CN117808650B - 一种基于Transform-Flownet和R-FPN的降水预测方法 - Google Patents
一种基于Transform-Flownet和R-FPN的降水预测方法 Download PDFInfo
- Publication number
- CN117808650B CN117808650B CN202410223994.7A CN202410223994A CN117808650B CN 117808650 B CN117808650 B CN 117808650B CN 202410223994 A CN202410223994 A CN 202410223994A CN 117808650 B CN117808650 B CN 117808650B
- Authority
- CN
- China
- Prior art keywords
- feature map
- sparrow
- image
- fpn
- precipitation prediction
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 57
- 241000287127 Passeridae Species 0.000 claims abstract description 86
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 35
- 230000003287 optical effect Effects 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 13
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000013016 learning Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于Transform‑Flownet和R‑FPN的降水预测方法，获取气象雷达图像数据，并对气象雷达图像数据进行预处理；构建初始降水预测模型，利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数；利用预处理后的气象雷达图像数据对优化超参数后的初始降水预测模型进行训练，将训练之后的初始降水预测模型作为目标降水预测模型；利用目标降水预测模型预测下一个小时的降雨量。本发明将降水的局部信息和全局信息进行结合，将降水图像的时间信息和空间信息进行有效融合，对降水进行更加全方位的特征提取，提高了对于降水预测的准确性和提高了对于复杂天气图像进行降水预测的精准度和有效性。
Description
技术领域
本发明涉及气象预测技术领域，特别涉及一种基于Transform-Flownet和R-FPN的降水预测方法。
背景技术
降水是气象学中的重要指标，对于农业、水资源管理、灾害预防等领域有重要意义。然而，降水的空间和时间变化复杂多样，准确预测降水的发生、强度和时空分布一直是科学研究和应用的难点和热点。
传统降水预测方法主要基于气象观测数据、数值天气预报模型等，存在着预报时效性不足、空间分辨率低、不确定性高等问题。基于数值天气预报模型通过改进数值模型的参数化方案、提高模型的分辨率和空间插值能力等，使得模型对降水的预测能力逐渐提高，但是这种方法的计算量巨大，计算复杂，耗费时间极长，在面对复杂的天气预测时显得十分吃力。因此，需要开发新的技术手段来提高降水预测的准确性和可靠性。随着科技的进步和仪器设备的更新换代，气象观测技术不断提高，例如，卫星遥感、雷达观测、地面测量等技术能够提供更多的数据，多源数据的融合可以提高降水预测的精度和时效性。
近年来，人工智能和机器学习技术的发展为降水预测带来了新的机遇，通过深度学习、神经网络、支持向量机等方法，可以从大量观测数据中挖掘、学习和建模降水的规律，提高降水的预测准确性和时效性。但是现有的深度学习的降水预测模型过于单调，没有完全将降水的全局特征和局部特征全提取并且相结合，同时没有很好的处理天气图像的复杂空间信息，使得基于深度学习预测得到降水精度不够高。
发明内容
发明目的：针对以上问题，本发明目的是提供一种基于Transform-Flownet和R-FPN的降水预测方法。
技术方案：本发明的一种基于Transform-Flownet和R-FPN的降水预测方法，包括如下步骤：
步骤1，获取气象雷达图像数据，并对气象雷达图像数据进行预处理；
步骤2，构建初始降水预测模型，利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数；
其中初始降水预测模型包括R-FPN网络、Trasnform网络和Flownet网络，利用R-FPN网络获取气象雷达图像数据的具有时间信息的局部信息，利用Trasnform网络获取气象雷达图像数据的具有时间信息的全局信息，利用Flownet网络获取气象雷达图像数据的空间信息；
步骤3，利用预处理后的气象雷达图像数据对优化超参数后的初始降水预测模型进行训练，将训练之后的初始降水预测模型作为目标降水预测模型；
步骤4，将前一个小时的气象雷达图像数据输入至目标降水预测模型，利用目标降水预测模型预测下一个小时的降雨量。
进一步，步骤1包括：
步骤101，获取的气象雷达图像数据为雷达回波序列数据集，将每一帧的雷达回波序列数据集提取成二维格式，用集合进行表示，其中/>表示水平方向的像素坐标，/>表示垂直方向的像素坐标；
步骤102，删除雷达回波序列数据集中的异常值和反复值，并对缺失值进行双线性插值；
步骤103，将双线性插值后的雷达回波序列数据集中每一个像素点对应的雷达回波强度值进行归一化处理。
进一步，步骤2中构建初始降水预测模型包括：
构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块，然后将n个图像块并行输入至n个R-FPN网络，且将第n-1个R-FPN网络的输出结果记作隐藏状态保存下来，作为第n个R-FPN网络的隐藏数据输入至第n个R-FPN网络；将得到的n个R-FPN网络的输出结果相结合，得到雷达图像的局部特征图；
将预处理之后的气象雷达图像进行分割拼接，然后将图像编码成序列输入至Transform网络，得到雷达图像的全局特征图；
将雷达图像的全局特征图与局部特征图一同输入至FAM模块，结合生成带有全局特征和局部特征的时间特征图。
进一步，构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块包括如下步骤：
