CN116148796A - 一种基于雷达图像外推的强对流天气临近预报方法 - Google Patents
一种基于雷达图像外推的强对流天气临近预报方法 Download PDFInfo
- Publication number
- CN116148796A CN116148796A CN202211741228.7A CN202211741228A CN116148796A CN 116148796 A CN116148796 A CN 116148796A CN 202211741228 A CN202211741228 A CN 202211741228A CN 116148796 A CN116148796 A CN 116148796A
- Authority
- CN
- China
- Prior art keywords
- radar
- extrapolation
- optical flow
- strong convection
- forecast
- 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
- 238000013213 extrapolation Methods 0.000 title claims abstract description 63
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 121
- 230000003287 optical effect Effects 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 15
- 238000001556 precipitation Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达图像外推的强对流天气临近预报方法，包括：对雷达回波数据预处理，通过金字塔分层模型的Farneback光流法外推预报强对流天气；构建数据集，训练搭建的ConvLSTM模型，获取稳定的ConvLSTM模型预报强对流天气；对于1h内的预报采用光流法外推预报结果，对于大于1h的预报采用ConvLSTM模型预报结果。本发明将光流法预报和ConvLSTM模型预报，提高了预报精度，并实现1小时以外的预报。
Description
技术领域
本发明涉及天气预报方法，具体涉及一种基于雷达图像外推的强对流天气临近预报方法。
背景技术
强对流天气临近预报预警在气象灾害防御中扮演了十分重要的角色。强对流天气短时临近预报技术主要包括高分辨率数值预报技术、天气雷达外推预报技术和卫星云图外推预报技术。
数值天气预报是指根据大气实际情况，在一定的初始和边界条件下，通过大型机作数值计算，求解描述天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。数值预报虽然已经在气象领域得到广泛应用，但也有其自身的局限性。特别是在临近预报应用方面准确率低，不够成熟，且需要复杂的物理方程计算，在精细化预测上难以满足准确性和实时性的需求。
相对于NWP方法，多普勒天气雷达是探测强对流天气系统的重要工具之一，能够观测到位于垂直地面8-12公里的高空中的对流云层的生成和变化，对突发性灾害天气的监测和预报具有重要作用。基于多普勒天气雷达图像外推技术的临近短时预报理论和技术方法已经成为科学研究和业务应用的热点之一。基于雷达图像的外推方法的短时降雨预报更为准确和快速。目前应用最广泛的雷达外推方法主要有三类：交叉相关法和单体质心法和光流法。单体质心法将雷暴视为三维单体加以识别、追踪和外推，可以计算出每一个雷暴单体的形态特征，但其存在一定的局限性，只能用于对流降水系统。交叉相关法利用不同时次天气雷达图像求取空间的相关，选取不同时次相关性最好的空间匹配块，确定图像移动矢量，并进行图像外推预报，但在对变化较快的强对流降水应用情况下，交叉相关法跟踪失败的概率较大。为了改进雷达回波外推精度，国内外学者将计算机视觉领域中的光流法引入了雷达回波跟踪的技术研究中。对于变化较快的强对流降水天气过程，光流法具有明显的预报优势。韩雷运用HS方法对雷达回波移动进行估计，结果表明对于变化较快的强对流降水天气过程，光流法具有明显的预报优势。但是这种方法不容易满足全场最优条件，容易陷入局部最小化，特别是在天气雷达图像的场能量不集中时。曹春燕使用LK方法，运用局部最优进行求解计算，光流法得到的预报效果优于SWAN(Severe Weather AutomaticallyNowcast System)业务系统中使用的交叉相关法，但这种方法对局部容易满足最优条件，对整场不容易满足最优条件。