[发明专利]基于CGRU的强时空特性雷达回波临近预报方法

说明书

本发明公开了一种基于CGRU的强时空特性雷达回波临近预报方法，所述方法包括如下步骤：(1)获取关于天气临近预报的连续雷达回波图像，并对连续雷达回波图像进行预处理，构建具有统一时间维度和空间维度的张量数据；(2)构建并训练3DCNN‑CGRU网络训练模型，得到3DCNN‑CGRU编码预测网络模型；(3)将步骤(1)所述用于进行天气临近预报的连续雷达回波图像序列的张量数据输入到所述3DCNN‑CGRU网络模型，生成天气临近预报结果；本发明提出一种3DCNN‑CGRU网络模型，增强了时空特征的传输能力，更有效地捕获和学习连续雷达回波图像的时空特征相关性，解决了时空信息易丢失，预测准确度低的问题。

技术领域

本发明涉及气象观测技术领域，尤其涉及一种基于CGRU的强时空特性雷达回波临近预报方法。

背景技术

雷达回波临近预报的目标是在未来相对短的时间段(例如0-2小时)内，对当地区域的天气情况进行及时且准确的预报。目前，该技术已经被广泛应用于居民出行、农业生产、飞行安全等方面，它不仅能够方便人们，而且有利于防灾减灾。随着目前气候的变化和城市化进程的加快，大气情况变得越来越复杂，各种气象灾害频繁发生，气候变化给人们的生活和工作带来了诸多负面影响，增加了许多不确定性的危险，如果能够对上述气象灾害做出有效的预测和预防，人民群众的损失将会大大减少。

目前常用的雷达回波临近预报的方法主要是交叉相关法和基于光流的方法，它们已经被证明能比较有效地外推出未来雷达回波图。但是对于这两种传统方法存在不可避免的缺点；当回波快速变化时，无法满足拉格朗日守恒条件，预测效果会快速降低；传统的雷达回波临近预报方法在短临预报准确率以及充分利用海量雷达回波图像数据方面仍存在一定缺陷。对比传统的雷达回波预报方法，深度学习方法能更好地针对大数据进行深度挖掘和分析，提高模型预测精度。深度学习作为大数据驱动的新兴技术，特别是其中循环神经网络(RNN)和长短期记忆网络(LSTM)，为雷达回波临近预报任务带来一些新的解决方案。通过充分利用海量被采集到的雷达回波图数据，能更有效地训练网络模型，更准确地预测未来回波走势。虽然普通结构的LSTM网络一定程度上能够解决气象时序问题，但雷达回波预测存在较强的前后时空相关性，前一时刻的时空信息能决定下一时刻的预测，普通LSTM模型并没有考虑时间上空间相关性，因此容易导致时空信息的丢失，预测准确性的下降，并且速度不能保证。

发明内容

发明目的：针对以上问题，本发明提出一种基于CGRU的强时空特性雷达回波临近预报方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于CGRU的强时空特性雷达回波临近预报方法，具体方法包括：

(1)采集用于进行天气临近预报的连续雷达回波图像序列，相比较单张的雷达图像，图像序列更能体现气象数据的前后相关性；然后对连续雷达回波图像序列进行预处理，得到具有统一时间维度和空间维度的张量数据；对三维数据的处理能够得到具有完全时空特性的张量数据；

其中，所述张量数据为三维张量X∈R^T×W×H；式中，R表示实数集；T为时间维度；W、H分别是行列空间维度；

所述连续雷达回波图像序列用Y(t)＝y₁,y₂,...,y_N,t＝1,2,...,N表示；式中，t表示时间；N表示雷达回波图像序列的长度；

(2)构建并训练3DCNN-CGRU网络训练模型，得到3DCNN-CGRU网络模型，具体方法包括：

(2.1)以第一连续时间序列和第二连续时间序列为滑动窗口采集得到连续历史雷达回波图像序列；其中，所述第一连续时间序列与所述第二连续时间序列在时间上连续；