CN116451881B - 一种基于MSF-Net网络模型的短时降水预测方法 - Google Patents
一种基于MSF-Net网络模型的短时降水预测方法 Download PDFInfo
- Publication number
- CN116451881B CN116451881B CN202310715521.4A CN202310715521A CN116451881B CN 116451881 B CN116451881 B CN 116451881B CN 202310715521 A CN202310715521 A CN 202310715521A CN 116451881 B CN116451881 B CN 116451881B
- Authority
- CN
- China
- Prior art keywords
- data
- precipitation
- prediction
- time
- module
- 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.)
- Active
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000002310 reflectometry Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000011160 research Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000002679 ablation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MSF‑Net网络模型的短时降水预测方法,包括:生成降水预测数据集;基于MSF‑Net网络构建原始预测模型,所述原始预测模型包括输入模块、气象特征提取模块、注意力融合预测模块和输出模块;使用降水预测数据集对原始预测模型进行训练;利用损失函数计算原始预测模型的损失,优化训练网络参数,得到训练完成的短时降水预测模型;将实时获取的研究区域内的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据和DEM高程数据输入到短时降水预测模型中,输出相应的短时降水预测结果。本发明有效融合降水实况和多源数据,实现了短时降水预测效果的提升。
Description
技术领域
本发明属于人工智能智慧气象技术领域,尤其涉及一种基于MSF-Net网络模型的短时降水预测方法。
背景技术
降水是地球水资源的重要来源,具备准确、及时的短时降水预报能力,不仅可以有效地规避社会经济生活的风险,还可以为生产规划提供更好的决策依据。传统的降水预测方法利用历史降水的频率分布、空间分布等特征进行统计分析,基于物理模型来预测未来的降水量;数值模型以各种观测数据等特征模拟天气渐变过程,是目前世界各地气象台制作天气预报的基础。但传统方法需要消耗大量的资源且易受到多种因素的干扰,已难以满足当下的需求。因此,短时降水预测的研究愈发重要。人工智能技术的兴起为客观预报方法的发展提供了新机遇,由于深度学习具有很强的数据处理能力,越来越多的研究将其应用于气象领域。随着天气***的观测手段不断增强,高分辨率、高频率气象观测数据不断增长,利用多源数据进行短时降水预测的潜力也不断增加。目前通过多种气象数据融合来对降水进行预测方法的准确性仍然较低。
深度学习能够从数据中自动学习有效的特征表示,通常用于解决传统机器学习在高维特征空间拟合能力不足的问题。基于深度学习的数据驱动预报模型不依赖传统物理框架,通过雷达、卫星等数据训练模型并预报回波的运动过程,可以很好地模拟传统方法难以预测的非线性降水。深度学习在短时降水预测中有广泛的应用前景,所以实现更加高效、精准的短时降水预测具有重要的意义。因此,亟需一种能够将深度学习应用在多源数据预测短时降水中的有效方法。
发明内容
解决的技术问题:本发明提出了一种基于MSF-Net网络模型的短时降水预测方法,该方法融合了GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据的降水特征,并考虑DEM高程数据对降水量分布的影响,有效提升了短时降水预测的效果。
技术方案:
一种基于MSF-Net网络模型的短时降水预测方法,所述短时降水预测方法包括以下步骤:
S1,获取研究区域内的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据和DEM高程数据,对获取的数据进行双线性插值预处理后使所有数据处于同一尺度,生成降水预测数据集,将降水预测数据集按照年份划分为训练集和验证集;
S2,基于MSF-Net网络构建原始预测模型,所述原始预测模型包括输入模块、气象特征提取模块、注意力融合预测模块和输出模块;
所述输入模块用于将接收的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据连接后以时间序列的方式输入到气象特征提取模块作为第一输入,以及对DEM高程数据进行卷积,将卷积后的特征图输入至注意力融合预测模块作为第二输入;
所述气象特征提取模块对输入的所有数据中的对降水有影响的时空信息进行特征提取,输出相应的气象特征至注意力融合预测模块;
所述注意力融合预测模块将DEM高程数据进行卷积后的特征图与气象特征提取模块学习到的气象特征融合后得到相应的降水预测结果,降水预测结果经由输出模块输出;注意力融合预测模块包括注意力融合模块和融合预测模块;
S3,将t-11时刻至t时刻这12个时间维度的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据以时间序列的方式作为第一输入,DEM高程数据以单个时刻的方式作为第二输入,以t+1至t+6时刻这6个时间维度的GPM降水格点数据作为标签输出,使用降水预测数据集对原始预测模型进行训练;
S4,利用损失函数计算原始预测模型的损失,优化训练网络参数,得到训练完成的短时降水预测模型;
S5,将实时获取的研究区域内的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据和DEM高程数据输入到短时降水预测模型中,输出相应的短时降水预测结果。
进一步地,步骤S1中,所述GPM降水格点数据的空间分辨率为,时间分辨
率为0.5h,是使用雨量计和地面观测数据进行校准后的降水实况数据;
所述ERA5气象因子数据的空间分辨率为,包含100m风的u和v分量、2m
温度和2m露点温度、云底高度、相对湿度、总柱云液态水、总柱云水蒸气、大气压力、净热辐
射、潜热通量、植被叶面积和植被蒸腾蒸发13种气象因子;
所述多普勒雷达真彩色基本反射率图数据的分辨率为,用于体现降水
区域及趋势信息;
所述DEM高程数据的空间分辨率为,包括坡度、坡向、地形高度和海拔
四个信息。
进一步地,步骤S2中,所述气象特征提取模块包括编译层、转换层和解释层;
所述编译层对输入的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据在通道维度上卷积,提取空间特征并增大通道,编译层的操作步骤用公式表示为:
其中表示t-11时刻至t时刻的GPM降水格点数据、多普勒雷达真彩色基本反射
率图数据和ERA5气象因子数据,表示编译层的输出,表示非线性激活,
表示归一化,表示2维卷积后下采样,卷积核大小为1×1;
转换层堆叠三个转换模块,利用不同大小的深度可分离扩张卷积提取图像的局部特征和全局特征,学习气象要素在时空上的变化,并减少模型的参数量,再使用通道卷积获得通道间信息的交互,转换层的操作步骤用公式表示为:
其中表示转换层中第个特征图,即对其前一个特征图操作后的输出,;表示逐通道卷积,表示层标准化,表示对卷积核大小分别为3和7的深度可分离卷积结果
Concat融合,经过转换层输出特征;
解释层利用反卷积重建输入特征图大小,将通道压缩到1维后输出特征图,解释层的操作步骤用公式表示为:
其中表示与解释层图像之间进行通道连接对应的编译层特征图,,表示2维卷积后上采样,卷积核大小为1×1,表示解释层的输出特征。
进一步地,步骤S2中,所述注意力融合模块由关注气象深层次特征的通道注意力单元和关注气象要素时空信息及变化趋势的空间注意力单元组成,所述融合预测模块用于融合DEM高程数据与气象特征提取模块输出的气象特征;
所述注意力融合预测模块的操作步骤特征用公式表示为:
其中表示注意力融合预测模块的输出,和分别表示气象特征提取模
块学习到的气象特征和DEM高程数据卷积后的特征图,表示逐元素相乘,表示注
意力融合模块的操作函数,表示图像拼接。
进一步地,所述空间注意力单元的操作步骤包括:
对输入特征图在通道上使用全局平均池化和全局最大池化后拼接,再用大小为3、扩张因子分别为2和3的两个深度可分离扩张卷积在不同的感受野上提取图像的复杂特征,卷积时使用填充操作,输出大小相同的特征图;将学习到的两种特征拼接后经过sigmoid激活,得到包含不同尺度的气象信息的单通道特征图,与输入原图逐元素相乘得到与输入大小相同的特征图。
进一步地,所述通道注意力单元的操作步骤包括:
将输入特征图经过步长分别为1和3的两个3×3卷积后Add融合,然后对融合后的特征图采用全局平均池化,压缩空间信息得到只包含通道信息的向量;采用逐点卷积学习特征,压缩通道后经Sigmoid激活函数得到C×1×1的通道注意力特征图,与输入原图逐元素相乘得到通道注意力部分的输出。
进一步地,所述融合预测模块将注意力融合模块输出的特征图像分别与气象特征提取模块输出的特征图、DEM高程数据卷积后的特征图逐元素相乘,最后将两种特征图像融合后输出短时降水预测结果。
进一步地,所述输入模块将t-11时刻至t时刻这12个时间维度的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据在相同空间尺度上逐小时输入到气象特征提取模块中进行特征提取,由输出模块输出一个6通道的特征图,其中包含t+1时刻至t+6时刻的逐小时短时降水预测。
有益效果:
第一,本发明的基于MSF-Net模型的短时降水预测方法,有效的融合了GPM降水数据、ERA5气象因子和雷达图中与降水有关信息的时空特征,并充分考虑到DEM高程数据对降水量分布的影响,有效提升了短时降水预测效果,
第二,本发明的基于MSF-Net模型的短时降水预测方法,设计的气象特征提取模块能够对多源数据中气象特征的局部信息和全局信息进行充分提取,减少细节信息的丢失。
第三,本发明的基于深度学习MSF-Net模型的短时降水预测方法,设计的注意力融合预测模型,能够在通道和空间两个方面加强学习多源数据气象特征的深层次信息,并与DEM高程数据融合,结合地形因素使模型充分考虑降水量的分布,以提升短时降水预测精度。
附图说明
图1为本发明实施例的基于MSF-Net模型的短时降水预测方法的流程图。
图2为本发明实施例的基于MSF-Net模型的短时降水预测方法的网络模型整体结构图。
图3为本发明实施例的气象特征提取模块ME-Net的结构图。
图4为本发明实施例的转换层的网络结构图。
图5为本发明实施例的注意力融合预测模块AFPM的网络结构图。
图6为本发明实施例的注意力融合模块AFM的网络结构图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明,但不以任何方式限制本发明。
本发明公开了一种基于MSF-Net模型的短时降水预测方法,采用的短时降水预测模型基于MSF-Net网络构建得到,如图2所示,短时降水预测模型包括输入模块、气象特征提取模块ME-Net(Meteorological Extraction Network)、注意力融合预测模块AFPM(Attention Fuse Prediction Module)和输出模块。
参见图1和图2,所述短时降水预测方法包括以下步骤:
S1,获取研究区域内的GPM降水格点数据、ERA5气象因子数据、多普勒雷达图数据和DEM高程数据,对数据进行双线性插值预处理后使所有数据处于同一尺度,生成降水预测数据集,将数据集按照年份分为训练集和验证集,进入步骤S2。
实际应用中,GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射
率图和DEM高程数据具有以下特征:GPM降水格点数据的空间分辨率为,时间分
辨率为0.5h,是使用雨量计和地面观测数据进行校准后的降水实况数据;ERA5气象因子数
据的空间分辨率为,包含100m风的u和v分量、2m温度和2m露点温度、云底高
度、相对湿度、总柱云液态水、总柱云水蒸气、大气压力、净热辐射、潜热通量、植被叶面积和
植被蒸腾蒸发13种气象因子;多普勒雷达真彩色基本反射率图的分辨率为,
可以体现降水区域及趋势等信息;DEM高程数据的空间分辨率为,包括坡度、
坡向、地形高度和海拔四个信息。
S2,将步骤S1中的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据Concat拼接后以时间序列的方式输入到气象特征提取模块ME-Net,对所有数据中对降水有影响的时空信息进行特征提取,随后进入步骤S3。
参见图3,气象特征提取模块ME-Net由编译层、转换层和解释层构成。气象特征提取模块ME-Net用于对GPM降水格点数据、ERA5气象因子数据和多普勒雷达真彩色基本反射率图数据中的气象特征进行提取。
具体地,编译层对输入的三种图像数据在通道维度上卷积,提取空间特征并增大通道以使转换层更好的学习特征,编译层的操作步骤可以用公式表示为:
其中表示t-11时刻至t时刻的GPM降水格点数据、多普勒雷达真彩色基本反射
率图数据和ERA5气象因子数据,表示编译层的输出,表示非线性激活,表示归一化,表示2维卷积后下采样,卷积核大小为1×1。
参见图4,转换层堆叠三个转换模块,首先利用不同大小的深度可分离扩张卷积提取图像的局部特征和全局特征,学习气象要素在时空上的变化,并减少模型的参数量以提高训练速度,然后使用通道卷积获得通道间信息的交互,转换层的操作步骤可以用公式表示为:
其中表示转换层中第个特征图,即对其前一个特征图操作后的输出,,是逐通道卷积,表示层标准化,表示对卷积核大小分别为3和7的深度可分离卷积结果
Concat融合,经过转换层输出特征。
解释层利用反卷积重建输入特征图大小,将通道压缩到1维后输出特征图,解释层的操作步骤可以用公式表示为:
其中表示与解释层图像之间进行通道连接对应的编译层特征图,,表示2维卷积后上采样,卷积核大小为1×1,表示解释层的输出特征
图。
步骤S3,将DEM高程数据进行卷积后的特征图与步骤S2中学习到的气象特征分别输入到注意力融合预测模块AFPM,通过构建的两种不同的注意力来使模型重点关注到降水特征较为丰富的区域和其中包含的气象要素的时空信息,并且考虑到地形对降水量分布的影响,将提取到的特征图Add融合后输出降水预测结果,随后进入步骤S4。
参见图5,注意力融合预测模块AFPM包括注意力融合模块AFM(Attention FuseModule)和融合预测模块,注意力融合模块AFM由关注气象深层次特征的通道注意力和关注气象要素时空信息及变化趋势的空间注意力组成,融合预测模块用于融合DEM高程数据卷积后的特征图与气象特征提取模块ME-Net的输出特征,最后输出短时降水预测结果。注意力融合预测模块AFPM使短时降水预测模型既可以关注到降水特性明显的区域及其变化趋势,又充分考虑到地形对降水量分布的影响。注意力融合预测模块AFPM的操作步骤特征可以用公式表示为:
其中表示注意力融合预测模块AFPM的输出,和分别表示气象特征提
取模块ME-Net学习到的气象特征图和DEM高程数据卷积后的特征图,将两种数据图像分别
输入到融合预测模块中,表示逐元素相乘,表示注意力融合模块AFM的操作函
数,表示图像拼接,将Concat后的特征图输入到包括空间注意力和通道注意力
两个部分的注意力融合模块AFM中。
参见图6,空间注意力首先对输入特征图在通道上使用全局平均池化和全局最大池化后concat拼接,然后用大小为3,扩张因子分别为2和3的深度可分离扩张卷积在不同的感受野上提取图像的复杂特征,卷积时使用填充操作,输出大小相同的特征图,将学习到的两种特征concat后经过sigmoid激活,得到包含不同尺度的气象信息的单通道特征图,与输入原图逐元素相乘得到与输入大小相同的特征图。
通道注意力首先将输入特征图经过步长分别为1和3的两个3×3卷积后Add融合,然后对融合后的特征图采用全局平均池化,压缩空间信息得到只包含通道信息的向量,随后用逐点卷积学习特征,压缩通道后经Sigmoid激活函数得到C×1×1的通道注意力特征图,与输入原图逐元素相乘得到通道注意力部分的输出。最后将空间注意力和通道注意力两部分学习到的特征Add融合后输出至融合预测模块。
在融合预测模块中将注意力融合模块AFM输出的特征图像分别与气象特征提取模块ME-Net学习到的气象特征图、DEM高程数据卷积后的特征图逐元素相乘,最后将两种特征图像Add融合后输出短时降水预测结果。
S4,将t-11时刻至t时刻12个时间维度GPM历史降水数据、ERA5气象因子数据、多普勒雷达数据以时间序列,DEM高程数据以单个时刻的方式作为输入,以t+1至t+6时刻6 h的GPM降水格点数据作为标签,构建网络模型进行训练,随后进入步骤S5。
S5,根据步骤S4中构建的训练模型,利用损失函数计算原始预测模型的损失,优化训练网络参数,得到短时降水预测模型,随后进入步骤S6。
S6,将实时获取研究区域内的GPM降水格点数据、ERA5气象因子数据、多普勒雷达图数据和DEM高程数据输入到短时降水预测模型中,输出相应的短时降水预测结果。
实验方案与结果
我们选取(97.2°-110°E,20.4°-30°N)作为研究区域,主要包括云南、贵州、广西和四川等地区,山区高原较多且地势复杂,因此我们的降水预测具有较大的挑战性。把2017-2019年6-8月的数据作为训练集,2020年6-8月的数据作为验证集,对不同预报方法进行实验。
为了验证气象特征提取模块ME-Net方案和注意力融合预测模块AFPM方案对短时降水预测方法的有效提升,我们使用GPM降水实况作为对比基准,对MSF-Net模型的性能进行评估。在预测网络中依次加入ERA5数据(ERA5方案)、Dopplerf雷达数据(ERA5-Dopplerf方案)、DEM高程数据(ERA5-Dopplerf-DEM方案)、气象特征提取模块ME-Net(ME-ERA5-Dopplerf-DEM方案)和注意力融合预测模块AFPM(ME-ERA5-Dopplerf-DEM-AFPM方案)以完成消融实验,我们根据预测结果构建降水混淆矩阵,分为正和负两个类别,混淆矩阵如表1所示:
表1 降水混淆矩阵
根据构建的混淆矩阵计算研究区域内所有格点的预测结果的风险评分(ThreatScore,TS)和偏差评分(Bia score,Bias)两个评价指标,TS公式和Bias公式如下所示:
我们将降水量分为6个等级,用表示,其中表示预测区域内有雨并且雨量等
级预报正确的次数,表示有雨但是预报为无雨或雨量等级预报错误的次数,表示
无雨但是预报为有雨的次数,将各级雨量预报结果相加并计算得到TS和Bias作为评价指
标。结果表明在单一GPM降水数据基础上依次加入ERA5数据、Doppler雷达数据和DEM高程数
据后,方案的TS分别提升了0.02、0.04和0.02,Bias增加了 0.03、0.06和0.04;在加入了气
象特征提取模块ME-Net和注意力融合预测模块AFPM后TS分别提升了0.03,Bias增加了0.04
和0.03,具体的消融实验结果如表2所示。
表2 消融实验结果
为了验证MSF-Net网络对短时降水预测的效果,以研究区域内相同时间段的6小时GPM降水实况数据作为对比基准,将MSF-Net的预测结果与WRF物理预测结果、U-Net预测结果、RNN预测结果和ConvLSTM预测结果进行对比,结果表明基于深度学习的MSF-Net在短时降水预测上的效果要好于其它四种预测方法,并且较大领先基于物理方法的WRF降水预测,具体的对比实验结果如表3所示。
表3 对比实验结果
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于MSF-Net网络模型的短时降水预测方法,其特征在于,所述短时降水预测方法包括以下步骤:
S1,获取研究区域内的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据和DEM高程数据,对获取的数据进行双线性插值预处理后使所有数据处于同一尺度,生成降水预测数据集,将降水预测数据集按照年份划分为训练集和验证集;
S2,基于MSF-Net网络构建原始预测模型,所述原始预测模型包括输入模块、气象特征提取模块、注意力融合预测模块和输出模块;
所述输入模块用于将接收的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据连接后以时间序列的方式输入到气象特征提取模块作为第一输入,以及对DEM高程数据进行卷积,将卷积后的特征图输入至注意力融合预测模块作为第二输入;
所述气象特征提取模块对输入的所有数据中的对降水有影响的时空信息进行特征提取,输出相应的气象特征至注意力融合预测模块;
所述注意力融合预测模块将DEM高程数据进行卷积后的特征图与气象特征提取模块学习到的气象特征融合后得到相应的降水预测结果,降水预测结果经由输出模块输出;注意力融合预测模块包括注意力融合模块和融合预测模块;
S3,将t-11时刻至t时刻这12个时间维度的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据以时间序列的方式作为第一输入,DEM高程数据以单个时刻的方式作为第二输入,以t+1至t+6时刻这6个时间维度的GPM降水格点数据作为标签输出,使用降水预测数据集对原始预测模型进行训练;
S4,利用损失函数计算原始预测模型的损失,优化训练网络参数,得到训练完成的短时降水预测模型;
S5,将实时获取的研究区域内的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据和DEM高程数据输入到短时降水预测模型中,输出相应的短时降水预测结果;
步骤S2中,所述气象特征提取模块包括编译层、转换层和解释层;
所述编译层对输入的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据在通道维度上卷积,提取空间特征并增大通道,编译层的操作步骤用公式表示为:
F1=ReLU(Norm(Conv2D1×1(F0)));
其中F0表示t-11时刻至t时刻的GPM降水格点数据、多普勒雷达真彩色基本反射率图数据和ERA5气象因子数据,F1表示编译层的输出,ReLU表示非线性激活,Norm表示归一化,Conv2D表示2维卷积后下采样,卷积核大小为1×1;
转换层堆叠三个转换模块,利用不同大小的深度可分离扩张卷积提取图像的局部特征和全局特征,学习气象要素在时空上的变化,并减少模型的参数量,再使用通道卷积获得通道间信息的交互,转换层的操作步骤用公式表示为:
F1 i=Add[F1 i-1,ReLU(CWConv2D(LN(DWConv2D3×3+7×7(Conv2D(F1 i-1))))];
其中F1 i表示转换层中第i个特征图,即对其前一个特征图F1 i-1操作后的输出,1≤i≤3;CWConv2D表示逐通道卷积,LN表示层标准化,DWConv2D3×3+7×7表示对卷积核大小分别为3和7的深度可分离卷积结果Concat融合,经过转换层输出特征F2;
解释层利用反卷积重建输入特征图大小,将通道压缩到1维后输出特征图,解释层的操作步骤用公式表示为:
F3=Add[F0 j,σ(Norm(unConv2D1×1(F2)))];
其中F0 j表示与解释层图像之间进行通道连接对应的编译层特征图,1≤j≤2,unConv2D表示2维卷积后上采样,卷积核大小为1×1,F3表示解释层的输出特征。
2.根据权利要求1所述的基于MSF-Net网络模型的短时降水预测方法,其特征在于,步骤S1中,所述GPM降水格点数据的空间分辨率为0.1°×0.1°,时间分辨率为0.5h,是使用雨量计和地面观测数据进行校准后的降水实况数据;所述ERA5气象因子数据的空间分辨率为0.25°×0.25°,包含100m风的u和v分量、2m温度和2m露点温度、云底高度、相对湿度、总柱云液态水、总柱云水蒸气、大气压力、净热辐射、潜热通量、植被叶面积和植被蒸腾蒸发13种气象因子;
所述多普勒雷达真彩色基本反射率图数据的分辨率为0.1°×0.1°,用于体现降水区域及趋势信息;
所述DEM高程数据的空间分辨率为0.1°×0.1°,包括坡度、坡向、地形高度和海拔四个信息。
3.根据权利要求1所述的基于MSF-Net网络模型的短时降水预测方法,其特征在于,步骤S2中,所述注意力融合模块由关注气象深层次特征的通道注意力单元和关注气象要素时空信息及变化趋势的空间注意力单元组成,所述融合预测模块用于融合DEM高程数据与气象特征提取模块输出的气象特征;
所述注意力融合预测模块的操作步骤特征用公式表示为:
F′=Add[F3·Fuse(Concat(F3,F4)),F4·Fuse(Concat(F3,F4))];
其中F′表示注意力融合预测模块的输出,F3和F4分别表示气象特征提取模块学习到的气象特征和DEM高程数据卷积后的特征图,·表示逐元素相乘,Fuse表示注意力融合模块的操作函数,Concat表示图像拼接。
4.根据权利要求3所述的基于MSF-Net网络模型的短时降水预测方法,其特征在于,所述空间注意力单元的操作步骤包括:
对输入特征图在通道上使用全局平均池化和全局最大池化后拼接,再用大小为3、扩张因子分别为2和3的两个深度可分离扩张卷积在不同的感受野上提取图像的复杂特征,卷积时使用填充操作,输出大小相同的特征图;将学习到的两种特征拼接后经过sigmoid激活,得到包含不同尺度的气象信息的单通道特征图,与输入原图逐元素相乘得到与输入大小相同的特征图。
5.根据权利要求3所述的基于MSF-Net网络模型的短时降水预测方法,其特征在于,所述通道注意力单元的操作步骤包括:
将输入特征图经过步长分别为1和3的两个3×3卷积后Add融合,然后对融合后的特征图采用全局平均池化,压缩空间信息得到只包含通道信息的向量;采用逐点卷积学习特征,压缩通道后经Sigmoid激活函数得到C×1×1的通道注意力特征图,与输入原图逐元素相乘得到通道注意力部分的输出。
6.根据权利要求3所述的基于MSF-Net网络模型的短时降水预测方法,其特征在于,所述融合预测模块将注意力融合模块输出的特征图像分别与气象特征提取模块输出的特征图、DEM高程数据卷积后的特征图逐元素相乘,最后将两种特征图像融合后输出短时降水预测结果。
7.根据权利要求1所述的基于MSF-Net网络模型的短时降水预测方法,其特征在于,所述输入模块将t-11时刻至t时刻这12个时间维度的GPM降水格点数据、ERA5气象因子数据、多普勒雷达真彩色基本反射率图数据在相同空间尺度上逐小时输入到气象特征提取模块中进行特征提取,由输出模块输出一个6通道的特征图,其中包含t+1时刻至t+6时刻的逐小时短时降水预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715521.4A CN116451881B (zh) | 2023-06-16 | 2023-06-16 | 一种基于MSF-Net网络模型的短时降水预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715521.4A CN116451881B (zh) | 2023-06-16 | 2023-06-16 | 一种基于MSF-Net网络模型的短时降水预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451881A CN116451881A (zh) | 2023-07-18 |
CN116451881B true CN116451881B (zh) | 2023-08-22 |
Family
ID=87132468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310715521.4A Active CN116451881B (zh) | 2023-06-16 | 2023-06-16 | 一种基于MSF-Net网络模型的短时降水预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451881B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368881B (zh) * | 2023-12-08 | 2024-03-26 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种融合多源数据的长序列雷达图像预测方法及*** |
CN117808650B (zh) * | 2024-02-29 | 2024-05-14 | 南京信息工程大学 | 一种基于Transform-Flownet和R-FPN的降水预测方法 |
CN117909927B (zh) * | 2024-03-19 | 2024-06-04 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于多源数据融合模型的降水定量估计方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
CN111475950A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种下凹式立交桥下雨洪的模拟方法 |
CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
CN111624682A (zh) * | 2020-06-24 | 2020-09-04 | 海南省气象科学研究所 | 一种基于多源数据融合的定量降水估测方法 |
CN114139690A (zh) * | 2021-12-09 | 2022-03-04 | 南京邮电大学 | 短临降水预测方法及装置 |
CN114881286A (zh) * | 2022-04-02 | 2022-08-09 | 大连海事大学 | 一种基于深度学习的短时降水预测方法 |
CN115544889A (zh) * | 2022-10-18 | 2022-12-30 | 南京信息工程大学 | 基于深度学习的数值模式降水偏差校正方法 |
-
2023
- 2023-06-16 CN CN202310715521.4A patent/CN116451881B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
CN111428676A (zh) * | 2020-04-01 | 2020-07-17 | 南京信息工程大学 | 一种基于稀疏对应和深度神经网络的短临降水预测方法 |
CN111475950A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种下凹式立交桥下雨洪的模拟方法 |
CN111624682A (zh) * | 2020-06-24 | 2020-09-04 | 海南省气象科学研究所 | 一种基于多源数据融合的定量降水估测方法 |
CN114139690A (zh) * | 2021-12-09 | 2022-03-04 | 南京邮电大学 | 短临降水预测方法及装置 |
CN114881286A (zh) * | 2022-04-02 | 2022-08-09 | 大连海事大学 | 一种基于深度学习的短时降水预测方法 |
CN115544889A (zh) * | 2022-10-18 | 2022-12-30 | 南京信息工程大学 | 基于深度学习的数值模式降水偏差校正方法 |
Non-Patent Citations (1)
Title |
---|
多源降水数据融合研究及应用进展;潘旸;谷军霞;徐宾;沈艳;韩帅;师春香;;气象科技进展(第01期);第145-154页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116451881A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116451881B (zh) | 一种基于MSF-Net网络模型的短时降水预测方法 | |
US11966670B2 (en) | Method and system for predicting wildfire hazard and spread at multiple time scales | |
US11714937B2 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
Han et al. | Convective precipitation nowcasting using U-Net model | |
Aswin et al. | Deep learning models for the prediction of rainfall | |
Mellit et al. | Least squares support vector machine for short-term prediction of meteorological time series | |
US11720727B2 (en) | Method and system for increasing the resolution of physical gridded data | |
Xu et al. | AM-ConvGRU: A spatio-temporal model for typhoon path prediction | |
Larraondo et al. | Automating weather forecasts based on convolutional networks | |
Dutt et al. | Artificial intelligence and technology in weather forecasting and renewable energy systems: emerging techniques and worldwide studies | |
CN114548595A (zh) | 基于注意力机制的强对流天气物理特征量预测方法及*** | |
Dong et al. | Tropical cyclone track prediction with an encoding-to-forecasting deep learning model | |
Wang et al. | Multi‐scale network for remote sensing segmentation | |
Li et al. | LandBench 1.0: A benchmark dataset and evaluation metrics for data-driven land surface variables prediction | |
Rumapea et al. | Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model. | |
CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及*** | |
Mai et al. | Using SVM to provide precipitation nowcasting based on radar data | |
Reulen et al. | Ga-smaat-gnet: Generative adversarial small attention gnet for extreme precipitation nowcasting | |
Zhou et al. | A station-data-based model residual machine learning method for fine-grained meteorological grid prediction | |
CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
Pasero et al. | Artificial neural networks for meteorological nowcast | |
Wang et al. | LLNet: Lightweight network with a channel and spatial attention mechanism for local climate zone classification from Sentinel-2 image | |
Gan et al. | W-MRI: A Multi-output Residual Integration Model for Global Weather Forecasting | |
US12050845B2 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
Wang et al. | Tiny-RainNet: A Deep CNN-BiLSTM Model for Short-Term Rainfall Prediction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |