[发明专利]基于速度场感知网络的雷达回波外推预测方法和系统

说明书

本发明提供一种基于速度场感知网络的雷达回波外推预测方法和系统，预测方法包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测雷达回波序列；训练好的速度场感知雷达外推网络模型通过如下步骤获取：搭建任一时刻记忆；搭建任一时刻输出门；获取任一时刻隐藏状态；构建任一时刻长短时间记忆网络结构；搭建雷达外推网络模型并将速度场与之融合，获取速度场感知雷达外推网络模型；将张量序列数据输入速度场感知雷达外推网络模型进行训练，获得训练好的速度场感知雷达外推网络模型。本发明挖掘出隐藏在历史数据的信息。在速度场感知雷达外推网络模型中结合了速度场，使模型具有了更准确的预测能力。

技术领域

本发明涉及计算机数据分析领域，更具体地，涉及一种基于速度场感知网络的雷达回波外推预测方法和系统。

背景技术

雷达天气数据对国家气象服务至关重要，雷达回波外推是进行定量降水预报和灾害性短时预报的一种主要手段。因此，能否准确地根据过去时刻的雷达回波序列预测未来时刻的雷达回波序列将影响后续的定量降水预报和灾害性短时预报的准确率。雷达回波外推的精准预测对生成社会层面的紧急降雨警报、生成机场天气指导和无缝对接到长期数值天气预报模型都是极为重要的。

雷达回波外推过程中不仅要考虑回波的运动趋势，还要考虑未来时刻的回波形状和强度，以及回波随着时间的生消问题。目前，在气象领域中已经存在多种基于机理的传统雷达回波外推预测方法，比如交叉相关法(COTREC)以及风暴识别、跟踪、分析和实时预报算法(Thunderstorm Identification，Tracking，Analysis and Nowcasting，TITAN)等，但是，这些方法的特点是刚体线性外推，无法解决雷达回波外推过程中的生消问题，无法预测回波的生成和消失，并且准确率不高。随着深度学习的快速发展，在多个领域中取得突破，本领域的技术人员开始探索如何将深度学习技术应用到气象领域的雷达回波外推预测问题当中。但是，这些方法单纯以数据作为驱动，网络结构设计不够合理，预测结果不准确。

发明内容

本发明提供一种克服上述问题的一种基于速度场感知网络的雷达回波外推预测方法和系统。

根据本发明的一个方面，提供一种基于速度场感知网络的雷达回波外推预测方法，包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列；其中，所述训练好的速度场感知雷达外推网络模型通过如下步骤获取：根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型；将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型进一步包括：通过实况数据获取过去时刻速度场，通过所述速度场感知雷达外推网络模型获取未来时刻速度场，所述速度场包括所述过去时刻速度场和所述未来时刻速度场；调整所述速度场与所述雷达外推网络模型的任一层的每一长短时间记忆网络结构的输入量的长宽大小相同；将所述速度场与所述任一层的每一长短时间记忆网络结构的输入量按照通道方向连接，获得所述任一层的输入量，以使得所述速度场在所述任一层和所述任一层的上一层之间融合，获取所述速度场感知雷达外推网络模型；其中，所述速度场感知雷达外推网络模型在所述任一层之后用于预测雷达回波序列和所述未来时刻速度场。

优选地，所述根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆进一步包括：通过以下公式获取所述任一时刻输入门：