CN116719002A - 定量降水估计方法、装置、电子设备及计算机存储介质 - Google Patents

定量降水估计方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN116719002A
CN116719002A CN202310987632.0A CN202310987632A CN116719002A CN 116719002 A CN116719002 A CN 116719002A CN 202310987632 A CN202310987632 A CN 202310987632A CN 116719002 A CN116719002 A CN 116719002A
Authority
CN
China
Prior art keywords
precipitation estimation
precipitation
quantitative
target
quantitative precipitation
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
Application number
CN202310987632.0A
Other languages
English (en)
Other versions
CN116719002B (zh
Inventor
张金
林超
张新忠
董军
蔡昌洪
张俞
叶先才
王子翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hongxiang Technology Co ltd
Original Assignee
Beijing Hongxiang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Hongxiang Technology Co ltd filed Critical Beijing Hongxiang Technology Co ltd
Priority to CN202310987632.0A priority Critical patent/CN116719002B/zh
Publication of CN116719002A publication Critical patent/CN116719002A/zh
Application granted granted Critical
Publication of CN116719002B publication Critical patent/CN116719002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种定量降水估计方法、装置、电子设备及计算机存储介质，涉及信息处理技术领域，本发明先获取目标地区在目标时间范围内的目标天气雷达数据，然后基于目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果，进而确定目标地区在目标时间范围内的格点定量降水估测结果；其中，定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演。这样利用基于深度学习的时空序列模型训练得到的定量降水估测模型，对目标天气雷达数据进行定量降水反演，考虑了降水的时空依赖性，因此有效的提升了降水反演精度，缓解了现有技术中存在的因忽略降水的时空依赖性而导致的预报不准确的技术问题。

Description

定量降水估计方法、装置、电子设备及计算机存储介质
技术领域
本发明涉及信息处理技术领域，尤其是涉及一种定量降水估计方法、装置、电子设备及计算机存储介质。
背景技术
雷达回波反演定量降水是一种利用气象雷达反演降水量的技术，它可以对大范围的降水过程进行实时监测和预测，是气象、水文、农业等领域的重要技术。传统定量降水估测主要基于经验公式或统计方法。经验公式方法是根据雷达回波强度和降水量之间的经验关系，通过多年的统计资料得出的，缺点是只适用于特定的雷达型号和降水类型；统计方法则是基于雷达回波统计特性的分析，但是对于不同的降水类型和地区，统计结果的可靠性存在差异。因此，现有的定量降水估测方法存在降水反演精度低的问题。
发明内容
本发明的目的在于提供一种定量降水估计方法、装置、电子设备及计算机存储介质，以提升降水反演精度。
第一方面，本发明实施例提供了一种定量降水估计方法，包括：
获取目标地区在目标时间范围内的目标天气雷达数据；其中，所述目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组所述反射率数据包括对所述目标地区划分得到的多个格点对应的反射率值；
基于所述目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，所述定量降水估测模型是基于预先构建的时空序列模型训练得到的，所述定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演；
基于所述初始降水估测结果，确定所述目标地区在所述目标时间范围内的格点定量降水估测结果。
进一步地，在所述获取目标地区在目标时间范围内的目标天气雷达数据之前，所述定量降水估计方法还包括：
获取训练集、验证集和测试集；其中，所述训练集、所述验证集和所述测试集中的每个样本均包括所述目标地区在预设时长内的历史天气雷达数据和对应的降水观测数据；
基于所述训练集和所述验证集，对预先构建的时空序列模型进行训练，得到多个待选降水估测模型；
基于所述测试集对各个所述待选降水估测模型进行测试，得到测试结果；
基于所述测试结果，从多个所述待选降水估测模型中筛选出所述定量降水估测模型。
进一步地，所述基于所述测试结果，从多个所述待选降水估测模型中筛选出所述定量降水估测模型，包括：
基于所述测试结果，对每个所述待选降水估测模型进行多个预设降水检验级别下预设评估指标的降水分级评估，得到每个所述待选降水估测模型的降水分级评估结果；其中，所述预设评估指标包括威胁分数TS、命中率POD和空报率FAR；
基于各个所述待选降水估测模型的降水分级评估结果，从多个所述待选降水估测模型中筛选出所述定量降水估测模型。
进一步地，所述基于所述目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果，包括：
对所述目标天气雷达数据进行预处理，得到预处理后数据；其中，所述预处理包括归一化处理和下采样处理；
将所述预处理后数据输入到所述定量降水估测模型中，得到所述定量降水估测模型输出的初始降水估测结果。
进一步地，所述基于所述初始降水估测结果，确定所述目标地区在所述目标时间范围内的格点定量降水估测结果，包括：
基于预设的插值倍数和放大倍数，对所述初始降水估测结果进行空间插值处理和数值放大处理，得到所述目标地区在所述目标时间范围内的格点定量降水估测结果。
进一步地，所述时空序列模型包括多层堆叠的时空记忆模块，每层所述时空记忆模块均包括级联的时空记忆单元和Swin Transformer单元，每层所述时空记忆模块接收到的输入特征先后经所述时空记忆单元和所述Swin Transformer单元的处理后输出。
进一步地，每层所述时空记忆模块与其上一层所述时空记忆模块之间设置有跳层连接，所述跳层连接用于将当前层所述时空记忆模块的输出特征与上一层所述时空记忆模块的输出特征进行特征融合后，输入到下一层所述时空记忆模块。
第二方面，本发明实施例还提供了一种定量降水估计装置，包括：
数据获取模块，用于获取目标地区在目标时间范围内的目标天气雷达数据；其中，所述目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组所述反射率数据包括对所述目标地区划分得到的多个格点对应的反射率值；
模型估测模块，用于基于所述目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，所述定量降水估测模型是基于预先构建的时空序列模型训练得到的，所述定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演；
结果确定模块，用于基于所述初始降水估测结果，确定所述目标地区在所述目标时间范围内的格点定量降水估测结果。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的定量降水估计方法。
第四方面，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面所述的定量降水估计方法。
本发明实施例提供的定量降水估计方法、装置、电子设备及计算机存储介质，在对目标地区进行定量降水估计时，先获取目标地区在目标时间范围内的目标天气雷达数据；其中，目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组反射率数据包括对目标地区划分得到的多个格点对应的反射率值；然后基于目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，定量降水估测模型是基于预先构建的时空序列模型训练得到的，定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演；进而基于初始降水估测结果，确定目标地区在目标时间范围内的格点定量降水估测结果。这样利用基于深度学习的时空序列模型训练得到的定量降水估测模型，对目标天气雷达数据进行定量降水反演，考虑了降水的时空依赖性，因此有效的提升了降水反演精度，缓解了现有技术中存在的因忽略降水的时空依赖性而导致的预报不准确的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种定量降水估计方法的流程示意图；
图2为本发明实施例提供的一种定量降水估测模型的结构示意图；
图3为本发明实施例提供的一种Swin Transformer单元的结构示意图；
图4为本发明实施例提供的另一种定量降水估计方法的流程示意图；
图5为本发明实施例提供的一种定量降水估计装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
随着深度学习技术的发展和应用，雷达回波反演定量降水技术得到了进一步的提升和发展。首先，深度学习模型的应用。深度学习模型可以自动地从大量的数据中学习和提取特征，具有非常强的模式识别和数据分析能力。在雷达回波反演定量降水中，可以利用深度学习模型对雷达回波数据进行特征提取和建模，提高降水量和降水特征的反演精度。其次，多源数据融合。深度学习技术可以将多个数据源进行融合，提高反演精度和空间分辨率。同时，深度学习技术还可以将地面观测数据和雷达回波数据进行融合，提高反演数据的时空分辨率和精度，更加准确地反演降水量。第三，算法优化。深度学习技术不仅可以提高数据反演的精度，还可以加速数据反演的过程，提高数据反演的效率和准确性。例如，可以基于深度学习的递归神经网络（Recursive Neural Network，简称RNN）和长短期记忆网络（Long Short-Term Memory，简称LSTM）对历史气象数据和雷达回波数据进行学习和预测，实现降水的实时预报。
深度学习技术在雷达回波反演定量降水中具有重要的应用前景和研究意义，虽然深度学习技术可以实现自动预报，但是预报精度和时效性仍然需要进一步提高。如何利用深度学习技术对气象数据和雷达回波数据进行高效的处理和分析，提高预报的精度和时效性，是未来研究的重点和难点；可以在模型设计、数据处理、算法优化等方面进行深入的研究和探索，以实现更高的反演精度、更快的反演效率和更精确的预报结果，为气象、水文、农业等领域的发展提供有力的支持。
时空序列模型通常用于基于一段时间内的反射率数据预测未来一段时间内的反射率数据，进而预测未来的降水情况，没有用于实况降水估测的，而传统降水估测依赖经验公式，经验参数难以确定，估测难度大。基于此，本发明实施例提供的一种定量降水估计方法、装置、电子设备及计算机存储介质，基于深度学习的时空序列模型，估测诸如当前实况1小时内的累积降水，可以解决传统定量降水估测依赖经验公式，反演精度低的问题，为气象、水文、农业等领域的发展提供有力的支持。
本发明实施例涉及气象学与计算机视觉领域的交叉和融合，利用深度学习、卷积神经网络等技术对雷达回波数据进行处理和分析，提高反演精度，为气象预报、防灾减灾等领域提供重要的支持和保障。为便于对本实施例进行理解，首先对本发明实施例所公开的一种定量降水估计方法进行详细介绍。
本发明实施例提供了一种定量降水估计方法，该方法可以由具有数据处理能力的电子设备执行。参见图1所示的一种定量降水估计方法的流程示意图，该方法主要包括如下步骤S102~步骤S106：
步骤S102，获取目标地区在目标时间范围内的目标天气雷达数据；其中，目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组反射率数据包括对目标地区划分得到的多个格点对应的反射率值。
目标地区为要进行降水估计的地区，目标地区被划分为多个格点，本发明实施例最终估计得到的是每个格点的降水量。目标时间范围为要进行降水估计的时间段，目标时间范围对应的时长与后续的定量降水估测模型在训练时所用样本对应的预设时长一致，例如，若训练定量降水估测模型时所用的样本为1小时内的历史天气雷达数据和对应的降水观测数据，则目标时间范围对应的时长可以为1小时。雷达可以每隔预设时间间隔探测到得到一组反射率数据，预设时间间隔可以根据实际需求设置，本发明实施例对此不做限定，例如预设时间间隔为6分钟，即每个6分钟采集一组反射率数据，1个小时内共有10组反射率数据。
步骤S104，基于目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，定量降水估测模型是基于预先构建的时空序列模型训练得到的，定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演。
在获取初始降水估测结果时，可以先对目标天气雷达数据进行预处理，得到预处理后数据；其中，预处理包括归一化处理和下采样处理；然后将预处理后数据输入到定量降水估测模型中，得到定量降水估测模型输出的初始降水估测结果。例如，先对目标天气雷达数据进行归一化处理，并将归一化后数据为下采样处理的输入数据，再通过最大值池化（Max Pooling）对输入数据进行最大值下采样，然后对最大值下采样结果使用平均值池化（Average Pooling）对输入数据继续进行下采样，这样可以降低特征图的参数量，提升计算速度，增加感受野。需要说明的是，本发明实施例对下采样方式不做限定，可以采用一次池化，也可以采用多次池化，多次池化时也可以根据实际需求改变不同池化的顺序。
定量降水估测模型利用了基于深度学习的时空序列模型，时空序列模型能够捕捉相邻数据之间的时间依赖性和空间相关性，时空序列模型包括多层堆叠的时空记忆模块，每层时空记忆模块会对上一层时空记忆模块输出的当前时刻特征和前一时刻特征进行差分处理，得到差分信号，以记忆时间特征和空间特征。
如图2所示，定量降水估测模型包括四层堆叠的时空记忆模块（每个虚线框为一个时空记忆模块）和位于最顶层的CNN（Convolutional Neural Networks，卷积神经网络）单元，其中，最底层的时空记忆模块的时空记忆单元为ST-LSTM单元，较高层的时空记忆模块的时空记忆单元为MIM（Memory in Memory）单元。
ST-LSTM单元是在LSTM的基础上进行的扩展，它包含时间记忆单元和空间记忆单元；ST-LSTM单元时刻的输入为/>，其中，/>为/>时刻的雷达反射率；ST-LSTM单元基于上一时刻自身记忆的参数信息（如向右的较细实线箭头所示）和最顶层时空记忆模块的MIM单元上一时刻传递的参数信息（如点虚线箭头所示），对输入数据进行处理；ST-LSTM单元/>时刻的输出为/>。MIM单元主要由MIM-S和MIM-N两部分组成（如二者级联）；MIM单元利用上一时刻记忆自身记忆的参数信息（如向右的较细实线箭头所示）和上一层时空记忆模块（具体为图2所示的时空记忆单元，或者后续增加的Swin Transformer单元，前者结构改动较小，后者效果更好）上一时刻传递的参数信息（例如对于图2中第二层时空记忆模块的MIM单元，该参数信息为ST-LSTM单元/>时刻输出的/>），对输入数据进行处理；/>为定量降水估测模型/>时刻估测得到的/>时刻的估测降水量（即/>时刻CNN单元的输出）。
进一步地，本发明实施例对时空序列模型的模型结构进行了如下两方面的改进：1、如图2所示，每层时空记忆模块均包括级联的时空记忆单元（ST-LSTM单元或MIM单元）和Swin Transformer单元，每层时空记忆模块接收到的输入特征先后经时空记忆单元和SwinTransformer单元的处理后输出；2、如图2所示，每层时空记忆模块与其上一层时空记忆模块之间设置有跳层连接（如较粗实线箭头所示），跳层连接用于将当前层时空记忆模块的输出特征与上一层时空记忆模块的输出特征进行特征融合后，输入到下一层时空记忆模块。在时空记忆单元之后增加Swin Transformer单元，进一步提升了模型精度；增加了低层时空记忆模块至高层时空记忆模块的梯度传播路线，避免了深层网络的梯度消失问题，提升了定量降水反演的准确性。
