CN115598611A - 一种基于全局-局部聚合模型的雷达智能回波外推方法 - Google Patents
一种基于全局-局部聚合模型的雷达智能回波外推方法 Download PDFInfo
- Publication number
- CN115598611A CN115598611A CN202211209278.0A CN202211209278A CN115598611A CN 115598611 A CN115598611 A CN 115598611A CN 202211209278 A CN202211209278 A CN 202211209278A CN 115598611 A CN115598611 A CN 115598611A
- Authority
- CN
- China
- Prior art keywords
- echo
- layer
- global
- sequence
- local aggregation
- 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
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
- 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
- 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
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及天气雷达技术领域,尤其涉及一种基于全局‑局部聚合模型的雷达智能回波外推方法。根据本发明提供的一种基于全局‑局部聚合模型的雷达智能回波外推方法,通过构建气象雷达回波灰度图像序列数据集及其对应的光流序列数据集,搭建并训练全局‑局部聚合模型,实现未来气象雷达回波图像序列的精确预测。将回波序列光流信息作为运动引导信息,并借助注意力机制有效融合不同时间尺度下的回波序列时空信息,强调回波外推任务中迫切需要的全局‑局部时空聚合,提升预测长时间序列中强降雨覆盖区域和强度的能力。
Description
技术领域
本发明涉及天气雷达技术领域,尤其涉及一种基于全局-局部聚合模型的雷达智能回波外推方法。
背景技术
降水短临预报对于气象防灾减灾具有重要意义。气象雷达具有覆盖范围大、数据更新时间快的优点,可及时获取大面积降水数据,为短临预报提供高质量观测资料。气象雷达回波外推是短临预报最常用的技术手段。当前主流回波外推方法包括传统基于估计雷达回波运动矢量的线性外推法,以及基于深度学习模型的智能化外推方法。
传统基于估计雷达回波运动矢量的线性外推方法包括质心跟踪法、光流法等,具有实现简单、预测清晰度高的优点。但其预测雷达图像结果中失真、扭曲现象较为严重,无法捕捉真实世界降水回波的复杂非线性运动,降水技能评分较差。另外,传统方法无法充分利用海量气象雷达历史回波资料。
智能化外推方法将气象雷达回波外推问题建模为深度时空序列预测问题,依靠纯卷积网络或卷积循环神经网络构建回波外推模型。其在降水技能评分方面展现出优于传统方法的潜力,但仍存在系统性低估强降雨覆盖范围与降雨强度问题。其原因在于,由于模型感受野受限以及自然界强降雨数据有限,现有回波外推模型在同时捕获回波序列的全局和局部时空交互方面存在固有困难,从而限制了外推性能。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提出一种基于全局-局部聚合模型的雷达智能回波外推方法,主要解决的技术问题是:现有外推模型系统性低估强降雨覆盖范围与降雨强度问题。
本发明的技术解决方案是:
一种基于全局-局部聚合模型的雷达智能回波外推方法,该方法的步骤包括:
A,获取以灰度图像形式存储的气象雷达降水回波图像序列数据集,并根据获取的气象雷达降水回波图像序列数据集得到气象雷达降水回波图像序列对应的光流序列数据集;
B,构建全局-局部聚合模型;
所述的构建的全局-局部聚合模型包括基于编码-预测架构的预测分支以及基于注意力机制的全局-局部聚合分支;
所述的基于注意力机制的全局-局部聚合分支包括光流信息引导的回波运动表征子模块、基于注意力机制的全局-局部聚合子模块以及基于通道注意力的特征融合子模块;
