一种雷达回波外推方法、装置及存储介质

1.本发明涉及气象预测技术领域，具体而言，涉及一种雷达回波外推方法、装置及存储介质。


背景技术：

2.短临降雨预测是气象预测领域中的重要研究内容，其是指对指定区域未来一定时段内的降雨分布情况进行预测，其预测准确性对农业、交通和军事等多个行业具有重要意义。其中，基于雷达回波外推方法是进行短临降雨预测的重要技术手段，雷达回波图像是由雷达释放的电磁波遇到空气中的水分子后发生反射形成，雷达接收到的反射率可以在一定程度上反应该区域的水分子密度。
3.目前，常采用以下方法进行雷达回波外推：一种是基于雷达回波图像通过光流法或交叉相关法构造相邻时刻间回波的运动情况，根据回波运动情况外推出下一时刻的雷达回波，进而预测下一时刻的降雨情况。这种方法根据相邻时刻的雷达回波图像进行预测，且基于雷达回波的运动不变的假设，但是，气象变化往往是复杂且多变的，导致这种方法的预测准确性较低；另一种是采用convlstm等机器学习模型进行雷达回波外推，该方法基于上一时刻的雷达回波来预测当前时刻的雷达回波，由于误差传递现象，预测的雷达回波会随着时间的增加逐渐变得模糊，导致在长序列雷达回波的预测上准确性逐渐降低。


技术实现要素：

4.本发明解决的问题是如何提高长序列雷达回波的预测准确性。
5.为解决上述问题，本发明提供一种雷达回波外推方法、装置及存储介质。
6.第一方面，本发明提供了一种雷达回波外推方法，包括：获取指定区域当前时刻的当前雷达回波图和当前卫星云图，以及过去一段时间的历史雷达回波图和历史卫星云图；采用第一iia-gru编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理，获得第一编码图像；采用第二iia-gru编码器对所述当前卫星云图和所述历史卫星云图进行编码处理，获得第二编码图像；其中，所述编码处理包括对当前图像进行特征提取，获得隐藏层特征图像；基于交互注意力机制，对所述隐藏层特征图像和对应的历史图像进行拼接，获得拼接图像；基于双向注意力信息提取机制，对所述拼接图像进行空间信息融合，获得所述编码图像；所述当前图像包括所述当前雷达回波图和所述当前卫星云图，所述历史图像包括所述历史雷达回波图和所述历史卫星云图；基于门控机制对所述第一编码图像和所述第二编码图像进行融合，并采用iia-gru解码器对融合结果进行解码，获得所述指定区域未来一段时间内的雷达回波图像。
7.可选地，所述对当前图像进行特征提取之前，还包括：对所述当前图像和所述历史图像进行下采样，获得下采样处理后的所述当前图
像，以及下采样处理后的所述历史图像。
8.可选地，所述基于交互注意力机制，对所述隐藏层特征图像和对应的历史图像进行拼接，获得拼接图像包括：基于交互注意力机制，对当前时刻的所述隐藏层特征图像和过去一段时间的所述历史图像进行时间维度的交互，获得处理后的图像；对所述处理后的图像和所述隐藏层特征图像进行拼接，获得所述拼接图像。
9.可选地，所述基于双向注意力信息提取机制，对所述拼接图像进行空间信息融合，获得所述编码图像包括：采用最大池化层和平均池化层确定所述拼接图像各个通道的第一权重，根据所述第一权重对各个通道进行加权求和，获得第一权重图像；基于空间自注意力机制，确定所述拼接图像中各不同位置的第二权重，根据所述第二权重对各个位置进行加权求和，获得第二权重图像；采用sum fusion操作对所述第一权重图像和所述第二权重图像进行信息融合，获得所述编码图像。
10.可选地，所述基于门控机制对所述第一编码图像和所述第二编码图像进行融合包括：基于遗忘门机制，采用第一公式对所述第一编码图像和所述第二编码图像进行融合，获得所述融合结果，所述第一公式包括：,其中，表示更新门的输出，表示时间步，表示 sigmoid 激活函数，和表示更新门的权重参数，表示所述第一编码图像，表示所述第二编码图像，表示遗忘门的输出，和表示遗忘门的权重参数，表示候选隐藏状态，表示激活函数，和表示候选隐藏状态的权重参数，表示所述融合结果。
11.可选地，所述采用第一iia-gru编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理之前，还包括：获取所述指定区域过去一段时间的历史雷达回波图序列和历史卫星云图序列；对所述历史雷达回波图序列和所述历史卫星云图序列进行时间匹配和空间匹配，获得处理后的雷达回波图序列和处理后的卫星云图序列；采用所述处理后的雷达回波图序列和所述处理后的卫星云图序列训练待训练的模型，获得训练好的模型，所述模型包括所述第一iia-gru编码器、所述第二iia-gru编码器和所述iia-gru解码器。
