所属领域： A 电子信息技术

技术成果简介

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。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。a)光流法的缺点现有技术存在许多比较明显的问题。对于光流法来说，时效性与精确性难以兼得。光流法理论的基础建立在同一物体亮度恒定的假设上，现实中较难完全满足，这也是光流法的一大不足之处。相关文献的学者也提到光流法当中的光流估计步骤和外推的步骤是分开的因此，参数选择是比较困难的。b)LSTM做外推的缺点基于RNN的现有模型中，LSTM对于大量级或者更长的序列则依然会显得很棘手，如果LSTM的时间跨度很大，并且网络又很深，这个计算量又会很大，很耗时。c)外推网络的尺度单一问题目前我们所了解到的基于深度学习的外推任务，都是基于单个尺度的研究。基于此，本发明提出了基于多尺度的外推任务。d)外推模型层次简单相关学者将VGG与convGRU结合，这样使得网络层次更深，不过利用VGG网络构建基于convGRU的外推模型在效果上还有进一步的提升空间。e)MSE在外推任务上的性能不好大多基于外推研究都使用MSE损失，这将导致多次外推效果质量下降迅速，因此我们需要提出更符合此业务的优化方法。针对现有技术中的上述不足，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。

技术成果前景

1、本发明首次将TrajGRU网络同VGG网络结合，进一步提高外推模型性能与泛化能力，并首次将此方法用于强对流天气预报(如暴雨、雷暴、冰雹等极端天气类型)，不同于短临预报，强对流天气预报所涉及到的数据类型更广，问题规模更大，因此本发明将TrajGRU结合VGG16两个网络结构，构建符合此问题的新模型，基于多普勒雷达基数据，在不同种类基数据上通过模型训练得到序列化的外推图像。2、外推模型训练的优化方式上，引入多尺度图像相似性结构，首次在外推任务中以多尺度方式优化目标函数，不同于传统的MSE等方法，本发明综合考虑外推序列图像中的亮度、对比度和结构这三个层次来衡量雷达图像的失真情况，其中结构占主要影响因素。基于此，构建了符合人类视觉特性的结构多尺度、对比度多尺度，创造性的在外推网络中使用这两种尺度变化，旨在训练和外推过程中同时考虑尺度变化和图像特性。相比于传统的MSE等方法，此优化方式更加真实的刻画客观图像的物理特性，使外推效果更符合物理世界的图像成像结构。3、本发明目标函数的构建上，采用混合方式，综合考虑不同成分的优势，即将上述多尺度成分作为一种因子，同时混合MAE以及L1正则化，以更好的拟合模型。