基于能量生成对抗性预测器的灾害天气预报方法与流程

本发明涉及天气预报领域，更具体地说，涉及一种基于能量生成对抗性预测器的灾害天气预报方法。

背景技术：

现有的灾害性天气临近预报方法主要包括光流法、单体质心法和交叉相关法等预报，而这些方法在短时间内的预报结果具有较大误差，并且超过一定时间后预报结果的误差更加巨大。

由于气象运动的高度动态性和混乱性，灾害性天气临近预报，尤其是降水临近预报是天气预报中的一项重要任务。在任务中，根本问题是雷达回波图像外推。

确定外推后，即可通过z-r关系等传统方法实现降水预测。作为经典的骨干，已经广泛研究了基于光流的方法来进行雷达回波图外推。

然而，这些方法具有光流的三个重要缺点：

(i)违反了不变的亮度假设；

(ii)这些方法无法捕获水凝物的非线性动力学；

(iii)他们无法利用庞大的观测记录所传达的知识。

由于外推问题可以看作是序列预测问题，因此研究人员开始转向递归神经网络(rnn)作为解决方案。最近的研究表明卷积递归神经网络(convrnn)是一个解决这类问题的有效方向。开发了许多卷积rnn模型，例如卷积长短期记忆(convlstm)和卷积门控循环单元(convgru)。两种模型都遵循序列到序列的方式，即输入是观察到的雷达回波图序列，而输出也是将来的预期回波图序列。

与传统的rnn方法(即lstm和gru)不同，雷达回声外推问题的输入和输出是图像序列，而不是矢量序列。

因此，convlstm(convgru)用卷积运算代替了lstm(gru)中的点运算。已经表明，与基于光流的方法相比，这两种模型都可以产生更有希望的外推结果。

但是，预测的图像趋于模糊和不现实。而且，预测位置不够准确。最近，生成对抗网络(gan)在产生现实图像方面显示出令人鼓舞的性能，是解决缺陷的有效工具。为了获得更好的结果，将gan用于雷达回波图外推的想法，并开发了一种ga-convgru方法。

在该方法中，convgru被视为生成器，而卷积神经网络被构建为鉴别器。实验评估证明ga-convgru提供比convgru和convlstm更好的结果。但是，ga-convgru遭受许多gan方法的固有缺点，即生成器和鉴别器不易于协调训练，受训练不稳定的困扰，这通常会导致性能降低。而且，仍然出现模糊效果的问题。

技术实现要素：

本发明要解决的技术问题在于，提供一种基于能量生成对抗性预测器的灾害天气预报方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于能量生成对抗性预测器的灾害天气预报方法，包括以下步骤：

s1、获取用于进行天气短临预报的雷达回波图像序列；

s2、将所述雷达回波图像序列输入基于能量的ebgan预测器，以生成天气短临预报结果。

优选地，所述ebgan预报器由作为生成器的序列到序列预测模型和基于能量的鉴别器组成；

在所述生成器中，时空lstm用于构建预测器，并考虑了回波图外推；

在所述鉴别器中，训练编码/解码框架来区分给定的回波图序列是预测的还是真实的，实际样本将接收高能量，而预测样本将接收低能量。

优选地，给定雷达回波图序列作为输入，所述生成器将输出一系列合成样例图像作为未来的预测；

所述鉴别器将通过计算能量分数来将合成样例与真实样例区分开来，其中合成样例预期得分较高，而真实样例预期得分较低。

优选地，给定雷达的固定长度回波图序列作为输入，所述生成器旨在预测固定窗口中的后续雷达回波图序列；

令t表示输入序列的长度，k表示输出序列的长度；

令xi表示在时间i观察到的h×w雷达回波图，xj表示在时间j观察到的h×w雷达回波图；制定所述生成器的目标如式(1)：

优选地，所述生成器的总体架构由两部分组成，即至少两个rnn层编码器和至少两个rnn层解码器；

在给定输入序列的编码器中，我们首先利用卷积运算对输入进行下采样，然后附加一个convrnn层，重复执行该过程，构建一个至少两层的编码器；

基于编码器中convrnn的最后一层中提取的隐藏特征，采用带上采样层的convrnn解码时空特征，利用编码器中相应的convrnn的解码结果和隐藏状态，重复执行前一层convrnn和上采样，建立一个至少两层的解码器；

