CN112819199A - 降水量的预测方法、装置、设备和存储介质 - Google Patents
降水量的预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112819199A CN112819199A CN202011640926.9A CN202011640926A CN112819199A CN 112819199 A CN112819199 A CN 112819199A CN 202011640926 A CN202011640926 A CN 202011640926A CN 112819199 A CN112819199 A CN 112819199A
- Authority
- CN
- China
- Prior art keywords
- radar echo
- precipitation
- preset number
- data
- maps
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Atmospheric Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electromagnetism (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
本申请实施例提供一种降水量的预测方法、装置、设备和存储介质,该降水量的预测方法包括:获取预设数量的雷达回波图;将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图;根据预设数量的处理后的雷达回波图进行降水量预测;其中,所述降水预测网络模型由非局部模块Non‑local Block组成,所述非局部模块的输入与输出的维度相同,通过所设计的降水预测模型中的非局部模块实现了对雷达回波图进行全局特征提取,使得所提取的特征更符合大气的运行特征,从而提高了模型降水量预测的精度。
Description
技术领域
本申请涉及气象科学技术领域,尤其涉及一种降水量的预测方法、装置、设备和存储介质。
背景技术
基于天气雷达探测回波图的临近预报技术对短时临近降水预报起到十分积极有效的作用。该技术从上世纪60年代开始被研究,随着雷达硬件基础设施和探测技术的不断更新,基于天气雷达的降水预报方法也取得了长足的进步。
基于雷达回波图进行短期降水量预测的基本思想是:利用雷达反射率因子对强回波进行识别,再根据回波区域的移动趋势,对回波未来的方位、强度做出预判,进而达到预报的目的。
然而,由于实际天气的发展演变过程十分复杂,从时间连续的回波图像可以看出,回波图像所表征的可降水区域每时每刻、从整体到局部都在不断地生消、发展、移动和变化,传统预报方法采用的预测模型通常是建立在线性运动关系的基础上或者采用局部特征提取技术的神经网络,而实际大气及大气中粒子的运动轨迹并不符合线性运动的规律,且采用局部特征提取技术,无法充分有效地提取流体(如云)的形态特征。
因此,现有的基于雷达回波的临近预报技术的降水量预测精度较低,无法满足需求。
发明内容
本申请提供一种降水量的预测方法、装置、设备和存储介质,基于雷达回波图,实现了基于全局特征提取技术的降水量预测,且降水量预测精度高。
第一方面,本申请实施例提供了一种降水量的预测方法,该方法包括:
获取预设数量的雷达回波图;
将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图;
根据预设数量的处理后的雷达回波图进行降水量预测;
其中,所述降水预测网络模型由非局部模块Non-local Block组成,所述非局部模块的输入与输出的维度相同。
可选地,将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图,包括:
将所述预设数量的雷达回波图一次性输入预先训练好的所述降水预测网络模型,以得到预设数量的处理后的雷达回波图。
可选地,所述降水预测网络模型包括输入模块和网络模块,所述网络模块包括设定层数的非局部模块,所述将所述预设数量的雷达回波图一次性输入预先训练好的所述降水预测网络模型,以得到预设数量的处理后的雷达回波图,包括:
经由所述输入模块,一次性获取预设数量的雷达回波图;
经由所述设定层数的非局部模块,对预设数量的雷达回波图进行全局特征提取,得到预设数量的处理后的雷达回波图。
可选地,所述非局部模块包括第一卷积层、第二卷积层、第三卷积层、归一化层、第四卷积层和残差层,所述经由所述设定层数的非局部模块用于对预设数量的雷达回波图进行全局特征提取,得到预设数量的处理后的雷达回波图,包括:
经由所述第一卷积层基于1×1×1卷积,对输入数据以及第一参数进行卷积操作,以得到第一卷积数据,其中,所述输入数据为预设数量的雷达回波图或上一层非局部模块的输出数据;