王志斌将两者结合起来，先运用LK方法求局部最优，再以局部最优结果作为初始风场，利用HS方法计算全场光流值，与传统的交叉相关法和单一的光流法相比较，结果表明该方法更合理有效。上述光流法均一定程度改进了雷达回波外推的效果，但是光流法的前提假设需要满足相邻图像之间亮度恒定，时间连续或者运动变化微小。而实际雷达回波存在生消演变，因此上述光流法只适用于相邻时刻回波变化和运动较小的情况，在雷达回波移速较快的情况下，得到的光流场存在较大误差。Farneback光流法是一种全局光流法，由Gunnar-Farneback于2003年提出，其核心思想是采用多项式展开来逼近每个像素的邻域值。在光流计算中，Farneback光流法具有良好的性能，该方法引入金字塔分层技术，能够减小由于回波移速较快造成的误差。图1为金字塔分层模型示意图，I，L为相邻两时刻的雷达回波图像；I1，L1即为原始图像I L，IK LK为IK-1、LK-1层通过下采样技术得到的粗尺度的雷达图像；VK为由光流法求得的速度场双线性插值得到的与下层同尺度的速度场；VK-1＝2VK(K>1)，但是该方法预测效果还有待提高。
由于雷达组合反射率图像资料复杂多样，目前深度学习应用于临近预报问题的成果较少，如何利用深度学些来提高短临预报的效果仍是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于雷达图像外推的强对流天气临近预报方法，实现1-2小时内雷达回波强度和形态的预报，以满足机场的气象保障需要，同时提高了预报的准确性。
实现本发明目的的技术解决方案为：
一种基于雷达图像外推的强对流天气临近预报方法，包括：
对雷达回波数据预处理，通过金字塔分层模型的Farneback光流法外推预报强对流天气；
构建数据集，训练搭建的ConvLSTM模型，获取稳定的ConvLSTM模型预报强对流天气；
对于1h内的预报采用光流法外推预报结果，对于大于1h的预报采用ConvLSTM模型预报结果。
进一步地，所述雷达回波数据为多普勒天气雷达组合反射率组网格点图像，由多普勒天气雷达在VCP21探测模式下所扫描的经过质量控制的反射率因子资料插值处理，水平分辨率为1km，时间分辨率6min。
进一步地，所述Farneback光流法引入雷达回波移动的背景信息来优化光流场，对分析时刻前的多个时次的光流场进行加权平均滤波，具体为：
其中，ai为加权系数，加权系数ai为小于1的小数，且满足总和等于1的约束条件，N为采样次数。
进一步地，所述Farneback光流法采用半拉格朗日外推方法，所述半拉格朗日轨迹方程是：
F(x,t0+T)-F(x-α,t0)＝0
式中，F(x-α,t0)为初始时刻t0的雷达回波场，F(x,t0+T)为经过时间T后得到的雷达回波的预报场，α为整个外推过程中雷达回波的位移矢量；
在半拉格朗日外推过程中，整个外推预报被分为N个时间步长，每个时间步长的时间间隔为Δt，即有NΔt＝T，对于每一个时间步长αm以下迭代求解：
αm＝Δtu(t0,x-αm/2)
最终的位移矢量是单独时间步长内N个矢量的矢量和，u是风速(ms-1)。
进一步地，步长Δt设置为6min。
进一步地，所述数据集包括png格式的CAPPI扫描模式的雷达反射率图像，雷达CAPPI反射率图像的分辨率为480*480像素，为2公里高度的平面图，覆盖512*512公里的区域。
进一步地，构建数据集包括数据处理：将原始对数雷达反射率因子线性转化为像素值[0,255]，然后归一化为[0,1]。
进一步地，所述ConvLSTM模型采用反向传播算法Adam进行训练学习。
进一步地，所述ConvLSTM模型根据每一帧的所有元素计算的损失函数求和，最终计算出平均每帧雷达回波预测图所具有的损失函数值，损失函数选择均方误差。
进一步地，所述ConvLSTM模型采用四层的ConvLSTM网络，其隐藏层节分别为32、64、128、128，卷积核尺寸为3×3；将FC-LSTM中input-to-state和state-to-state部分由前馈式计算替换成卷积的形式，状态与状态之间也采用卷积运算。
本发明与现有技术相比，其显著效果为：本发明将卷积神经网路模型(ConvLSTM)作为时空序列预测的深度学习模型之一，在强对流临近预报的表现中有着明显的优势，能够外推1h后的雷达回波强度的变化；本发明对光流法进行了优化，提高了雷达回波强度的准确度；本发明将光流法预报和卷积神经网路模型预报结合，根据实际情况选择不同的预报的结果，提高了预报的准确性。
附图说明
图1为金字塔分层模型示意图。
图2为雷达回波外推程序流程图。
图3为Conv LSTM网络关系图。
图4为1h后雷达回波实况与外推结果对比图，图4中的(a)为雷达回波实况图，图4中的(b)为原始光流法外推图，图4中的(c)为优化光流法外推图。
图5为1h后雷达回波实况与外推结果对比图，图5中的(a)为雷达回波实况图，图5中的(b)为原始光流法外推图，图5中的(c)为优化光流法外推图。
