[发明专利]一种基于深度学习的降水临近预报方法及装置

权利要求书

1.一种基于深度学习的降水临近预报方法，其特征在于，包括以下步骤：

步骤S1、首先对天气雷达基数据作预处理；

步骤S2、将预处理后的雷达回波数据分为深度学习网络训练所用的训练集、验证集与测试集；

步骤S3、使用训练集、验证集与测试集进行时空编码预测网络模型训练，利用训练好的时空编码预测网络模型进行雷达回波外推，得到预测回波数据，并对预测回波数据与实际观测数据进行对比；

步骤S4、最后将预测后的雷达回波进行雷达定量降水估测，并和地面真实降水数据对比进行降水预报检测。

2.根据权利要求1所述的一种基于深度学习的降水临近预报方法，其特征在于，

步骤S1包括以下步骤：

S1.1、取雷达反射率数据，通过比较雷达位置所在经纬度的相同方位角相同距离处不同高度处的反射率数值，取最大值保留为组合反射率数组内数值，将极坐标数据转换成笛卡尔坐标格点上，实现数据网格化，最终获得组合反射率数据；

S1.2、利用组合反射率数据中的最大值和最小值将原始的反射率因子Z通过线性变换为像素值P将反射率因子归一化映射在[0,1]之间：

基于组合反射率数据上，将设置为n×n大小的滤波窗口，如果该窗口中心点周围的有值点个数与窗口总个数的比值小于阈值P_ij时，则该中心点被认为不被保留，作为孤立点回波删除。

公式中Z_i,j为此格点的反射率因子，spval为无效值，N_z为有效点个数，P_ij为窗口中有效点个数与窗口总个数的比值；

裁剪调雷达回波图像四周边缘，得到与处理后的雷达回波数据。

3.根据权利要求1所述的一种基于深度学习的降水临近预报方法，其特征在于，时空编码预测网络模型包括编码网络结构和预测网络结构，编码网络结构通过ConvLSTM网络堆叠组成，预测网络结构通过ConvLSTM网络堆叠组成，

将输入数据送进时空编码预测网络后数据的变化过程：

输入数据进过编码网络结构的三层下采样层时进行x、y、z倍的缩小，从n×n的数据大小变成(n/x)×(n/x)再到(n/y)×(n/y)最后缩小到(n/z)×(n/z)；同时穿插了三层ConvLSTM网络，拥有了64、192、192的隐藏状态(Hidden state)并且把隐藏状态传给预测网络结构中对应的三层ConvLSTM网络，之后输入数据传入预测网络结构的三层上采样层进行了z、x、y倍的同比例放大，(n/z)×(n/z)数据恢复成n×n的大小，输出未来时刻的预测数据。

4.根据权利要求1所述的一种基于深度学习的降水临近预报方法，其特征在于，时空编码预测网络模型的训练包括如下步骤：

将前0.5-1h的数据图像输入到时空编码预测网络模型中，输出的图像为未来1-2h内的雷达反射率预测数据，使用W-MSE和W-MAE相结合的权重损失函数作为模型训练的损失函数计算模型输出结果与实际数据的差异度，并利用随机梯度下降等方法，对模型进行优化，更新权重与偏置，使差异值降到最低值。

5.根据权利要求2所述的一种基于深度学习的降水临近预报方法，其特征在于，W-MSE和W-MAE相结合的权重损失函数作为模型训练的损失函数为：

Loss＝10000×(W-MSE+W-MAE)

其中每个格点的反射率因子dBZ分配权重W(dBZ)，其中N是图像帧的总数，W_n,w,h是与第n帧中的第(w，h)个格点相对应的权重，X_n,w,h代表实际的第n帧中的第(w，h)个格点相对应的数据，x_n,w,h表示预测输出的第n帧中的第(w，h)个格点相对应的数据。