阅读说明：本技术 基于cgru的强时空特性雷达回波临近预报方法 (CGRU (China-swarm optimization and RU-based radar echo nowcasting) method with strong space-time characteristics ) 是由 陈苏婷 张松 张闯 陈耀登 杨春 于 2020-12-17 设计创作，主要内容包括：本发明公开了一种基于CGRU的强时空特性雷达回波临近预报方法,所述方法包括如下步骤：(1)获取关于天气临近预报的连续雷达回波图像,并对连续雷达回波图像进行预处理,构建具有统一时间维度和空间维度的张量数据；(2)构建并训练3DCNN-CGRU网络训练模型,得到3DCNN-CGRU编码预测网络模型；(3)将步骤(1)所述用于进行天气临近预报的连续雷达回波图像序列的张量数据输入到所述3DCNN-CGRU网络模型,生成天气临近预报结果；本发明提出一种3DCNN-CGRU网络模型,增强了时空特征的传输能力,更有效地捕获和学习连续雷达回波图像的时空特征相关性,解决了时空信息易丢失,预测准确度低的问题。(The invention discloses a CGRU-based radar echo nowcasting method with strong space-time characteristics, which comprises the following steps: (1) acquiring continuous radar echo images related to weather proximity forecast, preprocessing the continuous radar echo images, and constructing tensor data with unified time dimension and space dimension; (2) constructing and training a 3DCNN-CGRU network training model to obtain a 3DCNN-CGRU coding prediction network model; (3) inputting tensor data of the continuous radar echo image sequence for weather nowcasting in the step (1) into the 3DCNN-CGRU network model to generate a weather nowcasting result; the invention provides a 3DCNN-CGRU network model, which enhances the transmission capability of space-time characteristics, more effectively captures and learns the correlation of the space-time characteristics of continuous radar echo images and solves the problems of easy loss of space-time information and low prediction accuracy.)

基于CGRU的强时空特性雷达回波临近预报方法

技术领域

本发明涉及气象观测技术领域，尤其涉及一种基于CGRU的强时空特性雷达回波临近预报方法。

背景技术

雷达回波临近预报的目标是在未来相对短的时间段(例如0-2小时)内，对当地区域的天气情况进行及时且准确的预报。目前，该技术已经被广泛应用于居民出行、农业生产、飞行安全等方面，它不仅能够方便人们，而且有利于防灾减灾。随着目前气候的变化和城市化进程的加快，大气情况变得越来越复杂，各种气象灾害频繁发生，气候变化给人们的生活和工作带来了诸多负面影响，增加了许多不确定性的危险，如果能够对上述气象灾害做出有效的预测和预防，人民群众的损失将会大大减少。

目前常用的雷达回波临近预报的方法主要是交叉相关法和基于光流的方法，它们已经被证明能比较有效地外推出未来雷达回波图。但是对于这两种传统方法存在不可避免的缺点；当回波快速变化时，无法满足拉格朗日守恒条件，预测效果会快速降低；传统的雷达回波临近预报方法在短临预报准确率以及充分利用海量雷达回波图像数据方面仍存在一定缺陷。对比传统的雷达回波预报方法，深度学习方法能更好地针对大数据进行深度挖掘和分析，提高模型预测精度。深度学习作为大数据驱动的新兴技术，特别是其中循环神经网络(RNN)和长短期记忆网络(LSTM)，为雷达回波临近预报任务带来一些新的解决方案。通过充分利用海量被采集到的雷达回波图数据，能更有效地训练网络模型，更准确地预测未来回波走势。虽然普通结构的LSTM网络一定程度上能够解决气象时序问题，但雷达回波预测存在较强的前后时空相关性，前一时刻的时空信息能决定下一时刻的预测，普通LSTM模型并没有考虑时间上空间相关性，因此容易导致时空信息的丢失，预测准确性的下降，并且速度不能保证。

发明内容

发明目的：针对以上问题，本发明提出一种基于CGRU的强时空特性雷达回波临近预报方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于CGRU的强时空特性雷达回波临近预报方法，具体方法包括：

(1)采集用于进行天气临近预报的连续雷达回波图像序列，相比较单张的雷达图像，图像序列更能体现气象数据的前后相关性；然后对连续雷达回波图像序列进行预处理，得到具有统一时间维度和空间维度的张量数据；对三维数据的处理能够得到具有完全时空特性的张量数据；

