[发明专利]一种基于改进的TrajGRU网络的气象雷达回波外推方法

说明书

本发明公开了一种基于改进的TrajGRU网络的气象雷达回波外推方法，S1、读取多层雷达图像序列数据bin文件，将读取图像转化为灰度图序列；S2、将处理后的所述灰度图序列输入到根据像素预测准确程度计算损失函数中权重的TrajGRU深度学习网络中，训练得到预测模型；S3、将用于预测的实况雷达图序列输入预测模型中，得到外推雷达图序列结果。本发明对雷达图像序列数据做预处理，读取为灰度图序列后，输入到能接受多层雷达图像序列和根据像素预报准确度而得到损失函数中不同的权重的TrajGRU网络模型中，并获得预测模型。改进后的TrajGRU网络模型能更准确的捕获雷达图片的时空相关性；外推结果能够更好保持图像细节，雷达回波分布更接近真实雷达扫描图像。

技术领域

本发明属于雷达回波外推的技术领域，具体涉及一种基于改进的TrajGRU网络的气象雷达回波外推方法。

背景技术

雷达回波外推是指根据天气雷达预测到的回波数据，确定回波的强度分布以及回波体的移动速度和方向，并通过对回波进行线性或非线形的外推，来预报一定时间段后的雷达回波状态。

现有的常规雷达回波外推技术主要有单体质心法和交叉相关法。单体质心法是将目标简化，适合对较大的目标进行跟踪预报，但是当雷达回波比较零散或者发生合并、分裂现象时，外推预报的准确性就会大大降低。交叉相关法则是选取两个连续时次的空间优化相关系数建立拟合关系，但是对于回波变化较为快速的强对流气象过程，很难保证外推追踪的准确性，外推效果也会明显降低。光流法在运动矢量估计方面具有较好的性能，有算法采用光流法对连续的雷达图像进行外推预测，并应用于强降雨警告等场景。然而，光流法具有累计误差、不能发挥雷达回波图像有失等缺点。

最新的深度学习算法被应用在雷达回波外推上，提出了一种新的卷积LSTM(ConvLSTM)网络用于降水临近预报，将降水临近预报定义为时空序列预测问题；通过堆叠多个ConvLSTM层形成编码预测结构，构建用于临近预报的端到端训练模型。然而，ConvLSTM模型中把循环连接结构变成了一个时空恒定的结构，而自然运动和变化通常位置是可变的。尽管ConvLSTM中使用的卷积递归结构在捕获时空相关性方面优于全链接的递归结构，但它不是最优的。所以随后，超越了ConvLSTM算法，提出了轨迹GRU(TrajGRU)模型，该模型可以主动学习循环连接中的位置变量结构，比ConvLSTM更灵活。TrajGRU算法不足之处为，图像随着外推时刻增加逐渐模糊，不能很好的反应外推走势。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种基于改进的TrajGRU网络的气象雷达回波外推方法，以解决现有技术很难保证外推追踪的准确性，外推效果也会明显降低的问题。

为达到上述目的，本发明采取的技术方案是：

一种基于改进的TrajGRU网络的气象雷达回波外推方法，其包括：

S1、读取雷达图像序列数据bin文件，并将其处理为灰度图像序列；

S2、将处理好的所述灰度图像序列输入到构建好的TrajGRU深度学习网络中，训练后得到预测模型；

S3、将用于预测的实况雷达图像序列输入预测模型中，得到外推图像序列结果。

优选地，步骤S1读取雷达图像序列数据bin文件，并将其处理为灰度图像序列，其具体步骤包括：

S1.1、获取雷达bin文件，读取为彩色图片；

S1.2、将彩色图片处理为灰度图像序列。

优选地，步骤S2的具体步骤包括：

S2.1、根据像素预报准确程度计算TrajGRU深度学习网络的损失函数权重；