一种新型神经网络的流域强降雨过程回波外推方法与流程

本发明涉及一种新型基于unet网络流域短临降雨预报方法，属于气象水文领域，主要用于对流域1h预见期内的极端降雨预报，为暴雨预警、洪水预报、抢险救灾等提供准确、可靠的数据支持。

背景技术：

1、由暴雨引起的洪涝灾害是世界主要自然灾害之一。随着全球气候逐渐恶劣，暴雨及洪涝灾害发生频次和规模也都呈现出上升趋势。暴雨及其引起的洪涝灾害是30年来发生频率增长最快、产生次生灾害最多的自然灾害，在我国每年都会造成大量的财产损失和人员伤亡。我国地势地形复杂，自动雨量计分布密度平均只有50km2/站，就算在分布密度较高的区域，大多也只有25km2/站，缺乏可靠的面雨量监测数据，部分地区仍有监测盲区，对洪水预报和研究洪水形成机理是一个重大损失。

2、为了保证面雨量数据的采集和利用，采用天气雷达数据融合深度学习模型进行降雨外推预报。天气雷达通过扫描雨滴、云层，得到反射率因子图，也就是天气雷达回波图像，从而间接的捕获到降雨的面雨量信息。

3、深度学习是一个应用及其广泛的技术，自然也可以应用到降雨预报领域。但是目前在降雨预报方面，深度学习技术的应用都很浅显，大部分只是嵌套简单计算模型，得到的预报结果并不理想，不能达到较高要求的实际使用目标。因此提出一套能基于客观的物理机制，利用天气雷达数据，进行精度高、预见期长的预报方法迫在眉睫。

技术实现思路

1、本发明提出了一种新型unet网络流域短临降雨预报模型，其解决的技术问题是基于天气雷达技术、unet网络模型、动态z-r关系，建立采用雷达回波图像进行降雨预报外推的体系，对卷积神经网络的unet模型进行改进，形成适用于强降雨过程雷达回波外推的dr2a-unet神经网络模型，提高了网络学习准确性，向流域极端降雨预警和洪涝灾害预报提供可靠数据信息的方法。

2、为了解决上述存在的技术问题，本发明采用了以下方案：

3、一种新型unet网络流域短临降雨预报模型，包括以下步骤：

4、步骤1、预处理雷达回波数据；

5、步骤2、训练dr2a-unet网络模型；

6、步骤3、对天气雷达图像外推；

7、步骤4、定量降雨估计结果；

8、步骤5、对预报结果评价分析。

9、进一步，步骤1提出对雷达回波数据预处理，将根据雷达反射率因子和雨强相关联的物理性质特定获取降雨观测数据、天气雷达数据等多源数据，并且对数据进行预处理，包括去噪、插值、坐标变换以及数据标准化，以确保数据质量和一致性。根据目标需要的预见期将图像数据分组为data数据和label数据，并按照一定比例划分为训练集和验证集。

10、进一步，步骤2中提到的unet网络模型，用于回波图像外推。unet网络模型是用于语义切割的一种u型网络结构模型，包括压缩路径、扩张路径和跳跃连接三个组成部分。

11、图像信息先进入到压缩路径，模型在此对图像进行编码和下采样，形成特征图。

12、在扩张路径中，模型再对特征图解码和反卷积，并通过跳跃连接与压缩路径中的特征图进行级联，修复卷积阶段丢失的部分特征信息。

13、改造该模型并应用于通过多帧连续回波图像外推回波图像，从而应用于降雨预报。

14、进一步，步骤2提出采用dr2a-unet神经网络，网络结构包括：基础unet结构、卷积注意力模块(convolutional block attention modules，cbam)、递归残差卷积(recurrentresidual；r2)和双重网络嵌套结构；

15、卷积注意力模块用于提升图像特征的识别效率；

16、递归残差卷积可避免网络层数过深而引起的过拟合现象和梯度消失现；

17、双重网络嵌套结构使模型能够更好地提取不同级别的特征；进一步提升回波整体外推的精度；有助于克服深度学习模型在降雨预测中长时间序列精度过低的限制，能够更好地理解和模拟复杂的降雨过程，提高预测的准确性、可解释性和可信度，为降雨预报提供了可靠的数据支撑。

18、进一步，步骤2提出训练网络模型，需整理划分数据集。根据收集到的对应流域的雷达回波图像，根据所需要的预见期，将图像分为data组和label组。将data和label输入到模型中，使模型自动完成学习训练。

19、比如，对柳林流域降雨预报模型进行训练，目标预见期为30min。收集到柳林流域雷达回波图像10000张，采集频率为6min，即5张图为30min。将10000张图像按照5帧图像交错分组，分别得到9995张data和label，data的时间短比label早30min，即5帧图像，比如data组第一帧图像时间为2000年9月1日10:00，则label组第一帧图像时间为2000年9月1日10:30，后续以此类推。

20、进一步，步骤2提出训练网络模型，将采用动态融合损失函数，提高模型训练效率。在深度学习模型训练过程中，基于data组生成预测结果并与label组进行比较，建立动态变化的融合损失函数，并引导模型在训练过程中提高外推精确度。

21、建立的动态融合损失函数采用带权重的mse融合对回波强度具有更好识别效果的二进制交叉熵损失来提升外推效果，当回波强度大于40dbz时，yt(n,h,w)和为1，反之为0。

22、动态融合损失函数采用带权重的mse(b-mse)融合对强回波具有更好的识别效果的二进制交叉熵损失(bceloss)来加强较强阈值(40dbz)的外推效果，提高了神经网络度剧烈变化的强回波的外推效果，同时提高了模型的训练效率，缩短了所需要的训练时间。动态融合损失函数学表达式：

23、

24、式中，weightt(n,h,w)为第t个时间步像素坐标的权重，xt(n,h,w)为第t个时间步真实雷达回波反射率，为第t个时间步预测雷达回波反射率，yt(n,h,w)和为40dbz阈值条件下，像素的真实值和预测值，大于40dbz为1，反之为0。n表示雷达回波的序列，w表示雷达回波的横坐标，w表示雷达回波的纵坐标。

25、weightt(n,h,w)的具体公式为：

26、

27、进一步，步骤2提出训练网络模型，将基于损失函数对神经网络模型进行重复迭代。对神经网络模型进行200个轮次重复迭代，采用学习率调节器，设置初始学习率为0.001，当损失函数在四个周期内没有增加时，学习率自动减小10％，批处理大小设置为16。训练过程中，损失函数逐渐收敛，到规定训练轮次时，损失函数停止迭代。

28、进一步，步骤3提出对雷达回波图像外推，将基于步骤2训练完成的dr2a-unet网络模型对图像外推。将需要被预报的时段雷达回波图像输入训练完成的dr2a-unet网络模型，模型外推输出预报时段的外推回波图像结果。

29、进一步，步骤4提出定量降雨估计，将基于动态z-r关系对步骤3外推得到的回波图像定量降雨估计为降雨数据。其原理是，雷达反射率因子和雨强大小之间存在数学关系，即marshall公式：

30、z＝arb

31、其中z为反射率因子，r为雨强，a、b为动态调整的参数。设置为a的取值范围为[1,300,1]，b的取值范围为[0.5,5,0.1]。

32、在每次对实际回波预报反演阶段，计算机会首先对上一时段的回波图像进行遍历a、b取值范围的计算反演，并对比自动雨量站实测数据选取最接近的一组a、b取值作为本时段计算反演的取值，实现动态取值的效果。通过ctf误差判别函数来对比遍历期间的计算结果和自动雨量站实测数据，实现最优化的拟合效果，ctf公式：

33、

34、其中，hi为遍历期间得到的反演雨强，gi为对应时段自动雨量站实测得到的雨强数据，i为自动雨量站站点编号，而n为自动雨量站的数量。

35、比如柳林流域一共有5个雨量站站点，则n＝5。预报2020年9月1日10:30的雨强信息，预见期为30min。首先，计算机遍历2020年9月1日10:00的回波图像所有a、b取值的精度，即得到300×45组5个雨量站站点的雨强信息，全部进行ctf误差函数计算，选取ctf值最小的一组a、b参数作为反演9月1日10:30雨强信息的z-r关系进行反演计算。

36、进一步，步骤5提出对降雨预报结果评价分析，将采用相关系数cc和相对偏差bias进行降雨预报精度和相关性评价，相关系数和相对偏差的计算公式如下：

37、

38、式中：yi表示预报降雨，pi为实测降雨，代表平均值，n代表样本总数。

39、本发明一种新型unet网络模型流域短临降雨模型，具有以下有益效果：

40、(1)本发明中unet网络模型的应用，使得深度学习技术应用于流域短临降雨预报，提高了预报的预见期，为极端降雨预警和洪涝灾害预报提供了可靠信息。

41、(2)本发明中采用dr2a-unet神经网络，网络结构包括：基础unet结构、卷积注意力模块、递归残差卷积和双重网络嵌套结构；卷积注意力模块有助于图像特征的识别，递归残差卷积可避免网络层数过深而引起的过拟合现象和梯度消失现，双重网络嵌套结构使模型能够更好地提取不同级别的特征，进一步提升回波整体外推的精度；有助于克服深度学习模型在降雨预测中长时间序列精度过低的限制，能够更好地理解和模拟复杂的降雨过程，提高预测的准确性、可解释性和可信度。

42、(3)本发明中建立动态变化的融合损失函数，并引导模型在训练过程中提高外推精确度。动态融合损失函数采用带权重的mse，融合对强回波具有更好的识别效果的二进制交叉熵损失来加强较强阈值的外推效果，提高了神经网络度剧烈变化的强回波的外推效果，同时提高了模型的训练效率，缩短了所需要的训练时间。提高了模型的训练学习效率。

43、(4)本发明中动态z-r关系法在反演天气雷达回波图像时，通过动态调整a、b参数，将自动雨量站收集信息实时纳入参考，加强了对已有数据的有效利用，避免了公式恒定和地区特性不同所带来的反演误差影响，充分考虑了实际物理机制对z-r关系的影响，提高了对雨强信息的反演精度。

44、附图(表)说明

45、图1：基于新型神经网络的流域强降雨过程回波外推方法流程图

46、图2：cbam-unet结构图

47、图3：cbam注意力结构图

48、图4：dr2a-unet网络结构和递归残差卷积结构

49、图5：训练dr2a-unet网络data组前十帧回波图像

50、图6：训练dr2a-unet网络label组前十帧回波图像