图6为1h后雷达回波实况与外推结果图，图6中的(a)雷达回波实况图，图6中的(b)ConvLSTM模型1h外推结图。
图7为1h后雷达回波实况与外推结果对比图，图7中的(a)雷达回波实况图，图7中的(b)ConvLSTM模型2h外推结果图。
具体实施方式
下面将结合附图，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。
本发明提供的一种基于雷达图像外推的强对流天气临近预报方法，包括：
步骤1：雷达回波数据的预处理与质量控制
本发明流光法所使用的雷达资料为多普勒天气雷达组合反射率组网格点资料。组合反射率资料由多普勒天气雷达在VCP21探测模式下所扫描的经过质量控制的反射率因子资料插值处理，水平分辨率为1km，时间分辨率6min。
ConvLSTM模型采用包含2009-2015年的雷达回波数据集，数据集来自天文台。数据为png格式的CAPPI扫描模式的雷达反射率图像。雷达CAPPI反射率图像的分辨率为480*480像素，为2公里高度的平面图，覆盖512*512公里的区域。数据每6分钟记录一次，因此每天有240帧。将原始对数雷达反射率因子线性转化为像素值[0，255]，然后归一化为[0，1]。由于降雨事件发生较少，根据降水量选择雨天，形成最终数据集，有812天的训练时间，50天的验证时间，131天的测试时间。模型根据每一帧的所有元素计算的损失函数求和，最终计算出平均每帧雷达回波预测图所具有的损失函数值，损失函数选择均方误差，并通过训练过程中使损失函数值不断降低。训练模型使用常用的反向传播算法Adam进行训练学习。训练完成后，模型就可以根据历史10帧输入，给出未来20帧回波图的合理预测。训练过程的参数细节如下：试验使用四层ConvLSTM组成的网络，其隐藏层节分别为32、64、128、128。卷积核尺寸对应为3×3。
将原始对数雷达反射率因子通过线性转化为像素值[0，255]，然后归一化为[0，1]。转换关系为：
只选择了降水过程的雷达回波时间序列图片数据制成最终数据集：
训练集共812天数据、验证集共50天数据以及测试集共131天数据。
步骤2：利用光流法计算连续多个时次光流场；
Farneback光流法是一种全局光流法，由Gunnar-Farneback于2003年提出，其核心思想是采用多项式展开来逼近每个像素的邻域值。在光流计算中，Farneback光流法具有良好的性能，该方法引入金字塔分层技术，能够减小由于回波移速较快造成的误差。Farneback光流计算的方法通过估计图像间的全局位移来解决图像间存在快速变化的情况，从而补偿两帧图像中的背景运动。Farneback主要利用一个扩展多项式估计背景位移，这种方法可以在一般空间中计算，而不必要求空间静止。
多项式扩展的目的是通过利用一个二次多项式近似一个像素点的邻域值：
f(x,y)～r1+r2x+r3y+r4x2+r5y2+r6xy (1)
转换为向量形式：
f(X)～XTAX+bTX+c (2)
式中，
是对称矩阵，
是向量，c＝r1是标量。通过一个带权重的最小均方值来逼近像素点周围区域像素值，从而确定公式(2)的系数，并通过分离卷积的办法有效地降低了计算量。
多项式扩展的结果是利用一个多项式近似像素的邻近区域。首先分析多项式的理想变换下的情况，考虑如下二次多项式：
f(x)～XTA1x+b1 TX+c1 (3)
通过在第一帧信号数据的基础上增加全局位移d，构建一个新的信号f2:
f2(X)
＝f2(X-d)＝(X-d)TA1(X-d)+b1 T(X-d)+c1
＝XTA1X+(b1-2A1d)TX+dTA1d-b1 Td+c1
＝XTA2X+b2 T+c2 (4)
让公式(2)和公式(3)两式相等，相同变量的系数相等，产生如下等式组：
A2＝A1 (5)
b2＝b1-2A1d (6)
c2＝dTA1d-b1 Td+c1 (7)
如果A1是非奇异矩阵，则可以求解d:
式中，d为相邻时刻两幅图像间的全局位移。很显然，我们使用一个不随空间变化的位移d，使用单一多项式拟合函数来研究两副图像的关系，是不切实际的。定义第一副图像随空间变化的参数A1(X)、b1(X)、c1(X)，第二幅图像参数A2(X)、b2(X)、c2(X)。根据公式(5)我们令：
得到最主要的约束：
A(X)d(X)＝Δb(X) (11)
这里的(9)式对应公式(5)，显然比只用第一副图像的A1更合理。公式(10)和公式(11)一起对应于公式(6)。d(X)表明我们已经用一个随空间位置发生变化的位移场来代替方程(4)中恒定大小和方向的全局位移d。本方法可以通过一个先验位移值来减小迭代次数，适当的先验位移值意味着更小的相对移，从而对图像间的位移估计更加精确，也可以通过迭代位移估计获得最佳的前后图像之间的位移。
