CN113791415A - 一种基于深度学习的雷达定量降水估计方法 - Google Patents
一种基于深度学习的雷达定量降水估计方法 Download PDFInfo
- Publication number
- CN113791415A CN113791415A CN202111079540.XA CN202111079540A CN113791415A CN 113791415 A CN113791415 A CN 113791415A CN 202111079540 A CN202111079540 A CN 202111079540A CN 113791415 A CN113791415 A CN 113791415A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- radar
- radar data
- weather radar
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000002310 reflectometry Methods 0.000 claims abstract description 29
- 238000003908 quality control method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
Images
Classifications
-
- 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
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的雷达定量降水估计方法,该方法为:获取天气雷达数据和地面站降水数据;对天气雷达数据的仰角的反射率数据进行数据筛选和坐标校正;对地面站降水数据进行数据质量控制,获得较为准确的降水强度标签;并将预数据处理后的天气雷达数据和地面站降水数据进行时空匹配,将天气雷达数据切割为三维雷达数据结构,分别作为雷达定量降水估计模型的输入样本与标签;生成一张完整的定量降水估计结果,并叠加到地形文件上,生成准确的区域降水信息。本发明基于雷达数据可以较为准确地估计出降水强度,实现高精度的区域降水强度估计。
Description
技术领域
本发明属于遥感信息处理技术领域,具体地涉及一种基于深度学习的雷达定量降水估计方法。
背景技术
更准确和实时的定量降水估计(QPE)为水文、气象和灾害预测提供了可靠的数据来源。然而,降雨过程的空间分布非常复杂,陆地水文过程中70-80%的不确定性归因于降水的时间和空间变异性,这对QPE提出了严峻的挑战。雷达数据的空间分辨率约为1公里,是所有遥感数据中最好的,常用于QPE的研究。基于雷达数据的QPE方法主要分为两种类型:一种是使用Z-R关系,另一种是基于雷达-雨量计组合(R-G)方法。Z-R关系是一种传统的雷达QPE 算法,降雨强度由雷达反射率(Z)和降水率(R)之间的非线性关系计算。早期研究中,在不同的气候时间尺度上统计获得简单的Z-R关系,然后实现降水的定量估计。根据中国新一代天气雷达(CINRAD)***数据,中国大陆的QPE遵循固定关系Z=300R1.4。受技术条件限制,大多数雷达反射率和雨量计测量数据存在误差,Z-R关系无法及时校正。此外,Z-R关系中的参数受到天气情况、水文、地理等因素的影响,这些因素存在时间和空间的变异性。这些情况使Z-R关系成为一种难以满足理想条件的物理模型。
基于数据驱动方法的雷达QPE研究已经开展多年,例如人工神经网络(ANNs),非参数方法,支持向量机(SVM)和随机森林(RF)等方法。与Z-R关系不同,这些方法试图直接捕获雷达反射率和雨量计测量之间的关系。Geographical–Temporal Attention ContinuousConditional Random Field(GTA-CCRF)是一种考虑降水时间依赖性的QPE方法,通过构建具有地理和时间加权的连续条件随机场,实现对两个相邻时间点之间的一些突然变化的鲁棒性。考虑到降水过程中的空间变化,使用三维雷达数据可以刻画更真实的降水结构,同时考虑水平平流对降水的影响,会造成雷达观测到的数据与地面降雨量具有一定的时间延迟和空间运动。在中国台湾地区的雷达QPE业务中,从原始恒定海拔平面位置指示(CAPPI)分割出较大尺寸的数据网格,并分析了水平平流对雷达测量的影响,计算得出下降期间雨滴的最大可能偏移,确定了新的三维雷达数据结构,并使用动态的ANN获得了不错的降水估计结果。
虽然上述方法在一定程度上考虑了降水的时间依赖性和空间相关性,并取得了良好的结果。然而,由于结构特征,以往研究中的方法仅适用于点状雷达数据,破坏了真实的降水空间结构,并且无法描述真实的降雨过程。此外,在这些研究的方法中,估计的降水时间尺度通常为1小时或更长。与之相比,基于雷达数据的5-10分钟时间尺度上的降水估计更强烈,更容易受到噪声的影响,特别是对小雨的估计。
发明内容