C,使用步骤A获取的气象雷达降水回波图像序列数据集和气象雷达降水回波光流序列数据集训练步骤B构建的全局-局部聚合模型,得到训练好的全局-局部聚合模型;
D,将待测试集样本数据输入到步骤C训练好的全局-局部聚合模型,得到待测试集样本数据的回波外推预测图像序列,完成基于全局-局部聚合模型的雷达智能回波外推;
所述的步骤A中,获取的以灰度图像形式存储的气象雷达降水回波图像序列数据集中,像素灰度值代表真实回波反射率因子,反射率缺省值在灰度图中设为像素值255;
所述的步骤B中,编码-预测架构由编码器和预测器两部分构成,编码器中交替设置卷积下采样层与卷积长短期记忆网络单元,预测器中交替设置卷积上采样层与卷积长短期记忆网络单元,且编码器中的每层卷积长短期记忆网络单元与预测器中的每层卷积长短期记忆网络单元一一对应,基于编码-预测架构的预测分支中,编码器输入端为当前观测回波序列,输出端为待预测回波序列;
所述的步骤B中,光流信息引导的回波运动表征子模块为编码器-解码器结构,编码器输入端为当前观测回波序列,输出端为回波序列对应的光流序列,光流信息引导的回波运动表征子模块的构成包括1层残差连接层、3层下采样残差连接层、3层由上采样层、1×1×1卷积层、残差连接层、1层1×1×1卷积层,气象雷达降水回波图像首先经过1层残差连接层,接着经过3层下采样残差连接层,再经过3层由上采样层、1×1×1卷积层以及残差连接层依次堆叠的卷积层,最后经过1层1×1×1卷积层调整通道数,得到输入气象雷达降水回波图像对应的光流序列;其中,对应下采样层和上采样层之间添加跳层连接,编码器的第三层下采样层之后连接一个运动语义分词器,运动语义分词器的输入为编码器第三层输出的运动语义特征,输出为向量化抽象运动信息;
所述的步骤B中,基于注意力机制的全局-局部聚合子模块的输入为向量化抽象运动信息,全局-局部聚合子模块的核心组件为自注意力机制与交叉注意力机制,形式上采用Transformer解码器堆叠结构,并配备一个全局信息记忆池,首先,向量化抽象运动信息经过线性映射得到查询、键、值向量后,进行自注意力机制运算;随后经残差连接与层归一化,得到的输出特征作为下层交叉注意力机制的查询向量;计算交叉注意力机制时,键、值向量对由记忆池提供;经过交叉注意力机制运算之后,再经过两层残差连接与层归一化(两层中间配备一层前馈神经网络),得到全局-局部聚合子模块的输出特征;
所述的步骤B中,基于通道注意力的特征融合子模块将预测分支中最深层卷积长短期记忆网络单元的细胞态、隐含态特征与全局-局部聚合子模块的输出特征进行加权融合,具体为:
首先,细胞态特征与全局-局部聚合子模块的输出特征进行通道维拼接;随后,拼接特征分两路分别输入一层最大池化层与一层平均池化层进行空间维特征进一步聚合,再经过一层共享前馈神经网络层,随后将两路特征相加后送入激活函数,得到通道注意力权重;通道注意力权重与全局-局部聚合子模块的输出特征进行哈达玛乘积操作实现通道注意力加权;加权后的特征与隐含态特征进行通道维拼接,并经过一层1×1卷积层进行通道数调整,得到细化后的隐含态特征;最后,细化后隐含态特征逐层经过上采样层与浅层卷积长短期记忆网络单元,迭代得到输出回波图像;
所述的步骤C中,对步骤A获取的气象雷达降水回波图像序列数据集进行数据归一化处理,然后按照设定比例划分为训练集、验证集和测试集;
对步骤A得到的气象雷达降水回波图像序列对应的光流序列数据集进行数据归一化处理,然后按照设定比例划分为对应的训练集、验证集和测试集;
所述的步骤C中,训练全局-局部聚合模型时,设置两阶段训练策略训练全局-局部聚合模型,第一个训练阶段为记忆池更新阶段,此阶段的输入为长时雷达回波序列,长时雷达回波序列长度小于等于训练集中每个雷达回波序列样本总体长度但大于外推算法测试阶段规定的输入序列长度,且在训练阶段中一直保持全局信息记忆池的权重不断更新,该阶段可视作长时间回波序列运动特征存储阶段;第二个训练阶段为记忆池固定阶段,此阶段的输入为短时雷达回波序列,即外推算法测试阶段规定的输入序列长度,此阶段,锁定记忆池的权重与梯度,不再更新,该阶段可视作短时回波序列运动特征与已存储的长时回波序列运动特征匹配阶段;
进行全局-局部聚合模型训练时,记忆池更新阶段与记忆池固定阶段交替进行,将验证集上性能最优的模型保存用于测试。
根据待测试集样本数据的回波外推预测图像序列中的反射率因子估算降雨率,应用于降水短临预报。