其中，所述张量数据为三维张量X∈R^T×W×H；式中，R表示实数集；T为时间维度；W、H分别是行列空间维度；

所述连续雷达回波图像序列用Y(t)＝y₁,y₂,...,y_N,t＝1,2,...,N表示；式中，t表示时间；N表示雷达回波图像序列的长度；

(2)构建并训练3DCNN-CGRU网络训练模型，得到3DCNN-CGRU网络模型，具体方法包括：

(2.1)以第一连续时间序列和第二连续时间序列为滑动窗口采集得到连续历史雷达回波图像序列；其中，所述第一连续时间序列与所述第二连续时间序列在时间上连续；

(2.2)对所述历史雷达回波图像序列进行预处理，构建具有统一时间维度和空间维度的张量数据；同时设定第一连续时间序列中每个时间帧的所述雷达回波图像的张量数据作为训练数据；设定所述第二连续时间序列中每个时间帧的所述雷达回波图像的张量数据作为实况数据；

(2.3)建立3DCNN-CGRU网络训练模型，将所述历史雷达回波图像的张量数据输入3DCNN-CGRU网络训练模型中，进行迭代预测，计算连续时间序列的所述雷达回波图像的实况数据与模型预测输出数据的差值，通过反向传播更新3DCNN-CGRU网络权重，直至损失函数值MSE收敛，则表示训练得到3DCNN-CGRU网络模型；

其中，所述3DCNN-CGRU网络训练模型的损失函数为连续雷达回波图像序列的像素级均方误差MSE：

式中，表示损失函数值；y表示真实实况数据；代表模型预测输出数据；N为连续时间序列的长度；n为计数单位；A、B分别表示雷达回波图像的横纵坐标。

(3)将步骤(1)所述用于进行天气临近预报的连续雷达回波图像序列的张量数据输入到所述3DCNN-CGRU网络模型，生成天气临近预报结果；

进一步地，所述第一连续时间序列的每个时间帧的回波图像的实况数据通过训练得到的所述预测输出数据与第二连续时间序列中的每个时间帧的回波图像的实况数据相对应；所述迭代预测按照所述第二连续时间序列的每个时间帧的所述雷达回波图像进行迭代。

进一步地，所述3DCNN-CGRU网络模型由编码网络和预测网络构成；

进一步地，所述编码网络是由3DCNN网络和三层CGRU网络构成，用于提取得到所述雷达回波图像序列的回波图像时空特征信息；

其中，所述3DCNN网络用于提取连续雷达回波图像序列的局部短时空运动特征；三层所述CGRU网络用于对连续雷达回波图像序列的全局长时空特征依赖关系进行学习，并将学习得到的雷达回波运动的时空特征压缩成隐状态；

进一步地，所述预测网络是由三层CGRU网络和3DCNN网络构成；所述预测网络将所述编码器的输出作为输入，并根据当前回波图像特征信息反向重构，生成未来的回波图像序列，进而得到天气临近预报结果。

进一步地，卷积神经网络因为特征映射、局部连接、权值共享等特点，尤其适合图像数据的处理；而传统的2DCNN网络虽然对图像数据具有很强的特征提取能力，但是对于处理连续回波图像任务时，却没有考虑连续多帧图像之间的联系对于预测的影响，因此容易丢失特征之间运动变化趋势的相关信息，无法解决运动图像的预测问题。本发明利用构建的3DCNN网络代替传统的2DCNN网络，其中3DCNN网络计算公式如下所示：

式中，表示3DCNN中第i层的第j个雷达回波特征图位置为(T,W,H)单元的输出；T表示时间维度；W、H分别是行列空间维度；f表示非线性激活函数；b_ij表示3DCNN中第i层的第j个雷达回波特征图的偏置参数；表示卷积核连接到(i-1)层第m个特征图的权值；p,q,r分别表示卷积操作在位置为(T,W,H)单元的实际参数值；表示第(i-1)层中的第m个雷达回波特征图位置为(W+p,H+q,T+r)单元的输出；P_i，Q_i，R_i分别表示卷积核三个维度的尺寸；

进一步地，本发明提出了一种CGRU网络结构，CGRU网络结构通过对已被提出的GRU网络结构进行调整，将状态间的转换从乘法运算变为卷积运算，这样不仅可以建立时序关系，而且可以刻画空间特征，有效克服了时序传递过程中空间信息丢失的问题。

其中，每一个CGRU网络单元包含了来自3DCNN网络时间和空间的输出，结构计算过程如下：

Z_t＝σ(W_xz*X_t+W_hz*H_t-1)

R_t＝σ(W_xr*X_t+W_hr*H_t-1)