步骤201，利用的滤波核对预处理后的气象雷达图像/>进行均值滤波，获得平均图像/>，两个图像的灰度级均为/>，L取255，设/>为图像中灰度级为i且图像/>中灰度级为j的像素1对数，定义/>对应的联合概率密度为/>，计算表达式为：
，
式中，表示气象雷达图像/>的尺寸；/>且/>；
步骤202，利用联合概率密度得到关于二维直方图，长度大小为，设有n对阈值/>将二维直方图分割为n+1个区域，计算每个分割区域的信息熵和概率，表达式分别为：
，
其中，表示各个区域/>的信息熵，/>表示区域/>的概率，/>和/>表示第k个阈值，k=1,2,…,n+1；
步骤203，计算n对阈值总信息熵，表达式为：
，
其中，为该区域/>的概率，/>为该区域/>的信息熵；
步骤204，利用改进的麻雀搜索算法对阈值向量进行寻优迭代，其中每一个麻雀个体的位置代表一个阈值向量，取值为整数，并且利用总信息熵H作为自适应度函数计算麻雀个体的适应度值，使得阈值向量满足：T*=argmax（H），其中T*为阈值向量，直至达到最大迭代次数，然后得出最佳分割阈值；
步骤205，使用寻优得到的最佳分割阈值对待分割图像进行阈值分割，输出分割后的图像块。
进一步，步骤2中构建初始降水预测模型还包括：
将预处理后的气象雷达图像数据分别输入至编码层后，再通过一个相关层进行拼接结合得到特征图c；将特征图c再进行卷积层和Relu激活函数层后得到特征图c1；将特征图c1再进行/>卷积层和Relu激活函数层后得到特征图c2；将前一帧气象雷达图像数据进行/>卷积层和Relu激活函数层后与特征图c1、特征图c2一同输入至提取层，得到光流图d1；
将光流图d1输入至反卷积层和Relu激活函数层得到特征图d2，再进行光流得到光流图d3；将特征图d2和光流图d3一同输入至/>反卷积层和Relu激活函数层得到特征图d4，再进行光流得到光流图d5，将特征图d4和光流图d5一同输入至/>反卷积层和Relu激活函数层得到特征图d6；将特征图d6输入至提取层得到输出的光流图d7，再将光流图d7经过流变形层将光流图映射成图像的空间特征图；
将空间特征图与时间特征图一同输入至FAM模块，得到预测的雷达图像。
进一步，步骤2中利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数包括如下步骤：
步骤21，将初始降水预测模型的超参数记为集合/>，将集合X作为麻雀种群的输入项；
步骤22，初始化麻雀种群、发现者的个数、跟随者的个数/>、权重参数/>和最大迭代次数/>，以及初始化麻雀种群中个体的位置，计算每个麻雀个体的适应度/>，得到最优适应度和最优的位置；其中麻雀种群用矩阵表示为：
，
其中，表示麻雀矩阵的个体，n表示为麻雀的数量，d表示为需优化问题的维度：
将所有麻雀个体的适应度记为适应度矩阵：
，
其中，表示每一只麻雀需优化问题的适应度；
步骤23，选取适应度最优的前个麻雀个体作为发现者，选取适应度最优的前个麻雀个体并且排除掉前/>个麻雀个体作为跟随者，选取剩余的麻雀个体作为侦查者，根据自适应权重粒子群优化算法引入权重/>和弥补系数/>，更新发现者、跟随者以及侦查者的位置；
其中，发现者的位置更新公式为：
，
式中，为第t次迭代时发现者的位置，i为第i只麻雀，j为解决问题的第j维，/>为（0,1]之间的均匀随机数，R 2 为预警值，是[0,1]之间的一个均匀随机数，/>为安全阈值，Q为一个服从标准正态分布的随机数，/>为最大迭代次数；
跟随者的位置更新公式为：
，
式中，为第t次迭代时跟随者的位置，rand表示0到1之间的随机数，/>为弥补系数，取值为[0,1]；/>表示在第t次迭代中发现者的最佳位置；
侦查者的位置更新公式为：
，
式中，为第t次迭代时侦查者的位置，/>为第t次迭代中的全局最佳位置，表示第t次迭代中的全局最差位置，/>为符合标准正态分布的随机数，/>为[0,1]之间的均匀随机数，/>、/>和/>分别为麻雀的适应度、最差适应度和全局最优适应度，/>为避免分母为0的常数；
步骤24，使用自适应权重粒子群优化算法优化参数、Q以及/>，将优化后的参数、Q以及/>带入至位置更新公式中，根据位置更新公式计算发现者、跟随者以及侦查者的位置；
步骤25，根据各麻雀个体所处的位置重新计算适应度值，若/></>时，则用迭代后的麻雀个体替代上一代的麻雀个体，否则保持原麻雀个体不变；
步骤26，判断迭代次数是否达到最大迭代次数，若是则停止迭代，得到优化后的超参数；否则，，进入步骤23。
进一步，步骤204，使用自适应权重粒子群优化算法优化参数、Q以及/>的步骤包括：
将参数、Q以及/>作为自适应权重粒子群优化算法的输入项/>，则：
，
其中，为当前迭代次数的输入，/>为优化之后的输出，T为最大迭代次数，t为当前迭代次数，/>为粒子全局最优解，/>为粒子个体最优解，/>为第i个粒子第t次迭代时的惯性权重，e为影响因子，/>，/>和/>分别为个体学习因子和社会学习因子，更新公式为：
，
其中，为学习因子初始值，/>为学习因子终止值，惯性权重ω的表达式为：
，
其中，，/>，f(x)为粒子的目标函数值，f_avg为所有粒子的平均目标函数值；δ为方差，a和b为双曲线参数，β的取值范围为[0.3,1.042]；
经过自适应权重粒子群优化算法优化得到参数、Q以及/>。
进一步，步骤4包括：
将前一个小时的气象雷达图像数据输入至目标降水预测模型中，获得下一个小时的雷达回波图，将雷达回波图中的像素值转化成雷达反射率，再根据雷达反射率与降水量的关系求得降水量，公式如下：
，
其中，Z表示每个像素点的雷达反射率，P表示每个像素点的值，R表示降雨量， 和o均为系数。
有益效果：本发明与现有技术相比，其显著优点是：
本发明将获取的某时刻雷达数据图像通过Transform网络获取全局特征信息，可以很好的捕捉图像的时间特性，并且将雷达图像通过用卷积层网络搭建的光流法Flownet网络去捕捉雷达图像的空间信息；同时将该雷达数据图像经过基于ISSA的二维熵多阈值分割算法得到的输出图像输入到并行的R-FPN网络来获取局部特征信息，基于ISSA的二维熵多阈值分割算法能够有效并且迅速的提取出多个具有独自特性的区域，R-FPN模型能够有效捕捉图像模块与图像模块的上下联系，提高对局部特征的提取的精准度；利用FAM模块将输出的低分辨率特征图和高分辨率特征图结合生成语义流场，利用语义流场将低分辨率特征图转化为高分辨特征图；将R-FPN网络和Transform网络捕捉到具有时间信息的全局信息和局部信息融合后，再与通过光流法捕捉到的带有空间信息的特征图进行结合，使得该网络在处理天气图像时更加有效；并且使用了自适应权重粒子群优化算法改进的麻雀算法对该目标降水预测模型的超参数进行寻优，解决了传统麻雀算法寻优的局部最优的局限性，进行全局寻优，使得其提高了对于降水预测的准确性和提高了对于复杂天气图像进行降水预测的精准度和有效性。