本发明的有益效果是:
(1)根据本发明提供的一种基于全局-局部聚合模型的雷达智能回波外推方法,通过构建气象雷达回波灰度图像序列数据集及其对应的光流序列数据集,搭建并训练全局-局部聚合模型,实现未来气象雷达回波图像序列的精确预测。
(2)本方案引入一种新颖的运动信息引导的全局-局部聚合模型,将回波序列光流信息作为运动引导信息,并借助注意力机制有效融合不同时间尺度下的回波序列时空信息,强调回波外推任务中迫切需要的全局-局部时空聚合,提升预测长时间序列中强降雨覆盖区域和强度的能力。
附图说明
图1为本发明的基于全局-局部聚合模型的雷达智能回波外推方法流程示意图;
图2为本发明的全局-局部聚合模型示意图;
图3为本发明的回波运动表征子模块示意图;
图4为本发明的通道注意力模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
本实施例提供一种基于全局-局部聚合模型的雷达智能回波外推方法,请参见图1-4,主要包括如下步骤:
S101、获取气象雷达回波灰度图像序列及其对应的光流序列数据集;
S102、搭建全局-局部聚合模型;
S103、训练全局-局部聚合模型。模型训练结束后,将测试集样本数据输入训练好的模型,得到回波外推预测图像序列。
获取以灰度图像形式存储的气象雷达降水回波图像序列数据集,以及图像序列对应的光流序列数据集。气象雷达降水回波图以灰度图形式存储,其中像素灰度值即代表真实回波反射率,反射率缺省值在灰度图中设为像素值255。利用EpicFlow计算回波图像序列的光流场序列数据;对雷达图像进行数据归一化,并按照4:1:1的比例划分为训练集、验证集和测试集,光流场序列数据也相应的划分为训练集、验证集和测试集。
给定历史雷达回波序列作为外推模型输入,其中代表S1:t中第k帧回波图像。回波图像以灰度图像形式存储,因此Xk的通道数C=1。外推模型旨在使预测序列尽可能接近实际观测St+1:T。本实施例中,采用每隔6分钟更新一次的气象雷达图像数据构建数据集,输入序列长度t设为10,总序列长度T设为20,即基于过去1小时的气象雷达观测,预测未来1小时气象雷达回波序列。本实施例中气象雷达图像的空间尺度为H,W=384,384。
搭建全局-局部聚合模型。如图2(a)、(b)所示,模型整体结构包括基于编码-预测架构的预测分支,以及基于注意力机制的全局-局部聚合分支。编码-预测架构由编码器、预测器两部分构成。编码器中交替设置4层卷积下采样层与4层卷积长短期记忆网络单元,预测器中交替设置4层卷积上采样层与4层卷积长短期记忆网络单元,且编码器中的每层卷积长短期记忆网络单元与预测器中的每层卷积长短期记忆网络单元一一对应。4层卷积长短期记忆网络单元隐含态通道数由浅到深分别设置为16,64,128,128。
全局-局部聚合分支包括运动表征子模块、基于注意力机制的全局-局部聚合子模块,以及基于通道注意力的特征融合子模块。如图3(a)所示,运动表征模块为编码器-解码器结构,编码器输入端为当前观测回波序列,输出端为回波序列对应的光流序列。输入回波序列首先经过1层残差连接层,接着经过3层下采样残差连接层,再经过3层由上采样层、1×1×1卷积层以及残差连接层依次堆叠的卷积层,最后经过1层1×1×1卷积层调整通道数,得到输入回波序列对应的光流序列如图3(a)中虚线所示,对应下采样层和上采样层之间添加跳层连接。具体地,如图3(b)所示,残差层主干支路由批归一化层(BN)、带泄露线性整流函数(LReLU)、步长为1的3×3×3卷积层、批归一化层(BN)、带泄露线性整流函数(LReLU)、随机失活层(Dropout)、步长为1的3×3×3卷积层(Conv 3×3×3,stride=1)堆叠而成。如图3(c)所示,下采样层可视为特殊的残差层,其主干分支中第一个卷积层的步长设为2(Conv 3×3×3,stride=2),恒等映射分支中添加一个步长为2的3×3×3卷积以及1个批归一化层。第一个残差层的输出通道设置为32。之后,每次特征图通过下采样块时,它们的通道维度都会变为原来的2倍。其余三个上采样块保持通道尺寸不变。前3个1×1×1卷积层用于调整跳层连接的通道尺寸。最后一个1×1×1卷积层的通道维度设置为2,用于2维光流矢量估计。编码器的第3层下采样层之后,额外连接一个运动语义分词器。运动语义分词器的输入为编码器第3层输出的运动语义特征其中Dt,Dhw分别为时间尺度、空间尺度的下采样因子,本实施例中分别设置为2,12,C1为特征A的通道数,设为128。如图3(d)所示,运动语义分词器由1层步长为1的3×3×3卷积层、1层带泄露线性整流函数(LReLU)层、1层最大池化层(MaxPool)、一层平均池化层(AvgPool)以及1层展平操作层堆叠而成,输出为向量化抽象运动信息此处L设为256。
