[发明专利]一种基于深度学习的雷达定量降水估计方法

权利要求书

1.一种基于深度学习的雷达定量降水估计方法，其特征在于，具体包括如下步骤：

(1)根据历史降水资料，分别获取天气雷达数据和地面站降水数据；

(2)根据步骤(1)获取的天气雷达数据，对天气雷达的仰角反射率数据进行筛选、坐标转换、插值，得到预处理的天气雷达数据；

(3)根据步骤(1)获取的地面站降水数据，利用格拉布斯算法对连续3小时内的降水数据进行质量控制，将质量控制后的地面站降水数据作为降水强度标签；

(4)将预处理的天气雷达数据和质量控制后的地面站降水数据进行时空匹配，并将预处理的天气雷达数据切割为三维雷达数据结构；

(5)建立基于深度学习的雷达定量降水估计模型，将切割为三维雷达数据结构的天气雷达数据作为雷达定量降水估计模型的输入，将质量控制后的地面站降水数据作为雷达定量降水估计模型的标签，设置雷达定量降水估计模型学习率初始值、动量参数、权重衰减参数，训练雷达定量降水估计模型，当均方误差损失函数收敛时，获得最佳降水强度估计模型；

(6)将新获取的天气雷达数据进行天气雷达的仰角反射率数据进行筛选、坐标校正及切割后输入最佳降水强度估计模型中，得到逐个天气雷达数据的降水估计结果，将降水估计结果拼接成一张完整的降水估计图，叠加到地形文件上，生成区域降水信息。

2.根据权利要求1所述基于深度学习的雷达定量降水估计方法，其特征在于，步骤(2)的具体过程为：根据步骤(1)获取的天气雷达数据，筛选并保留天气雷达的仰角反射率数据超过0dB的天气雷达数据，并将天气雷达中的原始极坐标系转换成笛卡尔坐标系，网格尺寸设置于1*1km，通过Cressman加权函数插值高度缺失数据，获得不同海拔高度的等高平面位置天气雷达数据。

3.根据权利要求1所述基于深度学习的雷达定量降水估计方法，其特征在于，步骤(4)中三维雷达数据结构依据海拔自上而下为15*15矩阵、11*11矩阵、7*7矩阵和3*3矩阵。

4.根据权利要求1所述基于深度学习的雷达定量降水估计方法，其特征在于，步骤(5)中雷达定量降水估计模型由连接的特征融合网络和长短期记忆网络组成，所述特征融合网络的用于对三维雷达数据进行特征提取并自上而下进行特征融合，所述长短期记忆网络根据特征融合网络融合的特征进行时间相关性的降水估计。

5.根据权利要求4所述基于深度学习的雷达定量降水估计方法，其特征在于，所述特征融合网络由1*1的卷积层、3*3的卷积层、注意力模块、特征融合模块和级联层组成，所述1*1的卷积层、3*3的卷积层分别与注意力模块连接，所述注意力模块与特征融合模块连接，所述特征融合模块与级联层连接。

6.根据权利要求5所述基于深度学习的雷达定量降水估计方法，其特征在于，所述注意力模块均由1*1的卷积层、ReLU函数和3*3的卷积层组成。

7.根据权利要求4所述基于深度学习的雷达定量降水估计方法，其特征在于，所述长短期记忆网络由依次连接的第一双向长短期记忆单元、第一丢失层、第二双向长短期记忆单元、第二丢失层、两层全连接层组成。

8.根据权利要求1所述基于深度学习的雷达定量降水估计方法，其特征在于，步骤(5)具体包括如下子步骤：

(5.1)将切割为三维雷达数据结构的天气雷达数据中海拔最低的天气雷达数据输入到1*1的卷积层中提取特征，将其余海拔高度的天气雷达数据输入到3*3的卷积层中提取特征，将提取的特征均输入注意力模块中，捕捉天气雷达数据中影响降水的边缘信息，依次通过特征融合模块将高海拔特征向低海拔特征进行融合，得到融合特征，融合特征经级联层的级联，输出融合的反射率特征；

(5.2)将融合的反射率特征输入长短期记忆网络中，输出降水估计；

(5.3)求取输出的降水估计与标签的均方误差，判断均方误差损失函数是否收敛，如不收敛，重复步骤(5.1)-(5.2)，直至均方误差损失函数收敛，获得最佳降水强度估计模型。

9.根据权利要求1所述基于深度学习的雷达定量降水估计方法，其特征在于，所述学习率初始值为0.0001、动量参数设置于0.9、权重衰减参数设置于1e-5。