一种基于北斗GNSS和测雨雷达的融合降雨预测增强方法及系统

本发明属于降雨预测领域，具体涉及一种基于北斗gnss和测雨雷达的融合降雨预测增强方法及系统。

背景技术：

1、测雨雷达是降水短临预测领域最主要的观测数据来源，它能够在捕捉降水系统空间结构方面提供极高的时空分辨率。基于雷达观测的降水短临预测已经并被广泛应用于气象、水文等领域。然而，传统的基于雷达的短临预测方法存在显著的局限性。以光流法为代表的传统物理外推方法虽然能够有效地捕捉雷达回波的运动轨迹，但其本质上是基于运动学的假设，在对降水系统的物理生长和消散过程进行建模时表现极差，难以预测对流系统的非线性变化。现有的深度学习雷达降雨预测模型仍然面临一个根本性的缺陷：这些方法主要依赖于单一来源的雷达数据，并在很大程度上依赖于运动学原理，即仅仅根据雷达回波的历史运动轨迹来预测其未来状态，缺乏对大气环境物理变量的补充考量。对于强对流天气系统而言，单一的雷达回波运动学外推不足以准确预测其生消演变 。为了克服这一限制，引入辅助的大气物理变量成为一种必然选择。全球导航卫星系统（gnss）反演的可降水汽量（precipitable water vapor,pwv）能够提供连续且高分辨率的大气水汽时空变化。水汽是对流发展的关键前兆和降水演变的重要物理约束条件。将高分辨率的测雨雷达数据与gnss反演的pwv数据进行融合，理论上能够大幅提升预测的准确性。

2、针对，本发明提出了一种基于北斗/gnss反演水汽和测雨雷达的融合降雨预测增强方法。本方法设计了一个即插即用的水汽控制模块。该模块能够无缝适配并接入任何具备编码器-解码器（encoder-decoder）结构的预训练深度学习雷达降水预测模型（例如基于u-net架构的常规模型，或是nowcastnet、diffcast等生成式模型）。本发明将北斗/gnss反演的多尺度大气水汽特征融入处于冻结状态的预训练骨干网络中，从而在不破坏原有强大雷达外推能力的前提下，赋予通用模型感知水汽对降水演变的增强能力。

技术实现思路

1、针对现有技术中降水预测模型对对流系统生消过程预测能力不足、模型预测长时效精度下降严重，以及多源数据融合不畅等不足，本发明提供一种基于北斗gnss和测雨雷达的融合降雨预测增强方法及系统，通过设置一个即插即用的水汽控制模块，将北斗/gnss反演的多尺度大气水汽特征融入处于冻结状态的预训练骨干网络中，从而在不破坏原有强大雷达外推能力的前提下，赋予通用模型感知水汽对降水演变的增强能力。

2、根据本发明说明书的一方面，提供一种基于北斗gnss和测雨雷达的融合降雨预测增强方法，包括以下步骤：

3、获取目标区域的雷达数据以及可降水汽量pwv数据，提取雷达观测张量和北斗/gnss水汽张量；

4、根据北斗/gnss水汽张量提取水汽场复合特征，对水汽场复合特征进行非线性编码得到水汽动力学特征；

5、将雷达观测张量和北斗/gnss水汽张量输入训练后的融合降雨预测增强模型，输出目标区域的融合降水预测结果；

6、其中，融合降雨预测增强模型的训练步骤包括：

7、获取融合降雨预测增强模型的训练样本；

8、构建融合降雨预测增强模型；

9、引入强降水样本增强策略优化训练样本，并使用优化后的训练样本训练所述融合降雨预测增强模型，输出训练后的模型。

10、作为进一步的技术方案，提取雷达观测张量和北斗/gnss水汽张量，步骤包括：

11、以雷达数据的观测时间戳为基准，对可降水汽量pwv数据进行时间同步，并对时间同步后的可降水汽量pwv数据进行空间重采样，生成与雷达数据时空对齐的网格化pwv水汽场；

12、由预设连续时间步内的雷达数据组成雷达观测张量；选取所述预设连续时间步内的网格化pwv水汽场组成北斗/gnss水汽张量。

13、作为进一步的技术方案，根据北斗/gnss水汽张量提取水汽场复合特征，对水汽场复合特征进行非线性编码得到水汽动力学特征，步骤包括：

14、基于北斗/gnss水汽张量计算水汽空间梯度场和水汽时间变化率场，并将三者在通道维度进行拼接得到复合水汽特征张量；

15、通过三维时空卷积网络对复合水汽特征张量进行非线性编码，得到水汽动力学特征。

16、作为进一步的技术方案，融合降雨预测增强模型的训练样本包含雷达观测张量、北斗/gnss水汽张量和降水预测目标张量；其中，降水预测目标张量用于表征在所述预设数量的连续时间步之后的未来预设数量的连续时间步内的降水预测目标，包括降水强度和降水格点面积占比。

17、作为进一步的技术方案，融合降雨预测增强模型包括基础骨干网络和水汽控制模块，通过基础骨干网络的编码器处理雷达观测张量，得到多层级雷达编码特征；通过水汽控制模块处理水汽动力学特征得到多层级水汽调节特征，并在基础骨干网络的解码器逐层级解码所述多层级雷达编码特征的过程中逐层级引入所述多层级水汽调节特征，最终输出降雨预测结果；其中，基础骨干网络采用具备编码器—解码器结构的预训练降水预测深度学习模型，且所述基础骨干网络的编码器参数冻结。

18、作为进一步的技术方案，水汽控制模块被设置为即插即用的模块，包括同构特征映射层和跨层调节输出层，所述同构特征映射层采用与基础骨干网络编码器同构的编码分支，接收水汽动力学特征，并输出匹配基础骨干网络不同层级的水汽调节特征；所述跨层调节输出层采用对齐注入算子将不同层级的水汽调节特征注入至基础骨干网络解码器的对应层级。

19、作为进一步的技术方案，采用对齐注入算子将不同层级的水汽调节特征注入至基础骨干网络解码器的对应层级，步骤包括：

20、对齐注入算子将任一层级的水汽调节特征转换为与基础骨干网络解码器对应层级的解码特征维度一致的特征张量，并将所述特征张量融合至对应层级的解码特征中，以注入水汽调节，得到该层级的融合水汽调节后的融合解码特征。

21、作为进一步的技术方案，引入强降水样本增强策略对强降水样本进行优化，步骤包括：

22、根据各个训练样本的降水预测张量，获取各个训练样本降水预测目标中的最大降水强度、平均降水强度和最强降水面积占比，加权融合得到各个训练样本的重要性得分；

23、根据各个训练样本的重要性得分，筛选训练样本中的强降水样本，并调整各个训练样本的采样概率，使强降水样本在训练过程中获得更高的采样概率。

24、根据本说明书的另一方面，提供一种基于北斗gnss和测雨雷达的融合降雨预测增强系统，包括：

25、输入模块，用于获取目标区域的雷达数据以及可降水汽量pwv数据，提取雷达观测张量和北斗/gnss水汽张量；

26、水汽动力学编码模块，用于根据北斗/gnss水汽张量提取水汽场复合特征，对水汽场复合特征进行非线性编码得到水汽动力学特征；

27、融合降水预测模块，用于将雷达观测张量和北斗/gnss水汽张量输入训练后的融合降雨预测增强模型，输出目标区域的融合降水预测结果；

28、其中，融合降雨预测增强模型的训练步骤包括：

29、获取融合降雨预测增强模型的训练样本；

30、构建融合降雨预测增强模型；所述融合降雨预测增强模型包括基础骨干网络和水汽控制模块，通过基础骨干网络的编码器处理雷达观测张量，得到多层级雷达编码特征；通过水汽控制模块处理水汽动力学特征得到多层级水汽调节特征，并在基础骨干网络的解码器逐层级解码所述多层级雷达编码特征的过程中逐层级引入所述多层级水汽调节特征，最终输出降雨预测结果；

31、引入强降水样本增强策略优化训练样本，并使用优化后的训练样本训练所述融合降雨预测增强模型，输出训练后的模型。

32、根据本说明书的另一方面，提供一种电子设备，包括存储器和处理器，所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行一种基于北斗gnss和测雨雷达的融合降雨预测增强方法。

33、与现有技术相比，本发明的有益效果在于：

34、本方法设计了一个即插即用的水汽控制模块，该模块能够无缝适配并接入任何具备编码器-解码器（encoder-decoder）结构的预训练深度学习雷达降水预测模型，将北斗/gnss反演的多尺度大气水汽特征融入处于冻结状态的预训练骨干网络中，从而在不破坏原有强大雷达外推能力的前提下，赋予通用模型感知水汽对降水演变的增强能力。

35、本发明采用一种基于北斗gnss和测雨雷达的融合降雨预测增强方法，在基于指标的定量预测精度上实现了性能的提升，能够精准预测强降水核心的演变和增强。