12.可选地，所述对所述历史雷达回波图序列和所述历史卫星云图序列进行时间匹配
和空间匹配包括：统一所述历史雷达回波图序列和所述历史卫星云图序列的时区，获得统一后的雷达回波图序列和统一后的卫星云图序列；在所述统一后的雷达回波图序列和所述统一后的卫星云图序列中选取多个样本，所述样本包括多个不同时刻的雷达回波图和对应的卫星云图；对所述样本中的所述卫星云图进行插值处理，统一所述卫星云图和所述雷达回波图的空间面积。
13.可选地，所述对所述样本中的所述卫星云图进行插值处理，统一所述卫星云图和所述雷达回波图的空间面积包括：对于所述雷达回波图中的每个像素点，基于面积加权计算方法，根据所述像素点的多个最近邻像素点的经纬度计算所述像素点的像素值；将所述像素值作为各个所述像素点的卫星数据，生成与所述雷达回波图的空间面积相匹配的所述卫星云图。
14.可选地，所述面积加权计算方法采用第二公式表示，所述第二公式包括： ，其中，表示像素点的所述像素值，表示所述像素点的第个所述最近邻的像素点，表示所述最近邻的像素点的纬度，表示所述最近邻的像素点的经度，表示所述像素点的纬度，表示所述像素点的经度。
15.第二方面，本发明提供了一种雷达回波外推装置，包括：获取模块，用于获取指定区域当前时刻的当前雷达回波图和当前卫星云图，以及过去一段时间的历史雷达回波图和历史卫星云图；编码模块，用于采用第一iia-gru编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理，获得第一编码图像；采用第二iia-gru编码器对所述当前卫星云图和所述历史卫星云图进行编码处理，获得第二编码图像；其中，所述编码处理包括对当前图像进行特征提取，获得隐藏层特征图像；基于交互注意力机制，对所述隐藏层特征图像和对应的历史图像进行拼接，获得拼接图像；基于双向注意力信息提取机制，对所述拼接图像进行空间信息融合，获得所述编码图像；所述当前图像包括所述当前雷达回波图和所述当前卫星云图，所述历史图像包括所述历史雷达回波图和所述历史卫星云图；预测模块，用于基于门控机制对所述第一编码图像和所述第二编码图像进行融合，并采用iia-gru解码器对融合结果进行解码，获得所述指定区域未来一段时间内的雷达回波图像。
16.第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述雷达回波外推方法。
17.本发明的一种雷达回波外推方法、装置及存储介质的有益效果是：获取指定区域的当前图像和历史图像，当前图像包括当前雷达回波图和当前卫星云图，历史图像包括历史雷达回波图和历史卫星云图，采用预先训练好的编码器分别对当前图像和对应的历史图
像进行编码，其中，基于交互注意力机制对隐藏层特征图像和历史图像进行拼接，能够提取时间特征，学习到长序列上雷达回波或卫星云图的运动趋势；基于双向注意力信息提取机制对拼接图像进行空间信息融合，提取图像中的空间特征，并融合时空特征。相较于现有技术中采用单一时刻的雷达回波图进行预测，通过学习雷达回波或卫星云图的运动趋势，并结合空间特征，避免了误差累计，提高了长序列雷达回波图像的预测准确性。然后基于门控机制将雷达回波图编码得到的第一编码图像和卫星云图编码得到的第二编码图像进行融合，通过训练好的解码器对融合结果进行解码，以雷达回波图为雷达回波外推的主要依据，卫星云图为雷达回波外推的辅助依据，预测未来一段时间的雷达回波图。相较于现有技术在中仅采用雷达回波图进行雷达回波外推，通过门控机制充分利用雷达回波图和卫星云图中与气象数据密切相关的特征，提高了长序列雷达回波的预测准确性。
附图说明
18.图1为本发明实施例的一种雷达回波外推方法的流程示意图；图2为本发明实施例的基于交互注意力机制对隐藏层特征图像和历史图像进行拼接的逻辑示意图；图3为本发明实施例的基于双向注意力信息提取机制对拼接图像进行空间信息融合的逻辑示意图；图4为本发明实施例的最相邻像素点的示意图；图5为本发明另一实施例的一种雷达回波外推装置的结构示意图。
具体实施方式
19.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
20.应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
21.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
22.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
23.本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
24.如图1所示，本发明实施例提供的一种雷达回波外推方法，包括：步骤s110，获取指定区域当前时刻的当前雷达回波图和当前卫星云图，以及过去一段时间的历史雷达回波图和历史卫星云图。
25.具体地，获取指定区域从当前时刻起过去一段时间的雷达回波图和卫星云图，例如获取指定区域从当前时刻过去30分钟内的雷达回波图和卫星云图，或者获取当前时刻的雷达回波图，以及从过去30分钟的雷达回波图和卫星云图中任意挑选多个时刻的雷达回波图和卫星云图，雷达回波图可采用雷达灰度图。
26.步骤s120，采用第一iia-gru（基于信息交互注意力的循环卷积神经网络模型）编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理，获得第一编码图像；采用第二iia-gru编码器对所述当前卫星云图和所述历史卫星云图进行编码处理，获得第二编码图像。
27.可选地，采用第一iia-gru编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理包括：对当前雷达回波图进行特征提取，获得第一隐藏层特征图像；基于交互注意力机制，对第一隐藏层特征图像和历史雷达回波图进行拼接，获得第一拼接图像；基于双向注意力信息提取机制，对第一拼接图像进行空间信息融合，获得第一编码图像。
28.采用第二iia-gru编码器对所述当前卫星云图和所述历史卫星云图进行编码处理包括：对当前卫星云图进行特征提取，获得第二隐藏层特征图像；基于交互注意力机制，对第二隐藏层特征图像和历史卫星云图进行拼接，获得第二拼接图像；基于双向注意力信息提取机制，对第二拼接图像进行空间信息融合，获得第二编码图像。
29.具体地，可将当前图像输入循环卷积神经网络，通过隐藏层提取隐藏层状态信息，得到隐藏层特征图像。通过iia-gru编码器对雷达回波图和卫星云图进行编码处理，能够学习长序列的雷达回波图之间的依赖关系，以及长序列的卫星云图之间的依赖关系，进而准确学习到雷达回波和卫星云图的运动趋势，避免采用单一时刻的雷达回波图进行预测带来的误差累计，提高了预测准确性。同时，基于双向注意力信息提取机制，能够精确提取出图像中的空间特征，能够提高预测的雷达回波图的清晰度和准确性。
30.步骤s130，基于门控机制对所述第一编码图像和所述第二编码图像进行融合，并采用iia-gru解码器对融合结果进行解码，获得所述指定区域未来一段时间内的雷达回波图像。
31.具体地，大气运动规律极为复杂，对其进行建模非常困难，雷达回波图为单通道的图像数据，若只利用雷达回波图提供的信息，并不能很好的建模大气运动规律，不同于雷达数据，卫星云图是多通道数据，若说雷达回波图展示的是二维信息，那么卫星云图展示的则是三维立体的大气信息，每个通道的卫星云图可以反应特定的大气信息，例如红外通道数据能够用来计算云顶温度和压强等信息。通过引入卫星云图可以更好的建模大气运动的瞬息万变，将对应时刻的第一编码图像和第二编码图像进行融合，采用卫星云图辅助预测指定区域的雷达回波图像，能够提高雷达回波图像的预测准确性。
32.本实施例中，获取指定区域的当前图像和历史图像，当前图像包括当前雷达回波图和当前卫星云图，历史图像包括历史雷达回波图和历史卫星云图，采用预先训练好的编码器分别对当前图像和对应的历史图像进行编码，其中，基于交互注意力机制对隐藏层特征图像和历史图像进行拼接，能够提取时间特征，学习到长序列上雷达回波或卫星云图的
