一种基于互补双模型多源融合的强降水概率场生成方法与流程

摘要: 本发明涉及气象监测预警与人工智能交叉,具体涉及一种基于互补双模型多源融合的强降水概率场生成方法。背景技术:1、短时强降水具有局地性强、发展迅速、影响范围变化快和...
一种基于互补双模型多源融合的强降水概率场生成方法与流程

本发明涉及气象监测预警与人工智能交叉,具体涉及一种基于互补双模型多源融合的强降水概率场生成方法。

背景技术:

1、短时强降水具有局地性强、发展迅速、影响范围变化快和灾害风险高等特点。天气雷达组合反射率能够提供高时空分辨率的降水粒子散射信息,卫星红外亮温能够反映云顶温度和对流云发展程度,闪电定位资料能够反映强对流电活动,地形高程则与局地抬升和降水空间分布相关。将上述异构数据统一到同一规则网格并输入深度语义分割网络,能够提高强降水识别的多源信息利用能力。

2、现有方法通常采用单个语义分割模型输出强降水概率场。对于强降水识别任务,命中率与虚警率之间存在明显制约:提高模型对弱对流、初生对流和边缘区域的敏感性,通常会扩大预测区域并增加虚警;提高模型的保守程度虽然能够减少误报,却容易漏掉尺度较小或信号较弱的真实事件。由于强降水正样本在全国规则网格中所占比例通常不足1%,该矛盾还会受到极端类别不均衡的进一步放大。

3、现有的u-net、attention u-net、焦点损失、tversky损失、二元交叉熵损失、smooth l1损失、批归一化、分组归一化以及各种激活函数均可用于构建气象图像分割模型。但是,将全部目标同时施加于一个模型时,不同目标产生的梯度会在共享参数空间内相互制约,难以稳定获得兼具高候选覆盖和低虚警特性的单一概率场。

4、因此,需要一种能够将高召回目标和低虚警目标分别交由不同模型承担、同时保持相同多源输入和统一输出网格的互补双模型强降水概率场生成方法。

技术实现思路

1、本发明采用“同源输入、异构网络、独立参数、相反惩罚、成对输出”的技术方案。第一语义分割模型m1通过注意力门控的高容量编码器—解码器和漏报权重较大的焦点tversky损失,提高对候选强降水区域的覆盖能力;第二语义分割模型m2通过紧凑编码器—解码器、块级存在性判别头、误报权重较大的软临界成功指数损失以及硬负样本抑制项,提高对虚警区域的抑制能力。两个模型不共享可训练参数,分别求解各自的最优参数,推理时接收同一个8通道输入张量并输出空间尺寸一致的第一概率场p1和第二概率场p2。

2、为实现上述目的,本发明提供了一种基于互补双模型多源融合的强降水概率场生成方法,包括以下步骤:

3、s1、根据目标区域的多源观测数据和地形数据,获取多通道时空输入张量;

4、s2、根据多通道时空输入张量及其对应的降水分析产品,获取像素级强降水标签、硬负样本掩膜、空间权重图和块级存在性标签;

5、s3、根据多通道时空输入张量、像素级强降水标签和雨强回归标签,构建并训练第一语义分割模型m1,获取偏重强降水候选区域覆盖的第一概率场生成能力;

6、s4、根据多通道时空输入张量、像素级强降水标签、雨强回归标签、空间权重图、硬负样本掩膜和块级存在性标签,构建并训练第二语义分割模型m2,获取偏重对虚警区域抑制的第二概率场生成能力;

7、s5、根据训练好的第一语义分割模型m1和第二语义分割模型m2,将同一多通道时空输入张量分别输入两个模型,获取由第一强降水概率场p1和第二强降水概率场p2构成的互补概率场对并输出。

8、优选的,所述s1包括:

9、根据目标区域的雷达组合反射率拼图数据,获取归一化反射率;

10、根据与当前雷达时次时间匹配的卫星红外亮温数据,获取归一化亮温;

11、根据预设时间窗内的闪电定位记录,获取归一化闪电密度;

12、根据目标区域的数字高程模型,获取标准化地形;

13、将归一化后的多时次雷达反射率、卫星红外亮温、闪电密度和地形高程按通道维拼接,得到多通道时空输入张量。

14、优选的,所述s2包括:

15、根据降水分析产品和强降水阈值,获取初始强降水掩膜;

16、根据多时次雷达组合反射率拼图数据获取最大反射率,并根据初始强降水掩膜和最大反射率,获取像素级强降水标签;

17、根据最大反射率、强回波阈值和初始强降水掩膜,获取硬负样本掩膜;

18、根据像素级强降水标签、硬负样本掩膜和初始强降水掩膜的邻域扩展结果,生成空间权重图;

19、根据像素级强降水标签,获取块级存在性标签。

20、优选的,所述s3包括:

21、将多通道时空输入张量输入第一语义分割模型m1,第一语义分割模型m1为带注意力门控的五级编码、四级解码u型网络,输出像素级分割logit和雨强估计;

22、采用第一损失函数l1训练第一语义分割模型m1,第一损失函数l1包括焦点损失、焦点tversky损失和雨强回归损失,其中焦点tversky损失中的漏报权重系数大于误报权重系数。

23、优选的,所述焦点损失和焦点tversky损失根据像素级预测概率和目标计算得到;

24、所述雨强回归损失仅在所述像素级强降水标签为1的区域计算;

25、所述第一损失函数l1为所述焦点损失、焦点tversky损失和雨强回归损失的加权和。

26、优选的,所述s4包括:

27、将多通道时空输入张量输入第二语义分割模型m2,第二语义分割模型m2为四级编码、三级解码的紧凑u型网络,并具有块级存在性判别头,输出像素级分割logit、雨强估计和块级存在性logit;

28、采用第二损失函数l2训练第二语义分割模型m2,第二损失函数l2包括加权二元交叉熵损失、软临界成功指数损失、硬负样本损失、空块抑制损失、块级存在性损失和雨强回归损失,其中软临界成功指数损失中的误报权重系数大于漏报权重系数。

29、优选的,加权二元交叉熵损失根据空间权重图和自适应正样本增强系数计算得到;

30、硬负样本损失根据硬负样本掩膜计算得到;

31、空块抑制损失根据空块硬负样本掩膜计算得到,空块硬负样本掩膜根据块级存在性标签和硬负样本掩膜生成;

32、块级存在性损失根据块级存在性标签和块级存在性logit计算得到。

33、优选的,所述s5包括:

34、在线推理时,根据目标区域的多源观测数据和地形数据构造当前时次的多通道时空输入张量x;

35、将多通道时空输入张量x分别输入训练好的第一语义分割模型m1和第二语义分割模型m2,第一语义分割模型m1和第二语义分割模型m2在同一计算设备上依次执行或在两个计算设备/计算流中并行执行;

36、分别获取第一语义分割模型m1输出的第一强降水概率场p1和第二语义分割模型m2输出的第二强降水概率场p2,并输出包含时间、网格定义、p1和p2的互补概率场对。

37、与现有技术相比,本发明的有益效果如下:

38、本发明将高召回与低虚警两个相互制约的目标解耦到两个独立参数空间中,有效避免了相反梯度在同一模型中直接冲突所导致的训练不稳定和性能折中问题,使得两个模型能够各自在最优状态下收敛,从根本上缓解了命中率与虚警率之间的固有矛盾;第一模型中注意力门的空间选择机制,显著增强了对强回波核及其邻近区域的特征传递,有效提升了对尺度较小、处于初生阶段或边缘区域的强降水事件的捕获能力,改善了模型的召回性能;第二模型中块级存在性判别头所引入的全局场景约束,使得像素级分割能够获得整块区域有无目标的上下文信息,大幅提升了模型对大面积无降水区域的判别准确性;同时,第二损失函数中对强回波无强降水区域、无目标训练块及误报项施加的专门惩罚,能够有效压制强回波背景下的虚警响应,显著降低了误报率;最终输出的两个概率场在保持原始规则网格和完整概率信息的前提下,不限定下游使用方式,能够灵活适配候选生成、物理门控、对象筛选、排序及预警阈值决策等多种应用场景,具有很强的通用性和实用价值。