优选地，所述下采样和上采样层中利用了至少两个比例内核，引入多尺度内核卷积算子，在各下采样和上采样层中卷积运算符的参数设置不同。

优选地，所述生成器中convrnn的结构是通过使用时空lstm单位(st-lstm)建立的；

st-lstm在标准的convlstm单元中引入了时空存储信息输入门it，忘记门ft，输入调制门gt，在标准lstm单元第l级的时间存储信息和相应的参数i't；

以及引入时空存储单元的相应参数：忘记门f't，输入门g't，以及输出ot和隐藏状态ht的计算如下：

优选地，构建了一个两层的st-lstm体系结构来替换每个convrnn层，两层st-lstm构成一个predrnn单元，沿时间维度传递时间存储信息作为convlstm，时空存储信息还根据空间维度传送。

优选地，使用以下均方差为目标函数，使生成器适合给定的训练样本：

这里，表示第n个训练序列中的第t个雷达回波图观测。表示与第n个训练序列相对应的第t个预测图像；n是训练样本的总数；k是预测的窗口大小。

优选地，构建了一个至少四层卷积神经网络作为判别器，它由至少两层卷积编码器和至少两层解卷积解码器组成；

让d(·)表示鉴别器，给定样本x，则其能量得分将作为重建误差计算：

e＝||d(x)-x||(13)

以下目标函数将其最小化：

ld＝||d(x)-x||+[m-||d(g(z))-g(z)]⁺(14)

其中，lg发生器损失目标函数，ld鉴别器损失目标函数；在ebgan预报器中，通过分别最小化目标函数lg和ld来同时进行生成训练发生器和鉴别器。

实施本发明的基于能量生成对抗性预测器的灾害天气预报方法，具有以下有益效果：在ebgan预测器的模型中输入用于进行灾害性天气临近预报的雷达回波图像序列，通过模型获取雷达回波图像序列中的图像特征信息，从而能够对图像特征信息进行分析，以此能够使得更加方便获取天气短临预报，并且使预报更加准确。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例中的ebgan预测器的工作流程示意图；

图2是ebgan预测器中生成器的结构示意图；

图3是多尺度卷积层结构的示意图；

图4是生成器的结构；

图5是ebgan预测器中鉴别器的结构。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明一个优选实施例中的基于能量生成对抗性预测器的灾害天气预报方法包括以下步骤：

s1、获取用于进行天气短临预报的雷达回波图像序列；

s2、将所述雷达回波图像序列输入基于能量的ebgan预测器，以生成天气短临预报结果。

在一些实施例中，建立了一种新型的基于能量生成对抗网络(ebgan)的convrnn模型用于雷达回波图像的外推任务，实现降雨的临近预报。该方法可以解决生成图像模糊和细节消散的结果，并摆脱了训练不稳定的问题。在真实数据集上进行了广泛的实验，结果表明，所提出的方法显着优于现有方法。

通过构建生成器和鉴别器作为天气短临预报的预测模型，仅需在ebgan预测器的模型中输入用于进行灾害性天气临近预报的雷达回波图像序列，通过模型获取雷达回波图像序列中的图像特征信息，从而能够对图像特征信息进行分析，以此能够使得更加方便获取天气短临预报，并且使预报更加准确。

ebgan预测器与普通gan的区别在于其判别器是一个自编码器，真实序列的能量(重建loss)会比较低，预测序列能量会比较高，通过对抗训练，最终可以获得能量值较低的预测结果。

所述ebgan预测器包括生成器和鉴别器。

ebgan预报器由作为生成器的序列到序列预测模型和基于能量的鉴别器组成；

在所述生成器中，时空lstm用于构建预测器，并考虑了回波图外推；

在所述鉴别器中，训练编码/解码框架来区分给定的回波图序列是预测的还是真实的，实际样本将接收高能量，而预测样本将接收低能量。

生成器和鉴别器通过做最小最大游戏同时进行训练。

如图1所示，给定雷达回波图序列作为输入，所述生成器将输出一系列合成样例图像作为未来的预测，所述鉴别器将通过计算能量分数来将合成样例与真实样例区分开来，其中合成样例预期得分较高，而真实样例预期得分较低。