为了便于理解，下面参照图3对Swin Transformer单元的结构进行介绍。如图3所示，Swin Transformer单元由虚线框所示的两个子单元级联组成，每个子单元由一个LN（Layer Norm，归一化层）、一个注意力模块，后接另一个LN和一个MLP（Multi-LayerPerception，多层感知器）组成；其中，第一个子单元的注意力模块使用W-MSA（WindowsMulti-Head Self-Attention，窗口多头自注意力），第二个子单元的注意力模块使用SW-MSA（Shifted Windows Multi-Head Self-Attention，移动窗口多头自注意力）。
步骤S106，基于初始降水估测结果，确定目标地区在目标时间范围内的格点定量降水估测结果。
在一些可能的实施例中，考虑到初始降水估测结果是定量降水估测模型基于归一化处理和下采样处理后的预处理后数据估测出的，因此需要对初始降水估测结果进行空间插值处理和数值放大处理，使其到常规降水量大小，且对应到每个格点。基于此，步骤S106可以通过如下过程实现：基于预设的插值倍数和放大倍数，对初始降水估测结果进行空间插值处理和数值放大处理，得到目标地区在目标时间范围内的格点定量降水估测结果。其中，插值倍数与模型输出的数据量和实际的格点数有关，例如，若模型输出的数据量为200200，而实际的格点数为400/>400，则需要进行两倍插值，即插值倍数为2；放大倍数与实际的降水量大小有关，可以基于目标天气雷达数据确定放大倍数，例如放大倍数为50。
本发明实施例提供的定量降水估计方法，在对目标地区进行定量降水估计时，先获取目标地区在目标时间范围内的目标天气雷达数据；其中，目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组反射率数据包括对目标地区划分得到的多个格点对应的反射率值；然后基于目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，定量降水估测模型是基于预先构建的时空序列模型训练得到的，定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演；进而基于初始降水估测结果，确定目标地区在目标时间范围内的格点定量降水估测结果。这样利用基于深度学习的时空序列模型训练得到的定量降水估测模型，对目标天气雷达数据进行定量降水反演，考虑了降水的时空依赖性，因此有效的提升了降水反演精度，缓解了现有技术中存在的因忽略降水的时空依赖性而导致的预报不准确的技术问题。
本发明实施例还提供了上述定量降水估测模型的获取过程，具体如下：
1）获取训练集、验证集和测试集；其中，训练集、验证集和测试集中的每个样本均包括目标地区在预设时长内的历史天气雷达数据和对应的降水观测数据；
2）基于训练集和验证集，对预先构建的时空序列模型进行训练，得到多个待选降水估测模型；
3）基于测试集对各个待选降水估测模型进行测试，得到测试结果；
4）基于测试结果，从多个待选降水估测模型中筛选出定量降水估测模型。
上述2）中，需要先对样本中的历史天气雷达数据进行预处理，再将预处理后得到的数据作为模型的输入，模型的输出需要进行空间插值处理和数值放大处理后，再与相应的降水观测数据进行比较，计算得到损失值，进而基于损失值调整模型参数，实现模型的训练，最终输出多个损失函数收敛时的待选降水估测模型。
上述3）中，测试结果可以为模型的输出经空间插值处理和数值放大处理后得到的，如此后续可以直接与相应的降水观测数据进行比较。
上述4）中，可以先基于测试结果，对每个待选降水估测模型进行多个预设降水检验级别下预设评估指标的降水分级评估，得到每个待选降水估测模型的降水分级评估结果；其中，预设评估指标包括威胁分数（Threat score，简称TS）、命中率（Probability ofDetection，简称POD）和空报率（0 Alarm Rate，简称FAR），TS越高、命中率越高、空报率越低说明模型效果越好；然后基于各个待选降水估测模型的降水分级评估结果，从多个待选降水估测模型中筛选出定量降水估测模型。
上述预设降水检验级别可以根据实际需求设置，例如降水检验级别设置为[0.1mm，5mm，10mm，20mm]。降水分级评估指以该降水检验级别为评估预测正确与否的界限，例如对于20mm，若降水观测数据中某个格点的降水量大于20mm，则只要该格点估测出的降水量也大于20mm，则认为预测正确；若降水观测数据中某个格点的降水量小于20mm，则只要该格点估测出的降水量也小于20mm，则认为预测正确。优选降水检验级别较高下评估结果最好的模型，例如模型1在20mm下的评估结果最好，另外三个级别的评估结果也较优，则选模型1作为定量降水估测模型。
为了便于理解，下面对上述定量降水估计方法的详细过程进行介绍。参见图4所示的另一种定量降水估计方法的流程示意图，该方法主要包括：
步骤1、获取雷达组合反射率数据和降水观测数据，并对雷达反射率数据进行数据预处理。
基于雷达探测的反射率数据，选取连续一小时雷达反射率数据作为输入数据，并对数据做归一化处理：
（1）
其中，表示雷达反射率数据的取值，/>表示雷达反射率数据的最小值，/>表示雷达反射率数据的最大值。
步骤2、下采样。
基于最大值池化与平均值池化，对输入数据进行下采样，以降低特征图的参数量，提升计算速度，增加感受野。
步骤3、定量降水估测模型构建。
构建基于深度学习的时空神经网络模型（即时空序列模型，也称MIM模型）进行定量降水反演，其中，时空神经网络模型通过堆叠多个时空记忆模块，能够捕捉相邻像素之间的时间依赖性和空间相关性。图2中MIM的主要公式如下：
（2）
其中，为隐藏状态，/>和/>为权重参数，σ为sigmoid激活函数，/>和分别表示平稳模块和非平稳模块中水平方向的存储单元，/>是时空记忆，/>为水平存储单元，/>是由/>学习并输入到/>的差分特征，它在同一时间步长从上一层垂直传递到当前节点，/>是通过虚拟“遗忘门”的记忆，/>为输入门，/>为遗忘门，/>为输出门，/>表示输入调制门，/>代表卷积操作，e代表哈达玛运算(对应相乘)，/>、L分别指时空记忆模块的层序号、层数。
