[发明专利]基于深度学习在多尺度下的强对流外推方法及系统

说明书

本发明提供一种基于深度学习在多尺度下的强对流外推方法与系统，方法包括以下步骤：接收雷达图像数据，提取所述雷达图像数据的隐含状态特征；对所述隐含状态特征进行卷积，并将卷积结果输入TrajGRU网络中，进行强对流外推得到雷达图；将所述雷达图进行第二次卷积并同时进行批正则化获得外推图像数据。该方法对雷达图像数据训练得到外推图像，用于强对流天气如暴雨、雷暴、冰雹等极端天气的预报。

技术领域

本发明属于涉及计算机人工智能与气象交叉技术领域，具体涉及一种基于深度学习在多尺度下的强对流外推方法及系统。

背景技术

强对流天气一般是指具有灾害性质的极端天气现象，如伴随雷暴现象的对流性大风、冰雹、短时强降水等。此类天气的特点一般有：发生突然、移动迅速、天气剧烈、破坏力极强，主要发生于中小尺度天气系统，空间尺度小，一般水平范围大约在十几公里至二三百公里，水平尺度一般小于二百公里，有的水平范围只有几十米至十几公里。其生命史短暂并带有明显的突发性，约为一小时至十几小时，较短的仅有几分钟至一小时。它常发生在对流云系或单体对流云块中。强对流天气来临时，经常伴随着电闪雷鸣、风大雨急等恶劣天气，致使房屋倒毁，庄稼树木受到摧残，电信交通受损，甚至造成人员伤亡等。

因此，对于破坏力极强的强对流天气的预测显得尤为重要，因为通过对此类天气现象的预测我们可以事先知道强对流天气的运动走势以及发生的情况，使得相关气象人员能够在强对流天气来临之前与相关部门汇报，采取有力的措施，尽可能避免不必要的灾害发生。目前在雷达图像的外推方面，用到的技术主要有光流法、以及在深度神经网络下基于LSTM及其相关变体等方法来做的外推。

光流法是一种在外推问题上用的较早方法，其本质是利用序列化的图像当中相邻序列图像帧之间的相关性，来找到两连续帧之间的某种关系，根据这种关系来计算出相邻序列帧之间图像上某区域的运动信息。

基于LSTM/ConvLSTM的外推：目前有学者利用LSTM来实现雷达的外推预测，可以利用LSTM拟合序列数据，通过遗忘门和输出门忘记部分信息来解决梯度消失的问题。它可以处理小量级的序列。香港学者施行健等在LSTM的基础上加上卷积操作，提出了convLSTM，其能够在空间上提取特征，更适用于基于图像的时序数据，其对于图像的特征提取会更加有效。ConvLSTM是LSTM的变体，其改变主要是W的权值计算变成了卷积运算，这样可以提取出图像的特征。

基于ConvGRU与VGGNet的改进：目前有学者在参考了ConvLSTM网络结构下，提出了一种结合卷积神经网络CNN和GRU的ConvGRU网络模型，由于GRU网络的结构比LSTM更加地简单，其进行了相关控制门地合并。但在效果上相差不大，因此使用ConvGRU网络模型更好，因为该模型相比于ConvLSTM结构拥有更快的训练速度和更小的内存需求。相关文献还基于VGGNet网络对ConvGRU的卷积层进行了相关地改进，改进后地网络架构使用了多个小的卷积核叠加代替大的卷积核，这样做的好处是减少了训练的参数数量，同时也使得网络在特征提取的能力也得到增强。此模型的优势在于它使用了convGRU结构代替convLSTM结构，同时，在结构的堆叠上使用了多层次构架模型。即卷积结构的空间特征提取能力和GRU结构的易于处理时间序列问题的记忆能力。最后通过相关实验对比了该模型与光流法的预报效果，验证了改进后的模型在降水短临预报问题的适用性。