光流法外推过程中，一般仅使用相邻两个时刻的雷达回波图像来计算光流场，一旦确定了雷达图像的运动矢量场，在整个预报时期内它都将保持不变。但仅使用相邻两个时刻雷达回波计算得到的光流场，某些格点的值仍存在不合理的地方，使用一个时次的光流场来进行外推存在一定的误差。考虑到大气流体运动的时空连续性，相邻时刻的雷达回波移速存在一定程度的相关性。因此，引入雷达回波移动的背景信息来优化光流场，对分析时刻前的多个时次的光流场进行加权平均滤波，提高分析时刻的光流场精度。加权平均滤波法原理：对连续N次采样值，分别乘以不同的加权系数之后再求和。
具体为：
其中，加权系数ai的选取遵循越接近分析时刻数据，权重越大的原则。各个加权系数ai均为小于1的小数，且满足总和等于1的约束条件。这样，加权运算后N个时次的累加和，即为有效采样。
为了克服线性外推不能旋转的缺点，本专利采用半拉格朗日外推方法，半拉格朗日方法具有良好的稳定性和精度，目前已广泛应用到数值预报模式和气候模式中。半拉格朗日外推方法是在同一时间步长内对终点总是位于网格点上的流体质点进行追踪的方法。其实现的关键是流体轨迹的计算。半拉格朗日轨迹方程是：
F(x,t0+T)-F(x-α,t0)＝0 (13)
公式(13)中，F(x-α,t0)为初始时刻的雷达回波场，F(x,t0+T)为经过时间T后得到的雷达回波的预报场。α为整个外推过程中雷达回波的位移矢量。
在半拉格朗日外推过程中，使整个外推预报被分为N个时间步长，每个时间步长的时间间隔为Δt，即有NΔt＝T，对于每一个时间步长αm由下面公式迭代求解：
αm＝Δtu(t0,x-αm/2) (14)
最终的位移矢量是单独时间步长内N个矢量的矢量和，本专利考虑到雷达资料每6min一个体扫，时间步长Δt设置为6min。
综上，图2给出了雷达回波外推的算法流程图。具体步骤如下：
(1)利用光流法计算连续多个(N>1)时次光流场；(2)通过滤波对多个时次的光流场优化并得到新的光流场；(3)运用半拉格朗日方法进行外推。
步骤3，基于卷积的循环神经网络ConvLSTM预报
对于序列预测问题，机器学习领域通常使用循环神经网络(RNN)来解决。其中LSTM(Long-Short TermMemory)是最为常见的一种RNN模型。LSTM(Hochreiter et al，1997)通过细胞记忆单元作为中间特征状态的“寄存器”，然后使用输入门、遗忘门和输出门这三个门限单元来控制信息流动，使得细胞记忆单元可以长时间记忆资料特征信息，即有用的信息不会因预测序列长度增大而丢失，并且会有选择地进行“更新”和“遗忘”。具体来说，每当有新的资料输入时，如果此时输入门处于激活状态，新的资料信息就会累积到细胞记忆单元。如果遗忘门处于关闭状态，那个过去的细胞状态就会被遗忘。同样地，更新后的细胞记忆单元通过输出门得到最终的隐藏层状态。使用这种存储单元和门控单元来控制信息流的一个优点是：反向传播(Rumelhart et al，1986)的梯度将被捕获在记忆单元中，可以有效防止其过快地消失，从而解决梯度弥散问题。传统的LSTM网络由输入门，遗忘门，细胞单元，输出门，隐藏层五个模块组成，并且它们之间的关系可以由下式表示。
式中空心小圆圈表示矩阵对应元素相乘，又称为Hadamard乘积。这种LSTM结构我们也可以称之为FC-LSTM，因其内部门之间是依赖于类似前馈式神经网络来计算的，而这种FC-LSTM对于时序数据可以很好地处理，但是对于空间数据来说，将会带来冗余性，原因是空间数据具有很强的局部特征，但是FC-LSTM无法刻画此局部特征。本专利提出的ConvLSTM尝试解决此问题，做法是将FC-LSTM中input-to-state和state-to-state部分由前馈式计算替换成卷积的形式，ConvLSTM的内部结构为图3，图3中可以看出，此时输入与各个门之间的连接由前馈式替换成了卷积，同时状态与状态之间也换成了卷积运算。新的ConvLSTM的工作原理可以由下式表示。
式中*表示卷积，值得注意的是，这里的X，C，H，i，f，o都是三维的tensor，它们的后两个维度代表行和列的空间信息，我们可以把ConvLSTM想象成是处理二维网格中的特征向量的模型，其可以根据网格中周围点的特征来预测中心网格的特征。
步骤4：根据实际情况，选择流光法或者循环神经网络ConvLSTM预报方法作为预报结果构；
通过仿真对本发明中流光法和循环神经网络ConvLSTM预报方法的效果进行验证。
图4(a-c)分别为山东半岛强对流过程分析时刻6月13日17时00分在1h后的雷达回波的实况组合反射率图像、单一光流法外推组合反射率图像、背景信息优化光流法外推组合反射率图像。从图4中可以看到，对于1h的回波预报，背景信息优化光流法与原始光流法预报的回波形状和强回波位置与实况相比偏差不大，保持了不错的一致性。但相较于原始光流法，优化光流法在0-1h的回波外推预报中，连续性回波位置更加集中，回波更加平滑，回波边缘更加清晰。个例分析表明，结合加权平均滤波的光流法较单一光流法对回波位置的预报准确性有所提高。