经由所述第二卷积层基于1×1×1卷积,对输入数据以及第二参数进行卷积操作,以得到第二卷积数据;
经由所述第三卷积层基于1×1×1卷积,对输入数据以及第三参数进行卷积操作,以得到第三卷积数据;
经由所述归一化层基于softmax函数对所述第一卷积数据和第二卷积数据进行处理,以得到归一化数据,并将所述归一化数据与所述第三卷积数据进行矩阵相乘,以得到特征数据;
经由所述第四卷积层基于1×1×1卷积,对所述特征数据以及第四参数进行卷积操作,以得到重组数据;
经由所述残差层将所述重组数据与所述输入数据相加,以得到所述非局部模块的输出数据,其中,最后一层所述非局部模块的输出数据为所述预设数量的处理后的雷达回波图。
可选地,所述设定层数为3层。
可选地,所述降水预测网络模型的训练过程为:
获取历史时间采集的历史雷达回波图;
将所述历史雷达回波图划分为训练集和验证集,其中,所述训练集和验证集的数据对应的时间相差预设时间;
对所述降水预测网络模型进行初始化;
基于所述训练集的历史雷达回波图对所述降水预测网络模型进行训练,并基于验证集中相应的历史雷达回波图以及损失函数计算网络误差;
经所述网络误差进行反向传播,以更新所述降水预测网络模型的参数;
当所述网络误差满足预设条件时,输出训练好的降水预测网络模型。
可选地,所述根据预设数量的处理后的雷达回波图进行降水量预测,包括:
根据预设数量的处理后的雷达回波图的各个区域的基本反射率,确定各个区域未来预设时间段内的降水量。
第二方面,本申请实施例还提供了一种降水量的预测装置,该装置包括:
回波图获取模块,用于获取预设数量的雷达回波图;
图像处理模块,用于将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图;
降水量预测模块,用于根据预设数量的处理后的雷达回波图进行降水量预测;
其中,所述降水预测网络模型由非局部模块Non-local Block组成,所述非局部模块的输入与输出的维度相同。
可选地,图像处理模块,具体用于:
将所述预设数量的雷达回波图一次性输入预先训练好的所述降水预测网络模型,以得到预设数量的处理后的雷达回波图。
可选地,所述降水预测网络模型包括输入模块和网络模块,所述网络模块包括设定层数的非局部模块;
所述输入模块用于一次性获取预设数量的雷达回波图;
所述设定层数的非局部模块用于对预设数量的雷达回波图进行全局特征提取,得到预设数量的处理后的雷达回波图。
可选地,所述非局部模块包括第一卷积层、第二卷积层、第三卷积层、归一化层、第四卷积层和残差层;
所述第一卷积层用于基于1×1×1卷积,对输入数据以及第一参数进行卷积操作,以得到第一卷积数据,其中,所述输入数据为预设数量的雷达回波图或上一层非局部模块的输出数据;
所述第二卷积层用于基于1×1×1卷积,对输入数据以及第二参数进行卷积操作,以得到第二卷积数据;
所述第三卷积层用于基于1×1×1卷积,对输入数据以及第三参数进行卷积操作,以得到第三卷积数据;
所述归一化层用于基于softmax函数,对所述第一卷积数据和第二卷积数据进行处理,以得到归一化数据,并将所述归一化数据与所述第三卷积数据进行矩阵相乘,以得到特征数据;
所述第四卷积层用于基于1×1×1卷积,对所述特征数据以及第四参数进行卷积操作,以得到重组数据。
所述残差层用于将所述特征数据与所述输入数据相加,以得到所述非局部模块的输出数据,其中,最后一层所述非局部模块的输出数据为所述预设数量的处理后的雷达回波图。
可选地,所述设定层数为3层。
可选地,所述降水量的预测装置还包括模型训练装模块,用于:
获取历史时间采集的历史雷达回波图;
将所述历史雷达回波图划分为训练集和验证集,其中,所述训练集和验证集的数据对应的时间相差预设时间;
对所述降水预测网络模型进行初始化;
基于所述训练集的历史雷达回波图对所述降水预测网络模型进行训练,并基于验证集中相应的历史雷达回波图以及损失函数计算网络误差;
经所述网络误差进行反向传播,以更新所述降水预测网络模型的参数;
当所述网络误差满足预设条件时,输出训练好的降水预测网络模型。
可选地,所述降水量预测模块,具体用于:
根据预设数量的处理后的雷达回波图的各个区域的基本反射率,确定各个区域未来预设时间段内的降水量。
第三方面,本申请实施例还提供了一种电子设备,包括存储器和至少一个处理器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如本申请第一方面对应的任意实施例提供的降水量的预测方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如本申请第一方面对应的任意实施例提供的降水量的预测方法。
