CN116520459B - 一种天气预测方法 - Google Patents
一种天气预测方法 Download PDFInfo
- Publication number
- CN116520459B CN116520459B CN202310773651.3A CN202310773651A CN116520459B CN 116520459 B CN116520459 B CN 116520459B CN 202310773651 A CN202310773651 A CN 202310773651A CN 116520459 B CN116520459 B CN 116520459B
- Authority
- CN
- China
- Prior art keywords
- texture
- weather
- map
- time
- dimensional gray
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000009471 action Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000001556 precipitation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N3/04—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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种天气预测方法,涉及数字信息处理及深度学习领域,设计了基于图像处理的天气预测方法,将多普勒气象雷达的大气探测数据调整为灰度图像,该图像的纹理表征了不同厚度的云层和不同的降水情况,通过边缘增强处理提高纹理提取的精度,设计多层级纹理提取和特征融合,处理出表征天气特征的序列,再通过时间循环神经网络获取天气变化规律,再基于多普勒气象雷达最新探测数据,预测短时未来气象。兼顾了精确度、稳定性和鲁棒性。
Description
技术领域
本发明涉及数字信息处理及深度学习领域,具体涉及一种天气预测方法。
背景技术
与归属于测量领域的气象学分组不同,天气预测通常基于数理统计学的分析或复杂的数学物理方程推算,属于计算、推算领域。现有天气预测方法中较为准确的有贝叶斯模型法和数学物理方程数值求解法。然而贝叶斯模型法需要事先遴选出影响将与的关键因子,受主观性影响,稳定性和鲁棒性差;数学物理方程数值求解法则受限于流体力学模型的不准确、地理信息数据的难采集性和数值拟合的系统误差,也限制了其精准度。
随着深度学习技术的发展,数字信息处理领域有了新的技术工具,加之多普勒气象雷达也可实时采集大气数据,为新的短时天气预报方法奠定了基础。
发明内容
针对现有技术中的上述不足,本发明提供的一种天气预测方法解决了现有天气预测方法或稳定性和鲁棒性差,或精准度受限的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种天气预测方法,包括以下步骤:
S1、通过多普勒气象雷达探测目标区域,并将得到的各帧雷达回波数据调整为二维灰度图;
S2、对二维灰度图进行锐化处理,得到边缘增强图;
S3、通过多层级纹理特征融合网络处理边缘增强图,得到天气特征序列;
S4、通过时间循环神经网络处理天气特征序列,得到天气动作序列;
S5、根据天气动作序列和最近一帧二维灰度图,得到未来时刻二维灰度图,作为天气预测结果。
本发明的有益效果为:设计了基于图像处理的天气预测方法,将多普勒气象雷达的大气探测数据调整为灰度图像,该图像的纹理表征了不同厚度的云层和不同的降水情况,通过边缘增强处理提高纹理提取的精度,设计多层级纹理提取和特征融合,处理出表征天气特征的序列,再通过时间循环神经网络获取天气变化规律,再基于多普勒气象雷达最新探测数据,预测短时未来气象。兼顾了精确度、稳定性和鲁棒性。
进一步地,所述S2使用下式对二维灰度图进行锐化处理:
,
其中,为边缘增强图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行列像素点的值,/>为原图加权系数,/>为锐化系数,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值。
上述进一步方案的有益效果为:将二维灰度图的原图像各像素与其上下左右像素的值加权相加,在增强了图像纹理的同时,相比于基于二维梯度求导的锐化方法大大节省了运算量。
进一步地,所述S3的多层级纹理特征融合网络包括个用于提取边缘增强图不同层级纹理特征的纹理提取子模块,用于进行/>个层级纹理特征线性运算的全连接层和对全连接层运算结果进行0-1编码的激活函数层;