运动趋势；基于双向注意力信息提取机制对拼接图像进行空间信息融合，提取图像中的空间特征，并融合时空特征。相较于现有技术中采用单一时刻的雷达回波图进行预测，通过学习雷达回波或卫星云图的运动趋势，并结合空间特征，避免了误差累计，提高了长序列雷达回波图像的预测准确性。然后基于门控机制将雷达回波图编码得到的第一编码图像和卫星云图编码得到的第二编码图像进行融合，通过训练好的解码器对融合结果进行解码，以雷达回波图为雷达回波外推的主要依据，卫星云图为雷达回波外推的辅助依据，预测未来一段时间的雷达回波图。相较于现有技术在中仅采用雷达回波图进行雷达回波外推，通过门控机制充分利用雷达回波图和卫星云图中与气象数据密切相关的特征，提高了长序列雷达回波的预测准确性。
33.可选地，所述对当前图像进行特征提取之前，还包括：对所述当前图像和所述历史图像进行下采样，获得下采样处理后的所述当前图像，以及下采样处理后的所述历史图像。
34.本可选的实施例中，对当前图像和历史图像进行下采样处理，处理后的当前图像和历史图像作为编码处理的输入数据，不仅扩大了对图像的感受野，还可以降低图像的尺寸，提高了模型的图像处理速度。
35.可选地，所述基于交互注意力机制，对所述隐藏层特征图像和对应的历史图像进行拼接，获得拼接图像包括：基于交互注意力机制，对当前时刻的所述隐藏层特征图像和过去一段时间的所述历史图像进行时间维度的交互，获得处理后的图像。
36.具体地，如图2所示，交互过程可采用如下公式表示：，其中，表示处理后的图像，表示当前时刻（t-1时刻）的隐藏层特征图像，表示过去一段时间（0至t-2时刻）的历史图像，表示函数，图中da表示双向注意力交互机制。
37.对所述处理后的图像和所述隐藏层特征图像进行拼接，获得所述拼接图像。
38.具体地，拼接图像还可作为下一时刻的循环卷积神经网络的输入，图2中右侧实线框内表示循环卷积神经网络。
39.本可选的实施例中，利用当前时刻的隐藏层特征图像与过去一段时间的历史图像进行时间维度的交互，能够获得过去历史图像的运动趋势对当前图像的影响，将处理后的图像与当前时刻的隐藏层特征图像进行拼接，将图像运动趋势融入当前的隐藏层特征图像，相较于现有技术中采用单一时刻的雷达回波图进行预测，结合图像的运动趋势进行雷达回波图的预测，避免了误差累积导致的预测准确性降低，提高了长序列雷达回波图的预测准确性。
40.可选地，如图3所示，所述基于双向注意力信息提取机制，对所述拼接图像进行空间信息融合，获得所述编码图像包括：采用最大池化层和平均池化层确定所述拼接图像各个通道的第一权重，根据所述第一权重对各个通道进行加权求和，获得第一权重图像；
基于空间自注意力机制，确定所述拼接图像中各不同位置的第二权重，根据所述第二权重对各个位置进行加权求和，获得第二权重图像；采用sum fusion（和融合）操作对所述第一权重图像和所述第二权重图像进行信息融合，获得所述编码图像。
41.具体地，sum fusion（和融合）操作包括对图像依次进行卷积、层级正则化，然后利用elu激活函数进行处理，具体过程为现有技术，在此不再赘述。
42.本可选的实施例中，采用最大池化层和平均池化层确定单个时间帧中各不同通道的第一权重，根据第一权重对各个通道进行加权求和，能够提高具有雷达回波的通道的关注度；基于空间自注意力机制，确定拼接图像中各不同位置的第二权重，根据第二权重对各个位置进行加权求和，能够提高具有雷达回波的位置的关注度，采用sum fusion操作对第一权重图像和第二权重图像进行信息融合，实现了空间特征的准确提取和融合，进而能够提高预测的雷达回波图的清晰度和准确性。
43.需要说明的是，采用iia-gru解码器对融合结果进行解码的过程与编码处理过程相似，区别为解码过程中采用下采样处理，编码过程中采用上采样处理，通过解码预测雷达回波图时，预测第一张图像时不需要历史图像，预测第二张图像时，以第一张图像为历史图像；预测第三张图像时，以第一张和第二张图像为历史图像，依次类推，在此不再赘述。
44.可选地，所述基于门控机制对所述第一编码图像和所述第二编码图像进行融合包括：基于遗忘门机制，采用第一公式对所述第一编码图像和所述第二编码图像进行融合，获得所述融合结果，所述第一公式包括：,其中，表示更新门的输出，表示时间步，表示 sigmoid 激活函数，和表示更新门的权重参数，表示所述第一编码图像，表示所述第二编码图像，表示遗忘门的输出，和表示遗忘门的权重参数，表示候选隐藏状态，表示激活函数，和表示候选隐藏状态的权重参数，表示所述融合结果。
45.本可选的实施例中，在进行雷达回波外推，预测未来一段时间的雷达回波图时，历史雷达回波图为预测的主要依据，卫星云图为辅助依据，若将两者直接拼接无法充分利用与预测准确性密切关联的特征，例如可能会遗漏雷达回波图中与未来一段时间雷达回波图密切相关的特征，且加入了卫星云图中与未来雷达回波图相关度较低的特征，进而导致预测准确性较低。因此本实施例提出采用遗忘门机制对两个编码图像进行线性融合，通过门控机制可决定卫星云图的使用比例，以充分挖掘与未来雷达回波图密切关联的特征，使得卫星云图能够更好的对历史雷达回波图进行辅助和补充，进而产生更好的预测效果。
46.可选地，所述采用第一iia-gru编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理之前，还包括：获取所述指定区域过去一段时间的历史雷达回波图序列和历史卫星云图序列。
47.示例性地，以指定区域为广东省为例，收集广东省2018年、2019年和2020年所有历史雷达回波图，历史雷达回波图的面积大小为700*900，表示700km*900km覆盖整个广东省地区，和对应地fy-4a的全国卫星云图，所有历史雷达回波图组成历史雷达回波图序列，所有卫星云图组成历史卫星云图序列。
48.对所述历史雷达回波图序列和所述历史卫星云图序列进行时间匹配和空间匹配，获得处理后的雷达回波图序列和处理后的卫星云图序列。
49.具体地，由于历史雷达回波图序列和历史卫星云图序列在时间和空间上并不匹配，为了便于后续处理，需要对两种数据进行时间匹配和空间匹配。
50.采用所述处理后的雷达回波图序列和所述处理后的卫星云图序列训练待训练的模型，获得训练好的模型，所述模型包括所述第一iia-gru编码器、所述第二iia-gru编码器和所述iia-gru解码器。
51.现有技术中常将convlstm, convgru 以及trajgru等模型应用到预测任务中，若应用于雷达回波外推，采用上述模型预测的雷达回波数据会随着预报时间的增长而变的模糊，不适用于长序列的雷达回波图像预测，且对于高回波（强降雨）区域的预测，随着预报时间的增长，容易出现无法预测出与实际情况相符的高回波数据。
52.本可选的实施例中，iia-gru模型在捕获远程依赖关系方面具有优越的性能，使得全局信息不会随着时间的增加被过多遗忘，每一个时间步都可以考虑到整体的运动信息，使得图像预测变得更准确，并且针对单一雷达回波图的信息不足的情况，融入了卫星云图数据，进一步提高了模型的表达能力，进而提高了雷达回波图的预测准确性。
53.可选地，所述对所述历史雷达回波图序列和所述历史卫星云图序列进行时间匹配和空间匹配包括：统一所述历史雷达回波图序列和所述历史卫星云图序列的时区，获得统一后的雷达回波图序列和统一后的卫星云图序列。
54.具体地，对于时间不匹配的问题，首先将卫星云图对应的格林尼治时间转换为与历史雷达回波图相同的时区，例如东八区的北京时间。
55.在所述统一后的雷达回波图序列和所述统一后的卫星云图序列中选取多个样本，所述样本包括多个不同时刻的雷达回波图和对应的卫星云图。
56.具体地，由于卫星云图数据的特性，使得可能会缺失某些时间段的数据，例如缺失19时0-15分内的卫星云图数据，和18时0-8分内的卫星云图数据，导致从统一后的卫星云图序列中随机采样卫星云图时，与采样的雷达回波图的时间跨度不一样。因此，在数据采样时，可以最后一帧雷达回波图的时间为起点，向前依次采样每个半小时时段内的卫星云图，若卫星云图少于预设帧数，例如5帧，则放弃该样本；若卫星云图多于或等于5帧，则选择离起点最近的5帧卫星云图作为一个样本。
57.需要说明的是，对于一个样本内的卫星云图之间的时间间隔不一致，例如可能存在两张卫星云图之间相隔4分钟，另外两张卫星云图之间相隔6分钟，若时间间隔之差小于预设阈值，且卫星数据的分辨率较高的情况下，例如分辨率为4功率，从整体上可视作变化
较小，该误差在接受范围内。
58.对所述样本中的所述卫星云图进行插值处理，统一所述卫星云图和所述雷达回波图的空间面积。
59.具体地，针对空间不匹配的问题，首先可将各个通道的卫星云图的分辨率统一，例如统一为4功率，然后根据雷达回波图对应的经纬度范围，将全国卫星图像从730*1280的大小切割成300*400的大小，例如以指定区域的中心的300*400大小的卫星图像。然后对于切割得到的卫星图像中的每个像素点，根据经纬度计算像素值，然后根据每个像素点的像素值将300*400大小的卫星图像插值为与历史雷达回波图的面积相同的700*900大小，完成卫星云图与雷达回波图在空间上的匹配。
60.可选地，所述对所述样本中的所述卫星云图进行插值处理，统一所述卫星云图和所述雷达回波图的空间面积包括：对于所述雷达回波图中的每个像素点，基于面积加权计算方法，根据所述像素点的多个最近邻像素点的经纬度计算所述像素点的像素值；将所述像素值作为各个所述像素点的卫星数据，生成与所述雷达回波图的空间面积相匹配的所述卫星云图。
61.具体地，如图4所示，对于雷达回波图中的像素点p，根据其经纬度在卫星云图中找到四个最近邻像素点s1、s2、s3和s4，通过面积加权计算的方法，计算像素点p的像素值，将像素值作为该像素点p的卫星数据，所有像素点的卫星数据组成与雷达回波图面积相匹配的卫星云图。
62.可选地，所述面积加权计算方法采用第二公式表示，所述第二公式包括： ，其中，表示像素点的所述像素值，表示所述像素点的第个所述最近邻的像素点，表示所述最近邻的像素点的纬度，表示所述最近邻的像素点的经度，表示所述像素点的纬度，表示所述像素点的经度。
63.具体地，根据卫星图像各通道的数值范围，对通道值进行归一化，其中第六通道的取值范围在0
∼
65535之间，其余通道的值在0
∼
4095之间，最后均归一化至0
∼
255的范围，并采用npy格式将14个通道的数据通过矩阵的形式存储。
64.相较于现有技术中通过卷积和反卷积使两种图像的尺度相对应，本可选的实施例中通过调整时区将两种数据在时间上进行对齐，并且由于卫星云图有多个通道的卫星数据，每个通道的分辨率都不一样，通过调整分辨率使卫星云图的数据在每个通道上保持一致，使得卫星云图能够辅助雷达回波图进行雷达回波外推，提高了雷达回波图的预测准确性。
65.如图5所示，本发明另一实施例提供的一种雷达回波外推装置，包括：获取模块，用于获取指定区域当前时刻的当前雷达回波图和当前卫星云图，以及过去一段时间的历史雷达回波图和历史卫星云图；编码模块，用于采用第一iia-gru编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理，获得第一编码图像；采用第二iia-gru编码器对所述当前卫星云图和
所述历史卫星云图进行编码处理，获得第二编码图像；其中，所述编码处理包括对当前图像进行特征提取，获得隐藏层特征图像；基于交互注意力机制，对所述隐藏层特征图像和对应的历史图像进行拼接，获得拼接图像；基于双向注意力信息提取机制，对所述拼接图像进行空间信息融合，获得所述编码图像；所述当前图像包括所述当前雷达回波图和所述当前卫星云图，所述历史图像包括所述历史雷达回波图和所述历史卫星云图；预测模块，用于基于门控机制对所述第一编码图像和所述第二编码图像进行融合，并采用iia-gru解码器对融合结果进行解码，获得所述指定区域未来一段时间内的雷达回波图像。
66.本实施例的雷达回波外推装置用于实现如上所述的雷达回波外推方法，有益效果与雷达回波外推方法的有益效果相对应，在此不再赘述。
67.本发明又一实施例提供的一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行该计算机程序时，实现如上所述的雷达回波外推方法。
68.本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述雷达回波外推方法。
69.现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
70.电子设备包括计算单元，其可以根据存储在只读存储器（rom）中的计算机程序或者从存储单元加载到随机访问存储器（ram）中的计算机程序，来执行各种适当的动作和处理。在ram中，还可存储设备操作所需的各种程序和数据。计算单元、rom以及ram通过总线彼此相连。输入/输出（i/o）接口也连接至总线。
71.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
72.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。在本技术中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
73.虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。