CN117908164A - 一种基于深度双分支结构的降水预测方法 - Google Patents
一种基于深度双分支结构的降水预测方法 Download PDFInfo
- Publication number
- CN117908164A CN117908164A CN202410087518.7A CN202410087518A CN117908164A CN 117908164 A CN117908164 A CN 117908164A CN 202410087518 A CN202410087518 A CN 202410087518A CN 117908164 A CN117908164 A CN 117908164A
- Authority
- CN
- China
- Prior art keywords
- radar echo
- image sequence
- branch structure
- branch
- physical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001556 precipitation Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004148 unit process Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于深度双分支结构的降水预测方法、装置、计算机可读存储介质和计算机程序产品,涉及深度学习及视频预测技术领域。其中,基于深度双分支结构的降水预测方法,降水预测方法包括如下步骤:获取原始雷达回波数据,对原始雷达回波数据进行预处理,得到原始雷达回波图像序列;建立深度双分支结构模型;对深度双支结构模型进行训练和测试,得到训练好的深度双分支结构模型;将原始雷达回波图像序列输入训练好的深度双分支结构模型中,输出得到预测雷达回波图像序列;根据预测雷达回波图像序列的雷达回波强度,计算未来时刻的降水量数据;深度双分支结构模型包括PhyCell物理分支单元、SimVP残差分支单元。本发明可以产生更准确的预测结果。
Description
技术领域
本发明涉及深度学习及视频预测技术领域,尤其涉及一种基于深度双分支结构的降水预测方法、装置、计算机可读存储介质和计算机程序产品。
背景技术
降水预测研究对于农业工作具有重要的指导作用。近年来,全球气候变暖导致极端降水事件频繁发生,尤其在汛期,频发的降水严重威胁了人们的生命财产安全。降水是一个复杂的非线性过程,其发生的天气学条件非常复杂,同时还受到地形和海拔等各种因素的影响。因此,降水量的预测难度很大,提高预测准确率一直是研究人员关注的焦点之一。
目前,在人工智能技术快速发展的背景下,深度学习算法因其能够高效处理大量数据特征信息、学习气象要素之间作用规律的能力,以及准确描述降水非线性变化过程的优势,已经被许多研究人员应用于降水预测领域。
另一方面,随着智能移动设备、自动驾驶汽车以及视频监控系统的普及,以视频为代表的时空数据呈现爆炸式增长,时空数据处理已成为近年来的研究热点,深度学习方法在该领域取得了有目共睹的成功。因为描述大气运动的气象数据同样具备时空相关性,所以从这些工作中衍生出的时空预测网络逐渐被当作一种纯数据驱动方法来对天气状况进行提前预测,采用卷积层进行空间特征提取,然后输入循环神经网络来学习时间维度上的演化趋势。然而,与视频不同的是,气象数据的演变受到物理定律的严格限制,而这些物理定律被典型的CNN所忽略。在雷达回波图像中,云团的形状、轮廓会随着自身位置的移动而发生变化。为了克服这一缺点,一些学者引入了循环神经网络的变体来表征偏微分方程(PDE),从而更好地利用物理知识来优化学习过程,并且达到了预料之中的优良表现。其中物理特征指符合物理定律的动态变化规律,可以用偏微分方程来描述;而残差特征包含静态细节特征,可以通过CNN结构进行学习。尽管这些工作利用了物理知识,但它们要么假设数据背后的物理是明确已知的,要么局限于完全可见的状态,这在一般的时空预测中很少发生。
因此,如何提供一种预测准确率更高的降水预测方法,成为目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种基于深度双分支结构的降水预测方法、装置、计算机可读存储介质和计算机程序产品,以解决现有技术中的降水预测方法的预测准确率较低的技术问题。
