[发明专利]一种基于深度神经网络的强对流天气识别方法

说明书

本发明涉及大气科学领域，提出一种以深度神经网络为模型，以雷达回波图像为主要输入，利用光流技术生成回波移动光流图像作为辅助输入，通过数据集增强、代价函数优化和模型泛化性能优化等步骤，实现对强对流天气智能识别的方法。本申请提出一种基于深度神经网络技术的强对流天气智能识别方法，该方法能够将以往由气象工作者主观研读雷达资料来分析强对流天气的过程自动化、定量化，提高了对强对流天气识别相关业务的可靠性和时效性。

技术领域

本发明涉及大气科学领域，特别涉及一种基于深度神经网络的强对流天气识别方法。

背景技术

强对流天气是一种因大气强烈的垂直运动而产生的天气现象，往往具有很强的破坏力，常伴随雷暴、短时强降水、大风和冰雹等灾害性天气。短时强降水和对流性大风是典型的强对流天气，其对交通运输、农业生产、建筑保护和城市排水等造成极大危害。天气雷达是对其进行监测和预测的电子设备，借助雷达探测资料能够直观地观察天气演变过程，结合专业理论和方法能够分析出风暴发生的空间位置、移动速度和发展趋势以及大风或降水的强度等大量有价值的天气信息。

将深度学习技术应用到对雷雨大风等强对流天气的识别是近年来一些研究人员努力的目标。但由于强对流天气的生消发展速度快、局地性强、空间尺度小，使得其在雷达回波图像上所表现的一些典型特征并不总是存在，而一些关键性特征又难以客观量化，这使得不论采用图像模式识别还是机器学习识别，都难以有效实施应用。

发明内容

为克服上述现有技术中的不足，本发明目的在于提供一种基于深度神经网络的强对流天气识别方法。

为实现上述目的及其他相关目的，本发明提供的技术方案是：一种基于深度神经网络的强对流天气识别方法，包括以下步骤：

S1. 定义一个雷达探测数据为RB(t)，建立雷达回波图像EI(RB(t))和回波移动光流图像OFI(RB(t))与强对流天气发生与否的标签Tag(t)之间的“数据对”，t表示探测时间；

S2. 采用S1的方法对一个月至一百年时间段内的雷达探测数据和地面气象站数据进行处理计算，并生成该时间段内所有的“数据对”组成的集合，得到用于强对流智能识别的用例数据集，记为DATASET；

S3. 对S2得到的低概率训练样本进行多重采样，实现数据集的增强优化，得到新的用例数据集，记为DATASET2；

S4. 构建基于深度神经网络的强对流智能识别模型MDN，该模型包含多个卷积层、池化层和全连接层，并在代价函数中引入类别权重，赋予实际发生了强对流但模型未识别出强对流这种情况更高的反馈值，改进后的代价函数为：

式中，是强对流天气的示性函数，是“CNN模型”（卷积神经网络）对应于强对流天气的输出，是判定权重项，即反馈值，m为数据集的样本数；

S5. 将S3得到的数据集DATASET2代入S4提出的MDN模型进行神经网络的训练，得到用于对强对流智能识别的模型；

S6.将实时雷达探测数据作为S5得到的模型的输入，经模型计算后，得到分类识别的结果MDN_Output(RB(t))；MDN_Output表示模型输出的结果，由于输出是一个二分类，因此用0和1表示是否发生了强对流天气。

优选的技术方案为：所述S1中雷达回波图像EI(RB(t))是采用PPI方式扫描形成的。

优选的技术方案为：所述S1中回波移动光流图像OFI(RB(t)是基于Lucas-Kanade的局部约束法构建的。

优选的技术方案为：所述S1中强对流天气发生与否的标签Tag(t)采用短时强降水和大风这两种天气现象作为判定。

优选的技术方案为：所述短时强降水和大风这两种天气现象的具体判定规则如下：