附图说明
图1是实施例基于Transform-Flownet和R-FPN的降水预测方法的流程图；
图2是实施例中初始降水预测模型的工作流程框图；
图3是实施例中利用R-FPN网络获取局部特征信息的流程图；
图4是实施例中利用Trasnform网络获取全局特征信息的流程图；
图5是实施例中R-FPN的结构框图；
图6是实施例中FAM模块的工作流程图；
图7是实施例中利用Flownet网络获取空间信息的流程图；
图8是实施例中对图像进行基于ISSA的二维多阈值分割的流程图；
图9是实施例中利用自适应权重粒子群优化算法改进的麻雀算法优化超参数的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。
本实施例所述的一种基于Transform-Flownet和R-FPN的降水预测方法，流程图如图1所示，包括如下步骤：
步骤1，获取气象雷达图像数据，并对气象雷达图像数据进行预处理。
其中，使用的气象雷达图像数据为雷达回波序列数据集，在示例中可以选择使用1000个序列，每个序列有10帧图像，输入为10帧图像，预测为10帧图像，每帧间隔6分钟，用前一个小时的雷达回波序列数据去预测下一个小时的降雨量。对获取的雷达回波序列数据进行预处理，将预处理之后一帧的气象雷达图像数据作为R-FPN网络以及Trasnform网络的输入数据，将预处理后的气象雷达图像数据作为Flownet网络的输入数据。
步骤2，构建初始降水预测模型，利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数；
其中初始降水预测模型包括R-FPN网络、Trasnform网络和Flownet网络，利用R-FPN网络获取气象雷达图像数据的具有时间信息的局部信息，利用Trasnform网络获取气象雷达图像数据的具有时间信息的全局信息，利用Flownet网络获取气象雷达图像数据的空间信息。
步骤3，利用预处理后的气象雷达图像数据对优化超参数后的初始降水预测模型进行训练，将训练之后的初始降水预测模型作为目标降水预测模型。
步骤4，将前一个小时的气象雷达图像数据输入至目标降水预测模型，利用目标降水预测模型预测下一个小时的降雨量。
其中，步骤1包括：
步骤101，获取的气象雷达图像数据为雷达回波序列数据集，将每一帧的雷达回波序列数据集提取成二维格式，用集合进行表示，其中/>表示水平方向的像素坐标，/>表示垂直方向的像素坐标；
步骤102，删除雷达回波序列数据集中的异常值和反复值，并对缺失值进行双线性插值；
步骤103，将双线性插值后的雷达回波序列数据集中每一个像素点对应的雷达回波强度值进行归一化处理。
在步骤102中对缺失值进行双线性插值包括：
在集合A中，以缺失网格点M为中心，以其四个角的点为邻近格点来确定邻近格点的气象要素数值，设邻近四个格点的位置分别为：，/>，，/>，则缺失点M的位置信息为：
，
其中，、/>、/>、/>分别表示/>、/>、/>、/>四个点的像素值，表示为缺失点M的横向坐标，/>表示为缺失点M的纵向坐标。
在数据预处理阶段，还需要将数据集进行筛选，保证每个回波序列有20%的降水覆盖率，即每个序列的10帧雷达图至少有2帧雷达图有降雨，预测降雨时，如果不对数据进行筛选，可能会导致有些序列没有降雨覆盖，导致预测的模型不太理想。对归一化后的数据集进行划分，将80%作为训练集，20%作为测试集。
如图2所示，步骤2中构建初始降水预测模型包括：
构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块，然后将n个图像块并行输入至n个R-FPN网络，如图3所示，且将第n-1个R-FPN网络的输出结果记作隐藏状态保存下来，作为第n个R-FPN网络的隐藏数据输入至第n个R-FPN网络；将得到的n个R-FPN网络的输出结果相结合，得到雷达图像的局部特征图；
将预处理之后的气象雷达图像进行分割拼接，然后将图像编码成序列输入至Transform网络，得到雷达图像的全局特征图；
将雷达图像的全局特征图与局部特征图一同输入至FAM模块，结合生成带有全局特征和局部特征的时间特征图。
如图4所示，输入的训练集数据通过Transform网络，首先将数据输入到efficienttransform layer之前，会先对输入图像进行分割拼接然后将其进行序列编码，将图像编码成序列进行输入到网络当中，网络也会保留他的空间信息之后将其输入到n层efficienttransform layer进行全局特征提取。Efficient transform layer由高效多头自注意力（EMSA）和多层感知器模块（MLP）组成，对于efficient transform编码的第L层，假设其输入为，输出为/>，计算公式为：
，
其中，LN表示实例层归一化算子，表示编码的图像，/>表示将输入/>通过EMSA之后的输出，/>表示将/>通过MLP之后的输出，EMSA表示高效多头自注意力，MLP表示多层感知器模块。
如图5所示，将每一个图像块输入到R-FPN网络当中，在R-FPN模型当中，首先将输入数据记作m5，然后m5经过一个3×3卷积得到p5，随后m5向下进行2倍采样得到m4；同时m5经过1×1卷积再向下2倍采样，与m4的特征图相结合进行3×3卷积，再与p5进行向下2倍采样的特征图结合得到p4；同时m4向下2倍采样得到m3，然后m5经过1×1卷积再向下4倍采样，再与m4经过1×1卷积再向下2倍卷积的特征图与m3一起进行3×3卷积，将其结合的特征图与p4向下2倍采样的特征图相结合得到p3；m3向下2倍采样得到m2；m5经过1×1卷积进行向下8倍采样的特征图，同时m4经过1×1卷积进行向下4倍采样，与m3经过1×1卷积进行向下2倍采样的特征图相结合，再与m2一起经过3×3卷积得到的卷积图与p3向下2倍卷积的特征图相结合得到p2，将p2作为输出。
同时将p2的输出结果记作隐藏状态H保存下来，作为下一层R-FPN的隐藏数据输入进去，即对于第n（该数据集的最好效果为n=8）层的R-FPN来说，进行向上2倍采样再与第n层的经过采样和卷积的m2、m3、m4、m5一起作为输入数据进行3×3卷积得到特征图与第n层的经过采样的p3结合，得到p2即输出，也是隐藏状态/>。经过n个R-FPN网络后，输出局部信息特征十分具体的特征图。
