所属领域： A 电子信息技术

技术成果简介

中国是气象灾害频发的国家，灾害每年都给农业、建筑、交通等人民财产带来巨大损失。除少部分省外，全国各地每年都会受到不同程度的气象灾害。目前新一代天气雷达目前取得了较大成果，可以每六分钟获得各地在不同仰角下的雷达图像，给各种气象灾害的研究提供了基础。传统的天气预警往往倾向于人工判断，难以快速、批量地处理地面站得到的雷达图像，而结合AI深度学习技术可以用批量学习得到具体模型的方式进行海量雷达数据处理，通过深度学习网络对此类天气现象外推也可事先知道具体天气运动走势以及发生的情况并返回具体图像，更加快速、直观地响应天气气象灾害。针对现有技术中的上述不足，本发明提供一种基于VAN‑ConvLSTM的天气外推方法及系统，方法包括以下步骤：按时序接收目标雷达图像，并对目标雷达图像进行编码；将编码后的目标雷达图像按时序分别输入ConvLSTM网络；将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像；将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。该方法能解决现阶段快速发生的灾害现象无法快速相应问题，实现实时、高效、海量的气象灾害预警。

技术成果前景

本发明公开基于VAN-ConvLSTM的天气外推方法及系统，基于VAN与ConvLSTM，既运用了深度视觉类比网络的特征类比，又将卷积长短时记忆网络的时空序列图像放入网络中，便可外推出一系列的强对流天气雷达回波图像，既保存了VAN模型的高精度、训练快的特性，又赋予了模型时空特征，同时更新了超参数来平衡两个损失，从而将两个网络损失结合，保证其物理意义并加快了函数的收敛，使得训练过程更加快速；能解决现阶段快速发生的灾害现象无法快速相应问题，实现实时、高效、海量的气象灾害预警。