图5(a-c)分别为北京强对流过程分析时刻7月15日12时00分在1h后的雷达回波的实况组合反射率图像、原始光流法外推组合反射率图像、背景信息优化光流法外推组合反射率图像。从图5中可以看到，相较于山东半岛强对流过程，由于本例中回波移速相对较慢，在0-1h的回波预报中，本例的预报效果优于山东半岛个例。两种方案预报的回波强度和回波形状与实况保持较好的一致性。与山东半岛外推个例一样，相较于原始光流法的预报结果，优化光流法外推的预报场更为平滑，强回波区域更加连续，回波边缘更为清晰。个例分析表明，在0-1h外推试验中，对于变化较慢的回波，光流法的表现出更好的外推效果，结合加权平均滤波的光流法较单一光流法对回波位置的预报效果更优。
在定性分析的基础上，定量对不同方法得到的外推效果进行评估。评估指标分别为击中率(probability ofdetection，POD)、虚警率(false alarm ratio，FAR)和临界成功指数(critical success index，CSI)。其中，POD值越大、FAR值越小、CSI值越大表示预报准确率越高。将预报回波与实况回波逐格点对比，如果该格点实况的回波值和预报的回波值都不为零时，则认为格点是活跃的，若两者的差值小于某一个阈值，认为该格点的预报是成功的。如果实况格点的值为零，预报格点的值不为零，且两者差值大于某一阈值，则认为该点是空报。如果预报格点的值为零，而格点的实况值不为零，且两者差值大于某一阈值，则认为该点是漏报。
POD、FAR、CSI计算公式分别为：
上式中：n成功、n空报、n漏报分别为预报成功、空报和漏报的格点数。不同的回波强度对应了不同量级的降水，一般相邻的两种降水量级的回波差值在10Dbz左右，即当相差10Dbz时降水量级就会发生明显的变化。在评分方案中，我们取10dBZ作为阈值，将10Dbz定为预报值与实况值合理差距的一个最大限度，用来判断每个格点的预报结果。
表1个例评分结果对比表
从表1可以看出，背景信息优化光流法预报效果评分明显优于单一使用Farneback光流法的预报效果。在两个个例的评分结果表明：随着外推时效的增长，预报效果开始降低，对于发展速度较快的山东半岛强对流过程，两种方案的预报评分效果均低于北京强降水过程的预报结果。同时，由两个个例的评分结果中可以看到，采用信息优化光流法外推的击中率和临界成功指数均有所提高，虚警率也同样降低。针对以上个例评分，可以认为引入背景信息优化的光流法预报效果较单一使用光流法有提高，从而说明文中提出的方法的可行性。
图6和图7分别为ConvLSTM模型的1h和2h雷达反射率图像外推预报结果，从图中可以看出，1h外推的雷达回波强度和位置与实况相比较为接近，整体上相较实况更加平滑，能够正确地模拟雷达回波的形状、方向以及强度的分布。与此同时，更多锐化的细节会随预测时间的增加而减少，这一点在2h的外推结果中更为明显，2h外推结果表明ConvLSTM模型仍能够正确地模拟雷达回波的形状和方向，但对于强回波的预报，更多的强度被平滑出现模糊，这是多数卷积循环神经网络采用均方误差(MSE)损失函数来训练模型往往会出现的问题，但相较于光流法，ConvLSTM模型能够将外推时长延长到2h，尽管2h后的雷达回波强度预报性能有所下降，但考虑到更长的预报时效，对于1h外的预报ConvLSTM模型仍是一种更优的雷达回波外推方案。
Claims (10)
1.一种基于雷达图像外推的强对流天气临近预报方法，其特征在于，包括：
对雷达回波数据预处理，通过金字塔分层模型的Farneback光流法外推预报强对流天气；
构建数据集，训练搭建的ConvLSTM模型，获取稳定的ConvLSTM模型预报强对流天气；
对于1h内的预报采用光流法外推预报结果，对于大于1h的预报采用ConvLSTM模型预报结果。
2.根据权利要求1所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，所述雷达回波数据为多普勒天气雷达组合反射率组网格点图像，由多普勒天气雷达在VCP21探测模式下所扫描的经过质量控制的反射率因子资料插值处理，水平分辨率为1km，时间分辨率6min。
3.根据权利要求1所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，所述Farneback光流法引入雷达回波移动的背景信息来优化光流场，对分析时刻前的多个时次的光流场进行加权平均滤波，具体为：
其中，ai为加权系数，加权系数ai为小于1的小数，且满足总和等于1的约束条件，N为采样次数。