如图6所示，将全局特征的输出特征图通过2个卷积层后，使得全局信息的特征图维数和通道数与局部信息经过1个/>卷积层和上采样的特征图保持一致。将全局信息和局部信息的特征图进行拼接后再经过/>卷积层，使得局部信息的低分辨率特征图和全局信息的高分辨率特征图进行结合生成语义流场；将低分辨率图通过语义流场变形为高分辨率图像，再将其与之前的高分辨率图像结合得到最后的特征图。FAM模块输出的特征图的公式为：
其中，表示通过高分辨率通道处理的特征图，/>表示通过低分辨率通道处理的特征图，高分辨率Feature_Map表示输入的高分辨率特征图即全局特征，低分辨率Feature_Map表示输入的底分辨率特征图即局部特征，FC表示全连接层，Sigmoid表示Sigmoid激活函数。FAM_Output表示经过FAM操作后得到的特征图。再将输出的图像通过上采样使得其输出与输入的数据维数保持一致，最后输出拼接好的带有局部特征和全局特征的时间特征图。
进一步，如图7所示，步骤2中构建初始降水预测模型还包括：
将预处理后的气象雷达图像数据分别输入至编码层后，再通过一个相关层进行拼接结合得到特征图c，相关层的作用是提取其中更为重要的特征信息，忽略较为不重要的特征信息，其中编码层由2个卷积层和Relu激活函数层构成；将特征图c再进行/>卷积层和Relu激活函数层后得到特征图c1；将特征图c1再进行/>卷积层和Relu激活函数层后得到特征图c2；将前一帧气象雷达图像数据进行/>卷积层和Relu激活函数层后与特征图c1、特征图c2一同输入至提取层进行优化，得到光流图d1，提取层的作用是将得到的特征图进行提炼、精化，使得其更好的生成光流图；
将光流图d1输入至反卷积层和Relu激活函数层得到特征图d2，再进行光流flow得到光流图d3；将特征图d2和光流图d3一同输入至/>反卷积层和Relu激活函数层得到特征图d4，再进行光流flow得到光流图d5，将特征图d4和光流图d5一同输入至/>反卷积层和Relu激活函数层得到特征图d6；将特征图d6输入至提取层得到输出的光流图d7，再将光流图d7经过流变形层，该流变形层flow-warping可将光流图映射成图像的空间特征图，warp是一个numpy当中的映射函数包，可以将光流映射成图像，在x方向上，正值表示物体向左移动，而负值表示物体向右移动；在y方向上，正值表示物体向上移动，而负值表示物体向下移动；
将空间特征图与时间特征图一同输入至FAM模块，得到预测的雷达图像。
在上述过程中，给定两个多通道特征映射f1和f2，以w、h、c分别作为它们的宽度、高度和通道数，相关层让网络比较每个特征从f1、f2开始的每条路径。将两个输入特征图的特征定义为，/>，则进行相关层进行拼接结合之后的特征则为/>，表示为：
，
其中，k为特征图大小，为拼接之后的特征图，/>为在/>的基础上拼接/>的特征图，/>为在/>的基础上拼接/>的特征图，o为相关层因子。
如图8所示，构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块包括如下步骤：
步骤201，利用的滤波核对预处理后的气象雷达图像/>进行均值滤波，其中/>，/>，获得平均图像/>，两个图像的灰度级均为/>，L取255，计算表达式为：
，
式中，表示气象雷达图像/>的尺寸，本实施例中待分割图像尺寸为200×200；/>且/>；
步骤202，利用联合概率密度得到关于二维直方图，长度大小为，设有n对阈值/>将二维直方图分割为n+1个区域，计算每个分割区域的信息熵和概率，表达式分别为：
，
其中，表示各个区域/>的信息熵，/>表示区域/>的概率，/>和/>为第/>个阈值，/>和/>表示第k个阈值，k=1,2,…,n+1；
步骤203，计算n对阈值总信息熵，表达式为：
，
其中，为该区域/>的概率，/>为该区域/>的信息熵；
步骤204，利用改进的麻雀搜索算法对阈值向量进行寻优迭代，其中每一个麻雀个体的位置代表一个阈值向量，取值为整数，并且利用总信息熵H作为自适应度函数计算麻雀个体的适应度值，使得阈值向量满足：T*=argmax（H），其中T*为阈值向量，直至达到最大迭代次数，然后得出最佳分割阈值；
步骤205，使用寻优得到的最佳分割阈值对待分割图像进行阈值分割，输出分割后的图像块。
在步骤204中，利用改进的麻雀搜索算法对阈值向量进行寻优迭代的过程包括：
进行初始化麻雀种群，选取适应度最优的前个麻雀个体作为发现者，选取适应度最优的前/>个麻雀个体并且排除掉前/>个麻雀个体作为跟随者，最后剩余的作为侦查者，并且随时更新发现者、跟随者、侦查者的位置。
麻雀种群中的发现者是种群中适应度较高的个体，拥有更广的搜索范围，为跟随者提供觅食方向。跟随者能够发现适应度最高的发现者，跟随发现者的引导，不断更新自身位置以获得更高的适应度。而发现者与跟随者之间的身份是动态变化的，只要跟随者获得更高的适应度，就有机会成为发现者。在觅食过程中，麻雀种群中一定比例的个体作为侦查者，在意识到危险时，会移向安全区作出反捕食行为，以获得更高的适应度。
发现者的位置更新公式为：
，
其中，为更新之后的发现者的位置，/>为当前发现者的位置，normrnd（0，sigma）为期望值为0、方差为sigma的高斯分布，sigma值在迭代过程中线性减小，其表达式为：/>
，
其中，为最大允许迭代次数,t为当前迭代次数；/>和/>分别为初始的方差取值和迭代到最大迭代次数的方差取值，/>为方差。设待优化问题目标函数的定义域为[a,b],为使算法在迭代初期具有一定的个体多样性，根据正态分布的原则，/>的取值应满足/>，/>应该取一个比较小的值，在迭代后期仍然具有很好的局部搜索能力，但是由于阈值的取值为整数，所以根据正态分布的原则取/>。
跟随者的位置更新公式为：
，
其中，rand表示0到1之间的均匀随机数；u和l分别为最大步长因子和最小步长因子，跟随者位置的每一维度以（l，u）之间的随机步长向最优位置移动，可通过设置步长因子的值调节跟随者的移动速度，表示为更新之后跟随者的位置，/>表示为当前跟随者的位置，/>表示在第t次迭代中发现者的最佳位置。
侦查者的位置更新公式为：
，
式中，表示在t次迭代中的全局最佳位置，/>表示在t次迭代中的全局最差位置，/>为符合标准正态分布的随机数，/>为[0,1]之间的均匀随机数，/>为更新之后的侦查者的位置，/>为当前侦查者的位置，/>、/>和/>分别为麻雀的适应度、最差适应度和全局最优适应度。在根据麻雀搜索算法对阈值向量进行寻优迭代，使得/>满足/>，其中/>为阈值向量/>，直至达到最大迭代次数，如果迭代次数没有达到最大迭代次数，则一直进行寻优，然后直到达到最大迭代次数，得出最佳分割阈值，并且输出分割图在通过使用寻优得到的最优阈值对待分割图像进行阈值分割，输出分割后的图像。
如图9所示，步骤2中利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数包括如下步骤：
步骤21，将初始降水预测模型的超参数记为集合/>，将集合X作为麻雀种群的输入项，其中超参数包括efficient transform layer的层数以及层级神经元的个数、FAM模块中的卷积层数、Flownet网络当中的卷积核层数以及卷积核大小，以及R-FPN的隐藏状态；
步骤22，初始化麻雀种群、发现者的个数、跟随者的个数/>、权重参数/>和最大迭代次数/>，以及初始化麻雀种群中个体的位置，计算每个麻雀个体的适应度/>，得到最优适应度和最优的位置；其中麻雀种群用矩阵表示为：/>
，
其中，表示麻雀矩阵的个体，n表示为麻雀的数量，d表示为需优化问题的维度：
将所有麻雀个体的适应度记为适应度矩阵：
，
其中，表示每一只麻雀需优化问题的适应度；
步骤23，选取适应度最优的前个麻雀个体作为发现者，选取适应度最优的前个麻雀个体并且排除掉前/>个麻雀个体作为跟随者，选取剩余的麻雀个体作为侦查者，根据自适应权重粒子群优化算法引入权重/>和弥补系数/>，更新发现者、跟随者以及侦查者的位置；麻雀种群中的发现者是种群中适应度较高的个体，拥有更广的搜索范围，为跟随者提供觅食方向。跟随者能够发现适应度最高的发现者，跟随发现者的引导，不断更新自身位置以获得更高的适应度。而发现者与跟随者之间的身份是动态变化的，只要跟随者获得更高的适应度，就有机会成为发现者。在觅食过程中，麻雀种群中一定比例的个体作为侦查者，在意识到危险时，会移向安全区作出反捕食行为，以获得更高的适应度。由于每一次迭代过程，发现者位置的每一维均乘以一个小于1的数，以至于在迭代过程中，发现者所有维度向原点靠近或跳跃的趋势，不利于全局搜索，于是根据自适应权重粒子群优化算法引入了权重/>，其取值范围为[-1,1]，在当/>时，引入权重/>，使得其根据麻雀在不同位置时权重的不同来影响发现者不完全向原点靠近或跳跃而是去寻找更优的全局位置。在迭代代过程中，跟随者在全维度地向最优位置移动，种群多样性较低，算法容易陷入局部最优，于是将公式简化之后再根据自适应权重粒子群优化算法引入权重/>。跟随者位置公式引入了权重/>和弥补系数/>，可使最随者的移动更全局化，摆脱局部最优。
其中，发现者的位置更新公式为：
，
式中，为第t次迭代时发现者的位置，/>为（0,1]之间的均匀随机数，R 2 为预警值，是[0,1]之间的一个均匀随机数，/>为安全阈值，Q为一个服从标准正态分布的随机数；
跟随者的位置更新公式为：
，
式中，为第t次迭代时跟随者的位置，rand表示0到1之间的随机数，/>为弥补系数，取值为[0,1]；/>表示在第t次迭代中发现者的最佳位置；
侦查者的位置更新公式为：
，
式中，为第t次迭代时侦查者的位置，/>为第t次迭代中的全局最佳位置，表示第t次迭代中的全局最差位置，/>为符合标准正态分布的随机数，/>为[0,1]之间的均匀随机数，/>、/>和/>分别为麻雀的适应度、最差适应度和全局最优适应度；
步骤24，使用自适应权重粒子群优化算法优化参数、Q以及/>，将优化后的参数、Q以及/>带入至位置更新公式中，根据位置更新公式计算发现者、跟随者以及侦查者的位置；
步骤25，根据各麻雀个体所处的位置重新计算适应度值，若/></>时，则用迭代后的麻雀个体替代上一代的麻雀个体，否则保持原麻雀个体不变；
步骤26，判断迭代次数是否达到最大迭代次数，若是则停止迭代，得到优化后的超参数；否则，，进入步骤23。
进一步，步骤204，使用自适应权重粒子群优化算法优化参数、Q以及/>的步骤包括：
将参数、Q以及/>作为自适应权重粒子群优化算法的输入项/>，则：
，
其中，为当前迭代次数的输入，/>为优化之后的输出，T为最大迭代次数，t为当前迭代次数，/>为粒子全局最优解，/>为粒子个体最优解，/>为第i个粒子第t次迭代时的惯性权重，e为影响因子，/>，/>和/>分别为个体学习因子和社会学习因子，更新公式为：
，
其中，为学习因子初始值，/>为学习因子终止值，惯性权重ω的表达式为：
，
其中，，/>，f(x)为粒子的目标函数值，f_avg为所有粒子的平均目标函数值；δ为方差，a和b为双曲线参数，β的取值范围为[0.3,1.042]；
经过自适应权重粒子群优化算法优化得到参数、Q以及/>。
为进一步验证目标降水预测模型的准确度，对Transform-Flownet和R-FPN的混合模型进行测试。加载模型训练的权重，进行测试，并且保存为图片模式。测试集的评价标准采取均方差，结构相似性以及临界成功指数、均方差用于评价2张图片像素点的差异性，具体公式如下：
，
其中，n表示样本总数，i表示第i个样本点，表示真实雷达回波图真实标签，/>表示预测的雷达回波图。
结构相似性用于衡量2张图片的相似性，具体公式如下：
，
其中，和/>分别表示对x和y的均值，/>和/>分别表示对x和y的方差，/>表示对2张图片x和y的协方差，/>和/>表示常数；
临界成功指数的具体公式为：
，
其中，TP表示真实类别为正预测结果也为正，FP表示真实类别为负、预测结果为正，FN表示真实类别为正、预测结果为负。
进一步，步骤4包括：
将前一个小时的气象雷达图像数据输入至目标降水预测模型中，获得下一个小时的雷达回波图，将雷达回波图中的像素值转化成雷达反射率，再根据雷达反射率与降水量的关系求得降水量，公式如下：
，
其中，Z表示每个像素点的雷达反射率，P表示每个像素点的值，R表示降雨量， 和o均为系数。/>
Claims (7)
1.一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，包括如下步骤：
步骤1，获取气象雷达图像数据，并对气象雷达图像数据进行预处理；
步骤2，构建初始降水预测模型，利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数；
其中初始降水预测模型包括R-FPN网络、Trasnform网络和Flownet网络，利用R-FPN网络获取气象雷达图像数据的具有时间信息的局部信息，利用Trasnform网络获取气象雷达图像数据的具有时间信息的全局信息，利用Flownet网络获取气象雷达图像数据的空间信息；
步骤3，利用预处理后的气象雷达图像数据对优化超参数后的初始降水预测模型进行训练，将训练之后的初始降水预测模型作为目标降水预测模型；
步骤4，将前一个小时的气象雷达图像数据输入至目标降水预测模型，利用目标降水预测模型预测下一个小时的降雨量；
步骤2中构建初始降水预测模型包括：
