[发明专利]一种飑线风风速预测方法

权利要求书

1.一种飑线风风速预测方法，其特征在于，包括步骤：

S1：收集历史飑线样本；

S2：通过卷积神经网络学习和训练基于CNN的飑线风判别模型，具体内容为：传入雷达反射率图片，首先将图像以灰度图模式读取，提取其中的反射率因子，然后进行以下预处理：1)图像以0.2的概率随机翻转；2)对图像进行适当的膨胀腐蚀操作和扭曲操作，以实现对训练数据的增广操作；3)对图像进行阈值化处理，反射率小于40dbz的像元赋值为0，40dbz以上的像元保留；4)得到阈值化处理之后的图像，对其中的像素面积小于输入图像总面积0.06％的连通区域进行剔除操作，从而保留下主要信息；通过上述操作，为最后训练形成的飑线风判别模型预先提取重要特征，提高飑线风判别模型精度，最后训练得到飑线风判别模型；

S3：飑线风判别模型训练完毕后，输入需要预测的雷达反射率图片，首先对图像进行阈值化处理，小于40dbz的像元赋值为0，40dbz以上像元保留；其次对其中像素面积小于输入图像总面积0.06％的连通区域进行剔除操作，从而保留下主要信息；然后分别对图像进行水平、垂直、水平+垂直翻转操作，连同剔除操作后所得到的图像，共计4幅图，全部输入飑线风判别模型；利用飑线风判别模型判别是否飑线，得到四个结果，进行加权平均得到最终结果，是则输出结果文件，否则回到步骤S3等待执行下一张雷达反射率图片。

2.根据权利要求1所述的一种飑线风风速预测方法，其特征在于，步骤S1的具体内容如下：选用的训练数据是雷达监测站近20年的所有飑线案例附近时间段的雷达数据，提取数据之后，从中获得飑线样本和非飑线样本；标注完成之后，存储为uint8格式，便于读取；训练过程中，90％的数据作为训练集，剩余10％的数据作为验证集。

3.根据权利要求1所述的一种飑线风风速预测方法，其特征在于，在步骤S2中通过卷积神经网络训练采用带动量批量梯度下降法，batch大小设置为64，momentum设置为0.9，学习率设置为0.0001，迭代次数设置为50，另外，采用早熟策略，即每次迭代都会将更新后的网络在验证集上测试，如果训练误差连续增大6次，则退出训练，保存迭代过程中验证误差最小的模型。

4.根据权利要求1所述的一种飑线风风速预测方法，其特征在于，在步骤S2中使用基于LeNet结构的卷积神经网络。

5.根据权利要求4所述的一种飑线风风速预测方法，其特征在于，在步骤S2中，训练数据的雷达图像经过卷积神经网络学习，将会输出两个值，此后接softmax函数，将两个值映射成飑线/非飑线的概率，概率大的为最终判定结果；计算网络输出结果与标签误差，损失函数选用交叉熵损失函数，如式(1)所示：

式中，y是标签，即0或者1，为预测结果，每轮训练后将误差反向传播到各个参数上，对参数进行更新，最终训练得到飑线风判别模型。