[发明专利]一种预测降雨量的方法与设备

说明书

与现有技术相比，本申请通过一种预测降雨量的方法，首先获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像，接着基于所述第一雷达回波图像序列确定第二雷达回波图像序列，最后将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。通过该方法，使用训练后的改进SlowFast神经网络模型来预测未来短时降雨量，大大提高了预测准确率，可应用于各种相关应用场景，满足实际需要。

技术领域

本申请涉及计算机图像处理技术领域，尤其涉及一种预测降雨量的技术。

背景技术

降雨量预测对很多农业生产、城市生活及工作等有着重要作用，如降雨量预测是机场运行的一项重要保障。雷达回波图像可以表现某片区域上空云的形态，连续帧雷达回波图像序列则能反映该区域上空云的运动和变化轨迹，而云的形态和运动趋势可以用于判断未来天气。

在深度学习兴起后，出现了利用神经网络模型来预测降雨量，如TrajGRU(TrajectoryGated Recurrent Unit，轨迹门控递归单元)神经网络模型，利用雷达回波图像数据，捕捉雷达回波图像的特征规律来预测未来的雷达回波图像，从而预测未来天气。但是用这种方法得到的预测结果准确率不佳，特别是非临近的降雨量预测，如短时降雨量预测的准确率不高，难以满足实际需要。

发明内容

本申请的目的是提供一种预测降雨量的方法与设备，用以解决现有技术中降雨量预测准确率不高的技术问题。

根据本申请的一个方面，提供了一种预测降雨量的的方法，其中，所述方法包括：

获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；

基于所述第一雷达回波图像序列确定第二雷达回波图像序列；

将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。

可选地，其中，所述第二雷达回波图像序列包括：

所述第一雷达回波图像序列的首、尾两帧雷达回波图像，及基于预设间隔从第一雷达回波图像序列中采样获取的若干帧雷达回波图像。

可选地，其中，确定所述训练后的改进SlowFast神经网络模型包括：

获取所述预设站点的历史第一雷达回波图像序列，构建历史第一雷达回波图像序列训练集，其中，所述历史第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；

基于所述历史第一雷达回波图像序列确定历史第二雷达回波图像序列，构建与所述历史第一雷达回波图像序列训练集对应的历史第二雷达回波图像序列训练集，其中，所述历史第二雷达回波图像序列从所述历史第一雷达回波图像序列中采样确定；

获取所述预设站点与所述历史第一雷达回波图像序列对应的历史降雨量，构建历史降雨量数据集；

将所述历史第一雷达回波图像序列训练集、所述历史第二雷达回波图像序列训练集和所述历史降雨量数据集用于训练改进SlowFast神经网络，当所述改进SlowFast神经网络的损失函数输出满足预置阈值，完成所述SlowFast神经网络模型训练。

可选地，其中，所述改进SlowFast神经网络是将SlowFast神经网络尾部的分类或者检测结构替换成回归结构。

可选地，所述改进SlowFast神经网络的结构包括：

Fast Pathway分支，包括1个卷积池化层和4个残差模块、1个全局平均池化层；