本发明实施例对模型结构进行了改进，增加了低层时空记忆模块至高层时空记忆模块的梯度传播路线，避免深层网络的梯度消失问题，提升了降水落区反演的准确性，其次在每层时空记忆模块中的时空记忆单元之后增加了Swin Transformer单元，进一步提升模型精度。具体实现方法如下：
（1）时空特征学习任务中，决定系统表现的是两个关键方面：时间和空间。在时空特征学习中，时间和空间同样重要，必须记住尽可能多的历史细节，时空记忆单元在一个统一的记忆单元中记忆空间特征和时间特征，并在垂直层面和水平层面上传递记忆。
（2）在堆叠的时空记忆单元之间，对模型进行改进，在时空记忆单元之后增加了Swin Transformer单元，增强隐层特征图的空间相关性特征。
（3）堆叠多个时空记忆单元与Swin Transformer单元，并增加跳层链接将当前层Swin Transformer单元的输出特征与上一层Swin Transformer单元的输出特征进行特征融合后，输入下一层时空记忆单元中，这种短路机制可以有效缓解梯度消失问题，从而避免深层网络导致降水估测强度减弱问题。模型结构还通过上一时刻顶层到当前时刻底层的连接，使时空记忆模块共享一个统一的记忆流（如图2所示，使得当前时刻底层的ST-LSTM可以对当前时刻输入的实况数据和前一时刻输出的预测数据进行融合处理），并沿着之字形方向进行更新，从而时空记忆模块可以同时记忆空间表象和时间变化。
（4）通过CNN单元对（3）得到的输出结果进行卷积处理，将通道降维为1，输出初始降水估测结果。
步骤4、空间插值、数值放大。
对模型输出的反演结果（即初始降水估测结果）进行线性插值，得到定量降水反演结果。具体地，对反演结果进行空间插值以及数值放大到常规降水量大小，本实施例中进行50倍放大，得到最终的格点定量降水估测结果。
步骤5、结果评估是否最优。
计算TS评分，命中率POD，空报率FAR，对格点定量降水估测结果进行结果评估，本实施例中降水检验级别设置为[0.1mm，5mm，10mm，20mm]，其中TS评分越高、命中率越高、空报率越低说明模型效果越好，最终选出最优的反演模型，作为定量降水估测模型。其中，TS、POD、FAR的计算公式如下：
（3）
其中，FP为错误预测非降水样本的数量，TN为正确预测非降水样本的数量，FN为错误预测降水样本的数量，TP为正确预测降水样本的数量。
步骤6、定量降水估测结果。
通过上述步骤可以得到最终的定量降水估测模型，并可基于雷达反射率数据实时反演区域格点降水量，为气象预报、防灾减灾等领域提供重要的支持和保障。
本发明实施例中，利用连续1小时内天气雷达探测的反射率数据作为输入数据，通过池化层进行数据下采样，并构建基于深度学习的时空序列模型进行定量降水反演，对反演结果进行线性插值，得到最终的定量降水反演结果，其中对时空序列模型进行了模型改进，增加了低层时空记忆模块至高层时空记忆模块的梯度传播路线，避免深层网络的梯度消失问题，提升降水落区反演的准确性，其次在时空记忆单元之后增加了SwinTransformer单元，提升强降水的反演精度。本发明实施例有效的提升了降水反演精度，缓解了现有技术中存在的因忽略降水的时空依赖性而导致的预报不准确的技术问题。
与现有技术相比，本发明实施例采用的上述技术方案具有以下有益效果：
（1）本发明实施例基于深度学习方法，将时空序列模型应用于格点降水估测，利用1小时内的雷达探测的反射率数据，反演当前实况1小时内累计降水量，建立了一套格点化定量降水估测模型，模型可以自主学习空间相关性和局部像素值的时间依赖性，对降水的累积、消散等有更好的估测，解决了传统降水估测依赖经验公式，经验参数难以确定，估测的降水精度较低的问题。
（2）本发明实施例通过堆叠多个时空记忆模块，模型能够捕捉相邻像素之间的时间依赖性和空间相关性，并对模型结构进行了改进，增加了低层时空记忆模块至高层时空记忆模块的梯度传播路线，避免深层网络的梯度消失问题，提升降水落区反演的准确性，其次在时空记忆单元之后增加了Swin Transformer单元，使格点降水反演达到更高精度。
对应于上述的定量降水估计方法，本发明实施例还提供了一种定量降水估计装置。参见图5所示的一种定量降水估计装置的结构示意图，该装置包括：
数据获取模块501，用于获取目标地区在目标时间范围内的目标天气雷达数据；其中，目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组反射率数据包括对目标地区划分得到的多个格点对应的反射率值；
模型估测模块502，用于基于目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，定量降水估测模型是基于预先构建的时空序列模型训练得到的，定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演；
结果确定模块503，用于基于初始降水估测结果，确定目标地区在目标时间范围内的格点定量降水估测结果。
进一步地，上述装置还包括模型训练模块，用于：
获取训练集、验证集和测试集；其中，训练集、验证集和测试集中的每个样本均包括目标地区在预设时长内的历史天气雷达数据和对应的降水观测数据；
基于训练集和验证集，对预先构建的时空序列模型进行训练，得到多个待选降水估测模型；
基于测试集对各个待选降水估测模型进行测试，得到测试结果；
基于测试结果，从多个待选降水估测模型中筛选出定量降水估测模型。
进一步地，上述模型训练模块还用于：
基于测试结果，对每个待选降水估测模型进行多个预设降水检验级别下预设评估指标的降水分级评估，得到每个待选降水估测模型的降水分级评估结果；其中，预设评估指标包括威胁分数TS、命中率POD和空报率FAR；
基于各个待选降水估测模型的降水分级评估结果，从多个待选降水估测模型中筛选出定量降水估测模型。
进一步地，上述模型估测模块502具体用于：
对目标天气雷达数据进行预处理，得到预处理后数据；其中，预处理包括归一化处理和下采样处理；
将预处理后数据输入到定量降水估测模型中，得到定量降水估测模型输出的初始降水估测结果。
进一步地，上述结果确定模块503具体用于：
基于预设的插值倍数和放大倍数，对初始降水估测结果进行空间插值处理和数值放大处理，得到目标地区在目标时间范围内的格点定量降水估测结果。
进一步地，上述时空序列模型包括多层堆叠的时空记忆模块，每层时空记忆模块均包括级联的时空记忆单元和Swin Transformer单元，每层时空记忆模块接收到的输入特征先后经时空记忆单元和Swin Transformer单元的处理后输出。
进一步地，每层时空记忆模块与其上一层时空记忆模块之间设置有跳层连接，跳层连接用于将当前层时空记忆模块的输出特征与上一层时空记忆模块的输出特征进行特征融合后，输入到下一层时空记忆模块。
本实施例所提供的定量降水估计装置，其实现原理及产生的技术效果和前述定量降水估计方法实施例相同，为简要描述，定量降水估计装置实施例部分未提及之处，可参考前述定量降水估计方法实施例中相应内容。
如图6所示，本发明实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，存储器602存储有可在处理器601上运行的计算机程序，当电子设备600运行时，处理器601与存储器602之间通过总线通信，处理器601执行计算机程序，以实现上述定量降水估计方法。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定。
本发明实施例还提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前面方法实施例中所述的定量降水估计方法。该计算机存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。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的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种定量降水估计方法，其特征在于，包括：
获取目标地区在目标时间范围内的目标天气雷达数据；其中，所述目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组所述反射率数据包括对所述目标地区划分得到的多个格点对应的反射率值；
基于所述目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，所述定量降水估测模型是基于预先构建的时空序列模型训练得到的，所述定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演；
基于所述初始降水估测结果，确定所述目标地区在所述目标时间范围内的格点定量降水估测结果。
2.根据权利要求1所述的定量降水估计方法，其特征在于，在所述获取目标地区在目标时间范围内的目标天气雷达数据之前，所述定量降水估计方法还包括：
获取训练集、验证集和测试集；其中，所述训练集、所述验证集和所述测试集中的每个样本均包括所述目标地区在预设时长内的历史天气雷达数据和对应的降水观测数据；
基于所述训练集和所述验证集，对预先构建的时空序列模型进行训练，得到多个待选降水估测模型；
基于所述测试集对各个所述待选降水估测模型进行测试，得到测试结果；
基于所述测试结果，从多个所述待选降水估测模型中筛选出所述定量降水估测模型。
3.根据权利要求2所述的定量降水估计方法，其特征在于，所述基于所述测试结果，从多个所述待选降水估测模型中筛选出所述定量降水估测模型，包括：
基于所述测试结果，对每个所述待选降水估测模型进行多个预设降水检验级别下预设评估指标的降水分级评估，得到每个所述待选降水估测模型的降水分级评估结果；其中，所述预设评估指标包括威胁分数TS、命中率POD和空报率FAR；
基于各个所述待选降水估测模型的降水分级评估结果，从多个所述待选降水估测模型中筛选出所述定量降水估测模型。
4.根据权利要求1所述的定量降水估计方法，其特征在于，所述基于所述目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果，包括：
对所述目标天气雷达数据进行预处理，得到预处理后数据；其中，所述预处理包括归一化处理和下采样处理；
将所述预处理后数据输入到所述定量降水估测模型中，得到所述定量降水估测模型输出的初始降水估测结果。
5.根据权利要求1所述的定量降水估计方法，其特征在于，所述基于所述初始降水估测结果，确定所述目标地区在所述目标时间范围内的格点定量降水估测结果，包括：
基于预设的插值倍数和放大倍数，对所述初始降水估测结果进行空间插值处理和数值放大处理，得到所述目标地区在所述目标时间范围内的格点定量降水估测结果。
6. 根据权利要求1-5中任一项所述的定量降水估计方法，其特征在于，所述时空序列模型包括多层堆叠的时空记忆模块，每层所述时空记忆模块均包括级联的时空记忆单元和Swin Transformer单元，每层所述时空记忆模块接收到的输入特征先后经所述时空记忆单元和所述Swin Transformer单元的处理后输出。
7.根据权利要求6所述的定量降水估计方法，其特征在于，每层所述时空记忆模块与其上一层所述时空记忆模块之间设置有跳层连接，所述跳层连接用于将当前层所述时空记忆模块的输出特征与上一层所述时空记忆模块的输出特征进行特征融合后，输入到下一层所述时空记忆模块。
8.一种定量降水估计装置，其特征在于，包括：
数据获取模块，用于获取目标地区在目标时间范围内的目标天气雷达数据；其中，所述目标天气雷达数据包括雷达在多个采样时刻探测到的多组反射率数据，每组所述反射率数据包括对所述目标地区划分得到的多个格点对应的反射率值；
模型估测模块，用于基于所述目标天气雷达数据和训练后的定量降水估测模型，得到初始降水估测结果；其中，所述定量降水估测模型是基于预先构建的时空序列模型训练得到的，所述定量降水估测模型用于通过捕捉相邻数据之间的时间依赖性和空间相关性进行定量降水反演；
结果确定模块，用于基于所述初始降水估测结果，确定所述目标地区在所述目标时间范围内的格点定量降水估测结果。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的定量降水估计方法。
10.一种计算机存储介质，所述计算机存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-7中任一项所述的定量降水估计方法。
CN202310987632.0A 2023-08-08 2023-08-08 定量降水估计方法、装置、电子设备及计算机存储介质 Active CN116719002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310987632.0A CN116719002B (zh) 2023-08-08 2023-08-08 定量降水估计方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310987632.0A CN116719002B (zh) 2023-08-08 2023-08-08 定量降水估计方法、装置、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN116719002A true CN116719002A (zh) 2023-09-08
CN116719002B CN116719002B (zh) 2023-10-27

Family

ID=87868304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310987632.0A Active CN116719002B (zh) 2023-08-08 2023-08-08 定量降水估计方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN116719002B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117805826A (zh) * 2023-12-12 2024-04-02 浙江省气象台 基于mim网络和雷达拼图的分钟降水估测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624682A (zh) * 2020-06-24 2020-09-04 海南省气象科学研究所 一种基于多源数据融合的定量降水估测方法
CN113537450A (zh) * 2020-11-30 2021-10-22 武汉超碟科技有限公司 一种基于多模型集成的融合外推预报方法
CN113936142A (zh) * 2021-10-13 2022-01-14 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
CN115220133A (zh) * 2022-07-19 2022-10-21 海南大学 一种多气象要素降雨预测方法、装置、设备及存储介质
CN115310724A (zh) * 2022-10-10 2022-11-08 南京信息工程大学 一种基于Unet和DCN_LSTM的降水预测方法
CN116051857A (zh) * 2023-01-14 2023-05-02 南京信息工程大学 一种利用随机掩码和Transformer改进的短临降水预报方法
WO2023103587A1 (zh) * 2021-12-09 2023-06-15 南京邮电大学 短临降水预测方法及装置
CN116307283A (zh) * 2023-05-19 2023-06-23 青岛科技大学 基于mim模型和时空交互记忆的降水预测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624682A (zh) * 2020-06-24 2020-09-04 海南省气象科学研究所 一种基于多源数据融合的定量降水估测方法
CN113537450A (zh) * 2020-11-30 2021-10-22 武汉超碟科技有限公司 一种基于多模型集成的融合外推预报方法
CN113936142A (zh) * 2021-10-13 2022-01-14 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
WO2023103587A1 (zh) * 2021-12-09 2023-06-15 南京邮电大学 短临降水预测方法及装置
CN115220133A (zh) * 2022-07-19 2022-10-21 海南大学 一种多气象要素降雨预测方法、装置、设备及存储介质
CN115310724A (zh) * 2022-10-10 2022-11-08 南京信息工程大学 一种基于Unet和DCN_LSTM的降水预测方法
CN116051857A (zh) * 2023-01-14 2023-05-02 南京信息工程大学 一种利用随机掩码和Transformer改进的短临降水预报方法
CN116307283A (zh) * 2023-05-19 2023-06-23 青岛科技大学 基于mim模型和时空交互记忆的降水预测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEI ZHOU等: "Radar Echo Maps Prediction Using an Improved MIM with Self-Attention Memory Module", 《SENSORS》, pages 1 - 12 *
