[发明专利]基于Transformer-IRB的短临降雨预测方法、装置和存储介质

权利要求书

1.一种基于Transformer-IRB的短临降雨预测方法，其特征在于，所述方法包括：

将雷达回波图像进行预处理；

将预处理之后的连续的M帧雷达回波图像送入预先构建并训练好的基于Transformer-IRB的短临降雨预测模型以得到N帧雷达回波图像作为短临降雨预测结果，其中，N大于M，所述短临降雨预测模型包括块嵌入模块、特征提取模块、解码模块，所述块嵌入模块提取连续的多帧雷达回波图的嵌入特征并加上位置编码后送入特征提取模块，特征提取模块采用若干具有多头注意力层的Transformer-倒置残差块模块构成编码器对输入的嵌入特征进行特征提取后送入所述解码模块，所述解码模块对输入进行解码得到连续多帧雷达回波图作为预测结果。

2.根据权利要求1所述的基于Transformer-IRB的短临降雨预测方法，其特征在于，所述的将雷达回波图像进行预处理，包括：将雷达回波图像的像元值映射到[0,255]范围；

所述方法还包括：预先根据雷达回波图像的历史数据获取去噪掩膜，将所述短临降雨预测模型输出的雷达回波图像与去噪掩膜点乘得到去噪后的雷达回波图。

3.根据权利要求2所述的基于Transformer-IRB的短临降雨预测方法，其特征在于，所述获取去噪掩膜，包括：

定义与雷达回波图像相同分辨率大小的去噪掩膜，并将去噪掩膜的所有像元的像元值初始化为1；

搜索雷达回波图的所有像元，将像元值的马氏距离大于3倍标准差的像元记为噪声点；

标记雷达回波图中的像元值大于0小于70的像元为噪声点；

更新去噪掩膜中与所述噪声点位置相同的像元的像元值为0。

4.根据权利要求1所述的基于Transformer-IRB的短临降雨预测方法，其特征在于，所述块嵌入模块包括两层逐点卷积层和图到序列层构成，第一个卷积层的输出采用激活函数进行非线性映射后送入第二个卷积层，第二个卷积层的输出进行线性映射后送入所述图到序列层，所述图到序列层将第二个卷积层处理后的特征图按空间位置转换为特征序列。

5.根据权利要求1或4所述的基于Transformer-IRB的短临降雨预测方法，其特征在于，所述Transformer-倒置残差块模块包括多头注意力层、两个层归一化层、序列到图层、两个逐点卷积层、一个深度可分离卷积层、图到序列层；

其中，所述Transformer-倒置残差块模块接收上一模块输出的特征嵌入送入第一个层归一化层，第一个层归一化层的输出依次经由所述多头注意力层处理、第二个层归一化层、序列到图层、第一个逐点卷积层送入深度可分离卷积层，且第一个逐点卷积层的输出、深度可分离卷积层的输出相加后送入第二个逐点卷积层，第二个逐点卷积层的输出送入图到序列层，所述图到序列层的输出与第一个层归一化层的输入相加后送入下一模块；

其中，第一个逐点卷积层、深度可分离卷积层采用GeLU激活函数进行非线性映射，第二个逐点卷积层进行线性映射，序列到图层将嵌入特征序列按空间位置转换为特征图。

6.根据权利要求5所述的基于Transformer-IRB的短临降雨预测方法，其特征在于，逐点卷积层为分组数为1的卷积层或反卷积层；深度可分离卷积层为分组数为输出维度的卷积层或反卷积层。

7.根据权利要求1所述的基于Transformer-IRB的短临降雨预测方法，其特征在于，所述解码模块由序列到图层、两层反卷积神经网络层依次构成，将特征嵌入映射为多帧雷达回波图。

8.根据权利要求1所述的基于Transformer-IRB的短临降雨预测方法，其特征在于，所述方法还包括：

在所述短临降雨预测模型投入使用之前，从历史数据中随机抽取连续的M+N帧去噪后的雷达回波图对所述短临降雨预测模型进行随机训练；

在所述短临降雨预测模型完成随机训练之后并投入使用之后，以M帧大小的窗口从最新的历史数据中滑动抽取连续的M+N帧雷达回波图进行顺序训练。