本申请实施例提供的降水量的预测方法、装置、设备和存储介质,通过预先设计的降水预测网络模型的非局部模块,对预设数量的雷达回波图进行全局特征提取,从而得到相应数量的处理后的雷达回波图,该处理后的雷达回波图即为模型输出的未来时间段的雷达回波图,基于该未来时间段的雷达回波图进行未来时间段的降水量预测,降水量预测精度高,提高了降水量短期预测的可信度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的降水量的预测方法的一种应用场景图;
图2为本申请一个实施例提供的降水量的预测方法的流程图;
图3为本申请另一个实施例提供的降水量的预测方法的流程图;
图4为本申请图3所示实施例中步骤S303的流程图;
图5为本申请图4所示实施例中的非局部模块的结构示意图;
图6为本申请一个实施例提供的降水量的预测装置的结构示意图;
图7为本申请一个实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
下面对本申请实施例的应用场景进行解释:
图1为本申请实施例提供的降水量的预测方法的一种应用场景图,如图1所示,本申请实施例提供的降水量的预测方法可以运行在电子设备上,如计算机、服务器等。对于降水量的预测,往往需要通过雷达发射设备110发送雷达信息,通过雷达回波采集卡120收集和存储雷达回波,再经由图像处理设备130根据存储的雷达回波绘制雷达回波综合图,并根据预测模型以及绘制的雷达回波综合图,根据雷达回波综合图的运行情况,预测未来时间的雷达回波综合图,并根据未来时间段的雷达回波综合图确定该时间段的降水量。
然而,现有的雷达回波综合图的预测模型,大多将大气运动规律简化为线性运动,或者基于局部特征提取的神经网络模型,如RNN(Recurrent Neural Network,循环神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)等,进行降水量预测。由于大气属于流体,其运动规律复杂,采用上述两种方式进行降水量预测,均无法准确提取大气的运动特征,导致模型降水量预测精度低,无法满足用户需求。
为了提高降水量预测的精度,本申请实施例提供了一种降水量的预测方法,提供了一种基于全局特征提取的预测模型,其主要构思为:针对当前时间段的雷达回波图,基于包含非局部模块的降水预测网络模型进行全局特征提取,以输出未来时间段的雷达回波图,并基于未来时间段的雷达回波图进行降水量预测,提高了降水量预测的精度。
图2为本申请一个实施例提供的降水量的预测方法的流程图,如图2所示,该降水量的预测方法可以由电子设备执行,如降水量的预测设备、仓库管理设备等,其具体形式可以是计算机、服务器等。本实施例提供的降水量的预测方法包括以下步骤:
步骤S201,获取预设数量的雷达回波图。
其中,预设数量可以10帧、20帧、30帧或者其他数值。雷达回波图又称为雷达回波综合图,可以是气象台制作的天气预报的有力工具,在雷达回波图上采用不同的颜色表示雷达回波的强度。
具体的,雷达回波图是基于实时采集的雷达回波数据绘制而成的图像。雷达回波大多是由大气中云、降水中的各种水汽凝结物对电磁波的后向散射产生的。预设数量的雷达回波图为时间连续的预设数量的雷达回波图。具体可以是最近一次采集的时间连续的预设数量的雷达回波图。
示例性的,可以获取20帧雷达回波图,其中,每帧雷达回波图对应6分钟的时长。
进一步地,在获取预设数量的雷达回波图之后,还可以对各帧雷达回波图进行预处理,其中,预处理包括降噪处理、图像分割、格式转换等操作中的至少一种。
具体的,图像分割可以是获取雷达回波图中指定区域对应的雷达回波数据。降噪处理可以是基于小波变换、中值滤波算法或者其他降噪算法的降噪处理。
步骤S202,将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图。
其中,所述降水预测网络模型由非局部模块Non-local Block组成,所述非局部模块的输入与输出的维度相同。
具体的,Non-local Block是采用非局部均值算法实现的非局部模块,其中,非局部均值算法的具体表达式为:
其中,xi和xj分别表示序号为i和j的输入信号x,yi表示序号为i的输出信号y,C(x)为输入信号x归一化函数,f(·)是用于描述输入信号x的序号i和j之间的关联关系的函数,g(xj)为xj的特征值。
从上述表达式中可以看出,非局部均值算法,对应任意位置的输入xi,其输出yi与各个位置的输入信号x均存在联系,即任意一个位置的输入信号的响应是由各个位置的输入信号的特征权重和决定的,从而实现了全局提取特征的思想。
进一步地,降水预测网络模型可以直接由预设个数的非局部模块组成。非局部模块可以实现对输入信号进行全局特征提取,从而提高了降水预测网络模型特征提取的全面性和准确性,进而提高了模型预测的精准度。
可选地,将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图,包括:
将所述预设数量的雷达回波图一次性输入预先训练好的所述降水预测网络模型,以得到预设数量的处理后的雷达回波图
具体的,一次性输入即同时将预设数量的雷达回波图输入降水量预测模型中。本申请采用将模型的输入信号,即预设数量的雷达回波图,一次性全部输入模型,而并非一次输入一帧雷达回波图,提高了模型的处理效率。
步骤S203,根据预设数量的处理后的雷达回波图进行降水量预测。
具体的,降水预测模型输出的处理后的雷达回波图是基于输入的预设数量的雷达回波图外推的未来一段时间的预设数量的雷达回波图,从而可以根据处理后的雷达回波图中各个区域的像素点对应的雷达回波的强度确定各个区域的降水量。
具体的,可以根据预先建立的降水量与雷达回波强度的对应关系以及处理后的雷达回波图进行降水量预测。
示例性的,以输入20帧雷达回波图,每帧雷达回波图对应的时间为6分钟为例,从而所得到的降水预测模型的输出为处理后的20帧,每帧为6分钟的雷达回波图,即未来两小时时间段内的雷达回波图,从而可以预测未来两小时的降水量。
本申请实施例提供的降水量的预测方法,通过预先设计的降水预测网络模型的非局部模块,对预设数量的雷达回波图进行全局特征提取,从而得到相应数量的处理后的雷达回波图,该处理后的雷达回波图即为模型输出的未来时间段的雷达回波图,基于该未来时间段的雷达回波图进行未来时间段的降水量预测,降水量预测精度高,提高了降水量短期预测的可信度。
图3为本申请另一个实施例提供的降水量的预测方法的流程图,本实施例提供的降水量的预测方法是在图2所示实施例的基础上,对步骤S202和S203进行进一步细化,如图3所示,本实施例提供的降水量的预测方法包括以下步骤:
步骤S301,获取预设数量的雷达回波图。
步骤S302,经由所述降水预测网络模型的输入模块,一次性获取预设数量的雷达回波图。
步骤S303,经由所述降水预测网络模型的设定层数的非局部模块,对预设数量的雷达回波图进行全局特征提取,得到预设数量的处理后的雷达回波图。
具体的,降水预测网络模型由设定层数的非局部模块组成,第一层非局部模块与输入模块连接,用于获取来自输入模块的预设数量的雷达回波图,并基于上述非局部均值算法对预设数量的雷达回波图进行全局特征提取,以输出预设数量的特征图像,其中,非局部模型的输出与输入具有相同的维度。而中间层非局部模块则以上一层非局部模块的输出作为输入,对其进行全局特征提取,输出预设数量的特征图像。最后一层非局部模块,以其上一层非局部模块的输出为输入,进行全局特征提取,其输出便为预设数量的处理后的雷达回波图。
对于采用非局部模块设计的预测模型来说,非局部模块的层数与预测精度之间没有必然联系,需要通过反复试验,方能得到最优的网络结构。本申请通过对雷达回波图的大量试验,最终确定降水预测网络模型的非局部模块的层数为3层,即设定层数为3。
可选地,图4为本申请图3所示实施例中步骤S303的流程图,如图4所示,步骤S303包括:
步骤S3031,经由所述非局部模块的第一卷积层基于1×1×1卷积,对输入数据以及第一参数进行卷积操作,以得到第一卷积数据。
其中,所述输入数据为预设数量的雷达回波图或上一层非局部模块的输出数据。
步骤S3032,经由所述非局部模块的第二卷积层基于1×1×1卷积,对输入数据以及第二参数进行卷积操作,以得到第二卷积数据。
步骤S3033,经由所述非局部模块的第三卷积层基于1×1×1卷积,对输入数据以及第三参数进行卷积操作,以得到第三卷积数据。
具体的,当非局部模块为第一层非局部模块时,输入数据为预设数量的雷达回波图,当非局部模块为除第一层之外的其他层非局部模块时,输入数据为上一层非局部模块的输出数据。
具体的,第一卷积数据为θ(x)=Wθx,第二卷积数据为φ(x)=Wφx,第三卷积数据为g(x)=Wgx,其中,x为输入数据。
步骤S3034,经由所述非局部模块的归一化层基于softmax函数对所述第一卷积数据和第二卷积数据进行处理,以得到归一化数据,并将所述归一化数据与所述第三卷积数据进行矩阵相乘,以得到特征数据。
其中,softmax函数为归一化指数函数,用于将输入归一化层的数据转换为0~1区间内的数据。特征数据的具体表达式为:
y=softmax(θT(x)φ(x))g(x)
步骤S3035,经由所述非局部模块的第四卷积层基于1×1×1卷积,对特征数据以及第四参数进行卷积操作,以得到重组数据。
其中,第一参数Wθ、第二参数Wφ、第三参数Wg和第四参数Wz是通过模型训练的学习参数。
步骤S3036,经由所述非局部模块的残差层将所述重组数据与所述输入数据相加,以得到所述非局部模块的输出数据。
其中,最后一层所述非局部模块的输出数据为所述预设数量的处理后的雷达回波图。
其中,非局部模块的输出数据的表达式为:
z=Wzy+x
示例性的,图5为本申请图4所示实施例中的非局部模块的结构示意图,如图5所示,该非局部模块包括:第一卷积层510、第二卷积层520、第三卷积层530、归一化层540、第四卷积层550和残差层560。假设非局部模块的输入数据的维度为T×H×W×1024,其中,1024表示通道数量,可以根据需求确定通道数量的具体值,则θ(x)、φ(x)和g(x)的维度为T×H×W×512,通过卷积操作将输入数据的通道减为一半,进而可以基于flatten函数,将θ(x)、中(x)和g(x)的维度变为THW×512,特征数据y的维度为THW×512,对其进行维度扩展变为T×H×W×512,再经过第四卷积层之后,非局部模块的输出数据z的维度有重新变为T×H×W×1024。
可选地,所述降水预测网络模型的训练过程为:
获取历史时间采集的历史雷达回波图;将所述历史雷达回波图划分为训练集和验证集,其中,所述训练集和验证集的数据对应的时间相差预设时间;对所述降水预测网络模型进行初始化;基于所述训练集的历史雷达回波图对所述降水预测网络模型进行训练,并基于验证集中相应的历史雷达回波图以及损失函数计算网络误差;经所述网络误差进行反向传播,以更新所述降水预测网络模型的参数;当所述网络误差满足预设条件时,输出训练好的降水预测网络模型。
具体的,历史雷达回波图可以是多组时间连续的历史时间采集的雷达回波图。验证集可以是比训练集向后推移指定帧的数据,如历史雷达回波图中的一组数据为时间连续的40帧雷达回波图,则训练集可以是前20帧雷达回波数据,而验证集则为后20帧雷达回波数据,假设每帧雷达回波数据对应的时长为6分钟,则预设时间为2个小时。
具体的,损失函数可以是MSE(Mean Squared Error,均方误差)函数、MAE(MeanAbsolute Error,平均绝对误差)、RMSE(Root Mean Squared Error,均方根误差)函数或者其他损失函数。
步骤S304,根据预设数量的处理后的雷达回波图的各个区域的基本反射率,确定各个区域未来预设时间段内的降水量。
其中,基本反射率表示单位体积中降水粒子的直径6次方的总和。基本反射率的大小反映了各个区域内降水粒子的尺度和密度分布,可以用来表示降水强度,其单位为dBZ,dBZ也可以理解为一个运算符,dBZ=10log(Z),Z为雷达回波的基本反射率。通常当基本反射率大于等于45dBZ时,出现暴雨的可能性较大。
具体的,雷达回波图所涉及的范围可以是某地区,如河北省、北京市、华东地区等,各个区域可以是各个城市、各个城区或者用户指定的区域。
具体的,可以根据预先建立的基本反射率与降水量的对应关系预测各个区域在未来的预设时间段的降水量。
在本实施例中,通过预先设计的降水预测网络模型的设定层的非局部模块,对预设数量的雷达回波图进行全局特征提取,从而得到相应数量的处理后的雷达回波图,该处理后的雷达回波图即为模型输出的未来时间段的雷达回波图,基于该未来时间段的雷达回波图的基本反射率,进行未来时间段的降水量预测,降水量预测精度高,提高了降水量短期预测的可信度。
图6为本申请一个实施例提供的降水量的预测装置的结构示意图,如图6所述,该降水量的预测装置包括:回波图获取模块610、图像处理模块620和降水量预测模块630。
其中,回波图获取模块610,用于获取预设数量的雷达回波图;图像处理模块620,用于将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图;降水量预测模块630,用于根据预设数量的处理后的雷达回波图进行降水量预测;所述降水预测网络模型由非局部模块Non-local Block组成,所述非局部模块的输入与输出的维度相同。
本申请实施例提供的降水量的预测装置,通过预先设计的降水预测网络模型的非局部模块,对预设数量的雷达回波图进行全局特征提取,从而得到相应数量的处理后的雷达回波图,该处理后的雷达回波图即为模型输出的未来时间段的雷达回波图,基于该未来时间段的雷达回波图进行未来时间段的降水量预测,降水量预测精度高,提高了降水量短期预测的可信度。
可选地,图像处理模块620,具体用于:
将所述预设数量的雷达回波图一次性输入预先训练好的所述降水预测网络模型,以得到预设数量的处理后的雷达回波图。
可选地,所述降水预测网络模型包括输入模块和网络模块,所述网络模块包括设定层数的非局部模块;所述输入模块用于一次性获取预设数量的雷达回波图;所述设定层数的非局部模块用于对预设数量的雷达回波图进行全局特征提取,得到预设数量的处理后的雷达回波图。
可选地,所述非局部模块包括第一卷积层、第二卷积层、第三卷积层、归一化层、第四卷积层和残差层;所述第一卷积层用于基于1×1×1卷积,对输入数据以及第一参数进行卷积操作,以得到第一卷积数据,其中,所述输入数据为预设数量的雷达回波图或上一层非局部模块的输出数据;所述第二卷积层用于基于1×1×1卷积,对输入数据以及第二参数进行卷积操作,以得到第二卷积数据;所述第三卷积层用于基于1×1×1卷积,对输入数据以及第三参数进行卷积操作,以得到第三卷积数据;所述归一化层用于基于softmax函数,对所述第一卷积数据和第二卷积数据进行处理,以得到归一化数据,并将所述归一化数据与所述第三卷积数据进行矩阵相乘,以得到特征数据;所述第四卷积层用于基于1×1×1卷积,对所述特征数据以及第四参数进行卷积操作,以得到重组数据;所述残差层用于将所述重组数据与所述输入数据相加,以得到所述非局部模块的输出数据,其中,最后一层所述非局部模块的输出数据为所述预设数量的处理后的雷达回波图。
可选地,所述设定层数为3层。
可选地,所述降水量的预测装置还包括模型训练装模块,用于:
获取历史时间采集的历史雷达回波图;将所述历史雷达回波图划分为训练集和验证集,其中,所述训练集和验证集的数据对应的时间相差预设时间;对所述降水预测网络模型进行初始化;基于所述训练集的历史雷达回波图对所述降水预测网络模型进行训练,并基于验证集中相应的历史雷达回波图以及损失函数计算网络误差;经所述网络误差进行反向传播,以更新所述降水预测网络模型的参数;当所述网络误差满足预设条件时,输出训练好的降水预测网络模型。
可选地,降水量预测模块630,具体用于:
根据预设数量的处理后的雷达回波图的各个区域的基本反射率,确定各个区域未来预设时间段内的降水量。
本申请实施例所提供的降水量的预测装置可执行本申请任意实施例所提供的降水量的预测方法,具备执行方法相应的功能模块和有益效果。
图7为本申请一个实施例提供的电子设备的结构示意图,如图7所示,该电子设备包括:存储器710,处理器720以及计算机程序。
其中,计算机程序存储在存储器710中,并被配置为由处理器720执行以实现本申请图2-图5所对应的实施例中任意实施例提供的降水量的预测方法。
其中,存储器710和处理器720通过总线730连接。
相关说明可以对应参见图2-图5的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
本申请一个实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现本申请图2-图5所对应的实施例中任意实施例提供的降水量的预测方法。
其中,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种降水量的预测方法,其特征在于,所述方法包括:
获取预设数量的雷达回波图;
将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图;
根据预设数量的处理后的雷达回波图进行降水量预测;
其中,所述降水预测网络模型由非局部模块组成,所述非局部模块的输入与输出的维度相同。
2.根据权利要求1所述的方法,其特征在于,将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图,包括:
将所述预设数量的雷达回波图一次性输入预先训练好的所述降水预测网络模型,以得到预设数量的处理后的雷达回波图。
3.根据权利要求2所述的方法,其特征在于,所述降水预测网络模型包括输入模块和网络模块,所述网络模块包括设定层数的非局部模块,所述将所述预设数量的雷达回波图一次性输入预先训练好的所述降水预测网络模型,以得到预设数量的处理后的雷达回波图,包括:
经由所述输入模块,一次性获取预设数量的雷达回波图;
经由所述设定层数的非局部模块,对预设数量的雷达回波图进行全局特征提取,得到预设数量的处理后的雷达回波图。
4.根据权利要求3所述的方法,其特征在于,所述非局部模块包括第一卷积层、第二卷积层、第三卷积层、归一化层、第四卷积层和残差层,所述经由所述设定层数的非局部模块用于对预设数量的雷达回波图进行全局特征提取,得到预设数量的处理后的雷达回波图,包括:
经由所述第一卷积层基于1×1×1卷积,对输入数据以及第一参数进行卷积操作,以得到第一卷积数据,其中,所述输入数据为预设数量的雷达回波图或上一层非局部模块的输出数据;
经由所述第二卷积层基于1×1×1卷积,对输入数据以及第二参数进行卷积操作,以得到第二卷积数据;
经由所述第三卷积层基于1×1×1卷积,对输入数据以及第三参数进行卷积操作,以得到第三卷积数据;
经由所述归一化层基于softmax函数对所述第一卷积数据和第二卷积数据进行处理,以得到归一化数据;并将所述归一化数据与所述第三卷积数据进行矩阵相乘,以得到特征数据;
经由所述第四卷积层基于1×1×1卷积,对所述特征数据以及第四参数进行卷积操作,以得到重组数据;
经由所述残差层将所述重组数据与所述输入数据相加,以得到所述非局部模块的输出数据,其中,最后一层所述非局部模块的输出数据为所述预设数量的处理后的雷达回波图。
5.根据权利要求3所述的方法,其特征在于,所述设定层数为3层。
6.根据权利要求1所述的方法,其特征在于,所述降水预测网络模型的训练过程为:
获取历史时间采集的历史雷达回波图;
将所述历史雷达回波图划分为训练集和验证集,其中,所述训练集和验证集的数据对应的时间相差预设时间;
对所述降水预测网络模型进行初始化;
基于所述训练集的历史雷达回波图对所述降水预测网络模型进行训练,并基于验证集中相应的历史雷达回波图以及损失函数计算网络误差;
经所述网络误差进行反向传播,以更新所述降水预测网络模型的参数;
当所述网络误差满足预设条件时,输出训练好的降水预测网络模型。
7.根据权利要求6所述的方法,其特征在于,所述根据预设数量的处理后的雷达回波图进行降水量预测,包括:
根据预设数量的处理后的雷达回波图的各个区域的基本反射率,确定各个区域未来预设时间段内的降水量。
8.一种降水量的预测装置,其特征在于,包括:
回波图获取模块,用于获取预设数量的雷达回波图;
图像处理模块,用于将所述预设数量的雷达回波图输入预先训练好的降水预测网络模型,以得到预设数量的处理后的雷达回波图;
降水量预测模块,用于根据预设数量的处理后的雷达回波图进行降水量预测;
其中,所述降水预测网络模型由非局部模块组成,所述非局部模块的输入与输出的维度相同。
9.一种电子设备,其特征在于,包括:存储器和至少一个处理器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的降水量的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-7任一项所述的降水量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011640926.9A CN112819199A (zh) | 2020-12-31 | 2020-12-31 | 降水量的预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011640926.9A CN112819199A (zh) | 2020-12-31 | 2020-12-31 | 降水量的预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819199A true CN112819199A (zh) | 2021-05-18 |
Family
ID=75856440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011640926.9A Pending CN112819199A (zh) | 2020-12-31 | 2020-12-31 | 降水量的预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819199A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486590A (zh) * | 2021-07-13 | 2021-10-08 | 上海眼控科技股份有限公司 | 一种数据处理方法、设备和存储介质 |
CN115390161A (zh) * | 2022-07-26 | 2022-11-25 | 北京百度网讯科技有限公司 | 基于人工智能的降水预测方法及装置 |
CN115453541A (zh) * | 2022-11-14 | 2022-12-09 | 中科星图维天信(北京)科技有限公司 | 降水量预测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测***及方法 |
CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、***及计算机可读存储介质 |
CN111242372A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
CN111860975A (zh) * | 2020-06-30 | 2020-10-30 | 中国地质大学(武汉) | 一种基于生成对抗网络的临近降雨预测方法 |
WO2020233010A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于可分割卷积网络的图像识别方法、装置及计算机设备 |
-
2020
- 2020-12-31 CN CN202011640926.9A patent/CN112819199A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测***及方法 |
CN108732550A (zh) * | 2018-08-01 | 2018-11-02 | 北京百度网讯科技有限公司 | 用于预测雷达回波的方法和装置 |
WO2020233010A1 (zh) * | 2019-05-23 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于可分割卷积网络的图像识别方法、装置及计算机设备 |
CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、***及计算机可读存储介质 |
CN111242372A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
CN111860975A (zh) * | 2020-06-30 | 2020-10-30 | 中国地质大学(武汉) | 一种基于生成对抗网络的临近降雨预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486590A (zh) * | 2021-07-13 | 2021-10-08 | 上海眼控科技股份有限公司 | 一种数据处理方法、设备和存储介质 |
CN115390161A (zh) * | 2022-07-26 | 2022-11-25 | 北京百度网讯科技有限公司 | 基于人工智能的降水预测方法及装置 |
CN115390161B (zh) * | 2022-07-26 | 2023-11-24 | 北京百度网讯科技有限公司 | 基于人工智能的降水预测方法及装置 |
CN115453541A (zh) * | 2022-11-14 | 2022-12-09 | 中科星图维天信(北京)科技有限公司 | 降水量预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819199A (zh) | 降水量的预测方法、装置、设备和存储介质 | |
CN108171260B (zh) | 一种图片识别方法及*** | |
CN110598714B (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
CN106295613A (zh) | 一种无人机目标定位方法及*** | |
CN111414953B (zh) | 点云分类方法和装置 | |
CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
CN113379786B (zh) | 图像抠图方法、装置、计算机设备及存储介质 | |
CN112927359A (zh) | 一种基于深度学习和体素的三维点云补全方法 | |
Larraondo et al. | A data-driven approach to precipitation parameterizations using convolutional encoder-decoder neural networks | |
WO2023082453A1 (zh) | 一种图像处理方法及装置 | |
CN115880435B (zh) | 图像重建方法、模型训练方法、装置、电子设备和介质 | |
CN115345905A (zh) | 目标对象跟踪方法、装置、终端及存储介质 | |
CN115937546A (zh) | 图像匹配、三维图像重建方法、装置、电子设备以及介质 | |
Guo et al. | Salient object detection from low contrast images based on local contrast enhancing and non-local feature learning | |
CN110717405B (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN114511682A (zh) | 一种基于激光雷达的三维场景重建方法、装置及电子设备 | |
CN114462486A (zh) | 图像处理模型的训练方法、图像处理方法及相关装置 | |
CN113409307A (zh) | 基于异质噪声特性的图像去噪方法、设备及介质 | |
CN117132649A (zh) | 人工智能融合北斗卫星导航的船舶视频定位方法及装置 | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 | |
CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN115760641A (zh) | 基于多尺度特征注意力网络的遥感影像去云雾方法和设备 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN114612572A (zh) | 一种基于深度学习的激光雷达与相机外参标定方法及装置 | |
CN118097475B (zh) | 一种低慢小目标检测方法、电子设备及计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |