一种基于CBAIM差分循环神经网络的短临预报方法

本发明属于短临预报，特别涉及一种基于cbaim差分循环神经网络的短临预报方法。

背景技术：

1、短临预报于1982年首次提出，主要应用于雷雨大风、冰雹、龙卷风、短时强降水等强对流天气的预警。由于强对流天气时常引发气象灾害对社会基础设施、公众生命安全产生较大威胁，所以短临预报在气象服务领域备受关注。其目标是准确、及时地预测未来0到2小时内短时天气变化，使气象站能够及时发布城市紧急灾害警报。

2、雷达回波外推技术是短临预报的重要组成部分。在雷达回波外推任务中，首先将气象雷达探测到的云层回波数据经处理后生成雷达回波图像，然后利用过去一段时间的雷达回波图像序列预测未来一段时间的雷达回波图像序列，以此实现短临预报的目的。对雷达回波外推任务建模时，需同时考虑雷达图象序列所包含的时间信息和空间信息，因此雷达回波外推任务也是时空序列预测任务。

3、在雷达回波外推传统方法中，主要有光流法、质心跟踪法、交叉相关法等。光流法针对多时刻预测时，其结果取决于雷达回波初始时期的平稳变换，难以预测长期的非平稳变换过程；质心跟踪法通过阈值来识别风暴单体，适用于风暴单体的跟踪，而非雷达回波趋势的预测。

4、在雷达回波外推深度学习方法中，convlstm(convolutional long short termmemory)模型使用卷积算子学习空间信息，使用lstm(long short term memory)结构来学习长短期记忆信息。mim(memory in memory)模型基于convlstm模型的基础上做了改进，在mim单元中引入了两帧之间的差分信息进行额外学习。但是在差分信息中，不同通道和不同空间域的非平稳变换对于结果正确性的影响都不相同，mim单元没有对此做出不同重要性的关注。

技术实现思路

1、本发明的目的，在于提供一种基于cbaim差分循环神经网络的短临预报方法，能够有效关注雷达回波图中不同通道和不同空间域的非平稳变换信息，实现更精准的预测。

2、为了达成上述目的，本发明的解决方案是：

3、一种基于cbaim差分循环神经网络的短临预报方法，结合mim网络模型和cbam网络模型，组成cbaim网络模型，包括如下步骤：

4、步骤1，选用气象雷达数据集，输入雷达回波图像序列；

5、步骤2，对所输入图像进行去噪和归一化处理；

6、步骤3，通过stlstm单元对图像序列的时间信息和空间信息建模；

7、步骤4，通过mim架构和mica单元获取差分信息；

8、步骤5，通过cbam模块进行通道域和空间域的关注；

9、步骤6，对数据降维输出单时间步结果；

10、步骤7，输出预测结果。

11、上述步骤1中，选用的气象雷达数据集是雷达回波数据的时间序列，以灰度图片的形式储存，时间分辨率为6分钟，单张图片的维度是256×256×1，以一个小时的10张雷达回波图像序列作为输入。

12、上述步骤2中，采用低值伪影的操作进行去噪，归一化的公式为其中：xij表示一个二维图像中第i行第j列的一个像素值，即雷达回波值；min(x)表示图像所有像素点值的最小值；max(x)表示图像所有像素点值的最大值；yij表示归一化处理后的二维图像中的第i行第j列的第一个像素值。

13、上述步骤3中，在stlstm单元内部采用卷积算子对雷达回波图像进行特征提取，stlstm单元内部由两条相似的数据流组成，数据流由三个门控机制组成，分别是遗忘门、输入门和输出门，两条数据流的其中一条生成长期记忆信息c，另一条生成空间记忆m，结果h由c和m的特征提取生成，h、c和m三种特征图的维度为256×256×128。

14、上述步骤4中，mica单元内部具有差分结构，通过mim架构获取差分信息，采用卷积算子作为基本运算，对h、c和m三种特征图作进一步特征提取。

15、上述步骤5中，cbam模块由通道注意力机制结构和空间注意力机制结构组成。

16、上述步骤6中，使用卷积核大小为1×1的卷积层，将卷积过滤器的数量设为1，输出维度为256×256×1的预测结果作为预测得到的t+1时刻的雷达回波图像。

17、上述步骤7中，循环步骤3-步骤6，循环19个时间步，最后得到的后10个时间步的结果就是模型预测未来一小时的雷达图像。

18、上述mse损失函数表示为其中yi,j表示宽为w高为h的真实雷达回波图像中第i行第j列的像素值；表示模型预测结果第i行第j列的像素值；k表示一共有k帧图像。

19、采用上述方案后，本发明通过对输入的雷达回波图像序列的去噪和归一化，增强了训练模型的稳定性，加快了模型收敛速度，通过stlstm单元获取图像的空间信息和时间信息，通过mica单元获取差分信息，提高了预测准确度，具有计算参数量少、速度快的优点，使模型可以更容易提取关键信息。

技术特征：

1.一种基于cbaim差分循环神经网络的短临预报方法，其特征在于包括如下步骤：

2.如权利要求1所述的方法，其特征在于：所述步骤1中，选用的气象雷达数据集是雷达回波数据的时间序列，以灰度图片的形式储存，时间分辨率为6分钟，单张图片的维度是256×256×1，以一个小时的10张雷达回波图像序列作为输入。

3.如权利要求1所述的方法，其特征在于：所述步骤2中，采用低值伪影的操作进行去噪，归一化的公式为其中：xij表示一个二维图像中第i行第j列的一个像素值，即雷达回波值；min(x)表示图像所有像素点值的最小值；max(x)表示图像所有像素点值的最大值；yij表示归一化处理后的二维图像中的第i行第j列的第一个像素值。

4.如权利要求1所述的方法，其特征在于：所述步骤3中，在stlstm单元内部采用卷积算子对雷达回波图像进行特征提取，stlstm单元内部由两条相似的数据流组成，数据流由三个门控机制组成，分别是遗忘门、输入门和输出门，两条数据流的其中一条生成长期记忆信息c，另一条生成空间记忆m，结果h由c和m的特征提取生成，h、c和m三种特征图的维度为256×256×128。

5.如权利要求4所述的方法，其特征在于：所述步骤4中，mica单元内部具有差分结构，通过mim架构获取差分信息，采用卷积算子作为基本运算，对h、c和m三种特征图作进一步特征提取。

6.如权利要求1所述的方法，其特征在于：所述步骤5中，cbam模块由通道注意力机制结构和空间注意力机制结构组成。

7.如权利要求1所述的方法，其特征在于：所述步骤6中，使用卷积核大小为1×1的卷积层，将卷积过滤器的数量设为1，输出维度为256×256×1的预测结果作为预测得到的t+1时刻的雷达回波图像。

8.如权利要求1所述的方法，其特征在于：所述步骤7中，循环步骤3-步骤6，循环19个时间步，最后得到的后10个时间步的结果就是cbaim网络模型预测未来一小时的雷达图像。

9.如权利要求1所述的方法，其特征在于：将预测结果与真实值通过mse损失函数求出损失值，损失值对模型进行反向传播更新模型中的参数，重复对多批数据求损失值，更新模型参数。

10.如权利要求9所述的方法，其特征在于：所述mse损失函数表示为其中yi,j表示宽为w高为h的真实雷达回波图像中第i行第j列的像素值；表示模型预测结果第i行第j列的像素值；k表示一共有k帧图像。

技术总结
本发明提供一种基于CBAIM差分循环神经网络的短临预报方法，结合MIM网络模型和CBAM网络模型，组成CBAIM网络模型，包括如下步骤：输入雷达回波图像序列；对所输入图像进行去噪和归一化处理；通过STLSTM单元对图像序列的时间信息和空间信息建模；通过MICA单元获取差分信息；通过CBAM模块进行通道域和空间域的关注；对数据降维输出单时间步结果；输出预测结果。本发明的短临预报方法能增强训练模型的稳定性，加快模型收敛速度，提高预测准确度，具有计算参数量少、速度快的优点，使模型可以更容易提取关键信息。

技术研发人员：杨陆,杜景林,王坤,高文凯,倪银浩
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/1/11