生成器负责预测未来的雷达回波图序列。具体来说，给定雷达的固定长度回波图序列作为输入，所述生成器旨在预测固定窗口中的后续雷达回波图序列；

令t表示输入序列的长度，k表示输出序列的长度；

令xi表示在时间i观察到的h×w雷达回波图，xj表示在时间j观察到的h×w雷达回波图；制定所述生成器的目标如式(1)：

如图2所示，生成器的总体架构由两部分组成，即五个rnn层构成的编码器和同样五个rnn层构成的解码器，

在给定输入序列的编码器中，我们首先利用卷积运算对输入进行下采样，然后附加一个convrnn层，重复执行该过程五次，构建一个五层的编码器体系结构。这里我们采用卷积下采样层来逐层减小特征的大小。通过这样做，雷达回波图的空间外观特征逐渐从低层提取到高层。下采样层之间的convrnn层用于模拟比重计的运动动力学。convrnns的不同级别捕获了不同尺度的时空动态。convrnn层越高，特征图的大小越小，捕获的时空运动的比例越大。

解码器负责对雷达回波图进行外推。具体而言，基于编码器中convrnn的第5层中提取的隐藏特征，采用带上采样层的convrnn解码时空特征，利用编码器中相应的convrnn的解码结果和隐藏状态，重复执行第4层convrnn和上采样，建立一个五层的解码器。

在其他实施例中，编码器和解码器的每层rnn单元也可包括两个或两个以上的rnn层，基于编码器中convrnn的最后一层中提取的隐藏特征，采用带上采样层的convrnn解码时空特征，利用编码器中相应的convrnn的解码结果和隐藏状态，重复执行前一层convrnn和上采样，建立一个至少两层的解码器。

通过重复应用解码部分k次，可以预测k个雷达回波图xt+1，xt+2，...，xt+k。在体系结构中，有两个关键要素需要进一步阐述，即下采样/上采样结构和convrnn结构。接下来我们详细介绍它们。

为了增强在下采样和上采样层中捕获的空间外观特征的多样性，我们在这些层中引入了多尺度内核卷积算子。

如图3所示，在上一层神经网络的基础上，引入多尺度内核卷积算子，例如1×1卷积核，3×3卷积核和5×5卷积核，分别进行卷积后在通道维度拼接起来。这样的卷积操作可以同时提取多种尺寸的局部特征信息，卷积从而可以为多级空间外观和运动动力学建模，比例内核的数量也可为一个或其他数量。我们注意到在五个下采样和上采样层中卷积运算符的参数设置是不同的。参数总结在表i和ii中。

表1编码器中多尺度卷积运算符的参数设置

表2预测器中多尺度卷积运算符的参数设置

接下来，我们详细介绍生成器中convrnn的结构。

生成器中convrnn的结构是通过使用时空lstm单位(st-lstm)建立的，st-lstm在标准的convlstm单元中引入了时空存储信息输入门it，忘记门ft，输入调制门gt，在标准lstm单元第l级的时间存储信息和相应的参数i't，以及引入时空存储单元的相应参数如忘记门f't，输入门g't，以及输出ot和隐藏状态ht的计算如下：

使用st-lstm单元，我们在生成器中构造了五个predrnn层。

如图4所示，每两层st-lstm构成一个predrnn单元，沿时间维度传递时间存储信息，时空存储信息在空间维度(例如，第一层到第二层，当前时间步最后一层到下一个时间步第一层)传送。

通过这样做，我们的图2中的架构可以很好地为雷达回波图外推建模时空特性。表iii中总结了生成器中的五个predrnn层(针对编码器和预测器)的详细参数设置。

表3生成器中convrnn的参数设置

为了使生成器适合给定的训练样本，我们使用以下均方差为目标函数：

这里，表示第n个训练序列中的第t个雷达回波图观测。表示与第n个训练序列相对应的第t个预测图像；n是训练样本的总数；k是预测的窗口大小。

基于能量的gan(ebgan)的基本思想是在构建生成器时同时训练鉴别器，鉴别器对于真实数据应产生低能量，对于生成的数据应产生高能量。通常能量鉴别器是自动编码器，并且将样本的重建损失视为其能量。

在本专利中，我们构建了一个12层卷积神经网络作为判别器，它由6层卷积编码器和6层解卷积解码器组成。我们的结构鉴别器如图5所示，详细的参数设置总结在表iv中。其中，conv为卷积层，deconv为反卷积。

表4鉴别器的参数设置

如上所述，鉴别器的目的是赋予预测的样本更高的能量，而给真实的观测值更低的能量。如果让d(·)表示鉴别器，给定样本x，则其能量得分将作为重建误差计算：

e＝||d(x)-x||(13)

因此，遵循ebgan的总体思路，我们具有以下目标函数可将其最小化：

ld＝||d(x)-x||+[m-||d(g(z))-g(z)]⁺(14)

其中，lg发生器损失目标函数，ld鉴别器损失目标函数。在我们的ebgan预报器(ebgan-forecaster)中，我们通过分别最小化目标函数lg和ld来同时进行生成训练发生器和鉴别器。

通过更强大的对抗学习框架，即基于能量的gan来实施gan的想法。特别是开发了基于能量的gan预报器(ebgan-forecaster)用于雷达回波图推断。在ebgan-forecaster中，为生成器构建了一个新的convrnn结构，该体系结构使用多尺度内核来构造基本卷积算符，并使用st-lstm单元来建立预测器。

至于鉴别器，不是建立分类器，而是训练编码/解码框架来区分给定的回波图序列是预测的还是真实的，其中预测的样本预计将接收高能量(重构误差)，而实际样本将接收低能量。已经进行了广泛的实验，结果表明，与诸如ga-convgru，convgru和光流等最新技术相比，拟议的ebgan-forecaster产生了更优秀的性能。

进一步地，我们根据雷达回波图数据集来评估性能，每个回波图都是由雷达网络组合中的一组cappi图像合成的。回波图的分辨率为700x900，其中每个像素表示一个1km²的区域。雷达的采样频率为六分钟。即，每六分钟形成一个回波图。回波图的高度为2.5公里。数据集的时间跨度为2015年1月1日至2018年12月31日。在数据集中，我们提取了605个阴雨天气过程，其中包含65,531个雷达回波图。我们将三年的天气过程用作我们的训练集，其余部分用作测试集。

利用pod(检测概率)，far(错误警报率)，csi(关键成功率，指数)和hss(海德克技能得分)作为评估指标。在计算指标时，我们使用了四个降雨强度阈值，分别为0.5mm/h，5mm/h，10mm/h和30mm/h，分别对应于2.9dbz，28.5dbz，33.2dbz和40.7dbz。

对于每个预测结果，我们根据每个阈值将其及其对应的地面真值转换为0/1矩阵，即，如果像素值大于阈值，则将其设置为1；否则，将其设置为1。否则为0。然后，使用0/1矩阵计算四个指标。在本专利中，我们根据第十个预测回波图计算了指标，即k＝10，这在我们的数据集中意味着临近预报的提前期为一小时。

在本专利中，我们采用了光流方法，convgru方法和ga-convgru方法作为基准。我们注意到ga-convgru是最先进的方法。表v至viii总结了实验结果。

由于csi和hss比pod和far更全面，因此判断主要基于两个指标。我们可以看到，当阈值从0.5mm/h增加到30mm/h时，提出的ebgan-forecaster始终表现最佳，并且对其他方法的改进也更大。

当阈值小于或等于5mm/h时，convgru和ga-convgru的结果具有竞争力，但是当阈值增加时，ga-convgru变得更好。在所有方法中，光流性能最差。原因如下。

在ebgan-forecaster中，我们使用比ga-convgru更稳定的对抗学习方案。此外，发生器中的预报器模型可以更好地捕获雷达回波图序列中的时空特征。

这些优点使我们建议的ebgan预报器的性能优于ga-convgru，convgru和光学流量，特别是对于大雨(例如，阈值为30mm/h)。对于大雨，ga-convgru优于convgru，因为它采用了对抗学习技术，这使预测的回波图更加真实和准确。“光流”方法表现最差，因为它存在导言中提到的三个关键缺陷，即不适当的亮度不变性假设，缺乏对非线性动力学建模和利用庞大历史观测资料所传达的知识的能力。

表5阈值0.5mm/h的性能比较

表5阈值5mm/h的性能比较

表5阈值10mm/h的性能比较

表5阈值30mm/h的性能比较

在本专利中，我们提出了一种新的灾害性天气临近预报方法，称为ebgan-forecaster。

所提出的方法采用对抗性学习思想，该思想包括生成器和鉴别器。在生成器中，时空lstm用于构建预测器，并考虑了回波图外推。

在鉴别器中，自动编码器被训练为能量评估功能，在该功能中，实际样本将接收高能量，而预测样本将接收低能量。实验结果表明，提出的ebgan-forecaster的性能优于最新方法。

可以理解地，上述各技术特征可以任意组合使用而不受限制。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。