构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块，然后将n个图像块并行输入至n个R-FPN网络，且将第n-1个R-FPN网络的输出结果记作隐藏状态保存下来，作为第n个R-FPN网络的隐藏数据输入至第n个R-FPN网络；将得到的n个R-FPN网络的输出结果相结合，得到雷达图像的局部特征图；
将预处理之后的气象雷达图像进行分割拼接，然后将图像编码成序列输入至Transform网络，得到雷达图像的全局特征图；
将雷达图像的全局特征图与局部特征图一同输入至FAM模块，结合生成带有全局特征和局部特征的时间特征图；
将每一个图像块输入到R-FPN网络当中，在R-FPN模型当中，首先将输入数据记作m5，然后m5经过一个3×3卷积得到p5，随后m5向下进行2倍采样得到m4；同时m5经过1×1卷积再向下2倍采样，与m4的特征图相结合进行3×3卷积，再与p5进行向下2倍采样的特征图结合得到p4；同时m4向下2倍采样得到m3，然后m5经过1×1卷积再向下4倍采样，再与m4经过1×1卷积再向下2倍卷积的特征图与m3一起进行3×3卷积，将其结合的特征图与p4向下2倍采样的特征图相结合得到p3；m3向下2倍采样得到m2；m5经过1×1卷积进行向下8倍采样的特征图，同时m4经过1×1卷积进行向下4倍采样，与m3经过1×1卷积进行向下2倍采样的特征图相结合，再与m2一起经过3×3卷积得到的卷积图与p3向下2倍卷积的特征图相结合得到p2，将p2作为输出；
同时将p2的输出结果记作隐藏状态H保存下来，作为下一层R-FPN的隐藏数据输入进去，即对于第n层的R-FPN来说，Hn-1进行向上2倍采样再与第n层的经过采样和卷积的m2、m3、m4、m5一起作为输入数据进行3×3卷积得到特征图与第n层的经过采样的p3结合，得到p2即输出，也是隐藏状态Hn；
在FAM模块中，将全局特征的输出特征图通过2个1×1卷积层后，使得全局信息的特征图维数和通道数与局部信息经过1个1×1卷积层和上采样的特征图保持一致；将全局信息和局部信息的特征图进行拼接后再经过3×3卷积层，使得局部信息的低分辨率特征图和全局信息的高分辨率特征图进行结合生成语义流场；将低分辨率图通过语义流场变形为高分辨率图像，再将其与之前的高分辨率图像结合得到最后的特征图。
2.根据权利要求1所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤1包括：
步骤101，获取的气象雷达图像数据为雷达回波序列数据集，将每一帧的雷达回波序列数据集提取成二维格式，用集合A∈{x1y1，x1y2，...，x1yn，x2y1，...，xmyn}进行表示，其中xm表示水平方向的像素坐标，yn表示垂直方向的像素坐标；
步骤102，删除雷达回波序列数据集中的异常值和反复值，并对缺失值进行双线性插值；
步骤103，将双线性插值后的雷达回波序列数据集中每一个像素点对应的雷达回波强度值进行归一化处理。
3.根据权利要求2所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，构建图像分割模块，利用图像分割模块将预处理后的气象雷达图像分成n个图像块包括如下步骤：
步骤201，利用3×3的滤波核对预处理后的气象雷达图像s(x，y)进行均值滤波，获得平均图像g(x，y)，两个图像的灰度级均为0,1，...，L，L取255，设r(i，j)为图像s(x，y)中灰度级为i且图像g(x，y)中灰度级为j的像素1对数，定义r(i，j)对应的联合概率密度为pij，计算表达式为：
式中，l1×l2表示气象雷达图像s(x，y)的尺寸；0≤pij≤1且
步骤202，利用联合概率密度得到关于pij二维直方图，长度大小为(L-1)×(L-1)，设有n对阈值(t1，s1)，(t2，s2)，…，(tnsn)将二维直方图分割为n+1个区域，计算每个分割区域的信息熵和概率，表达式分别为：
其中，hk表示各个区域k的信息熵，pk表示区域k的概率，tk和sk表示第k个阈值，k＝1，2，…，n+1；
步骤203，计算n对阈值总信息熵，表达式为：
其中，pi为该区域i的概率，hi为该区域i的信息熵；
步骤204，利用改进的麻雀搜索算法对阈值向量进行寻优迭代，其中每一个麻雀个体的位置代表一个阈值向量，取值为整数，并且利用总信息熵H作为自适应度函数计算麻雀个体的适应度值，使得阈值向量满足：T*＝argmax(H)，其中T*为阈值向量[t1，t2，…，tn，s1，s2，…，sn]，直至达到最大迭代次数，然后得出最佳分割阈值；
步骤205，使用寻优得到的最佳分割阈值对待分割图像进行阈值分割，输出分割后的图像块。
4.根据权利要求3所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤2中构建初始降水预测模型还包括：
将预处理后的气象雷达图像数据分别输入至编码层后，再通过一个相关层进行拼接结合得到特征图c；将特征图c再进行3×3卷积层和Relu激活函数层后得到特征图c1；将特征图c1再进行3×3卷积层和Relu激活函数层后得到特征图c2；将前一帧气象雷达图像数据进行3×3卷积层和Relu激活函数层后与特征图c1、特征图c2一同输入至提取层，得到光流图d1；
将光流图d1输入至3×3反卷积层和Relu激活函数层得到特征图d2，再进行光流得到光流图d3；将特征图d2和光流图d3一同输入至3×3反卷积层和Relu激活函数层得到特征图d4，再进行光流得到光流图d5，将特征图d4和光流图d5一同输入至3×3反卷积层和Relu激活函数层得到特征图d6；将特征图d6输入至提取层得到输出的光流图d7，再将光流图d7经过流变形层将光流图映射成图像的空间特征图；
将空间特征图与时间特征图一同输入至FAM模块，得到预测的雷达图像。
5.根据权利要求4所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤2中利用自适应权重粒子群优化算法改进的麻雀算法优化初始降水预测模型的超参数包括如下步骤：
步骤21，将初始降水预测模型的超参数xi记为集合X＝x1，x2，...，xi，...，xn，将集合X作为麻雀种群的输入项；
步骤22，初始化麻雀种群、发现者的个数PNum、跟随者的个数FNum、权重参数wk和最大迭代次数tmax，以及初始化麻雀种群中个体的位置，计算每个麻雀个体的适应度fx，得到最优适应度和最优的位置；其中麻雀种群用矩阵表示为：
其中，表示麻雀矩阵的个体，n表示为麻雀的数量，d表示为需优化问题的维度：
将所有麻雀个体的适应度fx记为适应度矩阵：
其中，表示每一只麻雀需优化问题的适应度；
步骤23，选取适应度最优的前PNum个麻雀个体作为发现者，选取适应度最优的前FNum个麻雀个体并且排除掉前PNum个麻雀个体作为跟随者，选取剩余的麻雀个体作为侦查者，根据自适应权重粒子群优化算法引入权重wk和弥补系数bk，更新发现者、跟随者以及侦查者的位置；
其中，发现者的位置更新公式为：
式中，为第t次迭代时发现者的位置，i为第i只麻雀，j为解决问题的第j维，α为(0，1]之间的均匀随机数，R2为预警值，是[0，1]之间的一个均匀随机数，Tm为安全阈值，Q为一个服从标准正态分布的随机数，tmax为最大迭代次数；
跟随者的位置更新公式为：
式中，为第t次迭代时跟随者的位置，rand表示0到1之间的随机数，bk为弥补系数，取值为[0，1]；/>表示在第t次迭代中发现者的最佳位置；
侦查者的位置更新公式为：
式中，为第t次迭代时侦查者的位置，/>为第t次迭代中的全局最佳位置，/>表示第t次迭代中的全局最差位置，β1为符合标准正态分布的随机数，k2为[0，1]之间的均匀随机数，fi、fw和fg分别为麻雀的适应度、最差适应度和全局最优适应度，ε为避免分母为0的常数；
步骤24，使用自适应权重粒子群优化算法优化参数wk、Q以及bk，将优化后的参数wk、Q以及bk带入至位置更新公式中，根据位置更新公式计算发现者、跟随者以及侦查者的位置；
步骤25，根据各麻雀个体所处的位置重新计算适应度值ftnew，若ftnew＜fi时，则用迭代后的麻雀个体替代上一代的麻雀个体，否则保持原麻雀个体不变；
步骤26，判断迭代次数是否达到最大迭代次数，若是则停止迭代，得到优化后的超参数；否则，t＝t+1，进入步骤23。
6.根据权利要求5所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤204，使用自适应权重粒子群优化算法优化参数wk、Q以及bk的步骤包括：
将参数wk、Q以及bk作为自适应权重粒子群优化算法的输入项xid，则：
其中，为当前迭代次数的输入，/>为优化之后的输出，T为最大迭代次数，t为当前迭代次数，pgd为粒子全局最优解，pid为粒子个体最优解，/>为第i个粒子第t次迭代时的惯性权重，e为影响因子，/>c1和c2分别为个体学习因子和社会学习因子，更新公式为：
其中，c_start为学习因子初始值，c_end为学习因子终止值，惯性权重ω的表达式为：
ω＝α(f(x))*β(t)，
其中，f(x)为粒子的目标函数值，f_avg为所有粒子的平均目标函数值；δ为方差，a和b为双曲线参数，β的取值范围为[0.3，1.042]；
经过自适应权重粒子群优化算法优化得到参数wk、Q以及bk。
7.根据权利要求1-6任一项所述的一种基于Transform-Flownet和R-FPN的降水预测方法，其特征在于，步骤4包括：
将前一个小时的气象雷达图像数据输入至目标降水预测模型中，获得下一个小时的雷达回波图，将雷达回波图中的像素值转化成雷达反射率，再根据雷达反射率与降水量的关系求得降水量，公式如下：
Z＝P×55/255+15
Z＝A1Ro，
其中，Z表示每个像素点的雷达反射率，P表示每个像素点的值，R表示降雨量，A1和o均为系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223994.7A CN117808650B (zh) | 2024-02-29 | 2024-02-29 | 一种基于Transform-Flownet和R-FPN的降水预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223994.7A CN117808650B (zh) | 2024-02-29 | 2024-02-29 | 一种基于Transform-Flownet和R-FPN的降水预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808650A CN117808650A (zh) | 2024-04-02 |
| CN117808650B true CN117808650B (zh) | 2024-05-14 |
Family
ID=90426994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410223994.7A Active CN117808650B (zh) | 2024-02-29 | 2024-02-29 | 一种基于Transform-Flownet和R-FPN的降水预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808650B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018052875A1 (en) * | 2016-09-15 | 2018-03-22 | Google Llc | Image depth prediction neural networks |
| CN112415521A (zh) * | 2020-12-17 | 2021-02-26 | 南京信息工程大学 | 基于cgru的强时空特性雷达回波临近预报方法 |
| CN115761261A (zh) * | 2022-11-27 | 2023-03-07 | 东南大学 | 一种基于雷达回波图外推的短临降水预测方法 |
| CN116451881A (zh) * | 2023-06-16 | 2023-07-18 | 南京信息工程大学 | 一种基于MSF-Net网络模型的短时降水预测方法 |
| CN116996272A (zh) * | 2023-07-14 | 2023-11-03 | 国网江苏省电力有限公司信息通信分公司 | 一种基于改进的麻雀搜索算法的网络安全态势预测方法 |
| CN117236673A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网多尺度防洪排涝联合优化调度方法和系统 |
| CN117665825A (zh) * | 2024-01-31 | 2024-03-08 | 南京信息工程大学 | 一种雷达回波外推预报方法、系统及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2757591C1 (ru) * | 2019-03-25 | 2021-10-19 | Общество С Ограниченной Ответственностью «Яндекс» | Способ и система для формирования прогноза погоды |
-
2024
- 2024-02-29 CN CN202410223994.7A patent/CN117808650B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018052875A1 (en) * | 2016-09-15 | 2018-03-22 | Google Llc | Image depth prediction neural networks |
| CN112415521A (zh) * | 2020-12-17 | 2021-02-26 | 南京信息工程大学 | 基于cgru的强时空特性雷达回波临近预报方法 |
| CN115761261A (zh) * | 2022-11-27 | 2023-03-07 | 东南大学 | 一种基于雷达回波图外推的短临降水预测方法 |
| CN116451881A (zh) * | 2023-06-16 | 2023-07-18 | 南京信息工程大学 | 一种基于MSF-Net网络模型的短时降水预测方法 |
| CN116996272A (zh) * | 2023-07-14 | 2023-11-03 | 国网江苏省电力有限公司信息通信分公司 | 一种基于改进的麻雀搜索算法的网络安全态势预测方法 |
| CN117236673A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网多尺度防洪排涝联合优化调度方法和系统 |
| CN117665825A (zh) * | 2024-01-31 | 2024-03-08 | 南京信息工程大学 | 一种雷达回波外推预报方法、系统及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| FC-ZSM: Spatiotemporal Downscaling of Rain Radar Data Using a Feature Constrained Zooming Slow-Mo Network;H Chen;《Frontiers in Earth Science》;20220530;第10卷;1-16 * |
| GLnet:融合全局和局部信息的短临降雨预报网络;尹传豪 等;《电子测量技术》;20230908;第46卷(第17期);102-108 * |
| Motion-Guided Global–Local Aggregation Transformer Network for Precipitation Nowcasting;Xichao Dong;《IEEE Transactions on Geoscience and Remote Sensing》;20221026;第60卷;1-16 * |
| 双偏振天气雷达杂波识别方法研究;张帅;《中国博士学位论文全文数据库 基础科学辑》;20230115(第1期);A009-4 * |
| 基于图像特征分析的冰雹检测方法研究;丁倩雯;《中国优秀硕士学位论文全文数据库 基础科学辑》;20230115(第1期);A009-14 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808650A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
| CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
| Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
| CN108647655B (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
| CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
| CN113221641B (zh) | 基于生成对抗网络和注意力机制的视频行人重识别方法 | |
| CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
| CN110533100B (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
| CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
| Xiong et al. | Contextual Sa-attention convolutional LSTM for precipitation nowcasting: A spatiotemporal sequence forecasting view | |
| CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
| CN115311508A (zh) | 一种基于深度u型网络的单帧图像红外弱小目标检测方法 | |
| CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
| CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
| CN117808650B (zh) | 一种基于Transform-Flownet和R-FPN的降水预测方法 | |
| CN116563683A (zh) | 一种基于卷积神经网络和多层感知机的遥感影像场景分类方法 | |
| CN115810123A (zh) | 基于注意力机制和改进特征融合的小目标害虫检测方法 | |
| CN115439926A (zh) | 一种基于关键区域和场景深度的小样本异常行为识别方法 | |
| CN113192018A (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
| CN112926619B (zh) | 一种高精度水下激光目标识别系统 | |
| CN117315324B (zh) | 一种用于火星崎岖地形的轻量级分类检测方法及系统 | |
| CN116402999B (zh) | 一种联合量子随机数与深度学习sar实例分割方法 | |
| CN114998990B (zh) | 一种工地人员安全行为识别方法及装置 |
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 |