第1纹理提取子模块的输入端作为多层级纹理特征融合网络的输入端;
第1至第纹理提取子模块依次串联,且第1至第/>纹理提取子模块的输出端还均与全连接层的输入端连接;
所述全连接层的输出端与激活函数层的输入端连接;
所述激活函数层的输出端作为多层级纹理特征融合网络的输出端。
上述进一步方案的有益效果为:个纹理提取子模块串联,层层提取各层图像的纹理信息,并将其融合输入至全连接层,由其进行线性运算,映射至低维度的向量空间,再编码为二进制序列,作为天气特征序列。该天气特征序列不仅包含了多普勒气象雷达探测到的大气云层的多层级纹理信息,还具有信息熵高、数据精简的特点,利于后续的精确计算和低硬件算力消耗。
进一步地,所述各纹理提取子模块的结构相同,均包括:纹理扫描单元和最大池化层;
所述纹理扫描单元的计算表达式为:
,
其中,为纹理扫描单元输出的纹理特征图第/>行/>列像素点的值,为输入纹理扫描单元的图像第/>行/>列像素点的值,/>为纹理扫描单元传输矩阵/>第/>行/>元素的值;
所述纹理扫描单元传输矩阵为:
;所述最大池化层用于对纹理扫描单元输出的纹理特征图进行最大池化下采样,以压缩纹理特征图,并将压缩后的纹理特征图作为所在纹理提取子模块得到的对应层级的纹理特征。
上述进一步方案的有益效果为:纹理扫描单元的传输矩阵来源于二维求导的矩阵式算子与其45度旋转矩阵的相加取反,其优点在于增强对角线纹理特征的提取能力,将该传输矩阵通过移窗式的计算表达式与输入纹理扫描单元的图像进行运算,可得到图像更为精准的纹理特征图。而最大池化层在进行下采样压缩的同时,能尽可能保留图像纹理信息,降低运算量的同时不过分影响计算精度,使天气预测的运算可行且准确。
进一步地,所述多层级纹理特征融合网络的全连接层的计算表达式为:
,
其中,为全连接层第/>神经元的运算结果,/>为由/>个层级纹理特征拼接而得的纹理特征序列第/>个元素的值,/>为全连接层第/>神经元第/>权重参数,/>为全连接层第/>神经元偏置系数,/>为第/>层级纹理特征的元素数量;
所述多层级纹理特征融合网络的激活函数层的计算表达式为:
,
其中,为天气特征序列第/>元素的值,/>为指数系数,/>为自然常数。
进一步地,所述时间循环神经网络的计算表达式为:
,
,
其中,为/>时刻的天气动作序列,/>为sigmoid函数,/>为时间循环神经网络输出门参数矩阵,/>为/>时刻的天气动作序列,/>为时间循环神经网络输出门偏置向量,为时间循环神经网络/>时刻状态向量,/>为/>时刻的天气特征序列,/>为/>和/>拼接得到的序列,/>为遗忘系数序列,/>为时间循环神经网络输入门参数矩阵,/>为时间循环神经网络输入门偏置向量,/>为元素全为1的向量,/>为时间循环神经网络/>时刻状态向量。
进一步地,所述遗忘系数序列的计算表达式为:
,
其中,为时间循环神经网络遗忘门参数矩阵,/>为时间循环神经网络遗忘门偏置向量。
上述进一步方案的有益效果为:设计了一种具有时间记忆和遗忘功能的时间循环神经网络,其具有对过去数据的状态存储能力,且遗忘系数序列由上一时刻的输出和当前输入共同决定,能够获取时间域上的连续输入序列之间的联系,并将该联系整理成输出数据,表征出天气变化的动作特性。该网络比LSTM长短期记忆人工神经网络结构精简,与现有技术相比运算量小,训练难度低,不易陷入局部最优解,有良好的适应性和准确性。
进一步地,所述S5中未来时刻二维灰度图的计算表达式为:
,
其中,为/>时刻二维灰度图第/>行/>列像素点的值,/>为/>时刻二维灰度图第/>行/>列像素点的值,/>为/>时刻天气动作序列第/>元素的值,/>为天气动作序列的元素数量。
附图说明
图1为本发明实施例提供的一种天气预测方法的流程图;
图2为多层级纹理特征融合网络的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,一种天气预测方法,包括以下步骤:
S1、通过多普勒气象雷达探测目标区域,并将得到的各帧雷达回波数据调整为二维灰度图。
S2、对二维灰度图进行锐化处理,得到边缘增强图。
S2使用下式对二维灰度图进行锐化处理:
,
其中,为边缘增强图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行列像素点的值,/>为原图加权系数,/>为锐化系数,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值。
上式将二维灰度图的原图像各像素与其上下左右像素的值加权相加,在增强了图像纹理的同时,相比于基于二维梯度求导的锐化方法大大节省了运算量。
S3、通过多层级纹理特征融合网络处理边缘增强图,得到天气特征序列。