向量化抽象运动信息输入基于注意力机制的全局-局部聚合子模块。如图2(b)、(c)所示,全局-局部聚合子模块的核心组件为自注意力机制与交叉注意力机制,形式上采用Transformer解码器堆叠结构,并配备一个全局信息记忆池。首先,向量化抽象运动信息经过线性映射得到查询Q、键K、值向量V后,进行自注意力机制运算,运算过程记为:
其中为多头自注意力机制中每个注意力头的查询、键、值向量,Nheads为使用的头数,此处设为8,i=1,2,3,…,Nhead,dk为缩放因子,此处设为128,h为多头自注意力机制的输出,Concat[·]为特征通道维度拼接,Wd为线性映射矩阵;随后经残差连接与层归一化,得到的输出特征作为下层交叉注意力机制的查询向量;计算交叉注意力机制时,计算过程与自注意力机制计算过程类似,不过此处键、值向量对由记忆池提供;经过交叉注意力机制运算之后,再经过两层残差连接与层归一化(两层中间配备一层前馈神经网络),得到全局-局部聚合子模块的输出特征。
基于通道注意力的特征融合子模块将预测分支中最深层卷积长短期记忆网络单元的细胞态隐含态特征(上标代表第4层卷积长短期记忆网络单元)与全局-局部聚合子模块的输出特征进行加权融合。如图4所示,首先,细胞态特征与全局-局部聚合子模块的输出特征进行通道维拼接;随后,拼接特征分两路分别输入一层最大池化层Fmax与一层平均池化层Favg进行空间维特征进一步聚合,再经过一层共享前馈神经网络层,随后将两路特征相加后送入激活函数,得到通道注意力权重;通道注意力权重与全局-局部聚合子模块的输出特征θ′进行哈达玛乘积操作实现通道注意力加权;加权后的特征θ′att与隐含态特征进行通道维拼接,并经过一层1×1卷积层进行通道数调整,得到细化后的隐含态特征最后,细化后隐含态特征逐层经过上采样层与浅层卷积长短期记忆网络单元,迭代得到输出回波图像。
训练全局-局部聚合模型。设置两阶段训练策略训练全局-局部聚合模型。第一个训练阶段为记忆池更新阶段,此阶段的输入为长时雷达回波序列长时雷达回波序列长度小于等于训练集中每个雷达回波序列样本总体长度但大于外推算法测试阶段规定的输入序列长度,且在训练阶段中经反向传播算法一直保持全局信息记忆池的权重不断更新,该阶段可视作长时间回波序列运动特征存储阶段。第二个训练阶段为记忆池固定阶段,此阶段的输入为短时雷达回波序列Sshort=S1:t,即外推算法测试阶段规定的输入序列长度。此阶段,锁定记忆池的权重与梯度,不再更新,该阶段可视作短时回波序列运动特征与已存储的长时回波序列运动特征匹配阶段。模型训练结束后,将测试集样本数据输入训练好的全局-局部聚合模型模型,得到回波外推预测图像序列
本实施例中,所提全局-局部聚合模型在SRAD2018数据集上进行实验。40dBZ反射率阈值下的海德克技能得分(HSS)与临界成功指数(CSI)分别达到0.5907和0.4540,而传统卷积长短期记忆网络的HSS、CSI分别为0.5802和0.4423。可见本发明设计的基于全局-局部聚合模型的雷达智能回波外推方法,通过引入光流信息作为运动引导信息,以及基于注意力机制的全局-局部聚合模块,增强了模型对于短期局部与长期全局回波时空特征的交互感知能力,对于强降雨预报的降水技能评分改善明显。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于该方法的步骤包括:
A,获取以灰度图像形式存储的气象雷达降水回波图像序列数据集,并根据获取的气象雷达降水回波图像序列数据集得到气象雷达降水回波图像序列对应的光流序列数据集;
B,构建全局-局部聚合模型;
C,使用步骤A获取的气象雷达降水回波图像序列数据集和气象雷达降水回波光流序列数据集训练步骤B构建的全局-局部聚合模型,得到训练好的全局-局部聚合模型;
D,将待测试集样本数据输入到步骤C训练好的全局-局部聚合模型,得到待测试集样本数据的回波外推预测图像序列,完成基于全局-局部聚合模型的雷达智能回波外推。