4.根据权利要求3所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，所述Farneback光流法采用半拉格朗日外推方法，所述半拉格朗日轨迹方程是：
F(x,t0+T)-F(x-α,t0)＝0
式中，F(x-α,t0)为初始时刻t0的雷达回波场，F(x,t0+T)为经过时间T后得到的雷达回波的预报场，α为整个外推过程中雷达回波的位移矢量；
在半拉格朗日外推过程中，整个外推预报被分为N个时间步长，每个时间步长的时间间隔为Δt，即有NΔt＝T，对于每一个时间步长αm以下迭代求解：
αm＝Δtu(t0,x-αm/2)
最终的位移矢量是单独时间步长内N个矢量的矢量和，u是风速。
5.根据权利要求4所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，步长Δt设置为6min。
6.根据权利要求1所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，所述数据集包括png格式的CAPPI扫描模式的雷达反射率图像，雷达CAPPI反射率图像的分辨率为480*480像素，为2公里高度的平面图，覆盖512*512公里的区域。
7.根据权利要求6所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，构建数据集包括数据处理：将原始对数雷达反射率因子线性转化为像素值[0,255]，然后归一化为[0,1]。
8.根据权利要求1所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，所述ConvLSTM模型采用反向传播算法Adam进行训练学习。
9.根据权利要求8所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，所述ConvLSTM模型根据每一帧的所有元素计算的损失函数求和，最终计算出平均每帧雷达回波预测图所具有的损失函数值，损失函数选择均方误差。
10.根据权利要求9所述的基于雷达图像外推的强对流天气临近预报方法，其特征在于，所述ConvLSTM模型采用四层的ConvLSTM网络，其隐藏层节分别为32、64、128、128，卷积核尺寸为3×3；将FC-LSTM中input-to-state和state-to-state部分由前馈式计算替换成卷积的形式，状态与状态之间也采用卷积运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211741228.7A CN116148796A (zh) | 2022-12-30 | 2022-12-30 | 一种基于雷达图像外推的强对流天气临近预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211741228.7A CN116148796A (zh) | 2022-12-30 | 2022-12-30 | 一种基于雷达图像外推的强对流天气临近预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116148796A true CN116148796A (zh) | 2023-05-23 |
Family
ID=86352015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211741228.7A Pending CN116148796A (zh) | 2022-12-30 | 2022-12-30 | 一种基于雷达图像外推的强对流天气临近预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116148796A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610959A (zh) * | 2023-07-19 | 2023-08-18 | 湖北省气象服务中心（湖北省专业气象服务台） | 基于unet-gru深度学习检验播云作业效果的方法和装置 |
| CN116953653A (zh) * | 2023-09-19 | 2023-10-27 | 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 |
| CN117250620A (zh) * | 2023-08-16 | 2023-12-19 | 中国水利水电科学研究院 | 一种基于降水生命周期判别的x波段雷达临近预报方法 |
-
2022