如图2所示,S3的多层级纹理特征融合网络包括个用于提取边缘增强图不同层级纹理特征的纹理提取子模块,用于进行/>个层级纹理特征线性运算的全连接层和对全连接层运算结果进行0-1编码的激活函数层;
第1纹理提取子模块的输入端作为多层级纹理特征融合网络的输入端;
第1至第纹理提取子模块依次串联,且第1至第/>纹理提取子模块的输出端还均与全连接层的输入端连接;
全连接层的输出端与激活函数层的输入端连接;
激活函数层的输出端作为多层级纹理特征融合网络的输出端。
个纹理提取子模块串联,层层提取各层图像的纹理信息,并将其融合输入至全连接层,由其进行线性运算,映射至低维度的向量空间,再编码为二进制序列,作为天气特征序列。该天气特征序列不仅包含了多普勒气象雷达探测到的大气云层的多层级纹理信息,还具有信息熵高、数据精简的特点,利于后续的精确计算和低硬件算力消耗。
各纹理提取子模块的结构相同,均包括:纹理扫描单元和最大池化层;
纹理扫描单元的计算表达式为:
,
其中,为纹理扫描单元输出的纹理特征图第/>行/>列像素点的值,为输入纹理扫描单元的图像第/>行/>列像素点的值,/>为纹理扫描单元传输矩阵/>第/>行/>元素的值;
所述纹理扫描单元传输矩阵为:
;所述最大池化层用于对纹理扫描单元输出的纹理特征图进行最大池化下采样,以压缩纹理特征图,并将压缩后的纹理特征图作为所在纹理提取子模块得到的对应层级的纹理特征。
纹理扫描单元的传输矩阵来源于二维求导的矩阵式算子与其45度旋转矩阵的相加取反,其优点在于增强对角线纹理特征的提取能力,将该传输矩阵通过移窗式的计算表达式与输入纹理扫描单元的图像进行运算,可得到图像更为精准的纹理特征图。而最大池化层在进行下采样压缩的同时,能尽可能保留图像纹理信息,降低运算量的同时不过分影响计算精度,使天气预测的运算可行且准确。
多层级纹理特征融合网络的全连接层的计算表达式为:
,
其中,为全连接层第/>神经元的运算结果,/>为由/>个层级纹理特征拼接而得的纹理特征序列第/>个元素的值,/>为全连接层第/>神经元第/>权重参数,/>为全连接层第/>神经元偏置系数,/>为第/>层级纹理特征的元素数量;
所述多层级纹理特征融合网络的激活函数层的计算表达式为:
,
其中,为天气特征序列第/>元素的值,/>为指数系数,/>为自然常数。
S4、通过时间循环神经网络处理天气特征序列,得到天气动作序列。
时间循环神经网络的计算表达式为:
,
,
其中,为/>时刻的天气动作序列,/>为sigmoid函数,/>为时间循环神经网络输出门参数矩阵,/>为/>时刻的天气动作序列,/>为时间循环神经网络输出门偏置向量,为时间循环神经网络/>时刻状态向量,/>为/>时刻的天气特征序列,/>为/>和/>拼接得到的序列,/>为遗忘系数序列,/>为时间循环神经网络输入门参数矩阵,/>为时间循环神经网络输入门偏置向量,/>为元素全为1的向量,/>为时间循环神经网络/>时刻状态向量。
遗忘系数序列的计算表达式为:
,
其中,为时间循环神经网络遗忘门参数矩阵,/>为时间循环神经网络遗忘门偏置向量。
本实施例设计了一种具有时间记忆和遗忘功能的时间循环神经网络,其具有对过去数据的状态存储能力,且遗忘系数序列由上一时刻的输出和当前输入共同决定,能够获取时间域上的连续输入序列之间的联系,并将该联系整理成输出数据,表征出天气变化的动作特性。该网络比LSTM长短期记忆人工神经网络结构精简,与现有技术相比运算量小,训练难度低,不易陷入局部最优解,有良好的适应性和准确性。
时间循环神经网络的损失函数为:
,
,
,
其中,为损失函数,/>为天气动作序列的元素数量,/>为天气动作序列第/>元素的值,/>为标签序列的第/>元素的值,/>为损失系数,/>为最大差值,| |为取绝对值,/>为设定的标准差值,/>为取最大值。
本发明中将天气动作序列中元素依次减去标签序列中元素,从而得到天气动作序列与标签序列之间的距离,再根据元素之间的最大差值,体现出两个序列间差距的情况,若最大差值较小,则损失系数对序列之间的距离影响较小,若最大差值较大,则损失系数对序列之间的距离影响较大,使得计算出较大的损失值,能加快时间循环神经网络在训练时的速度。
S5、根据天气动作序列和最近一帧二维灰度图,得到未来时刻二维灰度图,作为天气预测结果。
S5中未来时刻二维灰度图的计算表达式为:
,
其中,为/>时刻二维灰度图第/>行/>列像素点的值,/>为/>时刻二维灰度图第/>行/>列像素点的值,/>为/>时刻天气动作序列第/>元素的值,/>为天气动作序列的元素数量。
本实施例的为3,因此,上述表达式为离散域的3阶方程,相当于连续域的3阶微分方程,即具有3阶气象物理数学方程的模型精度,却无需复杂且详细的地理信息数据,也不受限于流体力学方程的建模,不涉及数值拟合的系统误差,因此更具精度。
