[发明专利]基于CNN和BiLSTM的临近降水预测方法

说明书

本发明公开了一种基于CNN和BiLSTM的临近降水预测方法，该方法针对复杂序列雷达回波进行降水预测的问题，首先通过卷积神经网络提取序列雷达回波图的上下文信息，再利用双向长短时记忆网络根据雷达回波序列的前后文关系进行分析预测，同时，在每一个卷积层和双向长短时记忆网络层后增加池化层有效地防止因训练集过快拟合而导致测试效果差的问题，该方法得到的临近降水预测结果准确可靠，且预测效率也大大提高。

技术领域

本发明涉及计算机视觉及大气科学技术领域，更具体的说是涉及一种基于CNN和BiLSTM的临近降水预测方法。

背景技术

临近降水预报在气象服务领域一直是非常重要的问题。临近降水预报是指针对某个区域，在相对较短的时间里(一般是0～2小时)预测降雨强度。目前，国内外最常采用的临近降水预报方法是基于雷达外推的方法，其中光流法的雷达回波外推方法最为常用。光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧与当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。

但是，光流法的基本假设条件包括亮度恒定不变和时间连续“小运动”，也就是说，光流法应用的前提是同一目标在不同图像帧之间的运动，其亮度不会发生改变，且相邻图像帧之间的位移要比较小。这种条件在实际应用中较难达到。此外，为了得到预测的降水，在得到预测的雷达回波图像之后，还要根据Z-I关系反演降雨量，这样分步预测降水容易造成误差叠加，降低降水预测的整体精度。

近年来，图像检测、分类、回归等复杂问题随着机器学习的兴起，正逐渐简化成大数据集和训练模型的问题，上述问题也迎刃而解。随着计算机计算能力的大幅度提升，深度学习逐渐成为机器学习领域的一个新的研究方向，并在气象预报领域取得了初步成功的应用。但由于降水既与前一段时间的气象条件相关，又和周围地区的气象条件相关。实际上，降水量的预测是一个时空序列预测问题，它以过去的雷达图序列为输入，以未来一段时间的降雨量作为输出。长短时记忆网络(Long Short Term Memory Networks，简称LSTM)特别是双向长短时记忆网络(BiLSTM)为处理具有时间维度以及类似时间维度信息的循环神经网络的一种改进模型，能弥补卷积神经网络(Convolutional Neural Networks，简称CNN)只能处理空间维度信息的缺陷。

但是，双向长短时记忆网络本身的计算单元较多，其深度极易受到内存的限制，目前并未取得理想的应用效果。

因此，如何提供一种预测精度高、预测过程更加高效的临近降水预测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于CNN和BiLSTM的临近降水预测方法，该方法针对复杂序列雷达回波进行降水预测的问题，首先通过卷积神经网络提取序列雷达回波图的上下文信息，再利用双向长短时记忆网络根据雷达回波序列的前后文关系进行分析预测，该方法解决了现有的降水预测方法预测精度低且效率难以保证的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于CNN和BiLSTM的临近降水预测方法，该方法包括：

获取序列雷达图像以及对应未来一小时的降雨数据集；

将数据集按照预设比例分为训练集和测试集；

构建Tiny-RainNet网络模型；

根据预设的高度和时间跨度条件，将序列雷达图像分别缩放至对应的尺寸；

分别将缩放获得的雷达图像输入到Tiny-RainNet网络模型中，训练得到降水预测模型；

输入测试集序列雷达回波图像至降水预测模型，预测对应区域的降雨量，并计算预测降雨量和实际降雨量之间的均方根误差，将最小的均方根误差对应的图像尺寸作为最佳图像缩放尺寸；