基于宏微观解耦的降水临近预报方法及系统

本发明涉及智能气象预报，特别是涉及一种基于宏微观解耦的降水临近预报方法及系统。

背景技术：

1、降水临近预报根据连续气象雷达观测回波推演未来短时降水云团演变规律，是强降雨、雷暴、冰雹等强对流气象灾害实时预警的核心技术支撑，对城市防汛、地质灾害防控、交通气象保障等业务具备不可替代的实用价值。当前主流技术以深度学习时序建模方案为主，分为确定性预测模型与概率生成模型两大技术路线，两类方案分别在预报定位精度、图像细节还原上各有优劣。

2、其中，确定性模型（如循环神经网络、卷积神经网络及transformer）能够捕捉整体运动趋势，但随着预测时间增加，预测生成的图像会迅速平滑模糊，从而严重低估极端强降水区域；此外，现有的模型架构（包括采用了时空解耦机制的模型），在提取空间特征时大多采用各向同性的特征遍历方式，它们将降水图像视为静态的二维矩阵进行均匀处理，这完全忽略了真实气象流体的平流运动是受大尺度连续风场驱动的，具有强烈的方向依赖性（各向异性）；由于缺乏针对此类气象物理特性的归纳偏置，现有模型在捕捉复杂且剧烈的强对流平流轨迹时，往往精度不足且容易产生位置偏移。概率模型（如生成对抗模型和扩散模型）旨在合成高频细节，但由于其生成过程存在过多的自由度，导致预测出的降雨回波在宏观位置上极不准确，极易出现位置畸变；同时，诸如扩散模型的方法依赖漫长的多步马尔可夫去噪迭代，带来了极高的推理延迟和巨大的计算量，难以满足气象业务中资源受限场景的实时预警需求。

3、目前主流的降水预报模型，往往在单一的网络分支中同时处理“宏观轨迹的推演”和“微观细节的生成”这两个相互矛盾的任务。这种结构上的未解耦，使得模型在优化过程中不可避免地陷入拉扯：要么为了追求像素级误差最小化而回归均值导致图像平滑模糊，要么为了追求局部纹理逼真而牺牲了整体物理位置的准确性。即使是采用了时空解耦的现有方案，也未能实现对宏观平流演变与微观高频细节在物理逻辑和网络结构上的分离约束。

4、因此，传统的降水临近预报方式由于未能有效解耦“宏观轨迹推演”与“微观细节生成”这两个相互冲突的任务，且缺乏对气象流体各向异性运动特征的感知能力，往往存在预测结果平滑模糊，且难以满足实时预警响应需求的问题。

技术实现思路

1、基于此，为了解决上述技术问题，提供一种基于宏微观解耦的降水临近预报方法及系统，可以兼顾预报的宏观物理准确度与微观图像高保真度，降低高保真模型的推理延迟，为实现气象业务中极端灾害的实时、精准预警。

2、一种基于宏微观解耦的降水临近预报方法，所述方法包括：

3、获取历史雷达回波序列，将所述历史雷达回波序列在时间维度进行拼接展平后，通过空间编码器进行下采样特征提取，生成深层隐特征图；

4、将所述深层隐特征图输入各向异性门控状态空间模块中，所述各向异性门控状态空间模块包括基于动态路由的多方向状态空间扫描与各向异性加权融合，以提取出宏观平流演变特征并进行解码，生成初始预测底图；

5、将所述初始预测底图与所述历史雷达回波序列在通道维度级联拼接，作为宏观约束条件输入至融合边界感知注意力的残差修复网络，通过所述残差修复网络在所述初始预测底图的约束下进行高频细节修补，生成降水临近预报回波图；

6、采用复合损失函数对由所述各向异性门控状态空间模块和所述残差修复网络的预报模型进行端到端联合优化训练，得到训练后的预报模型用于实现降水临近预报。

7、在其中一个实施例中，获取历史雷达回波序列，将所述历史雷达回波序列在时间维度进行拼接展平后，通过空间编码器进行下采样特征提取，生成深层隐特征图，包括：

8、获取连续时间步的二维雷达回波图像组成的历史雷达回波序列，并对所述历史雷达回波序列进行预处理；

9、将预处理后的历史雷达回波序列在时间维度进行级联拼接，得到三维张量，并将所述三维张量输入由若干级联的二维卷积块构成的空间编码器；

10、通过所述空间编码器逐级下采样处理后，输出深层隐特征图。

11、在其中一个实施例中，将所述深层隐特征图输入各向异性门控状态空间模块中，所述各向异性门控状态空间模块包括基于动态路由的多方向状态空间扫描与各向异性加权融合，以提取出宏观平流演变特征并进行解码，生成初始预测底图，包括：

12、对所述深层隐特征图的每个空间位置，通过层归一化和多层感知机计算，自适应生成对应四个对角运动方向的动态路由权重矩阵；

13、基于所述动态路由权重矩阵，将所述深层隐特征图分别沿四路对角方向进行并行扫描，得到四组不同运动趋势的扫描序列；

14、将四组扫描序列分别输入共享参数的状态空间模型中进行长时序建模，得到四组建模后序列；

15、将所述四组建模后序列逆向恢复为四组方向感知特征图，利用所述动态路由权重矩阵对所述四组方向感知特征图进行逐元素加权融合，生成融合后的宏观平流时空特征；

16、将所述宏观平流时空特征输入空间解码器进行逐级上采样处理，生成初始预测底图。

17、在其中一个实施例中，将所述初始预测底图与所述历史雷达回波序列在通道维度级联拼接，作为宏观约束条件输入至融合边界感知注意力的残差修复网络，通过所述残差修复网络在所述初始预测底图的约束下进行高频细节修补，生成降水临近预报回波图，包括：

18、保持所述初始预测底图与所述历史雷达回波序列的空间高度、宽度尺寸一致，在通道维度进行级联拼接，得到联合特征图；

19、将所述联合特征图输入至基于u-net构建的残差修复网络，经编码器逐级下采样后到达瓶颈层，得到瓶颈层特征图；

20、在所述瓶颈层，通过通道注意力机制强化所述瓶颈层特征图中的高频通道，得到通道强化特征图；

21、提取所述通道强化特征图在水平方向和垂直方向上的梯度先验特征，将所述梯度先验特征与池化处理后的通道强化特征图进行融合，经卷积操作生成空间注意力掩膜，并将所述空间注意力掩膜与所述通道强化特征图逐元素相乘，得到边界感知强化后的瓶颈特征图；

22、将所述边界感知强化后的瓶颈特征图输入所述残差修复网络，通过双分支空间门控残差结构分出空间掩膜分支与高频残差分支，以所述初始预测底图为基准，将所述空间掩膜与所述高频强度残差逐元素相乘后叠加至所述初始预测底图，生成降水临近预报回波图。

23、在其中一个实施例中，将所述边界感知强化后的瓶颈特征图输入所述残差修复网络，通过双分支空间门控残差结构分出空间掩膜分支与高频残差分支，以所述初始预测底图为基准，将所述空间掩膜与所述高频强度残差逐元素相乘后叠加至所述初始预测底图，生成降水临近预报回波图，包括：

24、将所述边界感知强化后的瓶颈特征图输入所述残差修复网络的解码器进行逐级上采样，并通过跳跃连接接收所述编码器对应层输出的瓶颈层特征图进行拼接，经卷积后输出修复特征图；

25、将所述修复特征图在通道维度均等拆分为第一分支和第二分支，将所述第一分支经第一激活函数映射为空间掩膜，将所述第二分支经第二激活函数映射为高频强度残差；

26、将所述空间掩膜与所述高频强度残差逐元素相乘后，与所述初始预测底图逐元素相加，并将相加结果裁剪至雷达回波强度的预设有效数值范围内，输出降水临近预报回波图。

27、在其中一个实施例中，所述方法还包括：

28、获取预先构建的雷达回波训练集，所述训练集包含若干样本对，各所述样本对包含历史雷达回波输入序列和对应的未来雷达回波目标序列；

29、构建所述各向异性门控状态空间模块和所述残差修复网络组成的预报模型；

30、将所述历史雷达回波输入序列输入所述预报模型，经前向传播依次通过所述各向异性门控状态空间模块和所述残差修复网络，输出预测回波图。

31、在其中一个实施例中，采用复合损失函数对由所述各向异性门控状态空间模块和所述残差修复网络的预报模型进行端到端联合优化训练，得到训练后的预报模型用于实现降水临近预报，包括：

32、构建包含有加权均方误差损失、生成对抗损失、感知损失、辅助损失加权和的复合损失函数；

33、根据所述复合损失函数计算所述预测回波图与所述未来雷达回波目标序列之间的总损失值；

34、根据所述总损失值通过反向传播算法计算所述预报模型中各可学习参数的梯度，并利用优化器根据所述梯度更新各所述可学习参数；

35、迭代执行前向传播、总损失值计算、反向传播与参数更新，直至满足预设的训练终止条件，得到训练后的预报模型用于实现降水临近预报。

36、在其中一个实施例中，所述加权均方误差损失用于对不同降水强度的像素施加不同权重以约束极端降水区域的回归精度；所述生成对抗损失用于约束预测回波图的视觉真实性；所述感知损失用于约束预测回波图与目标回波图在高层次特征空间的语义一致性；所述辅助损失专门用于对所述初始预测底图施加监督以约束宏观平流演变提取与微观高频细节修复之间的任务解耦。

37、一种基于宏微观解耦的降水临近预报系统，所述系统包括：

38、数据获取与编码模块，用于获取历史雷达回波序列，将所述历史雷达回波序列在时间维度进行拼接展平后，通过空间编码器进行下采样特征提取，生成深层隐特征图；

39、宏观平流推演模块，用于将所述深层隐特征图输入各向异性门控状态空间模块中，所述各向异性门控状态空间模块包括基于动态路由的多方向状态空间扫描与各向异性加权融合，以提取出宏观平流演变特征并进行解码，生成初始预测底图；

40、微观细节修复模块，用于将所述初始预测底图与所述历史雷达回波序列在通道维度级联拼接，作为宏观约束条件输入至融合边界感知注意力的残差修复网络，通过所述残差修复网络在所述初始预测底图的约束下进行高频细节修补，生成降水临近预报回波图；

41、联合训练模块，用于采用复合损失函数对由所述各向异性门控状态空间模块和所述残差修复网络的预报模型进行端到端联合优化训练，得到训练后的预报模型用于实现降水临近预报。

42、上述基于宏微观解耦的降水临近预报方法及系统，通过对历史雷达回波序列时序展平并经空间编码器完成分层下采样，得到深层隐特征图，可以消除原始雷达图像冗余像素噪声；通过具备动态路由多方向扫描与各向异性加权融合机制的各向异性门控状态空间模块，针对气象流体风场驱动的各向异性平流特性自适应学习多向运动权重，提取大范围降水系统宏观移动演变规律，输出初始预测底图，可以抑制强对流云团整体位置偏移；将初始预测底图作为宏观约束与原始雷达序列拼接送入融合边界感知注意力的残差修复网络根据残差修复网络实现定向高频细节修补，可以减少无雨背景区域虚假回波伪影；采用分目标约束的复合损失函数对整体模型实施端到端联合训练，通过分项损失分别监督宏观底图精度、微观图像保真度与极端降水强度拟合效果，为实现气象业务中极端灾害的实时、精准预警。