式中，Z_t表示CGRU网络结构中的更新门；R_t表示CGRU网络结构中的重置门；X_t表示t时刻的雷达回波图输入；H_t表示t时刻的隐藏层输出；H_t-1表示t-1时刻的隐藏层输出；W_xz表示CGRU网络中输入到更新门的权重参数；W_hz表示隐藏层到更新门的权重参数；W_xr表示CGRU网络中输入到重置门的权重参数；W_hr表示隐藏层到重置门的权重参数；H_t'表示隐藏层在t时刻的记忆内容；f表示非线性激活函数；W_xh表示CGRU网络中输入到隐藏层的权重参数；W_hh表示隐藏层到隐藏层的权重参数；表示控制每个单元筛选雷达时空信息；为Hadamard乘积，即矩阵对应元素相乘；σ非线性激活函数为Sigmoid，公式为S(x)＝(1+e^-x)^-1，用于控制模型中门结构取值范围在[0,1]；

进一步地，本发明提出BN方法和利用ReLU非线性激活函数代替传统Sigmoid技巧提高网络收敛速度、缓解过拟合现象，能够显著增强模型的时空特征学习能力，使其拥有更强的多帧雷达回波图的特征表达能力，提高预测准确性。

进一步地，雷达回波图像在训练预测过程中的数据均被构建为三维张量X∈R^{T ×W×H}；

其中，R表示实数集；T为时间维度；W、H分别是行列空间维度；将单独回波图像转换为空间网格上多帧时间维度的向量，通过前后依次堆叠连续图像形成三维立体结构。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

本发明针对雷达回波临近预报任务，首次提出了一种3DCNN-CGRU编码预测结构的深度学习方法。针对3DCNN-CGRU网络结构，回波图像输入数据维度需要先被重构，分别构建数据的时间维度和空间维度；在时空特征提取和运动信息学习的过程中，输入、输出都是三维张量，状态与状态之间转换也都是三维张量卷积运算，从而使得雷达回波数据间具有统一的维度，同时保留了所有时间与空间特性，对该区域雷达回波的预报更加全面、精确；本发明提出构造的3DCNN首先用于提取局部短期时空特征，避免了直接利用CGRU网络进行学习而引起的空间特征混乱，同时CGRU结构可以更加充分地学习前向和后向雷达回波的全局长期运动趋势，减少网络参数，加快收敛速度；本发明方法改善了预测回波图像模糊的情况，解决了时空信息丢失容易，预测精度低的问题，在各种降雨阈值情况下整体性能明显优于其他雷达回波临近预报方法，预测的未来回波图像更加准确，充分证明了该方法的有效性。

附图说明

图1是基于3DCNN-CGRU网络的强时空特性雷达回波临近预报方法流程图；

图2是CGRU网络结构图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的一种基于CGRU的强时空特性雷达回波临近预报方法，具体方法包括：

(1)采集用于进行天气临近预报的连续雷达回波图像序列，相比较单张的雷达图像，图像序列更能体现气象数据的前后相关性；然后对连续雷达回波图像序列进行预处理，得到具有统一时间维度和空间维度的张量数据；对三维数据的处理能够得到具有完全时空特性的张量数据；

其中，所述张量数据为三维张量X∈R^T×W×H；式中，R表示实数集；T为时间维度；W、H分别是行列空间维度；

所述连续雷达回波图像序列用Y(t)＝y₁,y₂,...,y_N,t＝1,2,...,N表示；式中，t表示时间；N表示雷达回波图像序列的长度；

(2)构建并训练3DCNN-CGRU网络训练模型，得到3DCNN-CGRU网络模型，具体方法包括：

(2.1)以第一连续时间序列和第二连续时间序列为滑动窗口采集得到连续历史雷达回波图像序列；其中，所述第一连续时间序列与所述第二连续时间序列在时间上连续；

(2.2)对所述历史雷达回波图像序列进行预处理，构建具有统一时间维度和空间维度的张量数据；同时设定第一连续时间序列中每个时间帧的所述雷达回波图像的张量数据作为训练数据；设定所述第二连续时间序列中每个时间帧的所述雷达回波图像的张量数据作为实况数据；

(2.3)建立3DCNN-CGRU网络训练模型，将所述历史雷达回波图像的张量数据输入3DCNN-CGRU网络训练模型中，进行迭代预测，计算连续时间序列的所述雷达回波图像的实况数据与模型预测输出数据的差值，通过反向传播更新3DCNN-CGRU网络权重，直至损失函数值MSE收敛，则表示训练得到3DCNN-CGRU网络模型；

其中，所述3DCNN-CGRU网络训练模型的损失函数为连续雷达回波图像序列的像素级均方误差MSE：

式中，表示损失函数值；y表示真实实况数据；代表模型预测输出数据；N为连续时间序列的长度；n为计数单位；A、B分别表示雷达回波图像的横纵坐标。

(3)将步骤(1)所述用于进行天气临近预报的连续雷达回波图像序列的张量数据输入到所述3DCNN-CGRU网络模型，生成天气临近预报结果；

进一步地，所述第一连续时间序列的每个时间帧的回波图像的实况数据通过训练得到的所述预测输出数据与第二连续时间序列中的每个时间帧的回波图像的实况数据相对应；所述迭代预测按照所述第二连续时间序列的每个时间帧的所述雷达回波图像进行迭代。

进一步地，所述3DCNN-CGRU网络模型由编码网络和预测网络构成；

进一步地，所述编码网络是由3DCNN网络和三层CGRU网络构成，用于提取得到所述雷达回波图像序列的回波图像时空特征信息；

其中，所述3DCNN网络用于提取连续雷达回波图像序列的局部短时空运动特征；三层所述CGRU网络用于对连续雷达回波图像序列的全局长时空特征依赖关系进行学习，并将学习得到的雷达回波运动的时空特征压缩成隐状态；

进一步地，所述预测网络是由三层CGRU网络和3DCNN网络构成；所述预测网络将所述编码器的输出作为输入，并根据当前回波图像特征信息反向重构，生成未来的回波图像序列，进而得到天气临近预报结果。

进一步地，卷积神经网络因为特征映射、局部连接、权值共享等特点，尤其适合图像数据的处理；而传统的2DCNN网络虽然对图像数据具有很强的特征提取能力，但是对于处理连续回波图像任务时，却没有考虑连续多帧图像之间的联系对于预测的影响，因此容易丢失特征之间运动变化趋势的相关信息，无法解决运动图像的预测问题。本发明利用构建的3DCNN网络代替传统的2DCNN网络，其中3DCNN网络计算公式如下所示：

式中，表示3DCNN中第i层的第j个雷达回波特征图位置为(T,W,H)单元的输出；T表示时间维度；W、H分别是行列空间维度；f表示非线性激活函数；b_ij表示3DCNN中第i层的第j个雷达回波特征图的偏置参数；表示卷积核连接到(i-1)层第m个特征图的权值；p,q,r分别表示卷积操作在位置为(T,W,H)单元的实际参数值；表示第(i-1)层中的第m个雷达回波特征图位置为(W+p,H+q,T+r)单元的输出；P_i，Q_i，R_i分别表示卷积核三个维度的尺寸；

进一步地，本发明提出了一种CGRU网络结构，CGRU网络结构通过对已被提出的GRU网络结构进行调整，将状态间的转换从乘法运算变为卷积运算，这样不仅可以建立时序关系，而且可以刻画空间特征，有效克服了时序传递过程中空间信息丢失的问题。

其中，每一个CGRU网络单元包含了来自3DCNN网络时间和空间的输出，结构计算过程如下：

Z_t＝σ(W_xz*X_t+W_hz*H_t-1)

R_t＝σ(W_xr*X_t+W_hr*H_t-1)

式中，Z_t表示CGRU网络结构中的更新门；R_t表示CGRU网络结构中的重置门；X_t表示t时刻的雷达回波图输入；H_t表示t时刻的隐藏层输出；H_t-1表示t-1时刻的隐藏层输出；W_xz表示CGRU网络中输入到更新门的权重参数；W_hz表示隐藏层到更新门的权重参数；W_xr表示CGRU网络中输入到重置门的权重参数；W_hr表示隐藏层到重置门的权重参数；H’_t表示隐藏层在t时刻的记忆内容；f表示非线性激活函数；W_xh表示CGRU网络中输入到隐藏层的权重参数；W_hh表示隐藏层到隐藏层的权重参数；表示控制每个单元筛选雷达时空信息；为Hadamard乘积，即矩阵对应元素相乘；σ非线性激活函数为Sigmoid，公式为S(x)＝(1+e^-x)^-1，用于控制模型中门结构取值范围在[0,1]；

进一步地，本发明提出BN方法和利用ReLU非线性激活函数代替传统Sigmoid技巧提高网络收敛速度、缓解过拟合现象，能够显著增强模型的时空特征学习能力，使其拥有更强的多帧雷达回波图的特征表达能力，提高预测准确性。

进一步地，雷达回波图像在训练预测过程中的数据均被构建为三维张量X∈R^{T ×W×H}；

其中，R表示实数集；T为时间维度；W、H分别是行列空间维度；将单独回波图像转换为空间网格上多帧时间维度的向量，通过前后依次堆叠连续图像形成三维立体结构。