[发明专利]一种基于动态卷积神经网络的雷达回波外推方法

说明书

本发明公开了一种基于动态卷积神经网络的雷达回波外推方法，包括：离线卷积神经网络训练：对给定的训练图像集，通过数据预处理得到训练样本集，初始化动态卷积神经网络模型，并利用训练样本集训练动态卷积神经网络，经过网络前向传播计算输出值、后向传播更新网络参数的过程使动态卷积神经网络收敛。在线雷达回波外推：通过数据预处理将测试图像集转化为测试样本集，利用测试样本集对经过训练的动态卷积神经网络进行测试，将输入图像序列中的最后一幅雷达回波图像与网络前向传播中获得的概率向量相卷积，得到预测的雷达回波外推图像。

技术领域

本发明属于大气探测中地面气象观测技术领域，尤其涉及一种基于动态卷积神经网络的雷达回波外推方法。

背景技术

临近预报主要指0～3小时的高时空分辨率的天气预报，主要预报对象包括强降水、大风、冰雹等灾害性天气。目前，很多预报系统都采用数值预报模式，但是由于数值预报存在预报起转延迟(spin-up)，其短时临近预报能力有限。新一代多普勒天气雷达具有很高的灵敏度和分辨率，其数据资料的空间分辨率能够达到200～1000m，时间分辨率能够达到2～15min。此外，多普勒天气雷达还具有合理的工作模式、全面的状态监控和故障警报、先进的实时标校系统和丰富的雷达气象产品算法，能够大大提高短时临近预报的可靠性。如今，新一代多普勒天气雷达已经成为临近预报的最有效工具之一，利用多普勒天气雷达进行临近预报主要基于雷达回波外推技术，即根据当前时刻雷达观测结果，推测雷达回波未来的位置和强度，以实现对强对流系统的跟踪预报。

传统的的雷达回波外推方法是质心跟踪法和基于最大相关系数的交叉相关法(Tracking Radar Echoes by Correlation,TREC)，但是传统方法都存在一定的不足，质心跟踪法仅适用于回波较强、范围较小的风暴单体，对于大范围降水的预报不可靠；TREC一般将回波视为线性变化的，而现实情况中回波变化更为复杂，同时此类方法易受矢量场中的无序矢量干扰。此外，现有的方法对雷达资料的利用率低，而历史雷达资料包含当地天气系统变化的重要特征，具有很高的研究价值。

为提高雷达回波外推的时效性，并从大量的历史雷达资料中研究雷达回波的变化规律，将机器学习方法引入雷达回波外推中。卷积神经网络(Convolutional NeuralNetwork,CNN)作为深度学习的重要分支，广泛应用于图像处理，模式识别等领域。该网络最大的特点在于采用局部连接、权值共享、下采样的方法，对输入图像的形变、平移和翻转具有较强的适应性。针对雷达回波图像之间存在的强时间相关性，设计基于输入的动态卷积神经网络，该网络能够根据输入的雷达回波图动态的变化权值参数，进而预测外推图像。利用历史雷达资料训练动态卷积神经网络，使网络更加充分地提取回波特征，学习回波变化规律，对于提高雷达回波外推准确性，优化临近预报效果具有重要意义。

发明内容

发明目的：本发明所要解决的技术问题是针对现有的雷达回波外推方法的外推时效短，对雷达资料利用率不足，提出了一种基于动态卷积神经网络的雷达回波外推方法，实现对雷达回波强度等高平面显示CAPPI(Constant AltitudePlan Position Indicator，CAPPI)图像的外推预测，包括以下步骤：

步骤1，训练离线卷积神经网络：输入训练图像集，对训练图像集进行数据预处理，得到训练样本集，设计动态卷积神经网络结构，并初始化网络训练参数；利用训练样本集训练动态卷积神经网络，输入的有序图像序列经过动态卷积神经网络前向传播得到一幅预测图像，计算预测图像和对照标签之间的误差，通过反向传播更新网络的权值参数和偏置参数，重复此过程直到达到训练结束条件，得到收敛的动态卷积神经网络；

步骤2，在线雷达回波外推：输入测试图像集，对测试图像集进行数据预处理，得到测试样本集，然后将测试样本集输入步骤1中获得的动态卷积神经网络中，经过网络前向传播计算概率向量，并将输入图像序列中的最后一幅雷达回波图像与得到的概率向量相卷积，得到预测的雷达回波外推图像。

本发明步骤1包括以下步骤：