综上,本发明设计了基于图像处理的天气预测方法,将多普勒气象雷达的大气探测数据调整为灰度图像,该图像的纹理表征了不同厚度的云层和不同的降水情况,通过边缘增强处理提高纹理提取的精度,设计多层级纹理提取和特征融合,处理出表征天气特征的序列,再通过时间循环神经网络获取天气变化规律,再基于多普勒气象雷达最新探测数据,预测短时未来气象。兼顾了精确度、稳定性和鲁棒性。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种天气预测方法,其特征在于,包括以下步骤:
S1、通过多普勒气象雷达探测目标区域,并将得到的各帧雷达回波数据调整为二维灰度图;
S2、对二维灰度图进行锐化处理,得到边缘增强图;
S3、通过多层级纹理特征融合网络处理边缘增强图,得到天气特征序列;
S4、通过时间循环神经网络处理天气特征序列,得到天气动作序列;
S5、根据天气动作序列和最近一帧二维灰度图,得到未来时刻二维灰度图,作为天气预测结果。
2.根据权利要求1所述的天气预测方法,其特征在于,所述S2使用下式对二维灰度图进行锐化处理:
,
其中,为边缘增强图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值,/>为原图加权系数,/>为锐化系数,/>为二维灰度图第/>行/>列像素点的值,/>为二维灰度图第/>行/>列像素点的值。
3.根据权利要求1所述的天气预测方法,其特征在于,所述S3的多层级纹理特征融合网络包括个用于提取边缘增强图不同层级纹理特征的纹理提取子模块,用于进行/>个层级纹理特征线性运算的全连接层和对全连接层运算结果进行0-1编码的激活函数层;
第1纹理提取子模块的输入端作为多层级纹理特征融合网络的输入端;
第1至第纹理提取子模块依次串联,且第1至第/>纹理提取子模块的输出端还均与全连接层的输入端连接;
所述全连接层的输出端与激活函数层的输入端连接;
所述激活函数层的输出端作为多层级纹理特征融合网络的输出端。
4.根据权利要求3所述的天气预测方法,其特征在于,各纹理提取子模块的结构相同,均包括:纹理扫描单元和最大池化层;
所述纹理扫描单元的计算表达式为:
,
其中,为纹理扫描单元输出的纹理特征图第/>行/>列像素点的值,/>为输入纹理扫描单元的图像第/>行/>列像素点的值,/>为纹理扫描单元传输矩阵/>第行/>元素的值;
所述纹理扫描单元传输矩阵为:
;所述最大池化层用于对纹理扫描单元输出的纹理特征图进行最大池化下采样,以压缩纹理特征图,并将压缩后的纹理特征图作为所在纹理提取子模块得到的对应层级的纹理特征。
5.根据权利要求4所述的天气预测方法,其特征在于,所述多层级纹理特征融合网络的全连接层的计算表达式为:
,
其中,为全连接层第/>神经元的运算结果,/>为由/>个层级纹理特征拼接而得的纹理特征序列第/>个元素的值,/>为全连接层第/>神经元第/>权重参数,/>为全连接层第/>神经元偏置系数,/>为第/>层级纹理特征的元素数量;
所述多层级纹理特征融合网络的激活函数层的计算表达式为:
,
其中,为天气特征序列第/>元素的值,/>为指数系数,/>为自然常数。
6.根据权利要求1所述的天气预测方法,其特征在于,所述时间循环神经网络的计算表达式为:
,
,
其中,为/>时刻的天气动作序列,/>为sigmoid函数,/>为时间循环神经网络输出门参数矩阵,/>为/>时刻的天气动作序列,/>为时间循环神经网络输出门偏置向量,/>为时间循环神经网络/>时刻状态向量,/>为/>时刻的天气特征序列,/>为/>和/>拼接得到的序列,/>为遗忘系数序列,/>为时间循环神经网络输入门参数矩阵,/>为时间循环神经网络输入门偏置向量,/>为元素全为1的向量,/>为时间循环神经网络/>时刻状态向量。
7.根据权利要求6所述的天气预测方法,其特征在于,所述遗忘系数序列的计算表达式为:
,
其中,为时间循环神经网络遗忘门参数矩阵,/>为时间循环神经网络遗忘门偏置向量。
8.根据权利要求7所述的天气预测方法,其特征在于,所述S5中未来时刻二维灰度图的计算表达式为:
,
其中,为/>时刻二维灰度图第/>行/>列像素点的值,/>为/>时刻二维灰度图第/>行/>列像素点的值,/>为/>时刻天气动作序列第/>元素的值,/>为天气动作序列的元素数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310773651.3A CN116520459B (zh) | 2023-06-28 | 2023-06-28 | 一种天气预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310773651.3A CN116520459B (zh) | 2023-06-28 | 2023-06-28 | 一种天气预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116520459A CN116520459A (zh) | 2023-08-01 |
