[发明专利]一种基于深度神经网络模型的三维雷达外推方法

说明书

本发明公开了一种基于深度神经网络模型的三维雷达外推方法。该方法包括获取雷达基数据，并对所述雷达基数据进行质量控制处理，读取回波强度数据，并对回波强度数据进行预处理，以设定的时间间隔为一个单位构建3D雷达回波数据集，构建深度神经网络模型，将3D雷达回波数据集输入至构建好的深度神经网络模型中，以获得预报的回波强度。本发明将原先聚焦于二维的雷达回波外推，推广至三维的雷达回波外推，建立以仰角φ，方位角ω和径长γ为坐标系的空间结构，比以二维空间表达雷达回波特性更加符合雷达回波的实际情况，可以对雷达回波的生消变化进行有效的预报，并使模型更加符合拥有时序信息的三维回波数据结构。

技术领域

本发明涉及天气识别技术领域，具体涉及一种基于深度神经网络模型的三维雷达外推方法。

背景技术

强对流天气是一种发生较为突然、蔓延较为迅速、具有一定破坏性的气象灾害，会对人民群众的生命和财产安全带来一定影响，甚至会出现严重危险的情况。近年来，越来越多的先进仪器和信息化系统被广泛应用在天气预报和强对流天气预测中，我国现有的天气预报技术也得到了更新和换代。例如，我国采用的多普勒天气雷达网络，在科技引领之下实现了全面优化，进一步推动了强对流天气的预报分析。此外，国家也建立了诸多天气预报模型，并配合天气预报服务系统，针对不同地区进行短期恶劣天气和强对流天气的临近预报。目前，我国强对流天气预报已经实现了较高的准确率，但是在龙卷风、暴雨这类强对流天气的预报和研究方面仍存在一定的差距。

发明内容

本发明的目的是针对现有技术存在的不足，提供一种基于深度神经网络模型的三维雷达外推方法。

为实现上述目的，本发明提供了一种基于深度神经网络模型的三维雷达外推方法，包括：

步骤1、从地面气象站中获取雷达基数据，并对所述雷达基数据进行质量控制处理；

步骤2、定义体扫仰角、方位角和体扫半径，对质量控制处理后的数据通过任意一组、和确定三维雷达数据空间上的任意一点回波强度，并将回波强度小于min的设置为0，大于max的设置为70；

步骤3、定义一个零矩阵，∈[0°,359°]且∈N+，∈[0,460]且∈N+，将所述和强制类型转换成整型，再把转换后的数据对应的雷达回波强度填入新建立的矩阵中，而没被填入的数据仍保留为0，最后把获得的除以超参数radio做归一化处理，radio∈[0,255]；

步骤4、以设定的时间间隔为一个单位，读取n个连续单位的，采用n个拼接单元将n个以维度进行拼接，以获得3D雷达回波数据集，，n为自然数；

步骤5、构建深度神经网络模型，将3D雷达回波数据集输入至构建好的深度神经网络模型中，以获得预报的回波强度。

进一步的，所述步骤5具体包括：

步骤5.1、构建ConvNew模块，将步骤4中n个拼接单元当作n个卷积单元，卷积核依次计算n个卷积单元，得到，其中，表示第s个卷积单元的图像特征，s∈[0,n]；

步骤5.2、将步骤5.1得到的Feature作为ConvLSTM的输入，得到，其中，表示ConvLSTM循环的s次的输出s∈[0,n]，将FeatureRNN接入BatchNorm2d层把数据进行批量归一化得到，最后通过Relu层激活得到；

步骤5.3、将步骤5.1中Feature各个卷积单元的图像特征依次相减算出雷达回波的生消变化，得到，其中，，当n-1=0时，，表示第n个卷积单元的图像特征相对于第n-1个卷积单元的图像特征雷达回波的生消变化；

步骤5.4、设计阈值激活层ThrActFunc，将步骤5.3中FeatureVary作为ThrActFunc层输入，将FeatureVary中小于Thr和大于-Thr的数据归零，其他数值保持不变，得到；