专利摘要

专利摘要

本发明涉及大气科学领域，提出一种以深度神经网络为模型，以雷达回波图像为主要输入，利用光流技术生成回波移动光流图像作为辅助输入，通过数据集增强、代价函数优化和模型泛化性能优化等步骤，实现对强对流天气智能识别的方法。本申请提出一种基于深度神经网络技术的强对流天气智能识别方法，该方法能够将以往由气象工作者主观研读雷达资料来分析强对流天气的过程自动化、定量化，提高了对强对流天气识别相关业务的可靠性和时效性。

权利要求

1.一种基于深度神经网络的强对流天气识别方法，其特征在于，包括以下步骤：

S1. 定义一个雷达探测数据为RB(t)，建立雷达回波图像EI(RB(t))和回波移动光流图像OFI(RB(t))与强对流天气发生与否的标签Tag(t)之间的“数据对”，t表示探测时间；

S2. 采用S1的方法对一个月至一百年时间段内的雷达探测数据和地面气象站数据进行处理计算，并生成该时间段内所有的“数据对”组成的集合，得到用于强对流智能识别的用例数据集，记为DATASET；

S3. 对S2得到的低概率训练样本进行多重采样，实现数据集的增强优化，得到新的用例数据集，记为DATASET2；

S4. 构建基于深度神经网络的强对流智能识别模型MDN，该模型包含多个卷积层、池化层和全连接层，并在代价函数中引入类别权重，赋予实际发生了强对流但模型未识别出强对流这种情况更高的反馈值，改进后的代价函数为：

式中， 是强对流天气的示性函数，是“CNN模型”对应于强对流天气的输出，是判定权重项，即反馈值，m为数据集的样本数；

S5. 将S3得到的数据集DATASET2代入S4提出的MDN模型进行神经网络的训练，得到用于对强对流智能识别的模型；

S6.将实时雷达探测数据作为S5得到的模型的输入，经模型计算后，得到分类识别的结果MDN_Output(RB(t))；MDN_Output表示模型输出的结果，由于输出是一个二分类，因此用0和1表示是否发生了强对流天气。

2.根据权利要求1所述的一种基于深度神经网络的强对流天气识别方法，其特征在于：所述S1中雷达回波图像EI(RB(t))是采用PPI方式扫描形成的。

3.根据权利要求1所述的一种基于深度神经网络的强对流天气识别方法，其特征在于：所述S1中回波移动光流图像OFI(RB(t)是基于Lucas-Kanade的局部约束法构建的。

4.根据权利要求1所述的一种基于深度神经网络的强对流天气识别方法，其特征在于：所述S1中强对流天气发生与否的标签Tag(t)采用短时强降水和大风这两种天气现象作为判定。

5.根据权利要求4所述的一种基于深度神经网络的强对流天气识别方法，其特征在于：所述短时强降水和大风这两种天气现象的具体判定规则如下：

规则A、1小时的降水量达到或超过TH1，则判定为发生短时强降水，TH1∈[10,100]毫米；

规则B、1小时最大风速达到或超过TH2，则判定为发生大风，TH2∈[10,100] 米/秒；

规则C、以地面气象站观测时间为基准，往前推2小时的时间范围内，分析这期间是否存在雷达基本反射率数值达到或超过TH3的情况，TH3∈[10,100] dBZ；

当仅满足规则A和规则C时，标记为发生了短时强降水；当仅满足规则B和规则C时，标记为发生了大风；当上述三项规则同时满足时，标记为发生了强对流天气；其他情况下，均标记为无强对流天气。

6.根据权利要求5所述的一种基于深度神经网络的强对流天气识别方法，其特征在于：所述降水量通过地面气象站记录的分钟降水量信息累加得到1小时的降水量，所述大风的风速为1小时地面气象站记录的瞬时风速或极大风速中的最大风速。

说明书

技术领域

本发明涉及大气科学领域，特别涉及一种基于深度神经网络的强对流天气识别方法。

背景技术

强对流天气是一种因大气强烈的垂直运动而产生的天气现象，往往具有很强的破坏力，常伴随雷暴、短时强降水、大风和冰雹等灾害性天气。短时强降水和对流性大风是典型的强对流天气，其对交通运输、农业生产、建筑保护和城市排水等造成极大危害。天气雷达是对其进行监测和预测的电子设备，借助雷达探测资料能够直观地观察天气演变过程，结合专业理论和方法能够分析出风暴发生的空间位置、移动速度和发展趋势以及大风或降水的强度等大量有价值的天气信息。

将深度学习技术应用到对雷雨大风等强对流天气的识别是近年来一些研究人员努力的目标。但由于强对流天气的生消发展速度快、局地性强、空间尺度小，使得其在雷达回波图像上所表现的一些典型特征并不总是存在，而一些关键性特征又难以客观量化，这使得不论采用图像模式识别还是机器学习识别，都难以有效实施应用。

发明内容

为克服上述现有技术中的不足，本发明目的在于提供一种基于深度神经网络的强对流天气识别方法。

为实现上述目的及其他相关目的，本发明提供的技术方案是：一种基于深度神经网络的强对流天气识别方法，包括以下步骤：

S1. 定义一个雷达探测数据为RB(t)，建立雷达回波图像EI(RB(t))和回波移动光流图像OFI(RB(t))与强对流天气发生与否的标签Tag(t)之间的“数据对”，t表示探测时间；

S2. 采用S1的方法对一个月至一百年时间段内的雷达探测数据和地面气象站数据进行处理计算，并生成该时间段内所有的“数据对”组成的集合，得到用于强对流智能识别的用例数据集，记为DATASET；

S3. 对S2得到的低概率训练样本进行多重采样，实现数据集的增强优化，得到新的用例数据集，记为DATASET2；

S4. 构建基于深度神经网络的强对流智能识别模型MDN，该模型包含多个卷积层、池化层和全连接层，并在代价函数中引入类别权重，赋予实际发生了强对流但模型未识别出强对流这种情况更高的反馈值，改进后的代价函数为：

式中， 是强对流天气的示性函数， 是“CNN模型”（卷积神经网络）对应于强对流天气的输出， 是判定权重项，即反馈值，m为数据集的样本数；

S5. 将S3得到的数据集DATASET2代入S4提出的MDN模型进行神经网络的训练，得到用于对强对流智能识别的模型；

S6.将实时雷达探测数据作为S5得到的模型的输入，经模型计算后，得到分类识别的结果MDN_Output(RB(t))；MDN_Output表示模型输出的结果，由于输出是一个二分类，因此用0和1表示是否发生了强对流天气。

优选的技术方案为：所述S1中雷达回波图像EI(RB(t))是采用PPI方式扫描形成的。

优选的技术方案为：所述S1中回波移动光流图像OFI(RB(t)是基于Lucas-Kanade的局部约束法构建的。

优选的技术方案为：所述S1中强对流天气发生与否的标签Tag(t)采用短时强降水和大风这两种天气现象作为判定。

优选的技术方案为：所述短时强降水和大风这两种天气现象的具体判定规则如下：

规则A、1小时的降水量达到或超过TH1，则判定为发生短时强降水，TH1∈[10,100]毫米；

规则B、1小时最大风速达到或超过TH2，则判定为发生大风，TH2∈[10,100] 米/秒；

规则C、以地面气象站观测时间为基准，往前推2小时的时间范围内，分析这期间是否存在雷达基本反射率数值达到或超过TH3的情况，TH3∈[10,100] dBZ；

当仅满足规则A和规则C时，标记为发生了短时强降水；当仅满足规则B和规则C时，标记为发生了大风；当上述三项规则同时满足时，标记为发生了强对流天气；其他情况下，均标记为无强对流天气。

优选的技术方案为：所述降水量通过地面气象站记录的分钟降水量信息累加得到1小时的降水量，所述大风的风速为1小时地面气象站记录的瞬时风速或极大风速中的最大风速。

本发明的有益效果为：

本申请提出一种基于深度神经网络技术的强对流天气智能识别方法，该方法能够将以往由气象工作者主观研读雷达资料来分析强对流天气的过程自动化、定量化，提高了对强对流天气识别相关业务的可靠性和时效性。

附图说明

图1 为本发明流程图；

图2a 为本发明实施例中使用的雷达图像示例；

图2b 为本发明实施例中使用的雷达图像示例；

图2c 为本发明实施例中使用的雷达图像示例；

图3a为本发明雷达回波图像变形示意图；

图3b为本发明雷达回波图像变形示意图；

图3c为本发明雷达回波图像变形示意图；

图3d为本发明雷达回波图像变形示意图；

图3e为本发明雷达回波图像变形示意图；

图3f为本发明雷达回波图像变形示意图；

图4为本发明中强对流智能识别的网络结构示意图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的详细的解释说明，但应当理解为本发明的保护范围并不受具体实施方式的限制。

如图1所示，本发明一种基于深度神经网络的强对流天气识别方法，包括以下步骤：

S1：定义一个雷达探测数据为RB(t)，其中t表示探测时间。建立雷达回波图像EI(RB(t))和回波移动光流图像OFI(RB(t))与强对流天气发生与否的标签Tag(t)之间的数据对。其中，EI(RB(t))是采用PPI方式扫描形成的雷达回波图像。回波移动光流图像OFI(RB(t))通过步骤2计算得到。强对流天气发生与否的标签Tag(t)通过步骤3计算得到。

采用基于Lucas-Kanade的局部约束法构建雷达回波图像EI(RB(t-1))与EI(RB(t-1))之间的光流场。其中，RB(t-1)表示t的前一时刻的雷达探测数据。数据集中一组雷达回波图像和回波移动光流图像如图2a-2c所示。三幅图像分为T时刻的回波图像、T+6min 时刻的回波图像以及T时刻的回波移动光流图像。由于本算法采用的是VCP21方式的雷达体扫，体扫周期为6分钟，因此，图2b采用的是T+6min的数据。图2c是由图2a和图2b采用基于Lucas-Kanade的光流算法计算得到，为了在图像上清楚地标识光流信息，图2c光流箭头进行了稀疏处理。

短时强降水和大风是最典型的强对流天气，本发明采用这两种易于被地面气象站观测到的天气现象作为判定强对流天气发生与否的标签。其中，降水量通过地面气象站（包括加密自动气象站）记录的分钟降水量信息累加得到近1小时的降水量。大风的风速则根据地面气象站记录的瞬时风速或极大风速，通过求取近1小时的最大风速得到。具体判定条件如下：

(1) 1小时的降水量达到或超过20mm判定为发生短时强降水；

(2) 1小时最大风速达到或超过17.2 m/s判定为发生大风；

(3) 由于雷达探测到强对流天气特征的时间往往早于地面观测到短时强降水或大风，因此，以地面气象站观测时间为基准，往前推2小时的时间范围内，分析这期间是否存在雷达基本反射率数值达到或超过50 dBZ的情况。

当仅满足条件(1)和(3)时，标记为发生了短时强降水；当仅满足条件(2)和(3)时，标记为发生了大风；当上述三项条件同时满足，标记为发生了强对流天气；其他情况下，均标记为无强对流天气。

S2：采用S1的方法，对较长一段时间的雷达探测数据和地面气象站数据进行处理计算，生成该时间段内所有的“数据对”，从而得到用于强对流智能识别的用例数据集，记为DATASET。

S3：通过对低概率训练样本进行多重采样，实现数据集的增强优化。具体方法为将可能存在强对流天气特征的回波图像通过平移、旋转、变形和增加噪声等方式，生成多个新的训练样本，使得数据样本中发生强对流天气的占比有所增加，进而降低数据不均衡对模型训练产生的不利影响。得到新的用例数据集DATASET2。图3a-3f是数据集增强的一个示例，其中，图3a 是雷达回波图像原图，该图长宽均为120像素，图像中心位置对应雷达中心点。图3b至图3f分别是由图3a经顺时针旋转、逆时针旋转、放大、缩小和放大旋转生成。

S4：构建基于深度神经网络的强对流智能识别模型MDN，该模型包含若干个卷积层、池化层和全连接层等多种神经元层。本实施例中，搭建适用于强对流天气智能识别的网络模型，模型结构如图4所示。其中，输入是一个长宽均为120像素，由16幅图像（8幅回波图像和8幅回波移动光流图像）构成的三维向量。经过10次卷积和3次池化，以120×120×64为例，前2项表示图像的大小，64表示卷积核的数量。图中各层的作用与图例中名称的含义相一致。卷积层和全连接层所采用的激活函数均为ReLU函数。

为了进一步改善数据集的不平衡问题，本发明提出在代价函数中引入类别权重，赋予实际发生了强对流但模型未识别出强对流这种情况更高的反馈值。改进后的代价函数为：

其中， 是强对流天气的示性函数， 是CNN模型对应于强对流天气的输出，表示该区域被识别为强对流天气的概率。 是判定权重项，即反馈值。该值越大模型会将更多的雷达图像判定为存在强对流天气，同时可能造成较高的误报，但识别的成功率会有所提升。m为数据集的样本数。

S5：将数据集DATASET2代入MDN模型进行神经网络的训练，最终得到一个可用于对强对流智能识别的模型。

S6：利用S5得到的强对流智能识别的模型，再将实时雷达探测数据作为该模型的输入，经模型计算后，可得到分类识别的结果MDN_Output(RB(t))。其中，MDN_Output表示模型输出的结果，由于输出是一个二分类，因此，可以用0和1分别表示是否发生了强对流天气。

本申请提出一种以深度神经网络为模型，以雷达回波图像为主要输入，利用光流技术生成回波移动光流图像作为辅助输入，通过数据集增强、代价函数优化和模型泛化性能优化等步骤，实现对强对流天气智能识别的方法。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神和技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

一种基于深度神经网络的强对流天气识别方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。