2.根据权利要求1所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤A中,获取的以灰度图像形式存储的气象雷达降水回波图像序列数据集中,像素灰度值代表真实回波反射率因子,反射率缺省值在灰度图中设为像素值255。
3.根据权利要求1或2所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤B中,构建的全局-局部聚合模型包括基于编码-预测架构的预测分支以及基于注意力机制的全局-局部聚合分支;
所述的基于注意力机制的全局-局部聚合分支包括光流信息引导的回波运动表征子模块、基于注意力机制的全局-局部聚合子模块以及基于通道注意力的特征融合子模块。
4.根据权利要求3所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤B中,编码-预测架构由编码器和预测器两部分构成,编码器中交替设置卷积下采样层与卷积长短期记忆网络单元,预测器中交替设置卷积上采样层与卷积长短期记忆网络单元,且编码器中的每层卷积长短期记忆网络单元与预测器中的每层卷积长短期记忆网络单元一一对应,基于编码-预测架构的预测分支中,编码器输入端为当前观测回波序列,输出端为待预测回波序列。
5.根据权利要求4所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤B中,光流信息引导的回波运动表征子模块为编码器-解码器结构,编码器输入端为当前观测回波序列,输出端为回波序列对应的光流序列,光流信息引导的回波运动表征子模块的构成包括1层残差连接层、3层下采样残差连接层、3层由上采样层、1×1×1卷积层、残差连接层、1层1×1×1卷积层,气象雷达降水回波图像首先经过1层残差连接层,接着经过3层下采样残差连接层,再经过3层由上采样层、1×1×1卷积层以及残差连接层依次堆叠的卷积层,最后经过1层1×1×1卷积层调整通道数,得到输入气象雷达降水回波图像对应的光流序列;其中,对应下采样层和上采样层之间添加跳层连接,编码器的第三层下采样层之后连接一个运动语义分词器,运动语义分词器的输入为编码器第三层输出的运动语义特征,输出为向量化抽象运动信息。
6.根据权利要求5所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤B中,基于注意力机制的全局-局部聚合子模块的输入为向量化抽象运动信息,全局-局部聚合子模块的核心组件为自注意力机制与交叉注意力机制,形式上采用Transformer解码器堆叠结构,并配备一个全局信息记忆池,首先,向量化抽象运动信息经过线性映射得到查询、键、值向量后,进行自注意力机制运算;随后经残差连接与层归一化,得到的输出特征作为下层交叉注意力机制的查询向量;计算交叉注意力机制时,键、值向量对由记忆池提供;经过交叉注意力机制运算之后,再经过两层残差连接与层归一化,两层中间配备一层前馈神经网络,得到全局-局部聚合子模块的输出特征。
7.根据权利要求6所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤B中,基于通道注意力的特征融合子模块将预测分支中最深层卷积长短期记忆网络单元的细胞态、隐含态特征与全局-局部聚合子模块的输出特征进行加权融合,具体为:
首先,细胞态特征与全局-局部聚合子模块的输出特征进行通道维拼接;随后,拼接特征分两路分别输入一层最大池化层与一层平均池化层进行空间维特征进一步聚合,再经过一层共享前馈神经网络层,随后将两路特征相加后送入激活函数,得到通道注意力权重;通道注意力权重与全局-局部聚合子模块的输出特征进行哈达玛乘积操作实现通道注意力加权;加权后的特征与隐含态特征进行通道维拼接,并经过一层1×1卷积层进行通道数调整,得到细化后的隐含态特征;最后,细化后隐含态特征逐层经过上采样层与浅层卷积长短期记忆网络单元,迭代得到输出回波图像。
8.根据权利要求7所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤C中,对步骤A获取的气象雷达降水回波图像序列数据集进行数据归一化处理,然后按照设定比例划分为训练集、验证集和测试集;
