[发明专利]一种短时降雨预测方法

说明书

本发明公开了一种短时降雨预测方法，包括编辑生成器和判别器，所述生成器用于根据真实样本集生成假样本集，所述判别器用于判别输入图像来自真实样本集或假样本集；根据雷达回波序列图像训练所述生成器和所述判别器，直到所述生成器和所述生成器的网络收敛；将待预测图像输入所述生成器，所述生成器生成预测图像并输出。本发明的方法对图像的目标轮廓具有了更高的拟合性，同时也提高了图像的清晰度，从而提高了短时降水预报的精度。

技术领域

本发明属于图像处理技术领域，特别涉及一种短时降雨预测方法。

背景技术

目前，短时降水预测主要分为两个基本类型，一种是基于数值的预测方法(NWP),数值天气预报使用流体动力学和热力学等原始方程构建大气模型，并将观测数据输入模型生成初始状态来预测未来的大气状态，这个模型使用非线性偏微分方程，非常复杂，需要考虑很多因素，它可以预测多种大气变量，如温度、压力、风力和降水等。但NWP也有自身的缺陷：除非在理想情况下，如果初始状态参数不完全，计算机对初始状态演变的预测将具有很大的不确定性。由于NWP方法需要利用物理方程模拟一个复杂而精细的大气模型，该方法在较长一段时间内的预报会较为准确，而在开始的1～2个小时内可能预测无效。

另外一种是基于雷达回波图像的外推方法，相较于NWP，该方法对短时降水预报更为准确和快速。目前的外推方法主要分为两种，一种是基于光流的外推方法，该方法外推得到的雷达回波图像细节丰富，但随着预测时间的加长，会丢失部分区域的预测；另外一种是基于深度学习的外推方法，其中效果较好的是基于conv_lstm的外推方法，该方法对于轮廓的拟合非常好，但不能体现细节。如图1所示，第一行为t1至t5时刻的雷达回波图像，第二行为t6至t10时刻的雷达回波图像，第三行为conv_lstm对t6至t10时刻的预测结果，第四行为光流法对t6至t10时刻的预测结果，显然，随着预测时间的增长，光流法丢失的预警区域越来越大，如图中红色区域所示，基于conv_lstm的方法虽然能很好的拟合目标轮廓，但图像整体比较模糊，精度较低。

发明内容

本发明的目的在于提供一种短时降雨预测方法，提高了短时降水的预测精度。

为解决上述技术问题，本发明的技术方案为：

一种短时降雨预测方法，包括以下步骤：

编辑生成器和判别器，所述生成器用于根据真实样本集生成假样本集，所述判别器用于判别输入图像来自真实样本集或假样本集；

根据雷达回波序列图像训练所述生成器和所述判别器，直到所述生成器和所述生成器的网络收敛；

将待预测图像输入所述生成器，所述生成器生成预测图像并输出。

进一步，上述根据雷达回波序列图像训练所述生成器具体为：

接收雷达回波序列图像，将所述雷达回波序列图像中t₁～t₅时刻的图像标记为输入图像，将所述雷达回波序列图像中t₆～t₁₀时刻的图像标记为标签图像；

将所述输入图像输入所述生成器，生成假样本集；

将所述假样本集和所述标签图像分别输入所述判别器，输出假样本集和标签图像的判别值，根据判别值训练判别器和生成器，直到判别值不再降低。

进一步，上述判别值包括判别器损失函数和生成器损失函数。

进一步，上述判别器损失函数的计算方法为：

接收雷达回波序列图像，将所述雷达回波序列图像中t₁～t₅时刻的图像标记为输入图像，将所述雷达回波序列图像中t₆～t₁₀时刻的图像标记为标签图像；