为了实现上述目的,根据本发明的第一方面,提供了一种基于深度双分支结构的降水预测方法,降水预测方法包括如下步骤:获取原始雷达回波数据,对原始雷达回波数据进行预处理,得到原始雷达回波图像序列;建立深度双分支结构模型;对深度双支结构模型进行训练和测试,得到训练好的深度双分支结构模型;将原始雷达回波图像序列输入训练好的深度双分支结构模型中,输出得到预测雷达回波图像序列;根据预测雷达回波图像序列的雷达回波强度,计算未来时刻的降水量数据;其中,深度双分支结构模型包括编码单元、PhyCell物理分支单元、SimVP残差分支单元、求和单元和解码单元,编码单元对预测雷达回波图像序列进行处理,得到特征映射;特征映射分别流入PhyCell物理分支单元和SimVP残差分支单元;PhyCell物理分支单元用于对特征映射中的物理成分进行提取,得到物理特征;SimVP残差分支单元用于对特征映射中的残差成分进行提取,得到残差特征;求和单元用于将物理特征和残差特征进行求和,得到总和特征;解码单元用于将总和特征还原为预测雷达回波图像序列。
进一步地,将原始雷达回波图像序列输入训练好的深度双分支结构模型中,输出得到预测雷达回波图像序列的方法具体包括:假设存在隐空间H,隐状态空间H中物理动力学和残差因子线性解纠缠;隐状态空间H中的视频演变由方程(1)控制:
H=Hp+Hr (1)
其中,Hp和Hr分别代表提取出的物理特征和残差特征;Hp采用PhyCell物理分支单元进行物理特征提取,如式(2)所示:
其中,表示对隐状态空间中的物理动力学求偏导以提取物体特征,t表示时间步,x表示输入的序列图像;Hr则采用SimVP残差分支单元进行细节预测,如式(3)所示:
其中,表示对隐状态空间中的残差因子求偏导以提取残差特征,t表示时间步,x表示输入的序列图像;将输入x经过编码单元E映射到隐状态空间H,然后分别流入PhyCell物理分支单元和SimVP残差分支单元;PhyCell物理分支单元包括对潜在动力学建模的物理预测器和对潜在状态和输入数据之间的相互作用建模的输入同化器;物理预测器利用CNN与偏微分方程之间的关系通过堆叠的CNN架构反向求解偏微分方程系数,输入同化器通过潜在状态和输入数据之间的差值不断作用矫正以达到最佳预测效果;SimVP残差分支单元包括编码器,翻译器和解码器;编码器堆叠4个卷积模块,通过堆叠来用来提取空间特征,并采用组归一化代替层归一化操作以更适用本研究中所使用的小批次样本,同时也具有更强的泛化能力;翻译器由Inception结构堆叠而成,Inception结构首先通过了一个1×1的卷积核,而后使用卷积核大小为(3,5,7,11)来分别进行卷积,最后将特征图进行拼接;解码器利用4个反卷积来重构地面真实帧,从而实现对翻译器信息的解码工作;解码单元由四层convSC模块组成,每层又由卷积层、GroupNorm层、LeakyReLU层组成。
进一步地,对深度双支结构模型进行训练和测试,得到训练好的深度双分支结构模型的方法具体包括:获取大量原始雷达回波数据,建立原始雷达回波图像序列数据集;将原始雷达回波图像序列数据集划分为训练集和测试集;利用训练集和测试集对深度双分支结构模型进行训练和测试,得到训练好的深度双分支结构模型。
进一步地,在利用训练集对深度双分支结构原始模型进行训练时,使用平均平方误差作为损失函数,用于计算模型的预测结果与标签数据之间的误差;平均平方误差的公式如下:
其中,Yi表示实际值,表示预测值,n表示样本数量;将计算得到的平均平方误差通过反向传播算法优化预测模型的参数,直至达到迭代次数为止。
进一步地,降水预测方法还包括如下步骤:将原始雷达回波图像序列划分为真实前帧图像序列和真实后帧图像序列;将真实前帧图像序列输入训练好的深度双分支结构模型中,得到预测后帧图像序列;将预测后帧图像序列与真实后帧图像序列进行对比,以测试训练好的深度双分支结构模型的性能。
进一步地,对原始雷达回波数据进行预处理,得到原始雷达回波图像序列的具体方法包括:对原始雷达回波数据进行解析和可视化,得到原始雷达回波图像;原始雷达回波数据共21层,将除去最高两层与最低两层剩下的17层数据按照相同位置逐层选择最大值像素值的方法,将这17层原始雷达回波数据进行聚合,得到聚合雷达回波图像;把每一张聚合雷达回波图像的尺寸设置为128×128,每两张聚合雷达回波图像之间的间隔为6分钟,10张连续的聚合雷达回波图像构成一个完整的原始雷达回波图像序列。
进一步地,根据预测雷达回波图像序列的雷达回波强度,计算未来时刻的降水量数据的方法具体包括:利用公式(5)计算地面降水强度:
其中,R是地面降水强度,Z是雷达回波强度,a和b是根据实测数据拟合得到的常数。
根据本发明的第二方面,提供了一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述方法的步骤。
根据本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现上述方法的步骤。
根据本发明的第四方面,提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述方法的步骤。
本发明对用于降水预测的模型进行了改进,设计了一种新的深度双分支结构模型,将PhyCell物理分支单元和SimVP残差分支单元结合使用,经实验验证,本申请建立的深度双分支结构模型与相关技术中的模型相比,其降水预测的准确率更高。
本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的整体流程图;
图2为本发明搭建的降水预测模型示意图;
图3为本发明采用的Phycell单元结构示意图;
图4为本发明采用的SimVP单元结构示意图;
图5为原始雷达回波图像及聚合后的雷达回波图像;
图6为原始雷达回波图像序列示意图;
图7为本发明提供的深度双分支结构模型与其他模型的实验结果和真实值对比图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。若未特别指明,实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
在本发明的一个可选实施例中,提供了一种基于深度双分支结构的降水预测方法,降水预测方法包括如下步骤:获取待预测的原始雷达回波数据,对原始雷达回波数据进行预处理,得到原始雷达回波图像序列;建立深度双分支结构模型;对深度双支结构模型进行训练和测试,得到训练好的深度双分支结构模型;将原始雷达回波图像序列输入训练好的深度双分支结构模型中,输出得到预测雷达回波图像序列;根据预测雷达回波图像序列的雷达回波强度,计算未来时刻的降水量数据;其中,深度双分支结构模型包括编码单元、PhyCell物理分支单元、SimVP残差分支单元、求和单元和解码单元,编码单元对预测雷达回波图像序列进行处理,得到特征映射;特征映射分别流入PhyCell物理分支单元和SimVP残差分支单元;PhyCell物理分支单元用于对特征映射中的物理成分进行提取,得到物理特征;SimVP残差分支单元用于对特征映射中的残差成分进行提取,得到残差特征;求和单元用于将物理特征和残差特征进行求和,得到总和特征;解码单元用于将总和特征还原为预测雷达回波图像序列。
本发明对用于降水预测的模型进行了改进,设计了一种新的深度双分支结构模型,将PhyCell物理分支单元和SimVP残差分支单元结合使用,经实验验证,本申请建立的深度双分支结构模型与相关技术中的模型相比,其降水预测的准确率更高。
相关技术中采用convlstm模型进行残差成分的特征提取,但convlstm是以RNN为基础的网络单元,而本模型右分支SimVP则是以CNN为基础架构,二者相比,SimVP基于雷达回波图像数据集,在图像处理领域,CNN比RNN更适合;CNN比RNN更适应GPU的计算模式,参数更少,训练时间更短;实验表明本模型性能优异,实验数据超过原模型及其他先验模型。
在申请之前,没有将SimVP应用于降水预测的技术方案,本申请创新性地选择SimVP作为残差分支单元,并与PhyCell物理分支单元结合,形成一个新的深度双分支结构模型,更适用于降水预测,有利于提升降水预测的准确性。
可选地,将原始雷达回波图像序列输入训练好的深度双分支结构模型中,输出得到预测雷达回波图像序列的方法具体包括:假设存在隐空间H,隐状态空间H中物理动力学和残差因子线性解纠缠;隐状态空间H中的视频演变由方程(1)控制:H=Hp+Hr(1)其中,Hp和Hr分别代表提取出的物理特征和残差特征;Hp采用PhyCell物理分支单元进行物理特征提取,如式(2)所示:
其中,表示对隐状态空间中的物理动力学求偏导以提取物体特征,t表示时间步,x表示输入的序列图像;Hr则采用SimVP残差分支单元进行细节预测,如式(3)所示:
其中,表示对隐状态空间中的残差因子求偏导以提取残差特征,t表示时间步,x表示输入的序列图像;将输入x经过编码单元E映射到隐状态空间H,然后分别流入PhyCell物理分支单元和SimVP残差分支单元;PhyCell物理分支单元包括对潜在动力学建模的物理预测器和对潜在状态和输入数据之间的相互作用建模的输入同化器;物理预测器利用CNN与偏微分方程之间的关系通过堆叠的CNN架构反向求解偏微分方程系数,输入同化器通过潜在状态和输入数据之间的差值不断作用矫正以达到最佳预测效果;SimVP残差分支单元包括编码器,翻译器和解码器;编码器堆叠4个卷积模块,通过堆叠来用来提取空间特征,并采用组归一化代替层归一化操作以更适用本研究中所使用的小批次样本,同时也具有更强的泛化能力;翻译器由Inception结构堆叠而成,Inception结构首先通过了一个1×1的卷积核,而后使用卷积核大小为(3,5,7,11)来分别进行卷积,最后将特征图进行拼接;解码器利用4个反卷积来重构地面真实帧,从而实现对翻译器信息的解码工作;解码单元由四层convSC模块组成,每层又由卷积层、GroupNorm层、LeakyReLU层组成。
可选地,对深度双支结构模型进行训练和测试,得到训练好的深度双分支结构模型的方法具体包括:获取大量原始雷达回波数据,建立原始雷达回波图像序列数据集;将原始雷达回波图像序列数据集划分为训练集和测试集;利用训练集和测试集对深度双分支结构模型进行训练和测试,得到训练好的深度双分支结构模型。这样,通过不断的训练和测试,可以使深度双分支结构模型具有较好的预测结果。
可选地,训练集和测试集的比例为75%和25%。也可以根据实际需要选择其他比例,例如80%和20%。
可选地,在利用训练集对深度双分支结构原始模型进行训练时,使用平均平方误差作为损失函数,用于计算模型的预测结果与标签数据之间的误差;平均平方误差的公式如下:
其中,Yi表示实际值,表示预测值,n表示样本数量;将计算得到的平均平方误差通过反向传播算法优化预测模型的参数,直至达到迭代次数为止。
可选地,降水预测方法还包括如下步骤:将原始雷达回波图像序列划分为真实前帧图像序列和真实后帧图像序列;将真实前帧图像序列输入训练好的深度双分支结构模型中,得到预测后帧图像序列;将预测后帧图像序列与真实后帧图像序列进行对比,以测试训练好的深度双分支结构模型的性能。如图7所示,本模型能够得到与真实后帧图像序列相似度很好的预测后帧图像序列;并且本发明的模型得到的预测后帧图像序列与对比模型相比,更接近真实后帧图像序列。这样,验证了本发明的方法能够实现并具有较好的性能。
可选地,对原始雷达回波数据进行预处理,得到原始雷达回波图像序列的具体方法包括:对原始雷达回波数据进行解析和可视化,得到原始雷达回波图像;原始雷达回波数据共21层,将除去最高两层与最低两层剩下的17层数据按照相同位置逐层选择最大值像素值的方法,将这17层原始雷达回波数据进行聚合,得到聚合雷达回波图像;把每一张聚合雷达回波图像的尺寸设置为128×128,每两张聚合雷达回波图像之间的间隔为6分钟,10张连续的聚合雷达回波图像构成一个完整的原始雷达回波图像序列。
可选地,在预处理步骤中,原始雷达回波数据可以为待预测的原始雷达回波数据,也可以为作为训练集中的原始雷达回波数据。
可选地,根据预测雷达回波图像序列的雷达回波强度,计算未来时刻的降水量数据的方法具体包括:利用公式(5)计算地面降水强度:
其中,R是地面降水强度,Z是雷达回波强度,a和b是根据实测数据拟合得到的常数。
下面进一步结合本申请的附图对本发明的技术方案进行阐述,本发明具体提供以下技术方案。基于深度双分支结构的降水预测方法,如图1所示,实现过程分四个步骤:第一步骤:数据的获取及预处理:数据解析、数据可视化、图像聚合、生成原始雷达回波序列。第二步骤:设计一个深度双分支结构模型,该模型左右两个分支分别将隐状态中的时空序列数据解耦为物理成分和残差成分,再将两个分支求得的物理动态特征和残差动态特征进行求和,并通过解码器将总和动态特征还原为预测数据。第三步骤:将步骤一中处理好的雷达回波序列中的75%和25%分别做为训练集和测试集,利用训练集对搭建的深度双分支结构模型进行训练,将测试集输入训练好的模型,输出预测数据,与真实值进行对比,测试模型性能,从而得到训练好的深度双分支结构模型。第四步骤:将步骤一得到的雷达回波数据序列输入训练好的深度双分支结构模型中,得到预测雷达回波图像序列,根据预测雷达回波图像序列的雷达回波强度,输出未来时刻的降水量数据,从而实现降水预测。
在本申请的一个具体实施例中,第一步骤具体包括:从东北区域气象中心2012-2013年的7、8月份的原始雷达回波数据中解析并可视化后得到原始雷达回波图像。原始雷达回波图像包括21层,首先将除去最高两层与最低两层剩下的17层数据按照相同位置逐层选择最大值像素值的方法,将这17层雷达回波数据进行聚合,得到聚合雷达回波图像“MAX”,原始雷达回波图像和聚合雷达回波图像如图5所示;其次进行序列生成,把每一张聚合雷达回波图像的尺寸设置为128×128的灰度图像,每两张雷达回波图像之间的间隔为6分钟,10张连续的雷达回波图像构成一个完整的雷达回波图像序列,如图6所示。
第二步骤具体包括:设计一个深度双分支结构模型,详细结构如图2所示,左分支通过物理成分提取单元捕获物体运动中的物理动态特征,右分支通过SimVP网络单元从物体运动中捕获剩余残差部分特征,获取纹理细节特征。PhyCell物理分支单元的具体结构包括物理预测器和输入同化器,如图3所示;SimVP残差分支单元的具体结构包括:编码器,翻译器和解码器,如图4所示。解码单元的具体结构包括深度双分支结构中的解码器(Decoder),由四层convSC模块组成,每层又由卷积层、GroupNorm层、LeakyReLU层组成。
该模型假设存在一个概念隐状态空间H,其中物理动力学和残差因子线性解纠缠。因此,隐状态空间H中的视频演变由方程(1)控制:
H=Hp+Hr (1)
其中,Hp和Hr分别代表物理特征和残差特征,左分支物理特征Hp受偏微分方程的约束,如式(2)所示:
表示对隐状态空间中的物理动力学求偏导以提取物体特征,t表示时间步,x表示输入的序列图像。
Hr则采用SimVP在隐状态空间进行细节预测,如式(3)所示:
表示对隐状态空间中的残差因子求偏导以提取残差特征t表示时间步,x表示输入的序列图像。
将输入x经过编码器E映射到隐状态空间H,然后分别流入物理分支和残差分支。物理分支中,通过PhyCell单元提取物理动态特征,PhyCell单元分为两部分:对潜在动力学建模的物理预测器与对潜在状态和输入数据之间的相互作用建模偏置矫正器,物理预测器利用CNN与偏微分方程之间的关系通过堆叠的CNN架构反向求解偏微分方程系数,偏置矫正器通过潜在状态和输入数据之间的差值不断作用矫正以达到最佳预测效果。残差分支中,SimVP网络单元编码器、翻译器和解码器结果进行预测。编码器堆叠4个卷积模块,通过堆叠来用来提取空间特征,并采用组归一化代替层归一化操作以更适用本研究中所使用的小批次样本,同时也具有更强的泛化能力,翻译器由Inception结构堆叠而成,Inception结构首先通过了一个1×1的卷积核,而后使用卷积核大小为(3,5,7,11)来分别进行卷积,最后将特征图进行拼接。解码器利用4个反卷积来重构地面真实帧,从而实现对翻译器信息的解码工作,Decoder与Encoder近乎相似,只是将卷积操作改成了反卷积操作。
第三步骤具体包括:利用划分好的数据集训练构建的深度双分支结构模型,在训练过程中使用平均平方误差作为损失函数,用于计算模型的预测结果与标签数据之间的误差;均方根误差的公式如下:
其中Yi表示实际值,表示预测值,然后将误差通过反向传播算法优化预测模型的参数,直至达到迭代次数为止。
测试过程中增加结构相似度(SSIM)作为评价指标,用于评价生成预测图象质量,SSIM值越趋近于1,预测图像质量越高,公式如下:
其中表示预测图像的像素平均值、μY为参照图像的像素平均值、/>表示预测图像的方差、/>为参照图像的方差、/>表示预测图像与参照图像的协方差、c1和c2是用来稳定弱分母的参数。
第四步骤具体包括:将步骤一得到的雷达回波数据序列输入训练好的模型中,得到预测雷达回波图像序列。
为了验证本发明提供的模型能够实现并性能较优,将步骤一得到的雷达回波数据序列分为两部分,一部分为真实前帧图像序列和真实后帧图像序列;将所述真实前帧图像序列输入所述训练好的深度双分支结构模型中,得到预测后帧图像序列;如图7所示。
根据预测雷达回波图像序列的雷达回波强度,输出未来时刻的降水量数据,从而实现降水预测;利用公式(5)计算地面降水强度:
其中,R是地面降水量值,Z是雷达回波强度,a和b是根据实测数据拟合得到的常数。
为了验证本发明的模型的性能优于其他模型,将本发明提供的深度双分支结构模型与现有技术中的模型利用moving-mnist数据集进行对比以验证模型优异性,moving-mnist数据集是人工合成数据集,不需预处理,易获取,因此时空预测领域多采用该数据集实验该数据集由两个移动的大小为28×28数字与大小为64×64的黑色背景网格组成,数字在网格内独立移动并从边界反弹。通过为每个数字分配不同的初始位置和速度,我们可以获得无限数量的序列,本实验以前10帧中预测未来的10帧。得到各模型的平均平方误差(MSE)和结构相似度(SSIM),实验结果如表1所示。从表1可以看出,本发明提供的深度双分支结构模型的平均平方误差(MSE)最小,结构相似度(SSIM)最高,可见本模型性能均优于其他对照模型。
表1
为了进一步验证本发明的模型的性能能够实现降水预测并优于其他模型,将本发明提供的深度双分支结构模型与现有技术中的模型利用步骤一中处理好的雷达回波序列进行对比以验证模型有效性,得到各模型的平均平方误差(MSE)和结构相似度(SSIM),实验结果如表2所示。从表2可以看出,本发明提供的深度双分支结构模型的平均平方误差(MSE)最小,结构相似度(SSIM)最高,可见本模型在降水预测问题上的有效性。
表2
本发明公开了一种基于深度双分支结构的降水预测方法,属于气象技术领域;具体包括:首先,进行数据预处理;然后设计一个深度双分支结构模型,该模型左右两个分支分别将隐状态中的时空序列数据解耦为物理成分和残差成分,再将两个分支求得的物理动态特征和残差动态特征进行求和,并通过解码器将总和动态特征还原为预测数据;利用数据训练搭建的深度双分支结构模型;最后将雷达回波数据输入训练好的模型中,输出未来时刻的降水量数据,从而实现降水预测。
本发明具有较好的区域扩展能力,关注物理约束的动态信息,可以产生更准确的预测结果。
本发明提供的基于深度双分支结构的降水预测方法,能够实现自主学习降水的时空特征,并预测未来视频帧的变化趋势。
本发明提出并评估了一个深度双分支架构模型,它与以往深度模型对比更为关注物体运动过程中的物理动态信息,左右两个分支分别获取隐状态中的物理动态特征和残差动态特征,将已经过检验的物理定律与深度网络模型相结合以更好的进行时空序列预测,在雷达回波数据集上通过实验验证,本模型性能均优于其他对照模型,可以产生更准确的预测结果,能够更加准确地生成降水预测数据,优化现有的降水预测结果。
本发明还提供了一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现上述方法的步骤。
本发明还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述方法的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度双分支结构的降水预测方法,其特征在于,所述降水预测方法包括如下步骤:
获取原始雷达回波数据,对所述原始雷达回波数据进行预处理,得到原始雷达回波图像序列;
建立深度双分支结构模型;对所述深度双支结构模型进行训练和测试,得到训练好的深度双分支结构模型;
将所述原始雷达回波图像序列输入所述训练好的深度双分支结构模型中,输出得到预测雷达回波图像序列;
根据所述预测雷达回波图像序列的雷达回波强度,计算未来时刻的降水量数据;
其中,所述深度双分支结构模型包括编码单元、PhyCell物理分支单元、SimVP残差分支单元、求和单元和解码单元,所述编码单元对所述预测雷达回波图像序列进行处理,得到特征映射;所述特征映射分别流入所述PhyCell物理分支单元和所述SimVP残差分支单元;所述PhyCell物理分支单元用于对所述特征映射中的物理成分进行提取,得到物理特征;所述SimVP残差分支单元用于对所述特征映射中的残差成分进行提取,得到残差特征;所述求和单元用于将所述物理特征和所述残差特征进行求和,得到总和特征;所述解码单元用于将所述总和特征还原为所述预测雷达回波图像序列。
2.根据权利要求1所述的基于深度双分支结构的降水预测方法,其特征在于,将所述原始雷达回波图像序列输入所述训练好的深度双分支结构模型中,输出得到预测雷达回波图像序列的方法具体包括:
假设存在隐空间H,隐状态空间H中物理动力学和残差因子线性解纠缠;所述隐状态空间H中的视频演变由方程(1)控制:
H=Hp+Hr (1)
其中,Hp和Hr分别代表提取出的物理特征和残差特征;
Hp采用PhyCell物理分支单元进行物理特征提取,如式(2)所示:
表示对隐状态空间中的物理动力学求偏导以提取物体特征,t表示时间步,x表示输入的序列图像;
Hr则采用SimVP残差分支单元进行细节预测,如式(3)所示:
表示对隐状态空间中的残差因子求偏导以提取残差特征,t表示时间步,x表示输入的序列图像;
将输入x经过所述编码单元E映射到隐状态空间H,然后分别流入PhyCell物理分支单元和SimVP残差分支单元;
所述PhyCell物理分支单元包括对潜在动力学建模的物理预测器和对潜在状态和输入数据之间的相互作用建模的输入同化器;所述物理预测器利用CNN与偏微分方程之间的关系通过堆叠的CNN架构反向求解偏微分方程系数,所述输入同化器通过潜在状态和输入数据之间的差值不断作用矫正以达到最佳预测效果;
所述SimVP残差分支单元包括编码器,翻译器和解码器;所述编码器堆叠4个卷积模块,通过堆叠来用来提取空间特征,并采用组归一化代替层归一化操作以更适用本研究中所使用的小批次样本,同时也具有更强的泛化能力;所述翻译器由Inception结构堆叠而成,Inception结构首先通过了一个1×1的卷积核,而后使用卷积核大小为(3,5,7,11)来分别进行卷积,最后将特征图进行拼接;所述解码器利用4个反卷积来重构地面真实帧,从而实现对翻译器信息的解码工作;
所述解码单元由四层convSC模块组成,每层又由卷积层、GroupNorm层、LeakyReLU层组成。
3.根据权利要求1所述的基于深度双分支结构的降水预测方法,其特征在于,对所述深度双支结构模型进行训练和测试,得到训练好的深度双分支结构模型的方法具体包括:
获取大量原始雷达回波数据,建立原始雷达回波图像序列数据集;
将所述原始雷达回波图像序列数据集划分为训练集和测试集;
利用所述训练集和所述测试集对所述深度双分支结构模型进行训练和测试,得到训练好的深度双分支结构模型。
4.根据权利要求3所述的基于深度双分支结构的降水预测方法,其特征在于,在利用所述训练集对所述深度双分支结构原始模型进行训练时,使用平均平方误差作为损失函数,用于计算模型的预测结果与标签数据之间的误差;所述平均平方误差的公式如下:
其中,Yi表示实际值,表示预测值,n表示样本数量;
将计算得到的平均平方误差通过反向传播算法优化预测模型的参数,直至达到迭代次数为止。
5.根据权利要求1所述的基于深度双分支结构的降水预测方法,其特征在于,所述降水预测方法还包括如下步骤:
将所述原始雷达回波图像序列划分为真实前帧图像序列和真实后帧图像序列;
将所述真实前帧图像序列输入所述训练好的深度双分支结构模型中,得到预测后帧图像序列;
将所述预测后帧图像序列与所述真实后帧图像序列进行对比,以测试所述训练好的深度双分支结构模型的性能。
6.根据权利要求1所述的基于深度双分支结构的降水预测方法,其特征在于,对所述原始雷达回波数据进行预处理,得到原始雷达回波图像序列的具体方法包括:
对所述原始雷达回波数据进行解析和可视化,得到原始雷达回波图像;
所述原始雷达回波图像共21层,将除去最高两层与最低两层剩下的17层数据按照相同位置逐层选择最大值像素值的方法,将这17层原始雷达回波数据进行聚合,得到聚合雷达回波图像;
把每一张聚合雷达回波图像的尺寸设置为128×128,每两张聚合雷达回波图像之间的间隔为6分钟,10张连续的聚合雷达回波图像构成一个完整的原始雷达回波图像序列。
7.根据权利要求1所述的基于深度双分支结构的降水预测方法,其特征在于,根据所述预测雷达回波图像序列的雷达回波强度,计算未来时刻的降水量数据的方法具体包括:利用公式(5)计算地面降水强度:
其中,R是地面降水强度,Z是雷达回波强度,a和b是根据实测数据拟合得到的常数。
8.一种计算机装置,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410087518.7A CN117908164A (zh) | 2024-01-22 | 2024-01-22 | 一种基于深度双分支结构的降水预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410087518.7A CN117908164A (zh) | 2024-01-22 | 2024-01-22 | 一种基于深度双分支结构的降水预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117908164A true CN117908164A (zh) | 2024-04-19 |
Family
ID=90681496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410087518.7A Pending CN117908164A (zh) | 2024-01-22 | 2024-01-22 | 一种基于深度双分支结构的降水预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117908164A (zh) |
-
2024
- 2024-01-22 CN CN202410087518.7A patent/CN117908164A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
CN111523546B (zh) | 图像语义分割方法、系统及计算机存储介质 | |
CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN112132149B (zh) | 一种遥感影像语义分割方法及装置 | |
CN112818969B (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN113255995A (zh) | 一种空气污染预测方法 | |
CN114611608A (zh) | 基于深度学习模型的海表面高度数值预报偏差订正方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN112183742A (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
CN115902806A (zh) | 一种基于多模态的雷达回波外推方法 | |
CN116306203A (zh) | 一种海上目标航迹智能仿真生成方法 | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN113436115A (zh) | 一种基于深度无监督学习的图像阴影检测方法 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
CN116148864A (zh) | 一种基于DyConvGRU和Unet的预测细化结构的雷达回波外推方法 | |
CN117908164A (zh) | 一种基于深度双分支结构的降水预测方法 | |
Bakkay et al. | Precipitaion Nowcasting using Deep Neural Network | |
CN114140524A (zh) | 一种多尺度特征融合的闭环检测系统及方法 | |
Wen et al. | Overview of traditional denoising and deep learning-based denoising | |
CN117808650B (zh) | 一种基于Transform-Flownet和R-FPN的降水预测方法 | |
CN114004421B (zh) | 一种基于时空集成学习的交通数据缺失值插补方法 | |
CN116030347B (zh) | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 |
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 |