CN116520459B true CN116520459B (zh) | 2023-08-25 |
Family
ID=87401490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310773651.3A Active CN116520459B (zh) | 2023-06-28 | 2023-06-28 | 一种天气预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520459B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999046731A1 (en) * | 1998-03-13 | 1999-09-16 | The University Of Houston System | Methods for performing daf data filtering and padding |
EP1895472A2 (en) * | 2006-08-31 | 2008-03-05 | Sierra Nevada Corporation | System and method for 3D radar image rendering |
CN104297748A (zh) * | 2014-10-20 | 2015-01-21 | 西安电子科技大学 | 一种基于轨迹增强的雷达目标检测前跟踪方法 |
CN109613540A (zh) * | 2018-12-25 | 2019-04-12 | 江苏省气象信息中心(江苏省气象档案馆) | 一种基于WebGL的多普勒天气雷达三维可视化方法 |
US10705201B1 (en) * | 2015-08-31 | 2020-07-07 | Rockwell Collins, Inc. | Radar beam sharpening system and method |
CN112949934A (zh) * | 2021-03-25 | 2021-06-11 | 浙江万里学院 | 基于深度学习的短时强降雨预测方法 |
CN113239722A (zh) * | 2021-03-31 | 2021-08-10 | 成都信息工程大学 | 基于深度学习在多尺度下的强对流外推方法及系统 |
CN116012618A (zh) * | 2022-12-02 | 2023-04-25 | 广东方柚科技有限公司 | 一种基于雷达回波图的天气辨识方法、系统、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847737B1 (en) * | 1998-03-13 | 2005-01-25 | University Of Houston System | Methods for performing DAF data filtering and padding |
US20230119063A1 (en) * | 2021-08-31 | 2023-04-20 | Cadwell Laboratories, Inc. | Methods and Systems for Evaluating Echo Data Contemporaneous with an Electrodiagnostic Study |
-
2023
- 2023-06-28 CN CN202310773651.3A patent/CN116520459B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999046731A1 (en) * | 1998-03-13 | 1999-09-16 | The University Of Houston System | Methods for performing daf data filtering and padding |
EP1895472A2 (en) * | 2006-08-31 | 2008-03-05 | Sierra Nevada Corporation | System and method for 3D radar image rendering |
CN104297748A (zh) * | 2014-10-20 | 2015-01-21 | 西安电子科技大学 | 一种基于轨迹增强的雷达目标检测前跟踪方法 |
US10705201B1 (en) * | 2015-08-31 | 2020-07-07 | Rockwell Collins, Inc. | Radar beam sharpening system and method |
CN109613540A (zh) * | 2018-12-25 | 2019-04-12 | 江苏省气象信息中心(江苏省气象档案馆) | 一种基于WebGL的多普勒天气雷达三维可视化方法 |
CN112949934A (zh) * | 2021-03-25 | 2021-06-11 | 浙江万里学院 | 基于深度学习的短时强降雨预测方法 |
CN113239722A (zh) * | 2021-03-31 | 2021-08-10 | 成都信息工程大学 | 基于深度学习在多尺度下的强对流外推方法及系统 |
CN116012618A (zh) * | 2022-12-02 | 2023-04-25 | 广东方柚科技有限公司 | 一种基于雷达回波图的天气辨识方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
电离层频高图参数的实时自动度量与分析;丁宗华 等;《地球物理学报》(第04期);969-978 * |
Also Published As
Publication number | Publication date |
---|---|
CN116520459A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767801B (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
Leinonen et al. | Stochastic super-resolution for downscaling time-evolving atmospheric fields with a generative adversarial network | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN114460555B (zh) | 一种雷达回波外推方法、装置及存储介质 | |
KR20220078963A (ko) | 딥러닝 기반 위성 사진을 이용한 태양광 발전량 예측 방법 및 장치 | |
CN116310219A (zh) | 一种基于条件扩散模型的三维脚型生成方法 | |
CN117993499B (zh) | 一种流域防洪四预平台的多模态知识图谱构建方法 | |
CN114998373A (zh) | 基于多尺度损失函数的改进型U-Net云图分割方法 | |
CN114529793A (zh) | 一种基于门控循环特征融合的深度图像修复系统及方法 | |
CN117809016A (zh) | 一种基于深度学习的云层去除偏振定向方法 | |
CN117634556A (zh) | 一种基于水面数据的语义分割神经网络的训练方法及装置 | |
CN116520459B (zh) | 一种天气预测方法 | |
CN113205016A (zh) | 一种基于恒等残差型Unet与遥感水体指数的河湖岸线变化检测方法 | |
CN111368843A (zh) | 一种基于语义分割的冰上湖提取的方法 | |
CN117132649A (zh) | 人工智能融合北斗卫星导航的船舶视频定位方法及装置 | |
CN110533663B (zh) | 一种图像视差确定方法、装置、设备及系统 | |
CN117152427A (zh) | 基于扩散模型和知识蒸馏的遥感图像语义分割方法与系统 | |
CN116721206A (zh) | 一种实时的室内场景视觉同步定位与建图方法 | |
CN114419443A (zh) | 一种遥感影像耕地地块自动提取方法及系统 | |
Wang et al. | Hacloudnet: A ground-based cloud image classification network guided by height-driven attention | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN115755227B (zh) | 一种基于深度神经网络模型的三维雷达外推方法 | |
CN117634930B (zh) | 一种台风云图预测方法、系统及存储介质 | |
CN117809169B (zh) | 一种小样本水下声呐图像分类方法及其模型搭建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |