一种基于雷达反射率外推的定量降水预测方法与流程

本发明涉及大气科学技术领域，更具体的是涉及一种基于雷达反射率外推的定量降水预测方法。

背景技术：

目前，用于短临降水预报的方法有两种：

一种是数值天气模式预报方法，虽然目前数值天气预报模式的分辨率和精度都已经很高，特别是数值天气预报模式预报的中短期流场和形势场的精度已经很高，但由于数值天气模式都存在spin-up问题，利用数值天气模式预报预报的短临降水误差较大。

另一种是天气雷达回波图外推法，基于天气雷达探测资料的临近预报技术对短时临近降水预报起到十分积极有效的作用，该技术从上世纪60年代开始被研究，随着雷达硬件基础设施和探测技术的不断更新，基于天气雷达的降水预报方法也取得了长足的进步，这类方法的基本思想是利用雷达反射率因子对强回波进行识别，再根据回波区域的移动趋势，对回波未来的方位、强度作出预判，进而达到预报的目的。

从数理统计角度看，天气雷达回波图外推法有效解决了雷达回波在未来时间发展变化的预测难题，但实际天气的发展演变过程往往更加复杂，从时间连续的回波图像可以看出，回波图像所表征的可降水区域每时每刻、从整体到局部都在不断地生消、发展、移动和变化，传统预报方法采用的预测模型通常是建立在线性运动关系的基础上，而实际大气及大气中粒子的运动轨迹并不符合线性运动的规律，因此，基于线性运动关系的降水预报，在预测较长时间的回波图像时，往往与实际偏差很大，进而降低了降水预报的准确性。

技术实现要素：

本发明的目的在于：为了解决目前基于线性运动关系的降水预报，在预测较长时间的回波图像时，与实际偏差较大，降水预报准确性较低的问题，本发明提供一种基于雷达反射率外推的定量降水预测方法。

本发明为了实现上述目的具体采用以下技术方案：

一种基于雷达反射率外推的定量降水预测方法，包括：

s1：采集用于预测的雷达基数据，利用雷达基数据中反射率因子生成雷达回波反射率图像；

s2：基于雷达回波反射率图像对预先构建的光流方程进行求解得到雷达回波的运动场；

s3：利用预先构建的识别模型识别雷达回波的运动场中的强对流区域，并对强对流区域进行追踪定位；

s4：构建雷达回波外推模型，利用强对流区域对雷达回波外推模型进行训练，预测雷达回波数据；

s5：利用训练好的定量降水神经网络预测模型对雷达回波数据进行转换，得到预测降水量。

进一步的，所述s2中对光流方程进行求解时，利用lucas-kanade方法对其进行局部约束，确保光流平滑变化。

进一步的，所述s3中识别模型识别雷达回波的运动场中的强对流区域，具体包括：

遍历雷达回波的运动场的所有像素点，若当前像素点的反射率强度大于设定的阈值，则将该像素点的强度标志位记为1，否则，记为0；

搜索强度标志位记为1的像素点所在区域的八连通区域，若八连通区域的面积不小于20个像素点，则保留该八连通区域，否则，删除该八连通区域；

对保留下来的所有八连通区域进行检测，判断其是否为超折射造成的非降水回波，若不是，则保留该八连通区域，否则，删除该八连通区域；

利用开运算对保留下来的八连通区域进行处理，消除虚假连接，得到最终八连通区域图像；

对最终八连通区域图像进行特征提取，基于设定好的决策方法对所提取的特征进行决策，得到强对流区域。

进一步的，所述s3中，利用scit算法对强对流区域进行追踪定位。

进一步的，所述雷达回波外推模型采用st-lstm-rnn的网络结构。

进一步的，所述st-lstm-rnn网络结构包括st-lstm单元、时间记忆模块和空间记忆模块；

强对流区域的数据输入依次连接的多个st-lstm单元，输出预测的雷达回波数据；

所述每个st-lstm单元均加入所述时间记忆模块和空间记忆模块，所述时间记忆模块为当前层神经元的前m个时刻的记忆累加，所述空间记忆模块为不同层神经元前m个时刻的记忆叠加。