- 2022-12-30 CN CN202211741228.7A patent/CN116148796A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610959A (zh) * | 2023-07-19 | 2023-08-18 | 湖北省气象服务中心（湖北省专业气象服务台） | 基于unet-gru深度学习检验播云作业效果的方法和装置 |
| CN116610959B (zh) * | 2023-07-19 | 2023-09-15 | 湖北省气象服务中心（湖北省专业气象服务台） | 基于unet-gru深度学习检验播云作业效果的方法和装置 |
| CN117250620A (zh) * | 2023-08-16 | 2023-12-19 | 中国水利水电科学研究院 | 一种基于降水生命周期判别的x波段雷达临近预报方法 |
| CN117250620B (zh) * | 2023-08-16 | 2024-04-09 | 中国水利水电科学研究院 | 一种基于降水生命周期判别的x波段雷达临近预报方法 |
| CN116953653A (zh) * | 2023-09-19 | 2023-10-27 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116148796A (zh) | 一种基于雷达图像外推的强对流天气临近预报方法 | |
| CN110568442B (zh) | 一种基于对抗外推神经网络的雷达回波外推方法 | |
| CN109001736B (zh) | 一种基于深度时空预测神经网络的雷达回波外推方法 | |
| 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 | |
| CN112446559B (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和系统 | |
| CN112415521A (zh) | 基于cgru的强时空特性雷达回波临近预报方法 | |
| CN108427989A (zh) | 一种用于雷达回波外推的深度时空预测神经网络训练方法 | |
| Ma et al. | MM-RNN: A multimodal RNN for precipitation nowcasting | |
| CN113239722B (zh) | 基于深度学习在多尺度下的强对流外推方法及系统 | |
| CN112380781B (zh) | 基于再分析资料和不平衡学习的卫星观测补全方法 | |
| CN117665825B (zh) | 一种雷达回波外推预报方法、系统及存储介质 | |
| CN114155429A (zh) | 基于时空双向注意力机制的水库地表温度预测方法 | |
| CN114943365A (zh) | 融合多源数据的降水估测模型建立方法及降水估测方法 | |
| CN115792853A (zh) | 一种基于动态权重损失的雷达回波外推方法 | |
| CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN112363140B (zh) | 一种基于循环神经网络的热力约束外推客观订正方法 | |
| CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
| Zhao et al. | Advancing realistic precipitation nowcasting with a spatiotemporal transformer-based denoising diffusion model | |
| CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
| CN113933915B (zh) | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 | |
| CN114994800B (zh) | 一种大气细颗粒物的反演方法及装置 | |
| Zheng et al. | Hybrid scheme of kinematic analysis and lagrangian koopman operator analysis for short-term precipitation forecasting | |
| CN114063063A (zh) | 基于合成孔径雷达和点状传感器的地质灾害监测方法 | |
| CN114662274B (zh) | 一种基于零膨胀时空回归模型的雪水当量建模和预测方法 |
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 |