[发明专利]基于卷积LSTM神经网络的云层轨迹预测方法及系统

说明书

本发明公开了一种基于卷积LSTM神经网络的云层轨迹预测方法及系统，方法包括以下步骤：步骤1，获取目标云层的雷达反射率因子图像；步骤2、对雷达反射率因子图像数据进行预处理操作；步骤3、构造雷达反射率因子图像数据集，所述雷达反射率因子图像数据集包括训练集和测试集；步骤4、结合卷积LSTM神经网络、编码‑解码器、原始卷积层和原始反卷积层构建时空序列云轨迹预测模型；步骤5、利用训练集的数据训练时空序列云轨迹预测模型；步骤6、利用训练后的时空序列云轨迹预测模型对实时数据进行云层轨迹预测。本发明能够提高云层轨迹预测的效率和准确度。

技术领域

本发明涉及一种基于卷积LSTM神经网络的云层轨迹预测方法及系统，属于人工智能和气象科学技术领域。

背景技术

雷达反射率因子是一种通过多普勒气象雷达定时在高空进行扫描表征降水物得到的多维数据，该数据通常表示表征降水物中包含降雨粒子的信息，能够为临近降雨强度预报提供数据支持。而云层轨迹预测技术是通过分析雷达图像来预测未来一段时间内的云层轨迹变化，帮助为即将到来的极端天气做出决策。

现有的云层轨迹预测方法大体上可分为两类：(1)数值天气预报(NWP)方法是一种物理学方法，通常需要进行大量的计算以模拟大气的物理模型，涉及到大气物理学、云物理学、降水物理学和云动力学等气象领域中的专业知识，对于其他领域的从业者来说具有较高的专业门槛，而且对于气象领域从业者来说也是一个费时费力的方法。(2)基于计算机视觉领域的知识进行雷达反射率因子外推的方法相比NWP方法更快并且更加准确，同时并不需要具有十分高深的气象领域的知识。

其中最为引人关注的是卷积LSTM网络，其通过将卷积神经网络处理空间问题的能力和LSTM解决时间序列问题的能力相结合，在解决时空序列预测问题上表现出强大的性能和理论优势，在云轨迹预测的应用中也取得了不错的效果。因此，需要研究一种基于卷积LSTM神经网络的云层轨迹预测方案。

发明内容

为了解决上述问题，本发明提出了一种基于卷积LSTM神经网络的云层轨迹预测方法及系统，能够提高云层轨迹预测的效率和准确度。

本发明解决其技术问题采取的技术方案是：

第一方面，本发明实施例提供的一种基于卷积LSTM神经网络的云层轨迹预测方法，包括以下步骤：

步骤1，获取目标云层的雷达反射率因子图像；

步骤2、对雷达反射率因子图像数据进行预处理操作；

步骤3、构造雷达反射率因子图像数据集，所述雷达反射率因子图像数据集包括训练集和测试集；

步骤4、结合卷积LSTM神经网络、编码-解码器、原始卷积层和原始反卷积层构建时空序列云轨迹预测模型；

步骤5、利用训练集的数据训练时空序列云轨迹预测模型；

步骤6、利用训练后的时空序列云轨迹预测模型对实时数据进行云层轨迹预测。

作为本实施例一种可能的实现方式，所述步骤2包括以下步骤：

步骤21，统计所有雷达反射率因子图像中每个像素点的具体数值，用数据截断方法对所有像素点数据进行截断处理，所述每个像素点的具体数值的表达式为：

V(x,y,z)＝max(V(x,y,z),V_max)

其中，V(x,y,z)表示雷达反射率因子图像中的每一个像素点的具体数值，V_max表示截断的阈值，max表示取二者的最大值；

步骤22，对截断处理的所有数据进行归一化处理：