基于概率因果卷积的轻量型多频门控降水临近预报方法
本发明涉及气象预测,具体是一种基于概率因果卷积的轻量型多频门控降水临近预报方法。
背景技术:
1、短临降水预报一般指预测局部地区未来0~6h的降水,可靠的短临降水预报,能够为防灾减灾、城市内涝治理、航空安全及农业调度工作的开展提供信息数据上的支持,能及时开展相应的预防措施,从而减少突发性强对流降水所造成的损害。目前,降水预测方法主要分为两大类,即基于传统物理的方法和基于深度学习的数据驱动方法。
2、传统方法上,气象学家一直依赖数值天气预报(nwp)来进行降水预测,nwp通过超级计算机求解大气物理基本方程,其成功得益于其严谨的研究方法和持续进步,能够更细致地描述天气现象,并通过增加计算资源来提升准确性。然而,由于nwp对于计算资源和计算时间的较高要求,使其不适用于分钟级短临降水预报。雷达回波外推技术是根据先前几个时刻和当前时刻雷达观测结果,计算出回波的移速和移向,并依此移速和移向推测雷达回波未来的位置和强度,能够更快地实现对强对流系统的跟踪预报,目前被广泛应用于临近降雨预报中。光流法是传统的雷达回波外推方法,具有良好的性能,但其存在一定的缺陷,光流法对图像噪声较为敏感,噪声会导致光流估计的误差,且光流法的计算复杂度较高,遇到复杂场景,需要大量的计算资源。 然而,尽管这些先进方法能生成细节更逼真的预测结果,短临降水预报领域仍面临一些挑战:一是短临强降水事件本身属于小样本事件。在模型训练过程中,由于此类样本数量不足且分布不均衡,模型难以充分学习其复杂特征和演变模式,导致对强降水区域的敏感性不足。其结果是模型在预测强降水区域时,输出与真实值存在较大偏差,难以准确捕捉极端降水的强度。二是为了追求更高的预测精度和细节还原能力,模型架构日趋复杂,参数量急剧膨胀,且雷达数据量庞大,这直接导致对计算算力和硬件资源的要求显著提高。高昂的训练和推理成本限制了模型在实际业务环境,特别是在资源受限的边缘计算设备上的部署和应用。
技术实现思路
1、本发明的目的是为了克服现有技术的不足,提出一种基于概率因果卷积的轻量型多频门控降水临近预报方法。第一个阶段,生成器通过编码器-翻译器-解码器级联架构对雷达回波序列进行分层编码、多频率瓶颈变换与分层解码,生成预测结果。其中概率因果各向同性卷积算子从空间几何与时序因果维度修正传统卷积的固有偏差,双自适应频率门控模块在无分辨率衰减下实现多尺度特征融合,同时抑制高频反射率消散问题。在第二阶段,通过将预测结果与真实值分别与原始输入序列拼接,利用判别器对输入的预测结果进行真伪判别与结构合理性校验。判别器通过多尺度时空编码提取基础特征,嵌入降水感知时空注意力模块增强关键区域特征权重,最终通过降水结构判别模块输出真伪概率与结构一致性损失。采用全频率结构一致性损失函数,从像素精度、频域结构、空间梯度与分布真实性多维度联合约束,提升强降水区域的生成质量。此外,采用深度可分离卷积与瓶颈架构设计减小模型的参数量与计算量,以减小对计算算力和硬件资源的要求,实现低延迟实时业务部署。
2、为了实现上述目的,本发明具体采用的技术方案如下:
3、一种基于概率因果voronoi卷积的轻量型多频门控gan降水临近预报方法,其特征在于,包括如下步骤:
4、步骤s1、获取雷达降水数据集,对所述雷达降水数据集中的雷达反射率图序列进行预处理,构建用于模型训练与验证的样本集;所述样本集中的每个样本包含历史雷达反射率图序列及其对应的未来降水真值序列;
5、步骤s2、构建基于生成对抗网络的降水临近预报模型,所述模型包括生成器和判别器;
6、所述生成器采用编码器-翻译器-解码器级联架构,所述编码器和解码器的各层级中嵌入有蜂窝特征融合网络,所述翻译器中嵌入有多频率翻译器;所述蜂窝特征融合网络和多频率翻译器中采用概率因果各向同性卷积算子作为基础卷积单元,所述概率因果各向同性卷积算子用于在空间维度上构建基于加权voronoi图的动态各向同性感受野,并在时序维度上引入可学习的因果掩码矩阵以强制未来时刻信息不可见;
7、利用所述样本集对所述生成器和判别器进行对抗迭代训练,训练过程中采用全频率结构一致性损失函数计算所述生成器和所述判别器的联合损失,待模型收敛后得到训练好的降水临近预报模型;
8、步骤s3、获取实时雷达反射率图序列,输入至所述训练好的降水临近预报模型中的生成器,输出未来多个时刻的降水临近预报结果。
9、作为优选,所述概率因果各向同性卷积算子包括空间感受野构建模块、时序因果掩码学习模块及联合优化模块;
10、所述空间感受野构建模块,在卷积核范围内通过可学习的泊松点过程生成随机站点集合,基于局部特征预测每个站点的权重,构建加权voronoi图即功率图;取中心像素所属的voronoi胞元作为该位置的有效感受野,胞元内所有像素参与卷积计算,卷积权重由可学习高斯核函数确定;
11、所述时序因果掩码学习模块,引入可学习的因果掩码矩阵,满足未来时刻权重为0的因果约束,历史时刻对应权重为可训练参数;将因果掩码与所述加权voronoi感受野提取的特征逐元素相乘;
12、所述联合优化模块,将因果掩码与站点的位置、站点的权重进行联合优化,使模型自动学习不同历史帧对当前预测的贡献程度。
13、作为优选,所述蜂窝特征融合网络采用多分支特征提取与自适应门控聚合的两阶段级联设计:
14、第一阶段,输入特征分别送入核尺寸为3×3、5×5、7×7的三条并行概率因果各向同性卷积分支,各分支均嵌入时序因果掩码,分别对应捕获对流尺度、中尺度与天气尺度的降水结构特征;
15、第二阶段,三分支特征沿通道维度拼接后,通过卷积与softmax归一化生成三通道门控权重,与对应分支特征逐元素相乘后,经残差连接与原始输入相加得到融合输出。
16、作为优选,所述多频率翻译器采用双路径并行设计,包括空间多尺度特征提取路径和频域分解门控路径,两条路径的输出经门控瓶颈卷积融合单元聚合后输出多频率瓶颈特征;
17、所述空间多尺度特征提取路径采用三条并行分支,通过不同感受野的概率因果各向同性卷积算子捕获高、中、低尺度降水结构特征;
18、所述频域分解门控路径通过高斯滤波、拉普拉斯滤波与sobel滤波三支并行运算,分别对应提取低频背景场、中频结构纹理与高频边缘信息,并通过自适应门控单元生成逐像素融合权重,对三类频率特征进行加权求和,得到门控融合后的频域增强特征。
19、作为优选,所述门控瓶颈卷积融合单元的实现方法为:
20、将所述空间多尺度特征提取路径的输出与所述频域分解门控路径的输出沿通道维度拼接,通过1×1点卷积压缩通道维度,再经深度可分离卷积进行空间特征交互,随后通过1×1点卷积恢复通道维度并激活,最终与输入特征残差连接后经卷积调整输出瓶颈特征。
21、作为优选,所述判别器中嵌入有多尺度时空编码模块、像素注意力融合模块与降水结构判别模块;
22、将拼接后的完整时空序列输入多尺度时空编码模块,通过三维平均池化与层级卷积同步压缩时空维度,提取多尺度基础特征;
23、所述像素注意力融合模块通过双分支结构进行特征增强,浅层分支聚焦高频边缘与对流细节,深层分支捕捉全局运动趋势与强度分布,并采用挤压-激励式通道注意力机制自适应提升强降水通道权重,输出注意力增强特征;
24、所述降水结构判别模块,通过卷积提取的局部特征并与注意力增强特征融合,通过梯度结构一致性损失约束边缘连续性与强度平滑性,输出真伪概率与结构一致性损失。
25、作为优选,所述全频率结构一致性损失函数由时序加权均方误差损失、频域感知损失、降水结构损失与gan对抗损失四个分量加权构成,其构造公式为:
26、
27、其中,、、为平衡超参数;
28、所述时序加权均方误差损失为:
29、
30、其中为随时间步指数增长的权重系数,为批量大小,、为空间分辨率,为预报时间步长,为生成预测序列,为真值序列;
31、所述频域感知损失为:
32、
33、其中为二维快速傅里叶变换,为高频增强权重矩阵,对高频分量施加更高惩罚;
34、所述降水结构损失为:
35、
36、其中、为sobel梯度算子;
37、所述gan对抗损失为:
38、
39、其中为判别器,为历史输入序列,为真实值序列,为生成预测序列。
40、作为优选,所述步骤s1中的预处理包括:对雷达反射率图进行空间插值转换为笛卡尔坐标,截取指定高度层的cappi图像区域,将低于设定阈值的反射率值置零以抑制地杂波干扰,并对反射率值执行最小-最大归一化映射至[0,1]区间。
41、作为优选,所述步骤s2中,所述生成器和所述判别器采用独立的初始学习率,训练过程中采用线性学习率预热策略,优化算法采用adamw算法,当模型在验证集上的性能连续预设周期数无改善时提前终止训练。
42、作为优选,所述生成器中,所述编码器采用四级层级结构,每级以所述蜂窝特征融合网络为核心计算单元,相邻层级之间通过步长为2的卷积执行下采样;所述解码器采用与所述编码器对称的四级渐进上采样架构,每级通过双线性插值将特征图分辨率翻倍后与对应编码器层级的输出特征拼接,再经所述蜂窝特征融合网络进行特征校准;所述翻译器连接于所述编码器与所述解码器的瓶颈处,将所述编码器输出的瓶颈特征经所述多频率翻译器转换为多频率瓶颈特征后送入所述解码器。
43、本发明具有以下的特点和有益效果:
44、提出概率因果各向同性卷积算子,从空间几何与时序因果双维度优化基础卷积操作,消除方形卷积的各向异性偏差,在算子层面嵌入严格时序因果约束,在可控参数开销下同时缓解高频细节丢失与自回归误差累积问题。
45、设计双自适应频率门控机制,通过网络与实现无下采样的多频率特征融合,从结构上避免传统多尺度设计的高频细节丢失问题,数据驱动的动态门控权重可自适应匹配局地降水类型,针对性抑制强降水区域的反射率消散。
46、构建全频率结构一致性损失函数,从像素精度、频域结构、空间梯度与分布真实性多维度形成互补约束,与自适应门控机制形成闭环协同优化,进一步强化强降水区域的结构保真度与长时预报稳定性。
47、全网络采用轻量化设计,深度可分离卷积与瓶颈架构大幅压缩参数量与计算量,模型仅含5.7m参数量与4.2gflops计算量,在保持强降水预报性能优势的同时实现低延迟推理,适配高性能计算平台的实时业务部署需求。
48、模型设计基于降水演化的通用物理规律构建结构先验,而非依赖特定数据集的统计拟合,在温带海洋性气候与亚热带季风气候数据集上均取得优异表现,具备强跨区域泛化能力与业务迁移价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com