进一步的，所述定量降水神经网络预测模型包括依次连接的输入层、第二层神经网络、第三层神经网络和第四层神经网络，其中，第二层神经网络包括两个深度可分离卷积层，两深度可分离卷积层的输出端连接第三层神经网络的输入端；第三层神经网络包括两个深度可分离卷积层，两深度可分离卷积层的输出端连接第四层神经网络的输入端；第四层神经网络包括两个卷积层。

进一步的，利用大量雷达回波数据和实际降水数据作为训练数据集对定量降水神经网络预测模型进行训练，基于预设的损失函数和优化器，对网络参数进行优化调整，直至网络收敛，得到训练好的定量降水神经网络预测模型。

本发明的有益效果如下：

1、本发明结合识别模型、雷达回波外推模型和定量降水神经网络预测模型对定量降水进行预测，在对雷达反射率进行外推得到初步预测值之后，利用定量降水神经网络预测模型对雷达回波数据进行转换，使得预测降水量趋近于降水真实值，避免了基于线性运动降水预报的准确性低的问题，提高了预测准确率。

附图说明

图1是本发明的方法流程示意图。

具体实施方式

为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。

实施例1

如图1所示，本实施例提供一种基于雷达反射率外推的定量降水预测方法，包括：

s1：采集用于预测的雷达基数据，利用雷达基数据中反射率因子生成雷达回波反射率图像；

s2：基于雷达回波反射率图像对预先构建的光流方程进行求解得到雷达回波的运动场，本实施例在对光流方程进行求解时，利用lucas-kanade方法对其进行局部约束，确保光流平滑变化；

s3：利用预先构建的识别模型识别雷达回波的运动场中的强对流区域，并利用scit算法对强对流区域进行追踪定位，其中识别模型识别雷达回波的运动场中的强对流区域，具体包括：

遍历雷达回波的运动场的所有像素点，若当前像素点的反射率强度大于设定的阈值，则将该像素点的强度标志位记为1，否则，记为0；

搜索强度标志位记为1的像素点所在区域的八连通区域，若八连通区域的面积不小于20个像素点，则保留该八连通区域，否则，删除该八连通区域；

对保留下来的所有八连通区域进行检测，判断其是否为超折射造成的非降水回波，若不是，则保留该八连通区域，否则，删除该八连通区域；

利用开运算对保留下来的八连通区域进行处理，消除虚假连接，得到最终八连通区域图像；

对最终八连通区域图像进行特征提取，基于设定好的决策方法对所提取的特征进行决策，得到强对流区域；

s4：构建雷达回波外推模型，利用强对流区域对雷达回波外推模型进行训练，预测雷达回波数据；

所述雷达回波外推模型采用st-lstm-rnn的网络结构，所述st-lstm-rnn网络结构包括st-lstm单元、时间记忆模块和空间记忆模块；

强对流区域的数据输入依次连接的多个st-lstm单元，输出预测的雷达回波数据；

所述每个st-lstm单元均加入所述时间记忆模块和空间记忆模块，所述时间记忆模块为当前层神经元的前m个时刻的记忆累加，所述空间记忆模块为不同层神经元前m个时刻的记忆叠加；

s5：利用训练好的定量降水神经网络预测模型对雷达回波数据进行转换，得到预测降水量；

所述定量降水神经网络预测模型包括依次连接的输入层、第二层神经网络、第三层神经网络和第四层神经网络，其中，第二层神经网络包括两个深度可分离卷积层，两深度可分离卷积层的输出端连接第三层神经网络的输入端；第三层神经网络包括两个深度可分离卷积层，两深度可分离卷积层的输出端连接第四层神经网络的输入端；第四层神经网络包括两个卷积层；利用大量雷达回波数据和实际降水数据作为训练数据集对定量降水神经网络预测模型进行训练，基于预设的损失函数和优化器，对网络参数进行优化调整，直至网络收敛，得到训练好的定量降水神经网络预测模型。

本实施例结合识别模型、雷达回波外推模型和定量降水神经网络预测模型对定量降水进行预测，在对雷达反射率进行外推得到初步预测值之后，利用定量降水神经网络预测模型对雷达回波数据进行转换，使得预测降水量趋近于降水真实值，避免了基于线性运动降水预报的准确性低的问题，提高了预测准确率。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。