针对现有技术中存在的问题,本发明提供了一种基于深度学习的雷达定量降水估计方法,该雷达定量降水估计方法通过构建深度学习回归模型估计降水强度,以获取较为准确的区域降水强度信息,解决现有雷达降水估计方法中误差较大的问题。
为实现上述目的,本发明采用如下技术方案:一种基于深度学习的雷达定量降水估计方法,具体包括如下步骤:
(1)根据历史降水资料,分别获取天气雷达数据和地面站降水数据;
(2)根据步骤(1)获取的天气雷达数据,对天气雷达的仰角反射率数据进行筛选、坐标转换、插值,得到预处理的天气雷达数据;
(3)根据步骤(1)获取的地面站降水数据,利用格拉布斯算法对连续3小时内的降水数据进行质量控制,将质量控制后的地面站降水数据作为降水强度标签;
(4)将预处理的天气雷达数据和质量控制后的地面站降水数据进行时空匹配,并将预处理的天气雷达数据切割为三维雷达数据结构;
(5)建立基于深度学习的雷达定量降水估计模型,将切割为三维雷达数据结构的天气雷达数据作为雷达定量降水估计模型的输入,将质量控制后的地面站降水数据作为雷达定量降水估计模型的标签,设置雷达定量降水估计模型学习率初始值、动量参数、权重衰减参数,训练雷达定量降水估计模型,当均方误差损失函数收敛时,获得最佳降水强度估计模型;
(6)将新获取的天气雷达数据进行天气雷达的仰角反射率数据进行筛选、坐标校正及切割后输入最佳降水强度估计模型中,得到逐个天气雷达数据的降水估计结果,将降水估计结果拼接成一张完整的降水估计图,叠加到地形文件上,生成区域降水信息。
进一步地,步骤(2)的具体过程为:根据步骤(1)获取的天气雷达数据,筛选并保留天气雷达的仰角反射率数据超过0dB的天气雷达数据,并将天气雷达中的原始极坐标系转换成笛卡尔坐标系,网格尺寸设置于1*1km,通过Cressman加权函数插值高度缺失数据,获得不同海拔高度的等高平面位置天气雷达数据。
进一步地,步骤(4)中三维雷达数据结构依据海拔自上而下为15*15矩阵、11*11矩阵、 7*7矩阵和3*3矩阵。
进一步地,步骤(5)中雷达定量降水估计模型由连接的特征融合网络和长短期记忆网络组成,所述特征融合网络的用于对三维雷达数据进行特征提取并自上而下进行特征融合,所述长短期记忆网络根据特征融合网络融合的特征进行时间相关性的降水估计。
进一步地,所述特征融合网络由1*1的卷积层、3*3的卷积层、注意力模块、特征融合模块和级联层组成,所述1*1的卷积层、3*3的卷积层分别与注意力模块连接,所述注意力模块与特征融合模块连接,所述特征融合模块与级联层连接。
进一步地,所述注意力模块均由1*1的卷积层、ReLU函数和3*3的卷积层组成。
进一步地,所述长短期记忆网络由依次连接的第一双向长短期记忆单元、第一丢失层、第二双向长短期记忆单元、第二丢失层、两层全连接层组成。
进一步地,步骤(5)具体包括如下子步骤:
(5.1)将切割为三维雷达数据结构的天气雷达数据中海拔最低的天气雷达数据输入到 1*1的卷积层中提取特征,将其余海拔高度的天气雷达数据输入到3*3的卷积层中提取特征,将提取的特征均输入注意力模块中,捕捉天气雷达数据中影响降水的边缘信息,依次通过特征融合模块将高海拔特征向低海拔特征进行融合,得到融合特征,融合特征经级联层的级联,输出融合的反射率特征;
(5.2)将融合的反射率特征输入长短期记忆网络中,输出降水估计;
(5.3)求取输出的降水估计与标签的均方误差,判断均方误差损失函数是否收敛,如不收敛,重复步骤(5.1)-(5.2),直至均方误差损失函数收敛,获得最佳降水强度估计模型。
进一步地,所述学习率初始值为0.0001、动量参数设置于0.9、权重衰减参数设置于1e-5。
与现有技术相比,本发明具有如下有益效果:本发明雷达定量降水估计方法,对降水过程的时空变异性具有较强的鲁棒性,并准确的估计出地面降水强度。本发明充分考虑到降水过程的时间依赖性和空间相关性,通过构建具有时序特性的三维雷达数据结构,并建立时空深度融合的雷达定量降水估计模型,通过不断训练、调优,得到最佳雷达定量降水估计模型参数,最后可应用于基于雷达反射率数据的降水强度估计。本发明在雷达定量降水估计模型训练前,对天气雷达数据进行预处理,有利于提升雷达定量降水估计模型的收敛速度。该方法对雷达反射率所测量的降水云团有较好的识别效果,并能准确的估计出地面的降水强度,操作简便;获取到最佳的定量降水估计模型后,单张完整的雷达回波的降水强度估计时间只需一至五秒,相比于传统方法进一步提高了估计的准确性,具有良好的应用前景。
附图说明
图1为本发明基于深度学习的雷达定量降水估计方法的流程图;
图2为本发明中三维雷达数据结构的示意图;
图3为本发明中雷达定量降水估计模型的结构示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案作进一步地描述。
如图1为本发明局深度学习的雷达定量降水估计方法的流程图,该雷达定量降水估计方法具体包括以下步骤:
(1)根据历史降水资料,分别获取天气雷达数据和地面站降水数据;本发明中历史降水资料从中国气象数据网(http://data.cma.cn)中获取。
(2)根据步骤(1)获取的天气雷达数据,对天气雷达的仰角反射率数据进行筛选、坐标转换、插值,得到预处理的天气雷达数据;具体地,根据步骤(1)获取的天气雷达数据,筛选并保留天气雷达的仰角反射率数据超过0dB的天气雷达数据,并将天气雷达中的原始极坐标系转换成笛卡尔坐标系,网格尺寸设置于1*1km,通过Cressman加权函数插值高度缺失数据,获得不同海拔高度的等高平面位置天气雷达数据。由于大气水平平流的影响,降雨云团具有一定的时间延迟和空间运动;因此,三维雷达数据结构可以描述更真实的降水天气***。基于水平风速和雨滴的垂直(终端)速度有关的结论,确定三维雷达数据结构在各个高度的覆盖范围。
(3)根据步骤(1)获取的地面站降水数据,利用格拉布斯算法对连续3小时内的降水数据进行质量控制;具体地,地面站降水数据的分辨率为每分钟0.1mm,最大误差为±3%。采用Grubbs算法剔除了3小时内降水数据中的异常值,提高了降水数据的真实性;将质量控制后的地面站降水数据作为降水强度标签。
(4)将预处理的天气雷达数据和质量控制后的地面站降水数据进行时空匹配,以天气雷达完成一次完整体扫的记录时间T为基准,完成体扫需要t分钟(以Z9311雷达为例,完成一次完整体扫为6分钟),将T时间的地面站降水数据与前t分钟的降水数据求和,作为地面站在T时间段内的降水数据。为了确定能真实反映站点上方降水空间的三维雷达数据结构,海拔3公里以下的反射率亮带所产生的影响是可以忽略不计的,采用四个高度的CAPPI网格 (0.5,1.0,1.5和2.0km)输入数据以捕获反射率的垂直变化,水平平流的影响可以将降水从雷达测量的位置转移到它到达地面的位置。因此,为了考虑水平平流的影响,随着海拔的增加,将预处理的天气雷达数据切割为三维雷达数据结构,如图2,本发明中三维雷达数据结构依据海拔自上而下为15*15矩阵、11*11矩阵、7*7矩阵和3*3矩阵。
(5)建立基于深度学习的雷达定量降水估计模型,如图3所示,该雷达定量降水估计模型由连接的特征融合网络和长短期记忆网络组成,特征融合网络的用于对三维雷达数据进行特征提取并自上而下进行特征融合,特征融合网络由1*1的卷积层、3*3的卷积层、注意力模块、特征融合模块和级联层组成,1*1的卷积层、3*3的卷积层分别与注意力模块连接,注意力模块与特征融合模块连接,特征融合模块与级联层连接;注意力模块均由1*1的卷积层、 ReLU函数和3*3的卷积层组成。长短期记忆网络根据特征融合网络融合的特征进行时间相关性的降水估计,长短期记忆网络由依次连接的404个单元的第一双向长短期记忆单元、丢失率为0.5的第一丢失层、200个单元的第二双向长短期记忆单元、丢失率为0.5的第二丢失层、100个单元的全连接层、1个单元的全连接层组成。
将切割为三维雷达数据结构的天气雷达数据作为雷达定量降水估计模型的输入,将质量控制后的地面站降水数据作为雷达定量降水估计模型的标签,设置雷达定量降水估计模型学习率初始值、动量参数、权重衰减参数,训练雷达定量降水估计模型,当均方误差损失函数收敛时,获得最佳降水强度估计模型;具体包括如下子步骤:
(5.1)将切割为三维雷达数据结构的天气雷达数据中海拔最低的天气雷达数据输入到 1*1的卷积层中提取特征,将其余海拔高度的天气雷达数据输入到3*3的卷积层中提取特征,将提取的特征均输入注意力模块中,通过注意力模块进一步捕捉天气雷达数据中可能影响降水的边缘信息,特征矩阵经过一个1*1的卷积层、ReLU函数和3*3的卷积层,再与初始特征矩阵相乘,并保持通道数不变,依次通过特征融合模块将高海拔特征向低海拔特征进行融合,得到融合特征,融合特征经级联层的级联,输出融合的反射率特征;由于最低海拔反射率和降雨量之间的相关性比其他三个海拔高度更显着和稳健,并且三个较高水平的变异性大于最低水平,但高海拔反射率也存在降水相关信息,通过特征融合,将高层信息融合到低层信息中,建立起地面降水量与多海拔高度反射率之间的空间联系;
(5.2)将融合的反射率特征输入长短期记忆网络中,输出降水估计;由于多个时间点的损失值之和可以反映一小时内融合降水的整体性能,因此网络可以更好地学习时间序列数据之间的相关性;过去时间点的估计误差反映在损失函数中,这可以使模型提前纠正过去时间点的降水估计误差,并提高估计融合降水强度的总体准确性。
(5.3)设置雷达定量降水估计模型学习率初始值为0.0001,在保持模型收敛速度的同时,又不会导致发散;设置动量参数设置于0.9加快模型收敛速度;设置权重衰减参数设置于1e-5,调整模型复杂度对损失函数的影响。求取输出的降水估计与标签的均方误差,判断均方误差损失函数是否收敛,如不收敛,重复步骤(5.1)-(5.2),直至均方误差损失函数收敛,获得最佳降水强度估计模型。
(6)将新获取的天气雷达数据进行天气雷达的仰角反射率数据进行筛选、坐标校正及切割后输入最佳降水强度估计模型中,得到逐个天气雷达数据的降水估计结果,将降水估计结果拼接成一张完整的降水估计图,叠加到地形文件上,生成区域降水信息。
本发明雷达定量降水估计方法改变以往雷达QPE方法所基于的点-点框架(PTP),即在雷达反射率格点数据和雨量计单元点数据之间拟合出非线性关系,这种框架下的方法忽视了雷达数据结构之间的空间相关性,很难捕获较高层反射率与地面雨量计之间的关系,缺乏对降水过程时间完整性的思考,限制了雷达QPE准确性的进一步提升。而本发明利用多普勒雷达数据高分辨率、高时间分辨率的特点,分析降雨过程中的天气变化,重新确定三维雷达数据结构,再结合深度学***,得到可定性分析及定量描述的雷达云团降水监测预警信息。本发明雷达定量降水方法的平均的相关系数(Correlation Coefficient)达到了85%,并且在没有二维降水产品的情况下,也取得较好的空间误差分布。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种基于深度学习的雷达定量降水估计方法,其特征在于,具体包括如下步骤:
(1)根据历史降水资料,分别获取天气雷达数据和地面站降水数据;
(2)根据步骤(1)获取的天气雷达数据,对天气雷达的仰角反射率数据进行筛选、坐标转换、插值,得到预处理的天气雷达数据;
(3)根据步骤(1)获取的地面站降水数据,利用格拉布斯算法对连续3小时内的降水数据进行质量控制,将质量控制后的地面站降水数据作为降水强度标签;
(4)将预处理的天气雷达数据和质量控制后的地面站降水数据进行时空匹配,并将预处理的天气雷达数据切割为三维雷达数据结构;
(5)建立基于深度学习的雷达定量降水估计模型,将切割为三维雷达数据结构的天气雷达数据作为雷达定量降水估计模型的输入,将质量控制后的地面站降水数据作为雷达定量降水估计模型的标签,设置雷达定量降水估计模型学习率初始值、动量参数、权重衰减参数,训练雷达定量降水估计模型,当均方误差损失函数收敛时,获得最佳降水强度估计模型;
(6)将新获取的天气雷达数据进行天气雷达的仰角反射率数据进行筛选、坐标校正及切割后输入最佳降水强度估计模型中,得到逐个天气雷达数据的降水估计结果,将降水估计结果拼接成一张完整的降水估计图,叠加到地形文件上,生成区域降水信息。
2.根据权利要求1所述基于深度学***面位置天气雷达数据。
3.根据权利要求1所述基于深度学习的雷达定量降水估计方法,其特征在于,步骤(4)中三维雷达数据结构依据海拔自上而下为15*15矩阵、11*11矩阵、7*7矩阵和3*3矩阵。
4.根据权利要求1所述基于深度学习的雷达定量降水估计方法,其特征在于,步骤(5)中雷达定量降水估计模型由连接的特征融合网络和长短期记忆网络组成,所述特征融合网络的用于对三维雷达数据进行特征提取并自上而下进行特征融合,所述长短期记忆网络根据特征融合网络融合的特征进行时间相关性的降水估计。
5.根据权利要求4所述基于深度学习的雷达定量降水估计方法,其特征在于,所述特征融合网络由1*1的卷积层、3*3的卷积层、注意力模块、特征融合模块和级联层组成,所述1*1的卷积层、3*3的卷积层分别与注意力模块连接,所述注意力模块与特征融合模块连接,所述特征融合模块与级联层连接。
6.根据权利要求5所述基于深度学习的雷达定量降水估计方法,其特征在于,所述注意力模块均由1*1的卷积层、ReLU函数和3*3的卷积层组成。
7.根据权利要求4所述基于深度学习的雷达定量降水估计方法,其特征在于,所述长短期记忆网络由依次连接的第一双向长短期记忆单元、第一丢失层、第二双向长短期记忆单元、第二丢失层、两层全连接层组成。
8.根据权利要求1所述基于深度学习的雷达定量降水估计方法,其特征在于,步骤(5)具体包括如下子步骤:
(5.1)将切割为三维雷达数据结构的天气雷达数据中海拔最低的天气雷达数据输入到1*1的卷积层中提取特征,将其余海拔高度的天气雷达数据输入到3*3的卷积层中提取特征,将提取的特征均输入注意力模块中,捕捉天气雷达数据中影响降水的边缘信息,依次通过特征融合模块将高海拔特征向低海拔特征进行融合,得到融合特征,融合特征经级联层的级联,输出融合的反射率特征;
(5.2)将融合的反射率特征输入长短期记忆网络中,输出降水估计;
(5.3)求取输出的降水估计与标签的均方误差,判断均方误差损失函数是否收敛,如不收敛,重复步骤(5.1)-(5.2),直至均方误差损失函数收敛,获得最佳降水强度估计模型。
9.根据权利要求1所述基于深度学习的雷达定量降水估计方法,其特征在于,所述学习率初始值为0.0001、动量参数设置于0.9、权重衰减参数设置于1e-5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111079540.XA CN113791415A (zh) | 2021-09-15 | 2021-09-15 | 一种基于深度学习的雷达定量降水估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111079540.XA CN113791415A (zh) | 2021-09-15 | 2021-09-15 | 一种基于深度学习的雷达定量降水估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113791415A true CN113791415A (zh) | 2021-12-14 |
Family
ID=79183397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111079540.XA Pending CN113791415A (zh) | 2021-09-15 | 2021-09-15 | 一种基于深度学习的雷达定量降水估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791415A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114624791A (zh) * | 2022-03-18 | 2022-06-14 | 杭州鲁尔物联科技有限公司 | 雨量测量方法、装置、计算机设备及存储介质 |
CN114742206A (zh) * | 2022-04-20 | 2022-07-12 | 南京信息工程大学 | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 |
CN115166750A (zh) * | 2022-08-22 | 2022-10-11 | 天津大学 | 一种基于双偏振多普勒雷达数据的定量降水估计方法 |
CN115575914A (zh) * | 2022-12-07 | 2023-01-06 | 成都远望科技有限责任公司 | 一种多波段双线偏振天气雷达观测量误差量化方法 |
CN116068559A (zh) * | 2022-12-14 | 2023-05-05 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 联合雨滴谱以及组网双偏振雷达定量降水估测方法及装置 |
CN116521657A (zh) * | 2023-04-06 | 2023-08-01 | 四川省气象探测数据中心 | 一种基于多源数据的地面降水协同质量控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983732A (zh) * | 2020-07-27 | 2020-11-24 | 南京信息工程大学 | 一种基于深度学习的降水强度估计方法 |
-
2021
- 2021-09-15 CN CN202111079540.XA patent/CN113791415A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111983732A (zh) * | 2020-07-27 | 2020-11-24 | 南京信息工程大学 | 一种基于深度学习的降水强度估计方法 |
Non-Patent Citations (1)
Title |
---|
YONGHONG ZHANG: "Offline Single-Polarization Radar Quantitative Precipitation Estimation Based on a Spatiotemporal Deep Fusion Model", 《ADVANCES IN METEOROLOGY》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114624791A (zh) * | 2022-03-18 | 2022-06-14 | 杭州鲁尔物联科技有限公司 | 雨量测量方法、装置、计算机设备及存储介质 |
CN114742206A (zh) * | 2022-04-20 | 2022-07-12 | 南京信息工程大学 | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 |
CN114742206B (zh) * | 2022-04-20 | 2023-07-25 | 南京信息工程大学 | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 |
CN115166750A (zh) * | 2022-08-22 | 2022-10-11 | 天津大学 | 一种基于双偏振多普勒雷达数据的定量降水估计方法 |
CN115575914A (zh) * | 2022-12-07 | 2023-01-06 | 成都远望科技有限责任公司 | 一种多波段双线偏振天气雷达观测量误差量化方法 |
CN115575914B (zh) * | 2022-12-07 | 2023-03-10 | 成都远望科技有限责任公司 | 一种多波段双线偏振天气雷达观测量误差量化方法 |
CN116068559A (zh) * | 2022-12-14 | 2023-05-05 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 联合雨滴谱以及组网双偏振雷达定量降水估测方法及装置 |
CN116068559B (zh) * | 2022-12-14 | 2023-09-12 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 联合雨滴谱以及组网双偏振雷达定量降水估测方法及装置 |
CN116521657A (zh) * | 2023-04-06 | 2023-08-01 | 四川省气象探测数据中心 | 一种基于多源数据的地面降水协同质量控制方法 |
CN116521657B (zh) * | 2023-04-06 | 2024-05-28 | 四川省气象探测数据中心 | 一种基于多源数据的地面降水协同质量控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113791415A (zh) | 一种基于深度学习的雷达定量降水估计方法 | |
Yagli et al. | Can we justify producing univariate machine-learning forecasts with satellite-derived solar irradiance? | |
CN111983732B (zh) | 一种基于深度学习的降水强度估计方法 | |
Goudenhoofdt et al. | Generation and verification of rainfall estimates from 10-yr volumetric weather radar measurements | |
Vila et al. | Forecast and Tracking the Evolution of Cloud Clusters (ForTraCC) using satellite infrared imagery: Methodology and validation | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及*** | |
CN109726867B (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
CN110896761B (zh) | 一种温室的灌溉决策方法及*** | |
US20200264313A1 (en) | Lidar-based turbulence intensity error reduction | |
CN111401602A (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN115345076B (zh) | 一种风速订正处理方法及装置 | |
Amjad et al. | Evaluation of weather research and forecasting model for the assessment of wind resource over Gharo, Pakistan. | |
Rincón et al. | Bias correction of global irradiance modelled with weather and research forecasting model over Paraguay | |
Freedman et al. | The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和*** | |
CN115542430A (zh) | 一种卫星定量降水估计方法 | |
CN108596380B (zh) | 一种海面台风风场的定量探测方法 | |
FR3019408A1 (fr) | Procede de prevision de rayonnement solaire au sol au voisinage d'un site | |
Thomas et al. | Validation of the new HelioClim-3 version 4 real-time and short-term forecast service using 14 BSRN stations | |
Diomede et al. | Calibration of limited-area ensemble precipitation forecasts for hydrological predictions | |
CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和*** | |
Xiong et al. | QpefBD: a benchmark dataset applied to machine learning for minute-scale quantitative precipitation estimation and forecasting | |
Gastón et al. | Wind resources map of Spain at mesoscale. Methodology and validation | |
CN109063684A (zh) | 一种近地表气温遥感监测方法 | |
Devasthale et al. | The large-scale spatio-temporal variability of precipitation over Sweden observed from the weather radar network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211214 |