[发明专利]一种基于深度学习的短时降水预测方法

说明书

本发明一种基于深度学习的短时降水预测方法，属于计算机视觉和气象服务技术领域包括以下步骤：采集目标区域最近某段时间内降雨过程的雷达回波序列，构建降雨数据集，并按照预设比例将数据集分为训练集和测试集；对降雨数据集中的降雨数据进行预处理，得到预处理后的降雨数据集；基于在卷积部分中引入了Inception模块和高效通道注意力模块,以及双向长短时记忆神经网络构建降雨预测模型；基于预处理后的训练集数据训练降雨预测模型，得到训练好的降雨预测模型；将预处理后测试集中降雨数据输入到训练好的降雨预测模型中，实现目标区域未来1到2小时内的将雨量预测，该方法解决了现有的降水预测方法预测结果误差较大的问题，提高了降雨预测的准确度。

技术领域

本发明涉及计算机视觉和气象服务技术领域，具体涉及一种基于深度学习的短时降水预测方法。

背景技术

由于短时降雨引起的气象灾害频发，其产生的社会危害性极大，严重威胁人民的生命财产安全，因此在气象预报领域中,短时降雨预报一直是研究的重要问题。短时降雨预报的目的是针对某个局部区域，在相对较短的时间里(一般0-6小时)准确及时的预测降雨强度。目前，国内外业务上常用的降水预报方法是基于光流法的雷达回波外推方法。该方法通过计算回波图像间像素在时间上的变化，计算出像素的运动矢量，然后利用线性外推或者拉格朗日外推的方式，预测出未来时刻的雷达回波状态，再利用Z-I关系反演回波对应的降雨量。这样做，一方面是降雨预测分多步进行，容易造成误差的累积；另一方面，雷达回波外推技术的实际有效预报通常小于1小时。因此，如果利用该方法预测某一目标地区的未来1-2小时的降雨量，会降低降雨预测的精度。近年来，随着深度学习的发展，该技术不断应用在各行各业中，而气象领域中包含大量的数据，因此，非常有利于深度学习这种基于数据驱动的方法。

发明内容

为了提高降雨预测的精度，减小误差，针对雷达回波序列的特点，本发明采用一种基于深度学习的短时降水预测方法，包括以下步骤：

采集目标区域最近某段时间内降雨过程的雷达回波序列，构建降雨数据集，并按照预设比例将数据集分为训练集和测试集；

对降雨数据集中的降雨数据进行预处理，得到预处理后的降雨数据集；

基于在卷积部分引入了Inception模块和高效通道注意力模块以及双向长短时记忆神经网络构建降雨预测模型；

基于预处理后的训练集数据训练降雨预测模型，得到训练好的降雨预测模型；

将预处理后测试集中降雨数据输入到训练好的降雨预测模型中，实现目标区域短时间的将雨量预测。所述短时间指的是未来1到2小时内。

进一步地：所述对降雨数据集中的降雨数据进行预处理，包括以下步骤：

S21:采取K近邻算法，通过欧式距离找到雷达回波序列中缺失值附近相似的k个点，把k个点求均值做为缺失值的数值，得到对填充缺失值后的图像，

S22:对填充缺失值后的图像利用高斯滤波器去除高斯噪声，高斯滤波处理后的图像；

S23:将得到的高斯滤波处理后的图像进行归一化处理，得到归一化后的图像。

进一步地：所述降雨预测模型的结构如下：包括14个层组成：

第一层是卷积层，卷积核大小为3x3，卷积核个数为64；

第二层是池化层，内核大小为3x3，步长为2；

第三层是卷积层，卷积核大小为3x3，卷积核个数为128

第四层是池化层，内核大小为3x3，步长为2；

第五层是Inception模块Ⅰ；

第六层是由Inception模块Ⅱ与通道注意力ECA模块连接组成；