CN114365153A - 预测天气雷达图像 - Google Patents
预测天气雷达图像 Download PDFInfo
- Publication number
- CN114365153A CN114365153A CN202080063765.3A CN202080063765A CN114365153A CN 114365153 A CN114365153 A CN 114365153A CN 202080063765 A CN202080063765 A CN 202080063765A CN 114365153 A CN114365153 A CN 114365153A
- Authority
- CN
- China
- Prior art keywords
- radar image
- computer
- machine learning
- learning model
- predicted
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
- G01S13/951—Radar or analogous systems specially adapted for specific applications for meteorological use ground based
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- 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
- G01S13/953—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on aircraft
-
- 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
-
- 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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/048—Activation functions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Electromagnetism (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
通过构建第一机器学习模型以基于输入的天气预报数据生成第一预测雷达图像,以及构建第二机器学习模型以基于历史雷达图像和第一预测雷达图像生成第二预测雷达图像来预测天气雷达图像。进一步地,通过向第一机器学习模型提供位置和时间的天气预报数据并且向第二机器学习模型提供所述位置的历史雷达图像和第一机器学习模型的输出来生成增强的预测雷达图像。
Description
背景技术
本公开总体上涉及预测天气雷达回波图像。本公开尤其涉及使用深度学习和数值天气预测(Numeric Weather Prediction,NWP)模型。
天气预测可以被表征为预报(forecasting)、或临近预报(nowcasting)。预报涉及使用结合了历史数据的复杂数值模型以及物理动力学和热力学计算模型(physicaldynamic and thermodynamic calculation models)来预测未来的天气状况。临近预报通常涉及对于接下来的0-6小时时间段的天气状况预报的详细描述。
雷达临近预报(radar nowcasting)试图生成未来雷达回波图像的真实图像。真实的雷达图像为航空航路决策提供依据,并为短期、未来降水提供更高质量的预报。
雷达回波图像涉及大气中存在的水分的量。水分反射雷达信号,从而产生基于返回信号的强度的图像。降水是落到地面的水分的量。典型地,不是所有的大气水分都变成降水。将降水水平和降水率转换成雷达反射率图像的努力可能是不准确的。(从降水数据计算出的10cm等效反射率通常看起来不像与降水数据相关联的实际雷达反射率图像)。
雷达临近预报聚焦于针对接下来的0-6小时的预测,与通常的天气预报不同,雷达临近预报可对接下来的10天或更多天做出预测。雷达临近预报需要可快速处理的模型,并且还提供具有以分钟测量的时间分辨率和高空间分辨率的输出。预报通常利用跨越大时间帧并且生成具有较粗糙的空间和时间分辨率的输出的大的、计算密集的模型。
仅基于雷达的临近预报通常基于来自单个雷达位置的图像。通过相关跟踪雷达回波(TREC)计算雷达回波的连续图像之间的相关系数并且使用最大相关值来确定不同区域的运动向量。所确定的向量然后被用于预测区域的未来移动。TREC是基于图像的,不考虑天气区域元素的内部动力学的规模。
TREC的连续性(COTREC)对TREC施加向量连续性约束,其中TREC不能很好地预测风速。改进COTREC的努力增加了与云增长和衰退相关的参数。额外的努力已经向COTREC添加了降水事件的形状分析以改进预测的运动向量场,从而改进预测的准确度。
TREC有时在与周围向量矛盾的方向上产生向量。解决这个问题的一种努力将相关性确定从两个扩展到三个连续图像。
多尺度TREC模型使用第一低分辨率TREC计算来确定区域的天气尺度(synoptic-scale)的运动。然后对每个大的低分辨率区域执行第二高分辨率TREC计算,以预测每个大区域内的中间局部尺度的内部运动。
通过训练神经网络来分析雷达图像序列并基于所处理的图像序列做出未来图像预测而不考虑动力学和热力学条件,机器学习已被应用于雷达临近预报。此类方法的解耦时间(预测和实际事件没有相似性之前的时间长度)较低,为1~2小时。
发明内容
以下呈现发明内容以提供对本公开的一个或多个实施例的基本理解。本发明内容并不旨在标识关键或重要元素或者划定特定实施例的任何范围或权利要求的任何范围。其唯一的目的是以简化的形式呈现概念,作为稍后呈现的更详细描述的序言。在本文所描述的一个或多个实施例中,提供了能够从天气预报和雷达图像数据预测天气雷达回波图像的设备、系统、计算机实现的方法、装置和/或计算机程序产品。
在一个方面,本发明包括与预测天气雷达图像相关联的方法、系统和计算机可读介质,通过:构建第一机器学习模型以基于输入的天气预报数据生成第一预测雷达图像,以及构建第二机器学习模型以基于历史雷达图像和第一预测雷达图像生成预测雷达图像。进一步地,通过向第一机器学习模型提供位置和时间的天气预报数据并且向第二机器学习模型提供所述位置的历史雷达图像和第一机器学习模型的输出来生成预测雷达图像。
在一个方面,本发明包括与预测天气雷达图像相关联的方法、系统和计算机可读介质,通过:内插天气模拟数据以提高数据的空间和时间分辨率;构建第一机器学习模型以基于插值的天气预报数据生成第一预测雷达图像;以及构建第二机器学习模型以基于历史雷达图像和第一预测雷达图像生成预测雷达图像。进一步地,通过向第一机器学习模型提供位置和时间的天气预报数据并且向第二机器学习模型提供所述位置和时间的雷达图像以及第一机器学习模型的输出,从所述第二机器学习模型生成预测雷达图像。然后,使用第三机器学习模型增强预测雷达图像的分辨率。
在一个方面,本发明包括与预测天气雷达图像相关联的方法、系统和计算机可读介质,通过:内插天气模拟数据以提高数据的空间和时间分辨率;使用内插的历史天气模拟和雷达图像数据构建第一机器学习模型以基于当前插值的天气预报数据生成第一预测雷达图像;以及使用历史的和第一雷达图像数据构建第二机器学习模型以基于历史雷达图像和第一预测雷达图像生成预测雷达图像。进一步地,通过向第一机器学习模型提供位置和时间的当前插值天气预报数据并且向第二机器学习模型提供位置和时间的雷达图像以及第一机器学习模型的输出,从第二机器学习模型生成预测雷达图像。然后,使用第三机器学习模型增强预测雷达图像的分辨率。
在一个方面,本发明包括与预测天气雷达图像相关联的方法、系统和计算机可读介质,通过:接收当前天气预报数据和与所述当前天气预报数据相关联的雷达图像;使用第一机器学习模型基于所述当前天气预报数据生成第一雷达图像;以及使用第二机器学习模型基于当前雷达图像和所述第一雷达图像生成预测雷达图像。
通过组合NWP数据和机器学习方法,所公开的系统、方法和计算机可读介质的各方面将雷达图像临近预报的去耦时间扩展到3-6小时。所公开的发明通过使用机器学习将NWP预测数据转换成雷达反射率图像来增强雷达临近预报图像。使用机器学习模型来转换NWP数据产生真实的云足迹图像,其准确地预测未来的降水事件。(预测的雷达图像是现实的,因为它们看起来像实际的雷达图像。)使用第三机器学习模型在预测图像的整个临近预报窗口上提供了精细的空间分辨率。所公开的发明可以扩展到通过使用特定高度的图像构建第一机器学习模型并向第二机器学习模型提供特定高度的雷达图像序列来提供特定高度的雷达图像(例如,基于地面的图像或基于航空高度的图像)。
附图说明
通过在附图中对本公开的一些实施例进行更详细的描述,本公开的上述和其他目的、特征和优点将变得更加明显,其中,在本公开的实施例中相同的附图标记通常指代相同的部件。
图1提供了根据本发明的实施例的系统的示意图。
图2提供了描绘根据本发明的实施例的操作序列的流程图。
图3提供了根据本发明的实施例的机器学习模型的示意图。
图4提供了根据本发明的实施例的机器学习模型的示意图。
图5提供了根据本发明的实施例的机器学习模型的示意图。
具体实施方式
所公开的发明通过组合两个机器学习模型产生对雷达图像临近预报的改进。对于临近预报窗口的每个时间步长,第一模型从该时间步长的NWP预报模型取得当前预测数据,并产生说明该预测数据的雷达反射率图像。(由此将动力学和热力学条件的最新测量值结合到临近预报预测中。)该方法使用预报条件的这些特定于时间步长的雷达图像,结合当前雷达图像序列,以通过第二模型生成用于临近预报窗口的下一时间步长的预测图像。所公开的发明从临近预报窗口的起点前进到窗口的终点。然后,该方法使用来自每个时间步长的预测雷达图像作为当前雷达图像序列的一部分以用于生成下一时间步长的预测雷达图像。
在实施例中,针对临近预报定义研究域。可以自动手动选择研究域。在实施例中,自动学习域选择根据关于用户偏好的历史数据和先前的学习域选择来进行。在该实施例中,该方法将研究域定义为矩形地理区域。(非矩形区域可以被指定为研究域。)在实施例中,美国大陆的区域被定义为研究域。在实施例中,该方法将美国划分为子区域,在该实施例中,该方法定义东北、东南、西北、西南、阿拉斯加和夏威夷/太平洋区域。对于研究域,该方法划分该域的区域并且定义划分南北域的一组行,其中每个行表示总域的一部分N-S距离除以用户选择的临近预报分辨率(典型地在250米(0.155英里)与1千米(0.62英里)之间)。该方法进一步将研究域定义为一组列,每列代表域的总E-W距离除以所选择的分辨率。
在此实施例中,增加研究域的定义的大小和分辨率在CPU容量、系统存储器、GPU速度和存储器方面需要额外计算资源以在合理时间量内产生临近预报输出。在一个实施例中,美国大陆可以使用配备有两个NVIDIA GTX 1080图形卡、32GB存储器、一个英特尔6700KCPU和1TB硬盘空间的计算机以1千米的空间分辨率被处理为研究域。
在实施例中,该方法包括四个模块:空间-时间插值模块、NWP雷达映射模块(模型M)、雷达预测模块(模型A)、以及空间缩减模块(模型D)。在该实施例中,在定义研究域之后,通过选择初始时间分辨率(例如,2分钟、5分钟等)和初始空间分辨率(例如,1km)来开始使用。在该实施例中,该方法获得研究域的NWP数据。在本实施例中,NWP数据包括具有至少大约3km(1.86英里)的分辨率的数据,并且覆盖至少与所需临近预报时间窗口一样长的时间段(例如,6小时)。
在实施例中,NWP数据包括:可降水量、出射长波辐射、累积和非累积降水率、对流层气压、对流层温度、地表气压、地表温度、对流有效位能(convective availablepotential energy,CAPE)、平均海平面气压、850mb地理空间高度、10m u-风(水平方向的风速分量)、10m v-风(垂直方向的风速分量)、混合比和海陆遮罩(sea-land mask)。在实施例中,NWP数据可以包括累积降水而不是要求该方法采取数据的导数来计算初始NWP数据集中的非累积降水率的非累积降水率。在实施例中,NWP数据可以进一步包括在扩展NWP数据集中的湍流动能、热流、混合高度、土地使用、云量遮罩(cloud cover mask)和降水类型。
在实施例中,该方法将NWP数据集的每个变量内插到用户指定的时间分辨率中。在该实施例中,该方法使用诸如分段三次厄米插值多项式(Piecewise Cubic HermiteInterpolating Polynomial,PCHIP)或改进的Akima样条插值(mAkima)函数之类的插值函数来避免采样点之间的过冲值(overshot value)。在该实施例中,对于在时间插值之后的每个时间步长,该方法对数据进行插值,并将分辨率缩小为用户指定的空间分辨率。在该实施例中,该方法对非稳定变量数据使用自然邻域插值,而对所有稳定变量数据使用Krigin插值。
在实施例中,该方法在NWP数据的时间段内在研究域的区域上接收或获得雷达反射率图像。在该实施例中,雷达反射率图像可包括单个雷达站图像或来自多个雷达位置的图像的镶嵌图案。在实施例中,雷达反射率图像可以是基本反射率图像、合成反射率图像、恒定高度平面位置(CAPPI)图像、或最好地适合针对方法的模型所设想的期望最终用途的其他反射率图像。(例如,旨在产生用于飞行方案指导的航空高度雷达预测的模型将获得航空高度雷达图像)。在该实施例中,雷达图像分辨率至少与用户指定的空间分辨率一样精细。
在实施例中,该方法使用插值的NWP数据和雷达图像来训练第一机器学习模型、映射模型M。在该实施例中,第一模型包括卷积神经网络(CNN),诸如用于图像分类的INCEPTION V3,其他已知类型的CNN也可以用于本发明的方法。(注意:术语“增加”、“增加V3”和“NVIDIA”可以受制于全世界的不同司法管辖区中的商标权,并且在此仅参考由标记适当命名的产品或服务(在可能存在这样的商标权的程度上)使用。
在实施例中,输入数据包括具有相同时间戳的内插NWP和雷达反射率数据的数据对。在该实施例中,该方法使用[(pi-pmin)/(pmax-pmin)]将所有NWP数据归一化为0-1标度,其中pi等于索引(时间戳)i处的每个变量。在实施例中,该方法将最大雷达反射率设置为75分贝(dB)并且将最小反射率设置为-15dB。在该实施例中,该方法在其原始取向中使用雷达反射率图像并且还旋转到不同取向以防止经训练的模型中的移动趋势偏置。(在一个实施例中,该方法将图像旋转90度、180度和270度,但是其他旋转也是可能的。)该方法使用未标记的数据(未由人类实体表征或标记的数据)训练模型M。
在实施例中,该方法收集季节性NWP数据以训练模型M。在实施例中,该方法训练模型M的两个版本:冬季版本和夏季版本、或冷雨版本和暖雨版本。在训练两个模型之后,该方法使用冬季/夏季对中最接近地对应于与期望的雷达临近预报窗口相关联的当前状况的无论哪个模型。
在实施例中,该方法使用上述初始NWP数据集训练模型M。在一个实施例中,该方法使用上述扩展的NWP数据集来训练模型。在这些实施例中,该方法然后评估与各个变量相关联的权重,以确定一个或多个变量是否被不良地表示(几乎没有影响)模型的输出。从数据集中移除具有很少表示/影响的变量,并且使用修正的数据集重新训练模型。使用修正的数据集的这种重新训练产生复杂度较低且计算要求较少的模型。在一些实施例中,使用泄漏整流线性单元激活函数(leaky rectified linear unit activation function)和均方误差回归损失函数(mean square error regression loss function)来训练模型M。
在实施例中,第二机器学习模型、平流模型或模型A包括长-短期记忆/CNN(LSTMC),但是也可使用其他类型的递归和卷积神经网络。在该实施例中,该方法使用六个时间间隔的窗口大小,但是其他窗口大小可以用于增大或减小模型的大小。在该实施例中,训练数据集包括与由第一神经网络模型处理的NWP数据的时间戳相关联的雷达反射率图像序列。在该实施例中,该方法通过经训练的模型M处理NWP数据,从而产生特定未来时间戳间隔的雷达反射率图像。该方法在紧接在未来时间戳间隔之前的时间段内将该图像与实际雷达反射率图像配对。该方法使用多个第一模型输出配对和对应的雷达图像序列来训练模型A。在一些实施例中,使用泄漏整流线性单元激活函数和均方误差回归损失函数来训练模型A。
在实施例中,该方法训练第三机器学习模型。在本实施例中,第三模型、缩减模型或模型D包括具有类似损失函数的CNN或神经网络模型。该方法使用包括国家海洋和大气管理(NOAA)复合反射率图像的数据集来训练该模型,该复合反射率图像包括国家复合反射率产品NCZ和NCR。在该实施例中,NCZ具有4km(2.48英里)的分辨率,并且NCR具有1km((0.62英里)的分辨率。在该实施例中,该方法根据需要裁剪NCZ和NCR的图像以适合研究域。在该实施例中,经训练的模型增强提供的图像的分辨率,类似于对于NCZ和NCR从4km(2.48英里)移动到1km(0.62英里)的分辨率变化。在一些实施例中,使用泄漏整流线性单元激活函数和均方误差回归损失函数来训练模型D。
在实施例中,该方法利用训练模型来创建0-6小时临近预报窗口的雷达临近预报图像序列。在该实施例中,该方法从时间T1至Tm收集一系列雷达反射率图像:R1、R2、R3...,其中Tm表示临近预报窗口的开始。对于Tm+1:Sm+1,该方法收集Tm+1的NWP数据并且基于NWP数据使用模型M来生成雷达反射率图像。然后,该方法结合雷达图像序列R1、R2、R3…使用Sm+1作为模型A的输入,以针对Tm+1生成预测的雷达反射率图像Rm+1。
在实施例中,该方法然后使用第三机器学习模型来将Rm+1的分辨率增强到用户指定的分辨率。在实施例中,用户指定最终分辨率为模型A的分辨率。在该实施例中,第三机器学习模型的使用不是必要的。
在实施例中,该方法将该时间间隔从Tm+1向前移动至Tm+2+。在此实施例中,所述方法收集Tm+2的NWP数据,且如上所述使用新NWP数据和模型M来产生Sm+2,且将用作输入的图像序列Rm+1添加到模型A以产生Rm+2。在该实施例中,该方法以等于用户指定的时间分辨率的间隔通过期望的临近预报窗口,直到针对指定的窗口尺寸完全生成临近预报为止。在该实施例中,对于每个新的临近预报时间间隔Tk+1,使用最新的反射率预测作为最新的反射率观测。然后,该方法以从Tm+k移动到Tm+k+l的临近预报目标间隔进行。
在实施例中,多达三个机器学习模型的完整临近预报模型驻留在本地设备上,并且处理通过网络通信连接接收的NWP和雷达图像数据,并且经由诸如视频屏幕的显示元件向用户提供本地输出。在实施例中,完整临近预报模型驻留在云或边缘云资源中,接收和处理NWP和雷达图像数据并且通过网络通信链路将输出图像经由智能电话或本地计算机应用提供给本地用户。在实施例中,使用云或边缘云资源来训练所述方法的相应机器学习模型。在该实施例中,然后在本地提供经训练的模型以用于处理NWP和雷达图像数据以生成期望的临近预报。
图1提供了与实践所公开的发明相关联的示例性网络资源的示意图。本发明可以在处理指令流的任何公开的元件的处理器中实践。如图所示,计算机系统100包括服务器计算机150。图1示出了根据本发明实施例的联网计算机系统100内的服务器计算机150的部件的框图。应当理解,图1仅提供一种实现方式的图示并且不暗示关于其中可以实现不同实施例的环境的任何限制。可以对所描绘的环境做出许多修改。
服务器计算机150可以包括处理器154、存储器158、永久性贮存器170、通信单元152、输入/输出(I/O)接口156和通信结构140。通信结构140提供高速缓存162、存储器158、永久性贮存器170、通信单元152和输入/输出(I/O)接口156之间的通信。通信结构140可用设计用于在处理器(诸如微处理器、通信和网络处理器等)、系统存储器、外围设备和系统内的任何其他硬件组件之间传递数据和/或控制信息的任何架构来实现。例如,通信结构140可用一个或多个总线实现。
存储器158和永久性贮存器170是计算机可读存储介质。在该实施例中,存储器158包括随机存取存储器(RAM)160。通常,存储器158可包括任何合适的易失性或非易失性计算机可读存储介质。高速缓存162是快速存储器,其通过保存来自存储器158的最近访问的数据和最近访问的数据附近的数据来增强处理器154的性能。
用于实践本发明的实施例的程序指令和数据(例如,机器学习程序175)存储在永久性贮存器170中以供服务器计算机150的相应处理器154中的一个或多个经由高速缓存162执行和/或访问。在该实施例中,程序175包括四个模块。数据插值模块176接收NWP数据并对数据进行插值以增加NWP数据的空间和时间分辨率。包括模型M的雷达映射模块177接收插值的NWP数据,并产生映射到该数据的预测雷达图像。包括模型A的雷达预测模块178从映射模块177接收映射的图像,并且生成下一个预测的雷达图像。包括模型D的缩减模块179从预测模块178接收预测的雷达图像,并且增大这些图像的空间分辨率。在该实施例中,永久性贮存器170包括磁性硬盘驱动器。作为磁性硬盘驱动器的替代或补充,永久性贮存器170可包括固态硬盘驱动器、半导体存储设备、只读存储器(ROM)、可擦可编程只读存储器(EPROM)、闪存、或能够存储程序指令或数字信息的任何其他计算机可读存储介质。
永久性贮存器170所使用的介质也可以是可移除的。例如,可移动硬盘驱动器可以用于永久性贮存器170。其他示例包括光盘和磁盘、拇指驱动器和智能卡,它们被插入到驱动器中以便转移到另外的计算机可读存储介质(其也是永久性贮存器170的一部分)上。
在这些示例中,通信单元152提供与其他数据处理系统或设备(包括通过网络114的联网设备)的通信。在这些示例中,通信单元152包括一个或多个网络接口卡。通信单元152可通过使用物理和无线通信链路中的任一者或两者提供通信。软件分发程序以及用于实现本发明的其他程序和数据可以通过通信单元152下载到服务器计算机150的永久性贮存器170中。
I/O接口156允许与可连接到服务器计算机150的其他设备进行数据的输入和输出。例如,I/O接口156可提供至外部设备190(诸如键盘、小键盘、触摸屏、麦克风、数码相机和/或一些其他合适的输入设备)的连接。外部设备190还可包括便携式计算机可读存储介质,诸如例如拇指驱动器、便携式光盘或磁盘、以及存储卡。用于实践本发明的实施例的软件和数据(例如,服务器计算机150上的机器学习程序175)可被存储在这样的便携式计算机可读存储介质上并且可经由I/O接口156被加载到永久性贮存器170上。I/O接口156还连接到显示器180。
显示器180提供向用户显示数据的机制,并且可以是例如计算机监视器。显示器180还可用作触摸屏,诸如平板计算机的显示器。
图2提供了示出与本公开的实践相关联的示例性活动的流程图200。在程序开始之后,定义研究域,设置用户指定的空间和时间分辨率,并且插值模块176然后在210处获取所定义的研究域的NWP数据。在实施例中,NWP数据包括选自以下各项的数据:可降水量、出射长波辐射、累积和非累积降水率、对流层气压、对流层温度、地表气压、地表温度、CAPE、平均海平面气压、850mb地理空间高度、10m u-风、10m v-风、混合比和海陆遮罩、湍流动能、热流、混合高度、土地使用、云量遮罩和降水类型。
在220处,雷达映射模块177在获取的NWP数据集的时间间隔期间获取所定义的研究域的雷达反射率图像。在该实施例中,该方法的雷达映射模块176可以获取具有用户指定的空间分辨率或较低分辨率的图像。在实施例中,雷达映射模块176必须获取至少具有用户期望的时间分辨率的雷达图像以供模型使用。在该实施例中,图像可包括单个源或多个源的马赛克。根据旨在用于该方法的最终用途,这些图像可以包括基础、合成、CAPPI或其他雷达反射率图像。在实施例中,收集特定于海拔高度的图像以训练总体模型以提供特定于海拔高度的输出图像。
在实施例中,在230处,程序175使用雷达图像和NWP数据来训练雷达映射模块176的模型M。在此实施例中,所述方法使NWP数据正规化,且将所述数据内插以分别匹配用于研究域及临近预报窗口的用户指定的空间及时间分辨率。在该实施例中,该方法的程序175归一化雷达图像,为图像数据设置最大(75dB)和最小(-15dB)信号值。在实施例中,该方法的程序175然后使用归一化的和内插的数据来训练CNN,从而产生第一机器学习模型,该第一机器学习模型从NWP数据的输入产生真实的雷达反射率图像。
在240处,程序175训练雷达预测模块177的模型A。该方法的程序175使用与来自模型M的输出图像配对的雷达图像序列来训练模型A。模型M的输出预测给定序列中的下一图像。在实施例中,该方法的模型A包括LSTM模型。在训练之后,程序175使用预测模块177的模型A,以使用给定图像序列和来自模型M的对应输出作为输入来产生序列中的下一预测的雷达反射率图像。
在250,程序175使用来自230和240的经训练的模型生成雷达图像临近预报输出。在实施例中,插值模块176收集用于研究域和期望临近预报窗口的NWP数据。映射模块177收集紧邻临近预报窗口之前的时间间隔的雷达图像。以Tm+1的间隔开始,作为临近预报窗口的第一时间间隔,程序175向模型M提供归一化NWP数据,并产生间隔Tm+1的雷达反射率预测Sm+1。在该实施例中,映射模块177将以Sm+1结束的雷达图像序列提供给雷达预测模块178和模型A。模型A生成雷达图像Rm+1作为间隔Tm+1的预测。在实施例中,在260处,缩减模块179的模型D使用Rm+1作为输入来增强Rm+1的分辨率,并且产生具有用户指定的空间分辨率的雷达图像。
在实施例中,程序175使用来自每个先前间隔的Rm+1作为提供给模型A的输入的图像序列的一部分,为所需临近预报窗口的每个时间间隔生成雷达图像。
图3提供了如在本发明的一些实施例中使用的模型M的神经网络架构的示意图示300。提供NWP数据和相应的雷达图像对作为训练数据集。如图所示,NWP数据310作为输入被传递到多个卷积层320,并且模型被训练为将NWP数据310与相应的雷达图像340匹配。在实施例中,模型使用反向传播、泄漏整流线性单元(ReLU)激活函数和均方误差(MSE)回归损失函数330来训练模型参数。
图4提供了在一些实施例中用于平流模型A的神经网络层架构的示意图400。如图所示,每个网络层包括LSTM块410和若干卷积块420。LSTM块410适应输入数据的时间序列性质。在一些实施例中,使用泄漏ReLU激活函数和MSE回归损失函数430训练模型。在实施例中,使用包括时间序列雷达图像和来自模型M的对应时间窗口的预测雷达图像的数据对训练模型A。
图5提供了一些实施例中用于模型D的架构的示意图500,如图所示,模型包括4千米分辨率数据510、双线性函数的输入520和若干卷积层530。使用反向传播、泄漏ReLU激活函数和MSE损失函数550训练该模型以使4千米数据与1千米分辨率数据540匹配。
本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。本发明可以在处理指令流的任何系统(单个或并行)中有益地实践。计算机程序产品可包括其上具有用于使处理器执行本发明的各方面的计算机可读程序指令的计算机可读存储介质(或多个介质)。
计算机可读存储介质可以是可保留和存储供指令执行装置使用的指令的有形装置。计算机可读存储介质可以是,例如但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储介质不应被解释为暂时性信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发射的电信号。
本文中所描述的计算机可读程序指令可以经由网络(例如,互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应的计算/处理设备,或者下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口接收来自网络的计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种程序设计语言的任何组合编写的源代码或目标代码,这些程序设计语言包括面向对象的程序设计语言(诸如Smalltalk、C++等)和过程程序设计语言(诸如“C”程序设计语言或类似程序设计语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户计算机,或者可连接至外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令,以便执行本发明的各方面。
下面将参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各方面。应当理解,流程图和/或框图的每个框以及流程图和/或框图中各框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置、和/或其他设备以特定方式工作,从而,其中存储有指令的计算机可读存储介质包括包含实现流程图和/或框图中的或多个框中规定的功能/动作的方面的指令的制造品。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤,以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图中的或多个框中规定的功能/动作。
附图中的流程图和框图示出了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个框可表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些备选实现中,框中标注的功能可以不按照图中标注的顺序发生。例如,取决于所涉及的功能,连续示出的两个框实际上可以基本上同时执行,或者这些框有时可以以相反的顺序执行。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
说明书中对“一个实施例”、“实施例”、“示例性实施例”等的引用表示所描述的实施例可包括特定的特征、结构或特性,但是每个实施例可能不一定包括特定的特征、结构或特性。此外,这样的短语不一定指相同的实施例。进一步,当结合实施例描述特定特征、结构或特性时,认为结合其他实施例(无论是否明确描述)影响这样的特征、结构或特性在本领域技术人员的知识范围内。
本文中使用的术语仅用于描述具体实施例的目的,而并非旨在限制本发明。如本文所使用的,除非上下文另有明确指示,否则单数形式“一个”、“一种”和“该”旨在也包括复数形式。还应当理解,当在本说明书中使用术语“包括(comprises)”和/或“包含(comprising)”时,其指定所述特征、整体、步骤、操作、元件和/或部件的存在,但不排除一个或多个其他特征、整体、步骤、操作、元件、部件和/或其组合的存在或添加。
已经出于说明的目的呈现了本发明的各种实施例的描述,但并不旨在是详尽的或者限于所公开的实施例。在不背离本发明的范围和精神的情况下,许多修改和变化对于本领域普通技术人员来说是显而易见的。在此所使用的术语被选择来最好地解释实施例的原理、实际应用、或优于市场中所发现的技术的技术改进、或使得本领域普通技术人员能够理解在此所披露的实施例。
Claims (25)
1.一种用于预测天气雷达图像的计算机实现的方法,所述方法包括:
通过一个或多个计算机处理器构建第一机器学习模型以基于天气预报数据生成第一预测雷达图像;
通过所述一个或多个计算机处理器构建第二机器学习模型以基于所述第一预测雷达图像和一个或多个第一雷达图像生成第二预测雷达图像;以及
通过所述一个或多个计算机处理器,通过向所述第一机器学习模型提供位置和时间的天气预报数据,并且向所述第二机器学习模型提供所述第一预测雷达图像和所述位置的第一雷达图像,来生成增强的预测雷达图像。
2.根据权利要求1所述的计算机实现的方法,其中,所述天气预报数据与特定位置和时间段有关。
3.根据权利要求2所述的计算机实现的方法,其中,所述第一雷达图像与所述特定位置和时间段相关。
4.根据权利要求1所述的计算机实现的方法,其中,使用天气预报数据和第二雷达图像训练所述第一机器学习模型。
5.根据权利要求1所述的计算机实现的方法,其中,使用第二雷达图像和第一预测雷达图像训练所述第二机器学习模型。
6.根据权利要求1所述的计算机实现的方法,进一步包括在多个海拔高度生成增强的预测雷达图像。
7.根据权利要求1所述的计算机实现的方法,其中,所述天气预报数据包括降水数据。
8.一种用于预测天气雷达图像的计算机程序产品,所述计算机程序产品包括一个或多个计算机可读存储设备以及在所述一个或多个计算机可读存储设备上存储的程序指令,所述存储的程序指令包括:
用于构建第一机器学习模型以基于天气预报数据生成第一预测雷达图像的程序指令;
用于构建第二机器学习模型以基于第一雷达图像和所述第一预测雷达图像生成第二预测雷达图像的程序指令;以及
用于通过向所述第一机器学习模型提供位置和时间的天气预报数据并且向所述第二机器学习模型提供所述位置的第一雷达图像和所述第一预测雷达图像来生成增强的预测雷达图像的程序指令。
9.根据权利要求8所述的计算机程序产品,其中,所述天气预报数据与特定位置和时间段有关。
10.根据权利要求9所述的计算机程序产品,其中,所述第一雷达图像与所述特定位置和时间段相关。
11.根据权利要求8所述的计算机程序产品,其中,使用天气预报数据和第二雷达图像训练所述第一机器学习模型。
12.根据权利要求8所述的计算机程序产品,其中,使用第二雷达图像和第一预测雷达图像训练所述第二机器学习模型。
13.根据权利要求8所述的计算机程序产品,进一步包括用于在多个海拔高度生成增强的预测雷达图像的程序指令。
14.根据权利要求8所述的计算机程序产品,其中,所述天气预报数据包括降水数据。
15.一种用于预测天气雷达图像的计算机系统,所述计算机系统包括:
一个或多个计算机处理器;
一个或多个计算机可读存储设备;以及
在所述一个或多个计算机可读存储设备上存储的程序指令,所述存储的程序指令用于由所述一个或多个计算机处理器执行,所述存储的程序指令包括:
用于构建第一机器学习模型以基于天气预报数据生成第一预测雷达图像的程序指令;
用于构建第二机器学习模型以基于第一雷达图像和所述第一预测雷达图像生成第二预测雷达图像的程序指令;以及
用于通过向所述第一机器学习模型提供位置和时间的天气预报数据并且向所述第二机器学习模型提供所述位置的第一雷达图像和第一预测雷达图像来生成增强的预测雷达图像的程序指令。
16.根据权利要求15所述的计算机系统,其中,所述天气预报数据与特定位置和时间段有关。
17.根据权利要求16所述的计算机系统,其中,所述第一雷达图像与所述特定位置和时间段相关。
18.根据权利要求15所述的计算机系统,其中,使用天气预报数据和第二雷达图像训练所述第一机器学习模型。
19.根据权利要求15所述的计算机系统,其中,使用第二雷达图像和第一预测雷达图像训练所述第二机器学习模型。
20.根据权利要求15所述的计算机系统,进一步包括用于在多个海拔高度生成增强的预测雷达图像的程序指令。
21.一种用于预测天气雷达图像的计算机实现的方法,所述方法包括:
通过一个或多个计算机处理器构建第一机器学习模型以基于天气预报数据生成第一预测雷达图像;
通过所述一个或多个计算机处理器构建第二机器学习模型以基于所述第一预测雷达图像和一个或多个第一雷达图像生成第二预测雷达图像;
通过所述一个或多个计算机处理器构建第三机器学习模型以基于所述第二预测雷达图像生成高分辨率预测雷达图像;以及
通过所述一个或多个计算机处理器通过以下操作来生成增强的高分辨率预测雷达图像:向所述第一机器学习模型提供位置和时间的天气预报数据,向所述第二机器学习模型提供所述第一预测雷达图像和所述位置的第一雷达图像,以及向所述第三机器学习模型提供所述第二预测雷达图像。
22.根据权利要求21所述的计算机实现的方法,其中,所述天气预报数据与特定位置和时间段相关。
23.根据权利要求22所述的计算机实现的方法,其中,所述第一雷达图像与所述特定位置和时间段相关。
24.一种用于预测天气雷达图像的计算机实现的方法,所述方法包括:
通过一个或多个计算机处理器构建第一机器学习模型以基于经空间插值的天气预报数据生成第一预测雷达图像;
通过所述一个或多个计算机处理器构建第二机器学习模型以基于所述第一预测雷达图像和一个或多个第一雷达图像生成第二预测雷达图像;
通过所述一个或多个计算机处理器构建第三机器学习模型以基于所述第二预测雷达图像生成高分辨率预测雷达图像;以及
通过所述一个或多个计算机处理器通过以下操作来生成增强的高分辨率预测雷达图像:向所述第一机器学习模型提供位置和时间的天气预报数据,向所述第二机器学习模型提供所述第一预测雷达图像和所述位置的第一雷达图像,以及向所述第三机器学习模型提供所述第二预测雷达图像。
25.根据权利要求24所述的计算机实现的方法,其中,所述天气预报数据与特定位置和时间段有关。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/592,807 | 2019-10-04 | ||
US16/592,807 US11169263B2 (en) | 2019-10-04 | 2019-10-04 | Predicting weather radar images |
PCT/IB2020/058930 WO2021064524A1 (en) | 2019-10-04 | 2020-09-24 | Predicting weather radar images |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114365153A true CN114365153A (zh) | 2022-04-15 |
CN114365153B CN114365153B (zh) | 2023-04-18 |
Family
ID=75275040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080063765.3A Active CN114365153B (zh) | 2019-10-04 | 2020-09-24 | 预测天气雷达图像 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11169263B2 (zh) |
JP (1) | JP7477252B2 (zh) |
CN (1) | CN114365153B (zh) |
AU (1) | AU2020361129B2 (zh) |
DE (1) | DE112020003970B4 (zh) |
GB (1) | GB2604765B (zh) |
WO (1) | WO2021064524A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115390161A (zh) * | 2022-07-26 | 2022-11-25 | 北京百度网讯科技有限公司 | 基于人工智能的降水预测方法及装置 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11561326B1 (en) * | 2018-06-14 | 2023-01-24 | ACME Atronomatic, LLC | System and method for generating accurate hyperlocal nowcasts |
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 |
US11580673B1 (en) * | 2019-06-04 | 2023-02-14 | Duke University | Methods, systems, and computer readable media for mask embedding for realistic high-resolution image synthesis |
US11169263B2 (en) * | 2019-10-04 | 2021-11-09 | International Business Machines Corporation | Predicting weather radar images |
KR102203136B1 (ko) * | 2020-07-15 | 2021-01-14 | 대한민국 | 동적 이동벡터를 이용한 강수실황 예측 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN112946784B (zh) * | 2021-03-29 | 2022-09-16 | 杭州电子科技大学 | 一种基于深度学习的SuperDARN雷达对流图短期预报方法 |
CN113296072B (zh) * | 2021-05-24 | 2022-10-25 | 伍志方 | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 |
CN113657477B (zh) * | 2021-08-10 | 2022-04-08 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
CN113640769B (zh) * | 2021-08-27 | 2023-06-13 | 南京信息工程大学 | 基于深度神经网络的天气雷达基本反射率预测方法 |
CN113936142B (zh) * | 2021-10-13 | 2024-06-18 | 成都信息工程大学 | 一种基于深度学习的降水临近预报方法及装置 |
CN114019514B (zh) * | 2021-11-25 | 2022-11-01 | 浙江省气象台 | 一种雷暴大风预警方法、系统、设备及终端 |
US20230196594A1 (en) * | 2021-12-21 | 2023-06-22 | International Business Machines Corporation | Temporal interpolation of precipitation |
US20230194753A1 (en) * | 2021-12-22 | 2023-06-22 | International Business Machines Corporation | Automatic weather event impact estimation |
CN114217319B (zh) * | 2022-02-22 | 2022-05-17 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种对天气雷达分钟降水预报值进行订正的方法及装置 |
US20230299580A1 (en) * | 2022-03-17 | 2023-09-21 | Utopus Insights, Inc. | Systems and methods for ramp predictions for forecasting power using neighboring sites |
CN114460555B (zh) * | 2022-04-08 | 2022-08-23 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种雷达回波外推方法、装置及存储介质 |
CN114740549B (zh) * | 2022-04-12 | 2024-02-06 | 北京墨迹风云科技股份有限公司 | 一种短临降水天气预测方法、装置、电子设备及可读介质 |
CN115796394B (zh) * | 2023-02-01 | 2023-06-23 | 天翼云科技有限公司 | 数值天气预报订正方法、装置、电子设备及存储介质 |
CN116953653B (zh) * | 2023-09-19 | 2023-12-26 | 成都远望科技有限责任公司 | 一种基于多波段天气雷达组网回波外推方法 |
CN117129963A (zh) * | 2023-10-09 | 2023-11-28 | 北京大学重庆大数据研究院 | 基于迁移预测的雷达回波外推方法及其可读存储介质 |
CN117233724B (zh) * | 2023-11-15 | 2024-02-06 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种基于深度时空注意力网络的雷达回波外推方法和装置 |
CN117369026B (zh) * | 2023-12-06 | 2024-03-08 | 江苏省气象台 | 一种实时高精度预测云团驻留时间方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08305856A (ja) * | 1995-05-01 | 1996-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像の系統的分類方法及び装置 |
JPH10311883A (ja) * | 1997-03-11 | 1998-11-24 | Nippon Telegr & Teleph Corp <Ntt> | 気象画像予測方法、装置および気象画像予測プログラムを記録した記録媒体 |
US5959567A (en) * | 1997-12-08 | 1999-09-28 | Massachusetts Institute Of Technology | Method and apparatus for tracking of organized storms |
US6125328A (en) * | 1997-02-10 | 2000-09-26 | Baron Services, Inc. | System and method for projecting storms using NEXRAD attributes |
US6340946B1 (en) * | 2000-08-03 | 2002-01-22 | Massachusetts Institue Of Technology | Method for determining storm predictability |
US20020114517A1 (en) * | 2001-02-20 | 2002-08-22 | Marilyn Wolfson | Method and apparatus for short-term prediction of convective weather |
US6850184B1 (en) * | 2003-05-05 | 2005-02-01 | Wsi Corporation | Forecasted radar mosaics |
US20070005249A1 (en) * | 2005-06-30 | 2007-01-04 | Massachusetts Institute Of Technology | Weather radar echo tops forecast generation |
US20120207343A1 (en) * | 2011-02-15 | 2012-08-16 | Massachusetts Institute Of Technology | Method and apparatus for generating a forecast weather image |
CN107993215A (zh) * | 2017-11-27 | 2018-05-04 | 象辑知源(武汉)科技有限公司 | 一种天气雷达图像处理方法及系统 |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3700866A (en) * | 1970-10-28 | 1972-10-24 | Texas Instruments Inc | Synthesized cascaded processor system |
US5796611A (en) * | 1994-10-04 | 1998-08-18 | Nippon Telegraph And Telephone Corporation | Weather forecast apparatus and method based on recognition of echo patterns of radar images |
JP3250601B2 (ja) * | 1995-09-19 | 2002-01-28 | 日本電信電話株式会社 | 気象予測装置 |
MY118014A (en) * | 1996-12-13 | 2004-08-30 | Nippon Telegraph & Telephone | Method and equipment for weather image prediction |
MY117870A (en) | 1996-12-26 | 2004-08-30 | Nippon Telegraph & Telephone | Meteorological radar precipitation pattern prediction method and apparatus |
US6513025B1 (en) * | 1999-12-09 | 2003-01-28 | Teradyne, Inc. | Multistage machine learning process |
JP3687524B2 (ja) | 2000-10-31 | 2005-08-24 | 日本電信電話株式会社 | 気象翻訳・予測方法及び装置及び気象翻訳・予測プログラムを格納した記憶媒体 |
US6961061B1 (en) * | 2002-04-19 | 2005-11-01 | Weather Central, Inc. | Forecast weather video presentation system and method |
US7542852B1 (en) | 2005-01-25 | 2009-06-02 | Weather Channel Inc | Derivation and production of high-resolution, very short-term weather forecasts |
JP4676215B2 (ja) | 2005-02-15 | 2011-04-27 | 日本無線株式会社 | レーダシステム |
US9244157B1 (en) * | 2008-03-07 | 2016-01-26 | Rockwell Collins, Inc. | Weather radar threat depiction system and method |
US11237299B2 (en) | 2017-05-01 | 2022-02-01 | I.M. Systems Group, Inc. | Self-learning nowcast system for modeling, recording, and predicting convective weather |
US11055576B2 (en) * | 2017-11-01 | 2021-07-06 | Toyota Research Institute, Inc. | System and method for system-aware classifiers |
CN107748942B (zh) | 2017-11-24 | 2018-12-11 | 清华大学 | 基于速度场感知网络的雷达回波外推预测方法和系统 |
CN108983323A (zh) | 2018-08-08 | 2018-12-11 | 湖北河海科技发展有限公司 | 基于光流法的降水预报方法及预警平台 |
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 |
US11169263B2 (en) * | 2019-10-04 | 2021-11-09 | International Business Machines Corporation | Predicting weather radar images |
-
2019
- 2019-10-04 US US16/592,807 patent/US11169263B2/en active Active
-
2020
- 2020-09-24 AU AU2020361129A patent/AU2020361129B2/en active Active
- 2020-09-24 WO PCT/IB2020/058930 patent/WO2021064524A1/en active Application Filing
- 2020-09-24 JP JP2022520455A patent/JP7477252B2/ja active Active
- 2020-09-24 CN CN202080063765.3A patent/CN114365153B/zh active Active
- 2020-09-24 GB GB2206292.1A patent/GB2604765B/en active Active
- 2020-09-24 DE DE112020003970.6T patent/DE112020003970B4/de active Active
-
2021
- 2021-08-10 US US17/398,335 patent/US11675071B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08305856A (ja) * | 1995-05-01 | 1996-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像の系統的分類方法及び装置 |
US6125328A (en) * | 1997-02-10 | 2000-09-26 | Baron Services, Inc. | System and method for projecting storms using NEXRAD attributes |
JPH10311883A (ja) * | 1997-03-11 | 1998-11-24 | Nippon Telegr & Teleph Corp <Ntt> | 気象画像予測方法、装置および気象画像予測プログラムを記録した記録媒体 |
US5959567A (en) * | 1997-12-08 | 1999-09-28 | Massachusetts Institute Of Technology | Method and apparatus for tracking of organized storms |
US6340946B1 (en) * | 2000-08-03 | 2002-01-22 | Massachusetts Institue Of Technology | Method for determining storm predictability |
US20020114517A1 (en) * | 2001-02-20 | 2002-08-22 | Marilyn Wolfson | Method and apparatus for short-term prediction of convective weather |
US6850184B1 (en) * | 2003-05-05 | 2005-02-01 | Wsi Corporation | Forecasted radar mosaics |
US20070005249A1 (en) * | 2005-06-30 | 2007-01-04 | Massachusetts Institute Of Technology | Weather radar echo tops forecast generation |
US20120207343A1 (en) * | 2011-02-15 | 2012-08-16 | Massachusetts Institute Of Technology | Method and apparatus for generating a forecast weather image |
CN107993215A (zh) * | 2017-11-27 | 2018-05-04 | 象辑知源(武汉)科技有限公司 | 一种天气雷达图像处理方法及系统 |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
Non-Patent Citations (2)
Title |
---|
ZENG FANLIN ET AL.: "Automatic Detection of Bow Echoes from Weather Radar Images", 《2018 13TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》 * |
熊元燚: "基于多普勒雷达图像的降雨云团跟踪及外推技术研究", 《知网》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115390161A (zh) * | 2022-07-26 | 2022-11-25 | 北京百度网讯科技有限公司 | 基于人工智能的降水预测方法及装置 |
CN115390161B (zh) * | 2022-07-26 | 2023-11-24 | 北京百度网讯科技有限公司 | 基于人工智能的降水预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US11169263B2 (en) | 2021-11-09 |
GB2604765A (en) | 2022-09-14 |
JP2022552945A (ja) | 2022-12-21 |
WO2021064524A1 (en) | 2021-04-08 |
CN114365153B (zh) | 2023-04-18 |
JP7477252B2 (ja) | 2024-05-01 |
GB2604765B (en) | 2023-05-03 |
GB202206292D0 (en) | 2022-06-15 |
AU2020361129B2 (en) | 2023-01-05 |
DE112020003970T5 (de) | 2022-06-15 |
AU2020361129A1 (en) | 2022-03-24 |
DE112020003970B4 (de) | 2022-12-15 |
KR20220054607A (ko) | 2022-05-03 |
US20210373153A1 (en) | 2021-12-02 |
US20210103051A1 (en) | 2021-04-08 |
US11675071B2 (en) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114365153B (zh) | 预测天气雷达图像 | |
CN110135654B (zh) | 用于预测强对流天气的方法和装置 | |
US10795056B2 (en) | Local weather forecast | |
US9753947B2 (en) | Four dimensional weather data storage and access | |
JP5433913B2 (ja) | 波浪予測システム | |
US20100100328A1 (en) | System and Method for Generating a Cloud Type and Coverage Prediction Database | |
US20150198738A1 (en) | Virtual meterologist based on weather forecasting system and method | |
Zhou et al. | Quantitative precipitation forecast experiment based on basic NWP variables using deep learning | |
EP4256477A1 (en) | Nowcasting using generative neural networks | |
Paletta et al. | Advances in solar forecasting: Computer vision with deep learning | |
Sahoo et al. | Estimating atmospheric motion winds from satellite image data using space‐time drift models | |
Han et al. | Precipitation nowcasting using ground radar data and simpler yet better video prediction deep learning | |
Mardani et al. | Generative residual diffusion modeling for km-scale atmospheric downscaling | |
Mardani et al. | Residual Diffusion Modeling for Km-scale Atmospheric Downscaling | |
Kaparakis et al. | Wf-unet: Weather fusion unet for precipitation nowcasting | |
Li et al. | Super-resolution probabilistic rain prediction from satellite data using 3d u-nets and earthformers | |
KR102681249B1 (ko) | 기상 레이터 이미지 예측 | |
Spiridonov et al. | Weather forecast and NWP | |
Punjabi et al. | Efficient spatio-temporal weather forecasting using U-Net | |
Barahona et al. | Deep Learning Parameterization of Vertical Wind Velocity Variability via Constrained Adversarial Training | |
Zhou et al. | A station-data-based model residual machine learning method for fine-grained meteorological grid prediction | |
US20230196594A1 (en) | Temporal interpolation of precipitation | |
Sha et al. | Improving ensemble extreme precipitation forecasts using generative artificial intelligence | |
Sigg et al. | Photographic Visualization of Weather Forecasts with Generative Adversarial Networks | |
Ha et al. | A Deep Learning Model for Precipitation Nowcasting Using Multiple Optical Flow Algorithms |
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 |