对步骤A得到的气象雷达降水回波图像序列对应的光流序列数据集进行数据归一化处理,然后按照设定比例划分为对应的训练集、验证集和测试集。
9.根据权利要求8所述的一种基于全局-局部聚合模型的雷达智能回波外推方法,其特征在于:
所述的步骤C中,训练全局-局部聚合模型时,设置两阶段训练策略训练全局-局部聚合模型,第一个训练阶段为记忆池更新阶段,此阶段的输入为长时雷达回波序列,长时雷达回波序列长度小于等于训练集中每个雷达回波序列样本总体长度但大于外推算法测试阶段规定的输入序列长度,且在训练阶段中一直保持全局信息记忆池的权重不断更新,该阶段可视作长时间回波序列运动特征存储阶段;第二个训练阶段为记忆池固定阶段,此阶段的输入为短时雷达回波序列,即外推算法测试阶段规定的输入序列长度,此阶段,锁定记忆池的权重与梯度,不再更新,该阶段可视作短时回波序列运动特征与已存储的长时回波序列运动特征匹配阶段;
进行全局-局部聚合模型训练时,记忆池更新阶段与记忆池固定阶段交替进行,将验证集上性能最优的模型保存用于测试。
10.一种权利要求1-9任一所述的一种基于全局-局部聚合模型的雷达智能回波外推方法的应用,其特征在于:
根据待测试集样本数据的回波外推预测图像序列中的反射率因子估算降雨率,应用于降水短临预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211209278.0A CN115598611A (zh) | 2022-09-30 | 2022-09-30 | 一种基于全局-局部聚合模型的雷达智能回波外推方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211209278.0A CN115598611A (zh) | 2022-09-30 | 2022-09-30 | 一种基于全局-局部聚合模型的雷达智能回波外推方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115598611A true CN115598611A (zh) | 2023-01-13 |
Family
ID=84844483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211209278.0A Pending CN115598611A (zh) | 2022-09-30 | 2022-09-30 | 一种基于全局-局部聚合模型的雷达智能回波外推方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115598611A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739048A (zh) * | 2023-08-16 | 2023-09-12 | 合肥工业大学 | 基于多元transformer的雷电长时预测模型、方法和系统 |
CN117233724A (zh) * | 2023-11-15 | 2023-12-15 | 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 |
CN118050729A (zh) * | 2024-04-15 | 2024-05-17 | 南京信息工程大学 | 一种基于改进U-Net的雷达回波时间降尺度订正方法 |
CN118050729B (zh) * | 2024-04-15 | 2024-07-09 | 南京信息工程大学 | 一种基于改进U-Net的雷达回波时间降尺度订正方法 |
-
2022
- 2022-09-30 CN CN202211209278.0A patent/CN115598611A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739048A (zh) * | 2023-08-16 | 2023-09-12 | 合肥工业大学 | 基于多元transformer的雷电长时预测模型、方法和系统 |
CN116739048B (zh) * | 2023-08-16 | 2023-10-20 | 合肥工业大学 | 基于多元transformer的雷电长时预测模型、方法和系统 |
