CN115082791A - 一种基于深度可分离卷积网络的气象锋面自动识别方法 - Google Patents
一种基于深度可分离卷积网络的气象锋面自动识别方法 Download PDFInfo
- Publication number
- CN115082791A CN115082791A CN202210714730.2A CN202210714730A CN115082791A CN 115082791 A CN115082791 A CN 115082791A CN 202210714730 A CN202210714730 A CN 202210714730A CN 115082791 A CN115082791 A CN 115082791A
- Authority
- CN
- China
- Prior art keywords
- points
- gradient
- frontal
- frontal surface
- network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度可分离卷积网络的气象锋面自动识别方法,包括:扩展标签;计算各气象要素的梯度;编码模块进行深度可分离卷积操作提取各气象要素的梯度特征、并利用最大池化下采样梯度特征;融合梯度特征;解码模块对融合后的梯度抽象特征进行上采样梯度特征;Softmax函数预测格点锋面概率;使用多分类交叉熵损失函数的基础上加入样本自适应权重来进行网络训练;利用Max函数确定各网格点的锋面类别;剔除小锋面区域、骨架线算法确定最终锋面。通过上述方法,本发明能够替代人工识别锋面,并且能自动、高效、精准地识别出气象锋面。
Description
技术领域
本发明属于大气探测中地面气象观测技术领域,尤其涉及一种基于深度可分离卷积网络的气象锋面自动识别方法。
背景技术
在大气科学中,锋面被定义为两个不同密度的气团之间的界面或者过渡带。锋面主要是由气流汇合区域不同热力学性质的两个气团相遇产生,其附近大气斜压性大,有利于垂直环流的发展与能量转换,因而锋面附近常有比较剧烈的天气变化和气压系统的发生和发展,如锋面系统附近区域常伴随强降水、风暴等恶劣天气现象甚至经常是严重雷暴的中心。因此锋面的定位与分析,有助于预报员掌握锋面系统位置、强度及演变过程,准确预测锋面系统及天气的变化趋势,对天气预报有着重要意义。
现有的锋面自动分析方法主要以数值锋面分析(NFC)为主,有的研究者将其定义为没有运用机器学习的网格处理。数值锋面分析大多基于人工设定规则对热参量进行锋面分析,例如NOAA 2013,p.6确定一个输入参量梯度快速变化的阈值进行锋面分析。NFC方法主要缺点是不同研究者使用不同的单一输入参量和单一规则(也有在更复杂的方法中考虑多个量),输入参量单一没有考虑锋面天气的系统性;单一规则如将参量梯度变化最大的区域判定为锋面也存在很大缺陷,第一,梯度取决于网格数据的分辨率;第二,在有限网格上计算导数时存在的噪声;第三,有很强的系统偏差。这些缺陷最终导致其识别结果错判率高,方法泛化能力弱。
近年来深度学习也被应用于气象领域特征分析,例如McGovern等人.2019;Lagerquist等人.2020;Biard等人.2019将全卷积神经网络(CFN)用于对锋面的自动识别。相比NFC方法,深度学习融合多气象要素并用训练后的神经网络替代人为设置规则,提高了识别锋面的准确度。但用于锋面自动识别的深度学习方法也存在一些需改进的方面,如:第一,目前使用的几种FCN方法结构相对简单,最多8层网络结构,不能很好地拟合出复杂的锋面天气系统,其识别结果和泛化能力依然很差;第二,网络训练时,对标签的类不平衡问题未能进行科学的处理,致使识别结果偏向无锋类。
目前锋面自动识别智能水平普遍较低,可靠性差、健壮性较弱,需要进一步进行研究和改进,并不断提高其可靠性、健壮性以及识别准确度。
发明内容
发明目的:本发明所要解决的技术问题是针对数值锋面分析时存在判定规则单一,计算梯度导数时存在噪声等缺陷;利用全卷积神经网识别锋面时,其网络结构过于简单,在识别锋面的结果中存在大量的零散小锋面区域,并且网络训练时对标签的类不平衡问题未能进行科学的处理,致使识别结果偏向无锋类。为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于深度可分离卷积网络的气象锋面自动识别方法,其包括以下步骤:
步骤1,扩展标签;
步骤2,计算气象要素梯度:网络输入为5类气象要素:位温、比湿度、U风、V风和海平面平均气压数据;分别计算这5类气象要素在各网格点的梯度;
步骤3,进行深度可分离卷积提取梯度特征、并下采样梯度特征:将5类气象要素的梯度数据输入对应的5个编码器,在编码器中先对各气象要素的梯度进行深度可分离卷积提取出梯度特征,接着进行最大池化下采样操作,对这2步操作连续进行四次,输出高度抽象梯度特征图,其大小为原来的1/16;
步骤4,融合梯度特征:先将5个编码器输出的结果在第三维进行拼接,再输入融合特征模块进行梯度特征融合,输出梯度融合抽象特征图;
步骤5,上采样梯度特征:将经过融合后的抽象梯度特征图输入解码模块,解码模块将输入的融合抽象梯度特征图进行四次反卷积上采样后,输出的特征图与原始数据大小相同,最后输入卷积核为1、步长也为1的卷积层进行卷积操作;
步骤6,预测格点的锋面概率:将上采样后的梯度特征图输入Softmax函数,得到识别区域内各网格点为5类锋面(无锋面、冷锋、暖锋、准静止锋、锢囚锋)的3维概率图;
步骤7,网络训练:在网络训练时,先对网络进行参数初始化,再对训练样本中的各类锋进行自适应权重计算,接着使用样本加权交叉熵损失函数计算损失并后向传播,最后使用Adam优化器优化参数训练网络;其中随机梯度的学习率设为0.001;
步骤8,确定网格点的锋面类别;
步骤9,确定最终锋面:将网络识别出的锋面区域先进行剔除小区域锋面操作,接着再进行骨架线提取操作确定最终锋面。
步骤1中,扩展对象为有锋格点8个方向上紧邻的无锋网格点;接着,将标签中需扩展的无锋格点分为3类:1.有锋格点不相邻且两格点之间的无锋格点数大于等于2的无锋格点,2.有锋格点不相邻且两格点之间只有1个无锋格点,3.有锋格点相邻时的无锋格点;最后根据规则对这3类情况的无锋网格点进行扩展;具体包括以下步骤:
步骤1-1,扩展有锋格点不相邻且两格点之间的无锋格点数大于等于2的无锋格点:将有锋格点垂直、水平和对角线8个方向的紧邻无锋网格点扩展为相同的锋类型;
步骤1-2,扩展有锋格点不相邻且两格点之间只有1个无锋格点:将两个不同类锋格点之间的无锋格点扩展为优先锋,优先等级由高到低为冷锋、暖锋、准静止锋、锢囚锋;
步骤1-3,扩展有锋格点相邻时的无锋格点:将有锋格点同侧紧邻的无锋格点扩展为同一类型锋。
步骤3包括以下步骤:
步骤3-1,深度可分离卷积提取梯度特征:在编码器(深度可分离卷积层和最大池化层合在一起称为编码器)中每2个深度可分离卷积层和一个最大池化层为一组,一共有9个深度可分离卷积层和4个最大池化层串联组合而成,每个深度可分离卷积层后都进行ReLU(修正线性单元)激活操作;深度可分离卷积操作分两步进行。第一步是逐通道卷积操作,分别卷积每个信道上的梯度数据,卷积核大小设为3×3,步长设为2、填充方式设为1;第二步是逐点卷积操作,卷积核大小设为1×1,步长设为1、填充方式设为0;
步骤3-2,下采样梯度特征:先将编码器的池化方式设定为最大池化方式,核的大小设为2×2、步长设为2、填充方式设为1;接着将各气象要素梯度数据输入编码器,第一卷积层输入通道设为1,输出通道数设为16,数据分辨率设定为256×512进行深度可分离卷积操作;将第二卷积层的输入和输出通道数设为16,数据分辨率设定为256×512进行深度可分离卷积操作;接着将数据输入第一池化层进行第一次下采样,输入通道数设为16,数据分辨率设为256×512,输出通道数设为16.数据分辨率设定为128×256;第三卷积层的输入通道数设为16,输出通道数设为32,数据分辨率设定为128×256进行深度可分离卷积操作;第四卷积层的输入和输出通道数设为32,数据分辨率设定为128×256进行深度可分离卷积操作,接着将数据输入第二池化层进行第二次下采样,输入通道数设为32,数据分辨率设为128×256,输出通道数设为32,数据分辨率设定为64×128;第五卷积层的输入通道数设为32,输出通道数设为64,数据分辨率设定为64×128进行深度可分离卷积操作;第六卷积层的输入和输出通道数设为64,数据分辨率设定为64×128进行深度可分离卷积操作,接着将数据输入第三池化层进行第三次下采样,输入通道数设为64,数据分辨率设为64×128,输出通道数设为64,数据分辨率设定为32×64;第七卷积层的输入通道数设为64,输出通道数设为128,数据分辨率设定为32×64进行深度可分离卷积操作;第八卷积层的输入和输出通道数设为128,数据分辨率设定为32×64进行深度可分离卷积操作,接着将数据输入第四池化层进行第四次下采样,输入通道数设为128,数据分辨率设为32×64,输出通道数设为128,数据分辨率设定为16×32;第九卷积层输入和输出通道数设为128,数据分辨率设定为16×32×128进行深度可分离卷积操作;
步骤4包括以下步骤:
步骤4-1,融合梯度特征:将下采样后的5类气象要素的梯度抽象特征数据输入2个串联的卷积层进行融合,每个卷积层进行全卷积操作和ReLU(修正线性单元)激活操作;第一个卷积层的输入通道数设定为640,数据分辨率设定为16×32,输出数据通道设为512,分辨率设定为16×32;输入第二个卷积层的输入通道数设定为512,数据分辨率设定为16×32,输出通道数设定为256,数据分辨率设定为16×32。
步骤5包括以下步骤:
步骤5-1,解码器解码:解码器(卷积层和反卷积层合在一起称为解码器)中每个反卷积层和2个卷积层为一组,一共有9个卷积层和4个反卷积层串联组合而成,每个卷积层后都进行ReLU激活操作;卷积层的卷积方式与编码器的卷积方式相同,也是使用深度可分离卷积操作方式,具体方式可参考步骤3-2;反卷积层的卷积核大小设为2×2、步长设为2、填充方式设为1;
步骤5-2,上采样梯度特征:将步骤4输出的融合特征数据输入解码器,第一个反卷积的输入通道数设为256,数据分辨率设定为16×32,输出通道数设为256,数据分辨率设定为32×64×256;接着输入到2个连续的卷积层,输入和输出通道数设为256,数据分辨率设为32×64;第二反卷积层的输入通道数设为256,数据分辨率设定为32×64,输出通道数设为128,数据分辨率设为64×128;接着输入到2个连续的卷积层,输入和输出通道数设为128,数据分辨率设为64×128;第三反卷积层的输入通道数设为128,数据分辨率设定为64×128,输出通道数设为64,数据分辨率设为128×256;接着输入到2个连续的卷积层,输入和输出通道数设为64,数据分辨率设为128×256;第四反卷积层的输入通道数设为64,数据分辨率设定为128×256,输出通道数设为32,数据分辨率设为256×512;接着输入到2个连续的卷积层,输入和输出通道数设为32,数据分辨率设为256×512;最后的卷积层输入通道数设为32,输出通道数设为5,数据分辨率设为256×512。
步骤6中,所述Softmax函数计算公式为:
其中zi为第i个通道的输出值,C为输出通道的个数,即分类的类别数,e是自然常数。
步骤7包括以下步骤:
步骤7-1,使用Xavier初始化方法来初始化所有的卷积核参数,初始化公式如下所示:
步骤7-2,计算样本的自适应权重:根据公式计算出5类标签每次训练时的权重。其中,wclass表示样本中每一类的权重,c是一个超参数,设为1.02,pclass是该类样本所占的比例。最后,将wclass限制在[1,50]的范围内;
步骤7-3,计算损失:选择多分类交叉熵损失函数,将计算出的样本自适应权重适时融入到多分类交叉熵损失函数内计算损失:多分类交叉熵损失函数计算公式为:
其中,C表示损失值,n是样本数量,x是预测向量维度,y是onehot编码后的真实值,对应x维度上的标签,是1或0,a是onehot格式输出的预测标签,是0到1的值;
最后使用Adam优化器优化参数训练网络;其中Adam优化器的学习率设为0.001。
步骤7-4,选择最优网络:在网络训练时,选择网络在测试集上正确率最高的一组参数网络为最优网络模型保存。
步骤8包括:网络预测时,将选择的最优网络输出的3维概率图输入Max函数(在每个格点选择Softmax函数输出的最大锋面概率)来确定识别区域内各网格点的锋面类别。
步骤9包括以下步骤:
步骤9-1,去除小区域锋面:网络应用到实际预测时,在步骤8识别出的锋面区域中,根据设定的范围阈值剔除小区域的锋面,范围阈值在850百帕时设为5×5个格点,不同的垂直高度阈值不同,如近地面时可设为2×2个格点。
步骤9-2,提取骨架线:将经过步骤9-1处理后的锋面区域中多余的锋面像素点通过不断迭代“腐蚀”边界的方法去除掉,直至剩下1个网格点宽的锋线,最后,选取最长的锋线为最终锋面识别结果。
步骤9-2包括以下步骤:
步骤9-2-2,迭代“腐蚀”操作:对识别区域内为锋面的网格点进行逐一判断,首先,将是锋的网格点看成1,不是锋的网格点看成0,标记出锋面区域的边界;接着以每个是1的锋面格点为中心,领域范围为3×3进行迭代,每次迭代进行X1(一般取值为6)次检查,每次循环检查领域内为1的点是否有3个点相邻开始到是否有7个点相邻,如果有3个非0点以上相邻,则删除所述领域内为1的点。
本发明的有益效果是:本方法能够替代人工识别锋面,具有自动化的优势;本方法的卷积层使用深度可分离的卷积操作能大幅度减少计算,具有高效的优势;本方法是在对目前自动识别锋面的一些方法进行优缺点分析的基础上进行了多方面科学的技术改进,识别锋面准确率较高,因此本方法在自动识别气象锋面的实际应用中效果很佳,值得推广应用。
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是本发明方法流程示意图。
图2是本发明方法中下采样和上采样流程图。
图3是本发明方法中深度可分离卷积示意图。
图4是本发明方法中对网络输出的后处理流程示意图。
图5是8个方向的无锋格点都扩展为相同的锋面示意图。
图6是将两个不同类锋格点之间的无锋格点扩展为优先锋的类示意图。
图7是将有锋格点同侧紧邻的无锋格点扩展为同一类型锋的示意图。
具体实施方式
如图1所示,本发明提供了一种基于深度可分离卷积网络的气象锋面自动识别方法,具体实施包括以下步骤:
步骤1,网络离线训练:划分训练样本集和测试样本集,扩展标签,输入气象要素并计算气象要素在各个网格点的梯度,初始化网络和训练参数,利用训练样本集采用样本加权交叉熵损失策略训练网络,再利用测试样本集选取正确率最高的一组参数网络作为自动识别气象锋面的网络;
步骤2,网络在线预测:将需要进行锋面识别区域内的5类气象要素数据输入经过步骤1获得的网络,得到识别区域内各网格点预测的锋面类别,最后,对网络识别出的个网格点的锋面结果进行后处理确定最终锋面。
步骤1包括以下步骤:
步骤1-1,扩展标签:首先,扩展对象为有锋格点8个方向上紧邻的无锋网格点;接着,将标签中需扩展的无锋格点分为3类进行扩展:
1、有锋格点不相邻且两格点之间的无锋格点数≥2的无锋格点,如图5所示,8个方向的无锋格点都扩展为相同的锋面;
2、有锋格点不相邻且两格点之间只有1个无锋格点,将两个不同类锋格点之间的无锋格点扩展为优先锋,优先等级为冷锋>暖锋>准静止锋>锢囚锋,如图6所示,扩展为优先锋类;
3、有锋格点相邻时的无锋格点,将有锋格点同侧紧邻的无锋格点扩展为同一类型锋,如下图7所示扩展;
步骤1-2,计算气象要素的水平梯度:网络输入为位温、比湿度、U风、V风和海平面平均气压数据;分别对这5类气象要素计算在各网格点的水平梯度,计算公式为:
其中τ为输入的气象要素数据;
步骤1-3,训练参数初始化:网络由Adam优化器训练,学习率设为0.001,训练阶段每次输入的样本数量设为10,网络训练的最大迭代次数设为30;
步骤1-4,读取梯度数据:采用批训练的方式,每次训练时从步骤1-2中读取10组5类气象要素梯度数据;
步骤1-5,前向传播:把读取的10组5类气象要素梯度数据输入图2中A所示编码器进行深度可分离卷积提取梯度特征、并下采样梯度特征,接着将经过下采样后的梯度特征数据输入融合模块进行融合操作,输出的数据输入到解码器中进行上采样操作,经Softmax函数后输出前向传播结果为10组5类锋的3维概率标量,Softmax函数计算公式为:
步骤1-6,网络训练策略:在网络训练时,先对训练样本中的各类锋进行自适应权重计算,再使用样本加权交叉熵损失函数计算前向传播输出的结果与扩展后的标签两者的损失,接着根据损失函数计算被训练网络参数的梯度,最后利用随机梯度下降的方法更新参数;
步骤1-5包括以下步骤:
步骤1-5-1,使用Xavier初始化方法来初始化所有的卷积核参数,初始化公式如下所示:
步骤1-5-2,进行深度可分离卷积提取梯度特征、并下采样梯度特征:将5类气象要素的梯度数据输入对应的5个编码器,在编码器中先对各气象要素的梯度进行深度可分离卷积提取出梯度特征,接着进行最大池化下采样操作,这2步操作连续进行四次,输出高度抽象梯度特征图,其大小为原来的1/16;
步骤1-5-3,融合梯度特征:先将5个编码器输出的结果在第三维进行拼接,再输入融合特征模块进行梯度特征融合,输出梯度融合抽象特征图;
步骤1-5-4,上采样梯度特征:将经过融合后的抽象梯度特征图输入解码模块,解码器将输入的融合特征图进行四次反卷积上采样后,输出的特征图与原始数据大小相同,最后输入卷积核为1、步长也为1的卷积层进行卷积操作;
步骤1-5-2包括以下步骤:
步骤1-5-2-1,深度可分离卷积:在编码器中每2个深度可分离卷积层和一个最大池化层为一组,一共有9个深度可分离卷积层和4个最大池化层串联组合而成,每个深度可分离卷积层后都进行ReLU激活操作;深度可分离卷积操作分两步进行。第一步如图3左图所示先进行逐通道卷积操作,分别卷积每个信道上的梯度数据,卷积核大小设为3×3,步长设为2、填充方式设为1;第二步如图3右图所示进行逐点卷积操作,卷积核大小设为1×1,步长设为1、填充方式设为0;
步骤1-5-2-2,下采样梯度特征:如图2中的A,先将编码器的池化方式设定为最大池化方式,核的大小设为2×2、步长设为2、填充方式设为1;接着将各气象要素梯度数据输入编码器,第一卷积层输入通道设为1,输出通道数设为16,数据分辨率设定为256×512进行深度可分离卷积操作;将第二卷积层的输入和输出通道数设为16,数据分辨率设定为256×512进行深度可分离卷积操作;接着将数据输入第一池化层进行第一次下采样,输入通道数设为16,数据分辨率设为256×512,输出通道数设为16.数据分辨率设定为128×256;第三卷积层的输入通道数设为16,输出通道数设为32,数据分辨率设定为128×256进行深度可分离卷积操作;第四卷积层的输入和输出通道数设为32,数据分辨率设定为128×256进行深度可分离卷积操作,接着将数据输入第二池化层进行第二次下采样,输入通道数设为32,数据分辨率设为128×256,输出通道数设为32,数据分辨率设定为64×128;第五卷积层的输入通道数设为32,输出通道数设为64,数据分辨率设定为64×128进行深度可分离卷积操作;第六卷积层的输入和输出通道数设为64,数据分辨率设定为64×128进行深度可分离卷积操作,接着将数据输入第三池化层进行第三次下采样,输入通道数设为64,数据分辨率设为64×128,输出通道数设为64,数据分辨率设定为32×64;第七卷积层的输入通道数设为64,输出通道数设为128,数据分辨率设定为32×64进行深度可分离卷积操作;第八卷积层的输入和输出通道数设为128,数据分辨率设定为32×64进行深度可分离卷积操作,接着将数据输入第四池化层进行第四次下采样,输入通道数设为128,数据分辨率设为32×64,输出通道数设为128,数据分辨率设定为16×32;第九卷积层输入和输出通道数设为128数据分辨率设定为16×32×128进行深度可分离卷积操作;
步骤1-5-3包括以下步骤:
步骤1-5-3-1,融合梯度特征:将下采样后的5类气象要素的梯度抽象特征数据输入2个串联的卷积层进行融合,每个卷积层进行全卷积操作和ReLU激活操作;第一个卷积层的输入通道数设定为640,数据分辨率设定为16×32,输出数据通道设为512,分辨率设定为16×32;输入第二个卷积层的输入通道数设定为512,数据分辨率设定为16×32,输出通道数设定为256,数据分辨率设定为16×32。
步骤1-5-4包括以下步骤:
步骤1-5-4-1,解码器解码:如图2中的B所示,解码器中每个反卷积层和2个卷积层为一组,一共有9个卷积层和4个反卷积层串联组合而成,每个卷积层后都进行ReLU激活操作;卷积层的卷积方式与编码器的卷积方式相同,也是使用深度可分离卷积操作方式,如图2所示;反卷积层的卷积核大小设为2×2、步长设为2、填充方式设为1;
步骤1-5-4-2,上采样梯度特征:如图3所示,将输出的融合特征数据输入解码器,第一个反卷积的输入通道数设为256,数据分辨率设定为16×32,输出通道数设为256,数据分辨率设定为32×64×256;接着输入到2个连续的卷积层,输入和输出通道数设为256,数据分辨率设为32×64;第二反卷积层的输入通道数设为256,数据分辨率设定为32×64,输出通道数设为128,数据分辨率设为64×128;接着输入到2个连续的卷积层,输入和输出通道数设为128,数据分辨率设为64×128;第三反卷积层的输入通道数设为128,数据分辨率设定为64×128,输出通道数设为64,数据分辨率设为128×256;接着输入到2个连续的卷积层,输入和输出通道数设为64,数据分辨率设为128×256;第四反卷积层的输入通道数设为64,数据分辨率设定为128×256,输出通道数设为32,数据分辨率设为256×512;接着输入到2个连续的卷积层,输入和输出通道数设为32,数据分辨率设为256×512;最后的卷积层输入通道数设为32,输出通道数设为5,数据分辨率设为256×512。
步骤1-6包括以下步骤:
步骤1-6-2,计算损失:选择多分类交叉熵损失函数,将计算出的样本自适应权重适时融入到多分类交叉熵损失函数内计算损失,多分类交叉熵损失函数计算公式为:其中,C表示损失值,n是样本数量,x是预测向量维度,y是onehot编码后的真实值,对应x维度上的标签,是1或0,a是onehot格式输出的预测标签,是0到1的值。
步骤2包括以下步骤:
步骤2-1,读取识别区域各网格点的5类气象要素数据:将识别区域的5类气象要素数据输入经过步骤1训练后的最优网络;
步骤2-2,前向传播:识别区域5类气象要素数据经过最优网络的前向传播计算,得到识别区域内5类锋的3维概率图;
步骤2-3,确定各网格点的锋面类别:将网络输出的3维概率图输入Max函数来确定识别区域内各网格点的锋面类别;
步骤2-4,确定最终锋面:将网络识别出的锋面区域先进行剔除小区域锋面操作,接着再进行骨架线提取操作确定最终锋面。
步骤2-4包括以下步骤:
步骤2-4-1,去除小区域锋面:在步骤2-3识别出的锋面区域中,根据设定的范围阈值剔除小区域的锋面,范围阈值在850百帕时设为5×5个格点,不同的垂直高度阈值不同,如近地面时可设为2×2个格点。
步骤2-4-2,提取骨架线:如图4所示,将经过步骤2-4-1处理后的锋面区域中多余的锋面像素点通过不断迭代“腐蚀”边界的方法去除掉,直至剩下1个网格点宽的锋线。迭代“腐蚀”操作具体实施方法为:对识别区域内为锋面的网格点进行逐一判断,首先,将是锋的网格点看成1,不是锋的网格点看成0,标记出锋面区域的边界;接着以每个是1的锋面格点为中心,领域范围为3×3进行迭代,每次迭代进行6次检查,每次循环检查领域内为1的点是否有3个点相邻开始到是否有7个点相邻,如果有3个非0点以上相邻,则删除该点。最后,如图4下方的图(找出主骨架线)所示选取最长的锋线为最终锋面识别结果。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于深度可分离卷积网络的气象锋面自动识别方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机。MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于深度可分离卷积网络的气象锋面自动识别方法,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)
1.一种基于深度可分离卷积网络的气象锋面自动识别方法,其特征在于,包括以下步骤:
步骤1,扩展标签;
步骤2,计算气象要素梯度:网络输入为5类气象要素:位温、比湿度、U风、V风和海平面平均气压数据;分别计算5类气象要素在各网格点的梯度;
步骤3,进行深度可分离卷积提取梯度特征、并下采样梯度特征;
步骤4,融合梯度特征;
步骤5,上采样梯度特征;
步骤6,预测格点的锋面概率:将上采样后的梯度特征图输入Softmax函数,得到识别区域内各网格点为5类锋的3维概率图;
步骤7,网络训练;
步骤8,确定网格点的锋面类别;
步骤9,确定最终锋面。
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,扩展有锋格点不相邻且两格点之间的无锋格点数大于等于2的无锋格点:将有锋格点垂直、水平和对角线8个方向的紧邻无锋网格点扩展为相同的锋类型;
步骤1-2,扩展有锋格点不相邻且两格点之间只有1个无锋格点:将两个不同类锋格点之间的无锋格点扩展为优先锋,优先等级由高到低为冷锋、暖锋、准静止锋、锢囚锋;
步骤1-3,扩展有锋格点相邻时的无锋格点:将有锋格点同侧紧邻的无锋格点扩展为同一类型锋。
3.根据权利要求2所述的方法,其特征在于,步骤3包括以下步骤:
步骤3-1,深度可分离卷积提取梯度特征:深度可分离卷积层和最大池化层合在一起称为编码器,在编码器中进行相应操作;
步骤3-2,下采样梯度特征:先将编码器的池化方式设定为最大池化方式,然后进行相应操作。
4.根据权利要求3所述的方法,其特征在于,步骤4包括以下步骤:
步骤4-1,将下采样后的5类气象要素的梯度抽象特征数据输入2个串联的卷积层进行融合,每个卷积层进行全卷积操作和ReLU激活操作;第一个卷积层的输入通道数设定为640,数据分辨率设定为16×32,输出数据通道设为512,分辨率设定为16×32;输入第二个卷积层的输入通道数设定为512,数据分辨率设定为16×32,输出通道数设定为256,数据分辨率设定为16×32。
5.根据权利要求4所述的方法,其特征在于,步骤5包括以下步骤:
步骤5-1,解码器解码:卷积层和反卷积层合在一起称为解码器,解码器中每个反卷积层和2个卷积层为一组,然后进行相应操作;
步骤5-2,上采样梯度特征:将步骤4输出的融合特征数据输入解码器,进行相应操作。
7.根据权利要求6所述的方法,其特征在于,步骤7包括以下步骤:
步骤7-1,使用Xavier初始化方法来初始化所有的卷积核参数,初始化公式如下所示:
步骤7-2,计算样本的自适应权重:根据公式计算出5类标签每次训练时的权重,其中,wclass表示样本中每一类的权重,c是一个超参数,pclass是样本所占的比例;最后,将wclass限制在[1,50]的范围内;
步骤7-3,计算损失:选择多分类交叉熵损失函数,将计算出的样本自适应权重适时融入到多分类交叉熵损失函数内计算损失:多分类交叉熵损失函数计算公式为:
其中,C表示损失值,n是样本数量,是预测向量维度,y是onehot编码后的真实值,对应x维度上的标签,是1或0,a是onehot格式输出的预测标签,是0到1的值;
最后使用Adam优化器优化参数训练网络;
步骤7-4,选择最优网络:在网络训练时,选择网络在测试集上正确率最高的一组参数网络为最优网络模型保存。
8.根据权利要求7所述的方法,其特征在于,步骤8包括:网络预测时,将选择的最优网络输出的3维概率图输入Max函数来确定识别区域内各网格点的锋面类别。
9.根据权利要求8所述的方法,其特征在于,步骤9包括以下步骤:
步骤9-1,去除小区域锋面:应用到实际预测时,在步骤8识别出的锋面区域中,根据设定的范围阈值剔除小区域的锋面;
步骤9-2,提取骨架线:将经过步骤9-1处理后的锋面区域中多余的锋面像素点通过不断迭代腐蚀边界的方法去除掉,直至剩下1个网格点宽的锋线,最后,选取最长的锋线为最终锋面识别结果。
10.根据权利要求9所述的方法,其特征在于,步骤9-2包括以下步骤:
步骤9-2-2,迭代腐蚀操作:对识别区域内为锋面的网格点进行逐一判断,首先,将是锋的网格点看成1,不是锋的网格点看成0,标记出锋面区域的边界;接着以每个是1的锋面格点为中心,领域范围为3×3进行迭代,每次迭代进行X1次检查,每次循环检查领域内为1的点是否有3个点相邻开始到是否有7个点相邻,如果有3个非0点以上相邻,则删除所述领域内为1的点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714730.2A CN115082791A (zh) | 2022-06-22 | 2022-06-22 | 一种基于深度可分离卷积网络的气象锋面自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714730.2A CN115082791A (zh) | 2022-06-22 | 2022-06-22 | 一种基于深度可分离卷积网络的气象锋面自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082791A true CN115082791A (zh) | 2022-09-20 |
Family
ID=83253089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714730.2A Pending CN115082791A (zh) | 2022-06-22 | 2022-06-22 | 一种基于深度可分离卷积网络的气象锋面自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082791A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859222A (zh) * | 2022-12-28 | 2023-03-28 | 四川省气象灾害防御技术中心 | 一种基于多梯度特征融合网络的雷电自动预测方法 |
CN115878731A (zh) * | 2022-11-17 | 2023-03-31 | 南京信息工程大学 | 一种暖锋自动识别方法 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
CN116306381A (zh) * | 2023-05-17 | 2023-06-23 | 中国海洋大学 | 一种基于锋面预测的河口塑料污染清理方法 |
CN116681959A (zh) * | 2023-06-09 | 2023-09-01 | 中科三清科技有限公司 | 基于机器学习的锋线识别方法、装置、存储介质及终端 |
CN116933014A (zh) * | 2023-09-14 | 2023-10-24 | 成都信息工程大学 | 一种干型昆明准静止锋的自动识别方法 |
CN117853949A (zh) * | 2024-03-07 | 2024-04-09 | 南京信息工程大学 | 一种使用卫星云图识别冷锋的深度学习方法、系统 |
-
2022
- 2022-06-22 CN CN202210714730.2A patent/CN115082791A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878731A (zh) * | 2022-11-17 | 2023-03-31 | 南京信息工程大学 | 一种暖锋自动识别方法 |
CN115878731B (zh) * | 2022-11-17 | 2024-03-08 | 南京信息工程大学 | 一种暖锋自动识别方法 |
CN115859222A (zh) * | 2022-12-28 | 2023-03-28 | 四川省气象灾害防御技术中心 | 一种基于多梯度特征融合网络的雷电自动预测方法 |
CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
CN116247824A (zh) * | 2023-03-30 | 2023-06-09 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
CN116306381A (zh) * | 2023-05-17 | 2023-06-23 | 中国海洋大学 | 一种基于锋面预测的河口塑料污染清理方法 |
CN116306381B (zh) * | 2023-05-17 | 2023-08-18 | 中国海洋大学 | 一种基于锋面预测的河口塑料污染清理方法 |
CN116681959A (zh) * | 2023-06-09 | 2023-09-01 | 中科三清科技有限公司 | 基于机器学习的锋线识别方法、装置、存储介质及终端 |
CN116681959B (zh) * | 2023-06-09 | 2024-03-19 | 中科三清科技有限公司 | 基于机器学习的锋线识别方法、装置、存储介质及终端 |
CN116933014A (zh) * | 2023-09-14 | 2023-10-24 | 成都信息工程大学 | 一种干型昆明准静止锋的自动识别方法 |
CN116933014B (zh) * | 2023-09-14 | 2023-11-28 | 成都信息工程大学 | 一种干型昆明准静止锋的自动识别方法 |
CN117853949A (zh) * | 2024-03-07 | 2024-04-09 | 南京信息工程大学 | 一种使用卫星云图识别冷锋的深度学习方法、系统 |
CN117853949B (zh) * | 2024-03-07 | 2024-05-14 | 南京信息工程大学 | 一种使用卫星云图识别冷锋的深度学习方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082791A (zh) | 一种基于深度可分离卷积网络的气象锋面自动识别方法 | |
CN113379699A (zh) | 基于深度学习的输电线路绝缘子缺陷检测方法 | |
CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN108629267B (zh) | 一种基于深度残差网络的车型识别方法 | |
CN110008853B (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
CN115272776B (zh) | 基于双路卷积与双注意的高光谱图像分类方法及存储介质 | |
CN114022368A (zh) | 基于生成对抗网络的路面病害数据增强方法 | |
CN115100549A (zh) | 一种基于改进YOLOv5的输电线路金具检测方法 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN112926556A (zh) | 一种基于语义分割的航拍输电线路散断股识别方法及系统 | |
CN113313830B (zh) | 基于多分支图卷积神经网络的编码点云特征提取方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN114612803A (zh) | 一种改进CenterNet的输电线路绝缘子缺陷检测方法 | |
CN116702627B (zh) | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN116452574A (zh) | 一种基于改进YOLOv7的缝隙检测方法、系统和存储介质 | |
CN114494284B (zh) | 一种基于显式监督区域关系的场景解析模型及方法 | |
CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
CN111553272B (zh) | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 | |
CN117152746B (zh) | 一种基于yolov5网络的宫颈细胞分类参数获取方法 | |
CN117709488B (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
CN113052353B (zh) | 空气质量预测与预测模型训练方法、装置及存储介质 | |
CN114299373A (zh) | 一种基于图像深度学习的海上目标识别方法 |
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 |