YUNBO WANG等: "Memory In Memory: A Predictive Neural Network for Learning Higher-Order Non-Stationarity from Spatiotemporal Dynamics", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 9146 - 9154 *
何诗扬等: "基于时空记忆解耦 RNN 的雷暴预测方法", 《系统工程与电子技术》, pages 1 - 10 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117805826A (zh) * 2023-12-12 2024-04-02 浙江省气象台 基于mim网络和雷达拼图的分钟降水估测方法及系统
CN117805826B (zh) * 2023-12-12 2024-06-04 浙江省气象台 基于mim网络和雷达拼图的分钟降水估测方法及系统

Also Published As

Publication number Publication date
CN116719002B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
Trebing et al. SmaAt-UNet: Precipitation nowcasting using a small attention-UNet architecture
Chen et al. A deep learning‐based methodology for precipitation nowcasting with radar
JP7004364B1 (ja) グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体
CN111310968A (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN113936142A (zh) 一种基于深度学习的降水临近预报方法及装置
CN110456320B (zh) 一种基于自由空间步态时序特征的超宽带雷达身份识别方法
CN116719002B (zh) 定量降水估计方法、装置、电子设备及计算机存储介质
Jing et al. HPRNN: A hierarchical sequence prediction model for long-term weather radar echo extrapolation
CN112634369A (zh) 空间与或图模型生成方法、装置、电子设备和存储介质
Choi et al. Deep-learning model for sea surface temperature prediction near the Korean Peninsula
Yao et al. An improved deep learning model for high-impact weather nowcasting
CN113253363A (zh) 一种雷电活动路径预测方法及系统
Dusek et al. WebCAT: Piloting the development of a web camera coastal observing network for diverse applications
Wong et al. Automatic tropical cyclone eye fix using genetic algorithm
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
CN113361528A (zh) 一种多尺度目标检测方法及系统
Roy et al. Tropical cyclone intensity forecasting in the Bay of Bengal using a biologically inspired computational model
Lee et al. Estimation of maximum daily fresh snow accumulation using an artificial neural network model
CN117494871A (zh) 一种考虑船舶交互影响的船舶轨迹预测方法
Socaci et al. XNow: A deep learning technique for nowcasting based on radar products’ values prediction
Xu et al. A novel algorithm for the objective detection of tropical cyclone centres using infrared satellite images
CN115311591A (zh) 异常行为的预警方法、装置及智能摄像头
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
Huan-tong et al. Improved Weather Radar Echo Extrapolation Through Wind Speed Data Fusion Using a New Spatiotemporal Neural Network Model.
CN116805435B (zh) 一种数电机房智能巡检装置

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