CN117233724A (zh) * | 2023-11-15 | 2023-12-15 | 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 |
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 |
CN118050729A (zh) * | 2024-04-15 | 2024-05-17 | 南京信息工程大学 | 一种基于改进U-Net的雷达回波时间降尺度订正方法 |
CN118050729B (zh) * | 2024-04-15 | 2024-07-09 | 南京信息工程大学 | 一种基于改进U-Net的雷达回波时间降尺度订正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115598611A (zh) | 一种基于全局-局部聚合模型的雷达智能回波外推方法 | |
CN109919358B (zh) | 一种基于神经网络时空注意力机制的实时站点流量预测方法 | |
US11967152B2 (en) | Video classification model construction method and apparatus, video classification method and apparatus, device, and medium | |
JP5510688B2 (ja) | 画像のマルチレベル分解を利用して画質計測値を決定する方法およびシステム | |
CN112446419A (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
CN116305967A (zh) | 基于卷积神经网络和多模态特征融合的海面风速反演方法 | |
CN115775350A (zh) | 一种图像增强方法和装置、计算设备 | |
Dong et al. | Motion-guided global–local aggregation transformer network for precipitation nowcasting | |
CN115240049A (zh) | 基于注意力机制的深度学习模型 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
Chen et al. | Ship detection with optical image based on attention and loss improved YOLO | |
CN116824146B (zh) | 一种小样本ct图像分割方法、系统、终端及存储介质 | |
CN115984132A (zh) | 一种基于cbaim差分循环神经网络的短临预报方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN112184559B (zh) | 一种光电导航系统的超分辨率图像异常目标检测方法及系统 | |
CN114663444A (zh) | 一种基于自监督迁移和全域注意力的胎儿心脏分割方法 | |
CN114972041A (zh) | 基于残差网络的极化雷达图像超分辨率重建方法和装置 | |
CN111382761B (zh) | 一种基于cnn的检测器、图像检测方法及终端 | |
CN116805337B (zh) | 一种基于跨尺度视觉变换网络的人群定位方法 | |
CN113112599A (zh) | 一种基于vr技术的加氢站远程诊断方法、系统及电子设备 | |
CN112381448B (zh) | 基于人脸时空特征的教学质量评估方法、装置及电子设备 | |
CN110135419A (zh) | 一种自然场景下端到端文本识别方法 | |
CN112926619B (zh) | 一种高精度水下激光目标识别系统 | |
CN117634930B (zh) | 一种台风云图预测方法、系统及存储介质 | |
US20240144087A1 (en) | Fusion models for beam prediction |
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 |