一种天气预测方法

本发明涉及数字信息处理及深度学习领域，具体涉及一种天气预测方法。

背景技术：

1、与归属于测量领域的气象学分组不同，天气预测通常基于数理统计学的分析或复杂的数学物理方程推算，属于计算、推算领域。现有天气预测方法中较为准确的有贝叶斯模型法和数学物理方程数值求解法。然而贝叶斯模型法需要事先遴选出影响将与的关键因子，受主观性影响，稳定性和鲁棒性差；数学物理方程数值求解法则受限于流体力学模型的不准确、地理信息数据的难采集性和数值拟合的系统误差，也限制了其精准度。

2、随着深度学习技术的发展，数字信息处理领域有了新的技术工具，加之多普勒气象雷达也可实时采集大气数据，为新的短时天气预报方法奠定了基础。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种天气预测方法解决了现有天气预测方法或稳定性和鲁棒性差，或精准度受限的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种天气预测方法，包括以下步骤：

3、s1、通过多普勒气象雷达探测目标区域，并将得到的各帧雷达回波数据调整为二维灰度图；

4、s2、对二维灰度图进行锐化处理，得到边缘增强图；

5、s3、通过多层级纹理特征融合网络处理边缘增强图，得到天气特征序列；

6、s4、通过时间循环神经网络处理天气特征序列，得到天气动作序列；

7、s5、根据天气动作序列和最近一帧二维灰度图，得到未来时刻二维灰度图，作为天气预测结果。

8、本发明的有益效果为：设计了基于图像处理的天气预测方法，将多普勒气象雷达的大气探测数据调整为灰度图像，该图像的纹理表征了不同厚度的云层和不同的降水情况，通过边缘增强处理提高纹理提取的精度，设计多层级纹理提取和特征融合，处理出表征天气特征的序列，再通过时间循环神经网络获取天气变化规律，再基于多普勒气象雷达最新探测数据，预测短时未来气象。兼顾了精确度、稳定性和鲁棒性。

9、进一步地，所述s2使用下式对二维灰度图进行锐化处理：

10、，

11、其中，为边缘增强图第行列像素点的值，为二维灰度图第行列像素点的值，为二维灰度图第行列像素点的值，为二维灰度图第行列像素点的值，为原图加权系数，为锐化系数，为二维灰度图第行列像素点的值，为二维灰度图第行列像素点的值。

12、上述进一步方案的有益效果为：将二维灰度图的原图像各像素与其上下左右像素的值加权相加，在增强了图像纹理的同时，相比于基于二维梯度求导的锐化方法大大节省了运算量。

13、进一步地，所述s3的多层级纹理特征融合网络包括个用于提取边缘增强图不同层级纹理特征的纹理提取子模块，用于进行个层级纹理特征线性运算的全连接层和对全连接层运算结果进行0-1编码的激活函数层；

14、第1纹理提取子模块的输入端作为多层级纹理特征融合网络的输入端；

15、第1至第纹理提取子模块依次串联，且第1至第纹理提取子模块的输出端还均与全连接层的输入端连接；

16、所述全连接层的输出端与激活函数层的输入端连接；

17、所述激活函数层的输出端作为多层级纹理特征融合网络的输出端。

18、上述进一步方案的有益效果为：个纹理提取子模块串联，层层提取各层图像的纹理信息，并将其融合输入至全连接层，由其进行线性运算，映射至低维度的向量空间，再编码为二进制序列，作为天气特征序列。该天气特征序列不仅包含了多普勒气象雷达探测到的大气云层的多层级纹理信息，还具有信息熵高、数据精简的特点，利于后续的精确计算和低硬件算力消耗。

19、进一步地，所述各纹理提取子模块的结构相同，均包括：纹理扫描单元和最大池化层；

20、所述纹理扫描单元的计算表达式为：

21、，

22、其中，为纹理扫描单元输出的纹理特征图第行列像素点的值，为输入纹理扫描单元的图像第行列像素点的值，为纹理扫描单元传输矩阵第行元素的值；

23、所述纹理扫描单元传输矩阵为：

24、；所述最大池化层用于对纹理扫描单元输出的纹理特征图进行最大池化下采样，以压缩纹理特征图，并将压缩后的纹理特征图作为所在纹理提取子模块得到的对应层级的纹理特征。

25、上述进一步方案的有益效果为：纹理扫描单元的传输矩阵来源于二维求导的矩阵式算子与其45度旋转矩阵的相加取反，其优点在于增强对角线纹理特征的提取能力，将该传输矩阵通过移窗式的计算表达式与输入纹理扫描单元的图像进行运算，可得到图像更为精准的纹理特征图。而最大池化层在进行下采样压缩的同时，能尽可能保留图像纹理信息，降低运算量的同时不过分影响计算精度，使天气预测的运算可行且准确。

26、进一步地，所述多层级纹理特征融合网络的全连接层的计算表达式为：

27、，

28、其中，为全连接层第神经元的运算结果，为由个层级纹理特征拼接而得的纹理特征序列第个元素的值，为全连接层第神经元第权重参数，为全连接层第神经元偏置系数，为第层级纹理特征的元素数量；

29、所述多层级纹理特征融合网络的激活函数层的计算表达式为：

30、，

31、其中，为天气特征序列第元素的值，为指数系数，为自然常数。

32、进一步地，所述时间循环神经网络的计算表达式为：

33、，

34、，

35、其中，为时刻的天气动作序列，为sigmoid函数，为时间循环神经网络输出门参数矩阵，为时刻的天气动作序列，为时间循环神经网络输出门偏置向量，为时间循环神经网络时刻状态向量，为时刻的天气特征序列，为和拼接得到的序列，为遗忘系数序列，为时间循环神经网络输入门参数矩阵，为时间循环神经网络输入门偏置向量，为元素全为1的向量，为时间循环神经网络时刻状态向量。

36、进一步地，所述遗忘系数序列的计算表达式为：

37、，

38、其中，为时间循环神经网络遗忘门参数矩阵，为时间循环神经网络遗忘门偏置向量。

39、上述进一步方案的有益效果为：设计了一种具有时间记忆和遗忘功能的时间循环神经网络，其具有对过去数据的状态存储能力，且遗忘系数序列由上一时刻的输出和当前输入共同决定，能够获取时间域上的连续输入序列之间的联系，并将该联系整理成输出数据，表征出天气变化的动作特性。该网络比lstm长短期记忆人工神经网络结构精简，与现有技术相比运算量小，训练难度低，不易陷入局部最优解，有良好的适应性和准确性。

40、进一步地，所述s5中未来时刻二维灰度图的计算表达式为：

41、，

42、其中，为时刻二维灰度图第行列像素点的值，为时刻二维灰度图第行列像素点的值，为时刻天气动作序列第元素的值，为天气动作序列的元素数量。

技术特征：

1.一种天气预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的天气预测方法，其特征在于，所述s2使用下式对二维灰度图进行锐化处理：

3.根据权利要求1所述的天气预测方法，其特征在于，所述s3的多层级纹理特征融合网络包括个用于提取边缘增强图不同层级纹理特征的纹理提取子模块，用于进行个层级纹理特征线性运算的全连接层和对全连接层运算结果进行0-1编码的激活函数层；

4.根据权利要求3所述的天气预测方法，其特征在于，各纹理提取子模块的结构相同，均包括：纹理扫描单元和最大池化层；

5.根据权利要求4所述的天气预测方法，其特征在于，所述多层级纹理特征融合网络的全连接层的计算表达式为：

6.根据权利要求1所述的天气预测方法，其特征在于，所述时间循环神经网络的计算表达式为：

7.根据权利要求6所述的天气预测方法，其特征在于，所述遗忘系数序列的计算表达式为：

8.根据权利要求7所述的天气预测方法，其特征在于，所述s5中未来时刻二维灰度图的计算表达式为：

技术总结
本发明公开了一种天气预测方法，涉及数字信息处理及深度学习领域，设计了基于图像处理的天气预测方法，将多普勒气象雷达的大气探测数据调整为灰度图像，该图像的纹理表征了不同厚度的云层和不同的降水情况，通过边缘增强处理提高纹理提取的精度，设计多层级纹理提取和特征融合，处理出表征天气特征的序列，再通过时间循环神经网络获取天气变化规律，再基于多普勒气象雷达最新探测数据，预测短时未来气象。兼顾了精确度、稳定性和鲁棒性。

技术研发人员：张少波,肖天贵,向卫国,文小航
受保护的技术使用者：成都信息工程大学
技术研发日：
技术公布日：2024/1/14