIDIA CUDA(计算统一设备体系结构)库和NVIDIA GeForce 2080Ti图形芯片被用于我们的训练和预测过程中。测试表明，中国大 陆0.25°×0.25°分辨率的0-72小时预测(间隔6小时)可用6min完成， 使预测切实可行。
图5示出了根据本发明实施例的基于光流和气象数值预报的强对流天气识 别系统的硬件图。如图5所示，本发明实施例还提供了一种基于光流和气象数 值预报的强对流天气识别系统。该系统600包括处理器601，所述处理器601 被配置为：获取目标时间段的气象参数文件；获取并筛选出强对流天气的历史 记录；提取并融合数据，制作数据集；计算光流，搭建模型并训练模型，所述 模型包括NWP stream模块和Optical flow模块，通过预设的batch size划分数 据集，设定epoch次数，在训练器中输入的一次训练数据包含一个7×7×144 的NWP数据以及这份数据所对应的7×7×144光流数据，其中光流数据的计 算方法为：在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的 数据集文件，基于这两个文件所对应的计算光流的函数，计算出对应的光流数 据，NWP数据(需经过标准化)输入NWP stream模块的分支，光流数据输入 Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算， 同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果；将 最新一次观测强对流天气的数据连同先前的历史数据输入模型，得出预测结果。
处理器601可以是包括一个以上通用处理设备的处理设备，诸如微处理器、 中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，处理器601可 以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、 超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组 合的处理器。处理器601还可以是一个以上专用处理设备，诸如专用集成电路 (ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系 统(SoC)等。
在一些实施例中，所述处理器701还可以被进一步配置为：提取强对流天 气数据和提取普通天气数据；其中，强对流天气数据根据所述强对流天气的历 史记录在所述气象参数文件中定位到该强对流事件所对应发生时段的所有天气 参数，并根据该事件的经纬度坐标运用点扩散方法，将该点向外扩散形成第一 经纬范围，基于所述第一经纬范围在气象参数文件中剪裁出对应的气象参数， 作为所述数据集的正样本；普通天气数据根据普通天气的历史记录在所述气象 参数文件中定位到该普通事件所对应发生时段的所有天气参数，并根据该普通 事件随机选择一个与所述第一经纬范围一样大的第二经纬范围，基于所述第二 经纬范围在所述气象参数文件中剪裁出对应的气象参数，作为所述数据集的负 样本。
在一些实施例中，所述第一经纬范围的大小为1.75°×1.75°。
在一些实施例中，基于历史数据库，以预设周期获取若干气象参数，作为 气象参数文件；其中，所述气象参数包括不同气压高度下的位势高度、温度、 水平方向的风速分量、垂直方向的风速分量、相对湿度、比湿、垂直速度、涡 度、势涡度、比云液态含水量。
在一些实施例中，筛选出的强对流天气的历史记录包括ID号、事件发生时 间、修订时间、精度、纬度、强对流的天气类别。
在一些实施例中，所述强对流的天气类别包括大风、破坏性闪电、冰雹、 台风、大雪。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前 述各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：其 依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全 部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质 脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明 书的范围当中。
Claims (10)
1.基于光流和气象数值预报的强对流天气识别方法，其特征在于，包括以下步骤：
获取目标时间段的气象参数文件；
获取并筛选出强对流天气的历史记录；
提取并融合数据，制作数据集；
计算光流，搭建模型并训练模型：所述模型包括NWP stream模块和Optical flow模块，通过预设的batch size划分数据集，设定epoch次数，在训练器中输入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据，其中光流数据的计算方法为：在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的数据集文件，基于这两个文件所对应的计算光流的函数，计算出对应的光流数据，NWP数据输入NWP stream模块的分支，光流数据输入Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算，同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果；
强对流天气的具体类别的预测，包括：将最新一次观测强对流天气的数据连同先前的历史数据输入模型，得出预测结果。
2.按照权利要求1所述的方法，其特征在于，所述提取并融合数据，制作数据集，包括以下步骤：
提取强对流天气数据和提取普通天气数据；其中，强对流天气数据根据所述强对流天气的历史记录在所述气象参数文件中定位到该强对流事件所对应发生时段的所有天气参数，并根据该事件的经纬度坐标运用点扩散方法，将该点向外扩散形成第一经纬范围，基于所述第一经纬范围在气象参数文件中剪裁出对应的气象参数，作为所述数据集的正样本；
普通天气数据根据普通天气的历史记录在所述气象参数文件中定位到该普通事件所对应发生时段的所有天气参数，并根据该普通事件随机选择一个与所述第一经纬范围一样大的第二经纬范围，基于所述第二经纬范围在所述气象参数文件中剪裁出对应的气象参数，作为所述数据集的负样本。
3.按照权利要求2所述的方法，其特征在于，所述第一经纬范围的大小为1.75°×1.75°。
4.按照权利要求1所述的方法，其特征在于，所述获取目标时间段的气象参数文件，包括以下步骤：
基于历史数据库，以预设周期获取若干气象参数，作为气象参数文件；
其中，所述气象参数包括不同气压高度下的位势高度、温度、水平方向的风速分量、垂直方向的风速分量、相对湿度、比湿、垂直速度、涡度、势涡度、比云液态含水量。
5.按照权利要求1所述的方法，其特征在于，筛选出的强对流天气的历史记录包括ID号、事件发生时间、修订时间、精度、纬度、强对流的天气类别。
6.基于光流和气象数值预报的强对流天气识别系统，其特征在于，包括处理器，所述处理器被配置为：
获取目标时间段的气象参数文件；
获取并筛选出强对流天气的历史记录；
提取并融合数据，制作数据集；
计算光流，搭建模型并训练模型，所述模型包括NWP stream模块和Optical flow模块，通过预设的batch size划分数据集，设定epoch次数，在训练器中输入的一次训练数据包含一个NWP数据以及所述NWP数据所对应的光流数据，其中光流数据的计算方法为：在数据集中根据样本数据的时间戳向前查找上一个时间戳所对应的数据集文件，基于这两个文件所对应的计算光流的函数，计算出对应的光流数据，NWP数据输入NWP stream模块的分支，光流数据输入Optical Flow模块的分支，所述NWP数据以及所述光流数据同时进行卷积运算，同时进行求导，在模型最后进行矩阵相加，输入SoftMax层得出最终结果；
将最新一次观测强对流天气的数据连同先前的历史数据输入模型，得出预测结果。
7.按照权利要求6所述的系统，其特征在于，所述处理器被配置为：
提取强对流天气数据和提取普通天气数据；其中，强对流天气数据根据所述强对流天气的历史记录在所述气象参数文件中定位到该强对流事件所对应发生时段的所有天气参数，并根据该事件的经纬度坐标运用点扩散方法，将该点向外扩散形成第一经纬范围，基于所述第一经纬范围在气象参数文件中剪裁出对应的气象参数，作为所述数据集的正样本；
普通天气数据根据普通天气的历史记录在所述气象参数文件中定位到该普通事件所对应发生时段的所有天气参数，并根据该普通事件随机选择一个与所述第一经纬范围一样大的第二经纬范围，基于所述第二经纬范围在所述气象参数文件中剪裁出对应的气象参数，作为所述数据集的负样本。
8.按照权利要求7所述的系统，其特征在于，所述第一经纬范围的大小为1.75°×1.75°。
9.按照权利要求8所述的系统，其特征在于，所述处理器被配置为：
基于历史数据库，以预设周期获取若干气象参数，作为气象参数文件；
其中，所述气象参数包括不同气压高度下的位势高度、温度、水平方向的风速分量、垂直方向的风速分量、相对湿度、比湿、垂直速度、涡度、势涡度、比云液态含水量。
10.按照权利要求6所述的系统，其特征在于，筛选出的强对流天气的历史记录包括ID号、事件发生时间、修订时间、精度、纬度、强对流的天气类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210002182.0A CN114355482B (zh) | 2022-01-04 | 2022-01-04 | 基于光流和气象数值预报的强对流天气识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210002182.0A CN114355482B (zh) | 2022-01-04 | 2022-01-04 | 基于光流和气象数值预报的强对流天气识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114355482A true CN114355482A (zh) | 2022-04-15 |
| CN114355482B CN114355482B (zh) | 2022-08-16 |
Family
ID=81105341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210002182.0A Expired - Fee Related CN114355482B (zh) | 2022-01-04 | 2022-01-04 | 基于光流和气象数值预报的强对流天气识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114355482B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
| 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 |
| CN110770610A (zh) * | 2017-05-01 | 2020-02-07 | I.M.系统集团公司 | 模拟、记录和预测对流气象的自学习即时预报系统 |
| CN112016615A (zh) * | 2020-08-27 | 2020-12-01 | 西安易辑数字科技有限公司 | 一种基于卷积神经网络学习的强对流天气识别算法 |
-
2022
- 2022-01-04 CN CN202210002182.0A patent/CN114355482B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526708A (zh) * | 2016-09-21 | 2017-03-22 | 广东奥博信息产业有限公司 | 一种基于机器学习的气象强对流天气的智能预警分析方法 |
| CN110770610A (zh) * | 2017-05-01 | 2020-02-07 | I.M.系统集团公司 | 模拟、记录和预测对流气象的自学习即时预报系统 |
| 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 |
| CN112016615A (zh) * | 2020-08-27 | 2020-12-01 | 西安易辑数字科技有限公司 | 一种基于卷积神经网络学习的强对流天气识别算法 |
Non-Patent Citations (1)
| Title |
|---|
| LEI HAN, JUANZHEN SUN,AND WEI ZHANG: "Convolutional Neural Network for Convective Storm Nowcasting Using 3-D Doppler Weather Radar Data", 《IEEE TRANSACTIONGS ON GEOSCIENCE AND REMOTE SESING》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114355482B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Forecasting different types of convective weather: A deep learning approach | |
| Lagerquist et al. | Machine learning for real-time prediction of damaging straight-line convective wind | |
| Ronda et al. | Urban finescale forecasting reveals weather conditions with unprecedented detail | |
| Goldblatt et al. | Utilizing publicly available satellite data for urban research: Mapping built-up land cover and land use in Ho Chi Minh City, Vietnam | |
| Kalyankar et al. | Data mining technique to analyse the metrological data | |
| Zeng et al. | Predictability of the loop current variation and eddy shedding process in the Gulf of Mexico using an artificial neural network approach | |
| CN112764129A (zh) | 一种雷暴短临预报方法、系统及终端 | |
| Zhou et al. | Quantitative precipitation forecast experiment based on basic NWP variables using deep learning | |
| CN109918449A (zh) | 一种基于物联网的农业灾害信息遥感提取方法及系统 | |
| CN113780585A (zh) | 一种基于卫星云图的对流云机器学习识别方法 | |
| CN114548595A (zh) | 基于注意力机制的强对流天气物理特征量预测方法及系统 | |
| Zhang et al. | Severe thunderstorm detection by visual learning using satellite images | |
| CN114154705A (zh) | 应用于降水预报的数据处理方法、装置、设备和介质 | |
| Priya et al. | Land use land cover representation through supervised machine learning methods: sensitivity on simulation of urban thunderstorms in the east coast of India | |
| CN114355482B (zh) | 基于光流和气象数值预报的强对流天气识别方法及系统 | |
| Socaci et al. | XNow: A deep learning technique for nowcasting based on radar products’ values prediction | |
| Spiridonov et al. | Weather forecast and NWP | |
| Kim et al. | Improvement in forecasting short-term tropical cyclone intensity change and their rapid intensification using deep learning | |
| Bose et al. | Simulation of atlantic hurricane tracks and features: A deep learning approach | |
| Karpatne et al. | Earth science applications of sensor data | |
| Amjad et al. | Thunderstorms Prediction Using Satellite Images | |
| Siqueira et al. | Tracking and short-term forecasting of mesoscale convective cloud clusters over southeast Brazil using satellite infrared imagery | |
| Wang et al. | Tiny-RainNet: A Deep CNN-BiLSTM Model for Short-Term Rainfall Prediction | |
| Veillette et al. | Convective initiation forecasts through the use of machine learning methods | |
| Godart et al. | Analysis of the relationship between banded orographic convection and atmospheric properties using factorial discriminant analysis and neural networks |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220816 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |