CN118050729B - 一种基于改进U-Net的雷达回波时间降尺度订正方法 - Google Patents
一种基于改进U-Net的雷达回波时间降尺度订正方法 Download PDFInfo
- Publication number
- CN118050729B CN118050729B CN202410447311.6A CN202410447311A CN118050729B CN 118050729 B CN118050729 B CN 118050729B CN 202410447311 A CN202410447311 A CN 202410447311A CN 118050729 B CN118050729 B CN 118050729B
- Authority
- CN
- China
- Prior art keywords
- radar echo
- data
- net
- forecast
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000006870 function Effects 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000008485 antagonism Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 32
- 238000002310 reflectometry Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 6
- WWVKQTNONPWVEL-UHFFFAOYSA-N caffeic acid phenethyl ester Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCC1=CC=CC=C1 WWVKQTNONPWVEL-UHFFFAOYSA-N 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 6
- SWUARLUWKZWEBQ-UHFFFAOYSA-N phenylethyl ester of caffeic acid Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCCC1=CC=CC=C1 SWUARLUWKZWEBQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于改进U‑Net的雷达回波时间降尺度订正方法，包括以下步骤：（1）收集发布的CMA‑SH数值模式预报数据，并进行初步的预报因子筛选和预处理；（2）搭建基于改进U‑Net的深度学习模型即传统U‑Net基础上增加基于对抗生成网络的TSR‑GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；（3）基于步骤（2）雷达回波数据集与改进U‑Net模型进行训练，获得订正后高分辨率的雷达回波预报产品；本发明通过降尺度得到分钟级预报，提高了对短临***的预报能力。
Description
技术领域
本发明涉及雷达回波预报进行后处理技术领域，尤其涉及一种基于改进U-Net的雷达回波时间降尺度订正方法。
背景技术
目前，强降水、强对流等灾害性天气依然是天气预报的困难地带，由于其发生发展迅速，一般的数值天气预报模型很难对其产生有效的灾害预警预报，雷达组合反射率回波资料具有时空分辨率高，可以直观反映降水强度、精准反映风暴内部结构特征变化和强度变化的特点，是强降水、强对流天气***预报的重要依据，那么如何获得高时空分辨率的精准雷达回波预报资料是亟需解决的问题。
传统的数值模式雷达回波预报结果，由于模式本身初始场、参数化过程所带来的***误差使数值预报本身带来不确定性，需要进行模式后处理。传统方法对于***误差问题很难有很好的改进效果，目前机器学习方法在气象上的应用为此问题提供了新的解决方案；另外传统的数值模式获得预报结果空间分辨率不足一般只能得到逐小时预报，很难得到逐分钟级别的预报结果，这在业务应用上有很大的局限性，而强对流***具有发生发展迅速，致灾性强的特点，逐小时的预报很可能对强***进行漏报，需要对数值模式预报结果进行时间降尺度。鉴于机器学习在处理复杂数据时表现出强大的学习能力与适应能力，为解决此问题提供了新的研究思路。
发明内容
技术方案：本发明所述的一种基于改进U-Net的雷达回波时间降尺度订正方法，包括以下步骤：
（1）收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；
（2）搭建基于改进U-Net的深度学习模型即传统U-Net基础上增加基于对抗生成网络的TSR-GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；
（3）基于步骤（2）雷达回波数据集与改进U-Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。
进一步的，步骤（1）具体如下：首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括：对流有效位能CAPE、对流抑制能量CIN、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、850hPa位势高度。
进一步的，步骤（2）包括以下步骤：
（21）搭建基于U-Net神经网络的订正模型，即基于CNN的U型神经网络；其中U-Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层。
（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：
；
其中为模式2m气温预报结果，为模式10mUV风场预报结果，为各等压面位势高度预报结果，为模式雷达回波预报结果，为订正后雷达回波预报结果，其中t为起报时间，为预报时效，f为模型所学习的映射关系；
（23）将订正结果输入TSR-GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；
（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：
；
其中，CSI_LIKE为新定义的阈值评分，代表准确预报次数；代表空报次数；是漏报次数；
使用sigmoid函数在0-1之间连续可导；公式如下：
；
其中，x为输入变量；
；
；
；
；
；
其中，表示经过函数处理的准确预报概率；表示经过函数处理的漏报率；表示经过函数处理的空报概率；为改进U-Net的深度学习模型设定的超参数的偏差系数；为改进U-Net的深度学习模型设定的超参数的权重系数；为在0-1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值。
本发明所述的一种基于改进U-Net的雷达回波时间降尺度订正***，包括：
预处理模块：用于收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；
U-Net模块：用于搭建基于改进U-Net的深度学习模型即传统U-Net基础上增加基于对抗生成网络的TSR-GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；
预报模块：用于基于U-Net模块雷达回波数据集与改进U-Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。
进一步的，预处理模块中，具体如下：首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括：对流有效位能CAPE、对流抑制能量CIN、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、850hPa位势高度。
进一步的，U-Net模块中，包括以下步骤：
（21）搭建基于U-Net神经网络的订正模型，即基于CNN的U型神经网络；其中U-Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层。
（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：
；
其中为模式2m气温预报结果，为模式10mUV风场预报结果，为各等压面位势高度预报结果，为模式雷达回波预报结果，为订正后雷达回波预报结果，其中t为起报时间，为预报时效，f为模型所学习的映射关系；
（23）将订正结果输入TSR-GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；
（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：
；
其中，CSI_LIKE为新定义的阈值评分，代表准确预报次数；代表空报次数；是漏报次数；
使用sigmoid函数在0-1之间连续可导；公式如下：
；
其中，x为输入变量；
；
；
；
；
；
其中，表示经过函数处理的准确预报概率；表示经过函数处理的漏报率；表示经过函数处理的空报概率；为改进U-Net的深度学习模型设定的超参数的偏差系数；为改进U-Net的深度学习模型设定的超参数的权重系数；为在0-1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值。
本发明所述的一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现任一项所述的一种基于改进U-Net的雷达回波时间降尺度订正方法。
本发明所述的一种存储介质，存储有计算机程序，所述计算机程序被设计为运行时实现任一项所述的一种基于改进U-Net的雷达回波时间降尺度订正方法。
有益效果：与现有技术相比，本发明具有如下显著优点：基于改进后U-Net神经网络搭配TSR-GAN时间降尺度模块，实现未来0-6h逐10min雷达回波预报，预报时间率有明显提高，对于快速发生发展的短临天气***有预报预警作用；相较于将所有的气象因子计入通道共同进行特征提取，本发明在模型特征提取部分采取了分别特征提取的方法，来处理数值模式多因子空间分辨率不一致的问题，更好地提取多气象要素的特征信息，进而提高模型的预报订正能力；为了更加适用于雷达回波预报订正，改进原始阈值定义无法对于量级预报进行有效评估的问题，将损失函数更改为雷达回波订正评估指标损失函数CSI_LIKE，可以避免直接使用均方误差带来的趋于平均化结果，提高雷达回波图像中极端***的预报技巧。
附图说明
图1为本发明的流程图；
图2为本发明的改进U-Net模型示意图；
图3 为本发明的TSR-GAN模块示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，本发明实施例提供一种基于改进U-Net的雷达回波时间降尺度订正方法，包括以下步骤：
（1）收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括： 对流有效位能CAPE、对流抑制能量CIN、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、850hPa位势高度。
具体流程如下：
（11）首先对数值模式提供的预报因子进行筛选，在众多因子中选取与雷达回波相关系数大于0.35的气象因子，作为模型输入，避免不加筛选全部输入所带来的计算资源的浪费。相关系数计算公式为：
；
式中，表示某一气象要素在第个格点的值，表示某一气象要素所有格点的平均值；表示在第格点处雷达组合反射率的值，表示所有格点处雷达组合反射率的平均值，其中为气象因子的数量。
（12）使用的雷达数据是由中央气象台提供的全国雷达组合反射率拼图资料，利用图像处理技术提取雷达回波数据，其中主要包括：定义不同反射率（dbz）的颜色列表、去除地图底图、提取反射率色块并进行插值和强化。
再将数值模式预报的多气象因子与雷达回波观测进行时间上的对应，而后进行最大最小归一化处理数据预处理，构建融合多气象要素的雷达回波数据集，其中最大最小归一化公式如下：
其中，为归一化后的气象要素值，为原始气象要素值，分别为训练集的最大值最小值，保证了数据归一化的一致性。
（2）搭建基于改进U-Net的深度学习模型即传统U-Net基础上增加基于对抗生成网络的TSR-GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；包括以下步骤：
（21）搭建基于U-Net神经网络的订正模型，即基于CNN的U型神经网络；其中U-Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层。
具体流程如下：如图2所示，在整个网络的左侧为下采样过程，也就是“编码过程”，空间分辨率不断降低，右侧是上采样过程，也是“解码”过程，空间分辨率不断提高。在一般的多气象要素特征提取任务中，一般首先将空间分辨率不一致的气象因子进行插值处理，使空间分辨率保持一致，在输入时再进行多通道拼接，气象因子多通道卷积共同提取特征值，而本发明中对下采样过程进行改进，如图2所示，输入特征值不同的多个特征图具体为：首先对于不同特征值大小的特征图分别进行池化和卷积下采样操作，使空间分辨率不断降低，最终在第3层使用不同大小的卷积核进行特征提取，使特征图大小变为一致，再进行通道合并继续进行下采样操作，为可以有效避免差值过程带来的精度损失。特征图计算公式：
；
其中 ，为输出特征图的大小，为输入特征图大小，为填充大小，为卷积核大小，为步长，控制卷积运算的卷积核大小和步长。
接着进入上采样使用反卷积将特征图转换为更高的空间分辨率，同时特征图数量减少。跳跃连接层将下采样过程中提取的高分辨率信息保留下来并且传递到对应的上采样层，可以识别并保留不同空间尺度的特征信息，在网络中使用跳跃连接来防止采样过程中精度丢失。
（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：
其中为模式2m气温预报结果，为模式10mUV风场预报结果，为各等压面位势高度预报结果，为模式雷达回波预报结果，为订正后雷达回波预报结果，其中t为起报时间，为预报时效，f为模型所学习的映射关系；
（23）将订正结果输入TSR-GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；具体流程如下：
在本发明中生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练。以输入某时刻预报值与该时刻一小时后预报值获得中间逐10min精细化预报结果为例，如图3中Generation部分所示，在生成器G中，为了充分利用输入信息，保证生成预报的准确性，分为前向预报与后向预报，将获得的结果共同输入融合模块中就可以获得某一时刻的精细化预报结果、具体公式如下所示：
；
；
；
其中，为某一时刻预报结果，为某一时刻后k时间预报结果，为i时刻与i+k时刻之间i+l时刻生成器预报值；为某一时刻前向预报的精细化预报值，为某一时刻后向预报精细化的预报值，为前向预报函数映射关系，为后向预报函数映射关系，为融合过程函数映射关系。
判别过程公式如下所示：
；
其中，D为判别器函数关系，为i+l时刻雷达回波观测真实值，为i时刻与i+k时刻之间i+l时刻生成器预报值，为观测与预报对比判断出的真实值或虚假值。
（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：
；
其中，CSI_LIKE为新定义的阈值评分，代表准确预报次数；代表空报次数；是漏报次数；
具体定义的二分类表格如表1所示。
表1
；
其中，F为预报值；O为观测值。
使用sigmoid函数在0-1之间连续可导；公式如下：
；
其中，x为输入变量；
；
；
；
；
；
其中，其中，表示经过函数处理的准确预报概率；表示经过函数处理的漏报率；表示经过函数处理的空报概率；为改进U-Net的深度学习模型设定的超参数的偏差系数；为改进U-Net的深度学习模型设定的超参数的权重系数；为在0-1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值。
（3）基于步骤（2）雷达回波数据集与改进U-Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。具体为: 调整模型结构以及参数（主要是U-Net模型中卷积层数设置，池化层数设置，学习率，训练迭代次数；TSR-GAN模型中隐藏单元数，层数，学习率等）训练得到订正效果最好的模型。
本发明实施例还提供一种基于改进U-Net的雷达回波时间降尺度订正***，包括：
预处理模块：用于收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；具体如下：首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括：对流有效位能CAPE、 对流抑制能量CIN、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、850hPa位势高度。
U-Net模块：用于搭建基于改进U-Net的深度学习模型即传统U-Net基础上增加基于对抗生成网络的TSR-GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；包括以下步骤：
（21）搭建基于U-Net神经网络的订正模型，即基于CNN的U型神经网络；其中U-Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层。
（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：
其中为模式2m气温预报结果，为模式10mUV风场预报结果，为各等压面位势高度预报结果，为模式雷达回波预报结果，为订正后雷达回波预报结果，其中t为起报时间，为预报时效，f为模型所学习的映射关系；
（23）将订正结果输入TSR-GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；
（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：
使用sigmoid函数在0-1之间连续可导；公式如下：
；
其中，x为输入变量；
；
；
；
；
；
其中，表示经过函数处理的准确预报概率；表示经过函数处理的漏报率；表示经过函数处理的空报概率；为改进U-Net的深度学习模型设定的超参数的偏差系数；为改进U-Net的深度学习模型设定的超参数的权重系数；为在0-1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值。
预报模块：用于基于U-Net模块雷达回波数据集与改进U-Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。
本发明实施例还提供一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现任一项所述的一种基于改进U-Net的雷达回波时间降尺度订正方法。
本发明实施例还提供一种存储介质，存储有计算机程序，所述计算机程序被设计为运行时实现任一项所述的一种基于改进U-Net的雷达回波时间降尺度订正方法。
Claims (4)
1.一种基于改进U-Net的雷达回波时间降尺度订正方法，其特征在于，包括以下步骤：
（1）收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括：对流有效位能CAPE、对流抑制能量CIN 、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、850hPa位势高度；
具体流程如下：
（11）首先对数值模式提供的预报因子进行筛选，在众多因子中选取与雷达回波相关系数大于0.35的气象因子，作为模型输入，避免不加筛选全部输入所带来的计算资源的浪费；相关系数计算公式为：
；
式中，表示某一气象要素在第个格点的值，表示某一气象要素所有格点的平均值；表示在第格点处雷达组合反射率的值，表示所有格点处雷达组合反射率的平均值，其中为气象因子的数量；
（12）使用的雷达数据是由中央气象台提供的全国雷达组合反射率拼图资料，利用图像处理技术提取雷达回波数据，其中主要包括：定义不同反射率（dbz）的颜色列表、去除地图底图、提取反射率色块并进行插值和强化；
再将数值模式预报的多气象因子与雷达回波观测进行时间上的对应，而后进行最大最小归一化处理数据预处理，构建融合多气象要素的雷达回波数据集，其中最大最小归一化公式如下：
；
其中，为归一化后的气象要素值，为原始气象要素值，分别为训练集的最大值最小值，保证了数据归一化的一致性；
（2）搭建基于改进U-Net的深度学习模型即传统U-Net基础上增加基于对抗生成网络的TSR-GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；包括以下步骤：
（21）搭建基于U-Net神经网络的订正模型，即基于CNN的U型神经网络；其中U-Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层；
（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：
；
其中为模式2m气温预报结果，为模式10mUV风场预报结果，为各等压面位势高度预报结果，为模式雷达回波预报结果，为订正后雷达回波预报结果，其中t为起报时间，为预报时效，f为模型所学习的映射关系；
（23）将订正结果输入TSR-GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；
（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：
；
其中，CSI_LIKE为新定义的阈值评分，代表准确预报次数；代表空报次数；是漏报次数；
利用sigmoid函数在0-1之间连续可导；公式如下：
；
其中，x为输入变量；
；
；
；
；
；
其中，表示经过函数处理的准确预报概率；表示经过函数处理的漏报率；表示经过函数处理的空报概率；为改进U-Net的深度学习模型设定的超参数的偏差系数；为改进U-Net的深度学习模型设定的超参数的权重系数；为在0-1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值；
（3）基于步骤（2）雷达回波数据集与改进U-Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。
2.一种基于改进U-Net的雷达回波时间降尺度订正***，其特征在于，包括：
预处理模块：用于收集发布的中国气象局华东区域高分辨率数值预报数据，并进行初步的预报因子筛选和预处理；具体如下：首先，进行因子筛选同时收集对应时刻的雷达回波拼图资料，将观测雷达回波拼图转化为雷达回波反射强度数据即dbz数据，将观测资料与筛选后的模式资料在时间上对应后，进行最大最小归一化处理，组建融合多气象要素的雷达回波数据集；其中，地面要素包括：对流有效位能CAPE 、对流抑制能量CIN 、2m湿度、2m气温、2m露点温度、地面气压、一小时累计降水、10mUV风场；高空要素包括：700hPaUV风场、850hPaUV风场、700hPa露点温度、850hPa露点温度、700hPa相对湿度、850hPa相对湿度、高空总云量、700hPa位势高度、850hPa位势高度；具体流程如下：
（11）首先对数值模式提供的预报因子进行筛选，在众多因子中选取与雷达回波相关系数大于0.35的气象因子，作为模型输入，避免不加筛选全部输入所带来的计算资源的浪费；相关系数计算公式为：
；
式中，表示某一气象要素在第个格点的值，表示某一气象要素所有格点的平均值；表示在第格点处雷达组合反射率的值，表示所有格点处雷达组合反射率的平均值，其中为气象因子的数量；
（12）使用的雷达数据是由中央气象台提供的全国雷达组合反射率拼图资料，利用图像处理技术提取雷达回波数据，其中主要包括：定义不同反射率（dbz）的颜色列表、去除地图底图、提取反射率色块并进行插值和强化；
再将数值模式预报的多气象因子与雷达回波观测进行时间上的对应，而后进行最大最小归一化处理数据预处理，构建融合多气象要素的雷达回波数据集，其中最大最小归一化公式如下：
；
其中，为归一化后的气象要素值，为原始气象要素值，分别为训练集的最大值最小值，保证了数据归一化的一致性；
U-Net模块：用于搭建基于改进U-Net的深度学习模型即传统U-Net基础上增加基于对抗生成网络的TSR-GAN时间降尺度模块，并定义新的阈值法评估指标，以此为基础更改适用于雷达回波预报订正问题的损失函数；包括以下步骤：
（21）搭建基于U-Net神经网络的订正模型，即基于CNN的U型神经网络；其中U-Net网络主要由四部分组成：卷积层、最大池化层、下采样层和跳跃连接层；其中，卷积层提取输入数据的特征，通过卷积核的滑动捕捉输入向量复杂抽象的特征；最大池化层用于快速降低特征图的空间尺寸，减少计算量与参数量；下采样用于将特征图精度降低，降低数据的空间分辨率；跳跃连接层将输入特征跳跃到输出层；
（22）输入要素场信息；其中，输入的数据为模式气象要素值、雷达回波预报值；输出为雷达回波订正值，具体公式如下：
；
其中为模式2m气温预报结果，为模式10mUV风场预报结果，为各等压面位势高度预报结果，为模式雷达回波预报结果，为订正后雷达回波预报结果，其中t为起报时间，为预报时效，f为模型所学习的映射关系；
（23）将订正结果输入TSR-GAN时间降尺度模块中，得到精细化雷达回波预报；其中，时间降尺度模块由生成式对抗网络GAN构成，GAN包括两个网络结构：生成器G与判别器D；生成器生成精细化预报结果来欺骗判别器，判别器则将生成的预报结果与观测实况区分开，在不断地对抗过程中，进行模型训练；
（24）采用CSI_LIKE评估指标，具体为：针对观测值与模型预报的组合反射率之差的绝对值是否大于设定的阈值区分正类别与负类别；其中，观测与模式预报结果之差的绝对值超过5dbz记为0，否则记为1，公式如下所示：
；
其中，CSI_LIKE为新定义的阈值评分，代表准确预报次数；代表空报次数；是漏报次数；
使用sigmoid函数在0-1之间连续可导；公式如下：
；
其中，x为输入变量；
；
；
；
；
；
其中，表示经过函数处理的准确预报概率；表示经过函数处理的漏报率；表示经过函数处理的空报概率；为改进U-Net的深度学习模型设定的超参数的偏差系数；为改进U-Net的深度学习模型设定的超参数的权重系数；为在0-1范围内连续的阈值评分，L*为经过超参数处理的最终模型损失函数；F为预报值；O为观测值；
预报模块：用于基于U-Net模块雷达回波数据集与改进U-Net模型进行训练，获得订正后高分辨率的雷达回波预报产品。
3.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述的一种基于改进U-Net的雷达回波时间降尺度订正方法。
4.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被设计为运行时实现根据权利要求1所述的一种基于改进U-Net的雷达回波时间降尺度订正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410447311.6A CN118050729B (zh) | 2024-04-15 | 2024-04-15 | 一种基于改进U-Net的雷达回波时间降尺度订正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410447311.6A CN118050729B (zh) | 2024-04-15 | 2024-04-15 | 一种基于改进U-Net的雷达回波时间降尺度订正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118050729A CN118050729A (zh) | 2024-05-17 |
| CN118050729B true CN118050729B (zh) | 2024-07-09 |
Family
ID=91050274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410447311.6A Active CN118050729B (zh) | 2024-04-15 | 2024-04-15 | 一种基于改进U-Net的雷达回波时间降尺度订正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118050729B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115561834A (zh) * | 2022-09-24 | 2023-01-03 | 天气在线(北京)气象科技有限公司 | 基于人工智能气象短临预报一体机 |
| CN115598611A (zh) * | 2022-09-30 | 2023-01-13 | 北京理工大学(Cn) | 一种基于全局-局部聚合模型的雷达智能回波外推方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112884760B (zh) * | 2021-03-17 | 2023-09-26 | 东南大学 | 近水桥梁多类型病害智能检测方法与无人船设备 |
| WO2023103587A1 (zh) * | 2021-12-09 | 2023-06-15 | 南京邮电大学 | 短临降水预测方法及装置 |
| CN116432702B (zh) * | 2023-06-09 | 2023-08-29 | 南京信息工程大学 | 一种用于ECMWF预报产品订正的深度学习NFC-Net网络模型 |
-
2024
- 2024-04-15 CN CN202410447311.6A patent/CN118050729B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115561834A (zh) * | 2022-09-24 | 2023-01-03 | 天气在线(北京)气象科技有限公司 | 基于人工智能气象短临预报一体机 |
| CN115598611A (zh) * | 2022-09-30 | 2023-01-13 | 北京理工大学(Cn) | 一种基于全局-局部聚合模型的雷达智能回波外推方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118050729A (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
| CN109738970A (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
| CN107392901A (zh) | 一种用于输电线路部件智能自动识别的方法 | |
| CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN105279485A (zh) | 激光夜视下监控目标异常行为的检测方法 | |
| CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和*** | |
| CN115792853A (zh) | 一种基于动态权重损失的雷达回波外推方法 | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN117670527B (zh) | 基于地块数据的农户贷款授信额度确定方法及*** | |
| CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及*** | |
| Alburshaid et al. | Palm trees detection using the integration between gis and deep learning | |
| CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
| CN112668615B (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
| CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
| CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
| CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及*** | |
| CN118050729B (zh) | 一种基于改进U-Net的雷达回波时间降尺度订正方法 | |
| Wang et al. | Xihe: A data-driven model for global ocean eddy-resolving forecasting | |
| CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
| CN116012618A (zh) | 一种基于雷达回波图的天气辨识方法、***、设备及介质 | |
| CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及*** | |
| CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 | |
| CN118135424B (zh) | 基于遥感图像和gis的生态环境监管方法和装置 |
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 |