1.本技术涉及气象预报
技术领域：
：，更具体地说，涉及一种局部区域降雨强度预测方法、装置、系统和计算机可读存储介质。
背景技术：
：：2.短期(0-6小时)局部区域降雨强度预测是天气预报领域中的一个重要问题，它能为公众日常生活和经济活动提供天气指引，在促进经济发展、保护民众生命财产安全等方面发挥着重要作用。3.传统的局部区域降雨强度预测主要基于光流法的雷达回波图外推法。基于光流法的雷达回波图外推法是建立在光滑运动和总降雨强度不变的假设上，从连续的雷达回波图中估计对流云的运动模式，进而使用半拉格朗日平流模型预测未来雷达回波图。面临动态的、非线性运动模式以及变化迅速的降雨强度场景时，基于光流法的雷达回波图外推法难以进行高精度地预测降雨强度。4.通过数据驱动的方式，利用具有优秀的拟合非线性过程能力的深度神经网络模型进行雷达回波图序列时空过程建模的机器学习方法逐渐受到更多关注。例如，基于convlstm的深度神经网络模型捕捉过去雷达回波图序列的时空模式并预测未来雷达回波图，该模型在经典的lstm(longshort-termmemory，长短期记忆网络)的基础上以卷积神经网络取代全连接神经网络推断图像序列对应的隐藏状态，得以在时序相关性学习中同时具有空间相关性学习的能力，由此在短期的局部区域雷达回波图序列预测任务中取得更高的预测精度。为了解决convlstm参数相对较多而难以训练的问题，现有技术中又提出了convgru(gaterecurrentunit，门控循环单元)模型捕捉雷达回波图序列的时空模式及预测未来雷达回波图。由于convgru的卷积基于不变的局部连接结构模板，对于连续的雷达回波图序列多变的局部空间结构特征缺乏有效地学习，trajectorygru模型被提出，该模型首先学习卷积运算的局部连接结构再进行特征提取，由此提高雷达回波图序列预测精度。为了学习多模态的降雨模式，现有技术中还提出ga-gru模型进行降雨过程拟合，相比于convgru模型，其预测的雷达回波图序列更为锐利且降雨强度预测精度也得到提高。5.但是，现有的这些基于深度学习的降雨强度预测方法在较大范围的时空信息捕捉方面仍然存在不足，在应对较大时空范围降雨过程场景时，降雨强度预测性能受到较大限制。技术实现要素：6.本技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种能捕捉较大范围的时空特征以提升降雨强度预测精度的局部区域降雨强度预测方法、装置、系统和计算机可读存储介质。7.本技术为解决其技术问题在第一方面提出一种局部区域降雨强度预测方法，包括如下步骤：8.s1、对预处理之后的连续m帧降雨强度图序列提取浅层特征；9.s2、基于metaformer将所述浅层特征进行降维变换以提取深层特征；10.s3、基于metaformer将所述深层特征进行升维变换以输出高维特征；11.s4、将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0《m≤n≤20。12.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s1中提取浅层特征进一步包括：13.s11、对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换；14.s12、将经过第一次逐点卷积的特征图进行第一次特征归一化；15.s13、对第一次归一化处理后的特征图进行第一次非线性映射；16.s14、对步骤s13得到的特征图进行第二次逐点卷积；17.s15、将经过第二次逐点卷积的特征图进行第二次特征归一化；18.s16、对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。19.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s2进一步包括将如下步骤s21-s25依次循环执行至少一次：20.s21、将输入的特征图进行特征归一化，然后进行可分离卷积计算；21.s22、将步骤s21计算后的特征图与输入的特征图相加，得到第一新特征图；22.s23、将所述第一新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；23.s24、将步骤s23变换后的特征图与所述第一新特征图相加，得到第二新特征图；24.s25、对所述第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。25.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s3进一步包括将如下步骤s31-s35依次循环执行至少一次：26.s31、将输入的特征图进行特征归一化，然后进行可分离卷积计算；27.s32、将步骤s31计算后的特征图与输入的特征图相加，得到第三新特征图；28.s33、将所述第三新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；29.s34、将步骤s33变换后的特征图与所述第三新特征图相加，得到第四新特征图；30.s35、对所述第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。31.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s4进一步包括：32.s41、将步骤s3得到的特征图进行第一次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；33.s42、对第一次反卷积计算后的特征图进行特征归一化；34.s43、对归一化处理后的特征图进行第一次非线性映射；35.s44、将步骤s43得到的特征图进行第二次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；36.s45、将经过第二次反卷积的特征图进行第二次非线性映射，输出n帧降雨强度图。37.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述方法在步骤s1之前还将雷达回波图像数据预处理为降雨强度图，具体包括：38.s01、对雷达回波图去噪；39.s02、按照如下公式将去噪后的雷达回波图z转化为降雨强度图x：[0040][0041]其中，a＝58.53、b＝1.56；[0042]s03、按照如下公式将降雨强度图x进行标准归一化：[0043][0044]其中，xi，j为原始降雨强度图x在像元(i，j)处的像素值，mean为降雨强度图数据集中所有像元值的均值，δ为降雨强度图数据集中所有像元值的标准差，为降雨强度图x标准归一化后在像元(i，j)处的新像素值。[0045]本技术为解决其技术问题在第二方面提出一种区域降雨强度预测装置，包括编码器和解码器，其中：[0046]所述编码器依次包括：[0047]特征提取模块，用于对预处理之后的连续m帧降雨强度图序列提取浅层特征；[0048]至少一个第一metaformer模块，用于基于metaformer将所述浅层特征进行降维变换以提取深层特征；[0049]所述解码器依次包括：[0050]至少一个第二metaformer模块，用于基于metaformer将所述深层特征进行升维变换以输出高维特征；[0051]映射模块，用于将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0《m≤n≤20。[0052]根据本技术所述的局部区域降雨强度预测装置的一个实施例中，所述装置还包括预处理模块，用于将雷达回波图像数据预处理为降雨强度图。[0053]本技术为解决其技术问题在第三方面提出一种局部区域降雨强度预测系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现前述的局部区域降雨强度预测方法的步骤。[0054]本技术为解决其技术问题在第四方面提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的局部区域降雨强度预测方法的步骤。[0055]实施本技术的局部区域降雨强度预测方法、装置、系统和计算机可读存储介质，具有以下有益效果：根据本技术实施例的局部区域降雨强度预测方法和装置结合编码器-解码器结构和metaformer模块拟合降雨强度图序列的时空演变过程，采用若干具有大卷积核的metaformer模块捕捉较大范围的时空特征，能够更好地拟合雷达回波图序列中较大时空范围的降雨演变过程，使得局部区域降雨强度预测精度得到提高。附图说明[0056]下面将结合附图及实施例对本技术作进一步说明，附图中：[0057]图1是本技术一个实施例的局部区域降雨强度预测装置的逻辑结构示意图；[0058]图2是本技术一个实施例中的特征提取模块的逻辑结构示意图；[0059]图3是本技术一个实施例中的metaformer模块的逻辑结构示意图；[0060]图4是本技术一个实施例中的可分离卷积模块的逻辑结构示意图；[0061]图5是本技术一个实施例中的前馈网络模块的逻辑结构示意图；[0062]图6是本技术一个实施例中的过渡模块的逻辑结构示意图；[0063]图7是本技术一个实施例中的映射模块的逻辑结构示意图；[0064]图8是本技术一个实施例的局部区域降雨强度预测方法的流程图；[0065]图9是本技术一个实施例的局部区域降雨强度预测系统的逻辑结构示意图。具体实施方式[0066]为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。并且，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。[0067]本技术结合编码器和解码器结构以及metaformer架构拟合降雨强度图序列的时空演变过程，构建一种基于metaformer的局部区域降雨强度预测模型，用历史数据中的降雨强度图对该基于metaformer的局部区域降雨强度预测模型进行训练，求解模型的各项参数，然后便可使用完成训练的基于metaformer的局部区域降雨强度预测模型进行局部区域降雨强度图预测，从输入的m帧降雨强度图序列计算得到后续n帧降雨强度图。[0068]据此，本技术提出一种局部区域降雨强度预测装置。图1示出了根据本技术一个实施例的局部区域降雨强度预测装置100的逻辑结构示意图。如图1所示，该局部区域降雨强度预测装置100由编码器10和解码器20构成，输入为m帧经过预处理的过往降雨强度图，输出为后续n帧降雨强度图，一般地，0《m≤n≤20。编码器10由一个特征提取模块11和两个第一metaformer模块12a、12b依次构成。解码器20由两个第二metaformer模块21a、21b和一个映射模块22依次构成。其中，编码器10的特征提取模块11对预处理之后的连续m帧降雨强度图序列提取浅层特征，编码器10的两个第一metaformer模块12a、12b依次基于metaformer将浅层特征进行降维变换以提取深层特征。解码器20的两个第二metaformer模块21a、21b依次基于metaformer将深层特征进行升维变换以输出高维特征，解码器20的映射模块22将高维特征映射为目标输出，即后续n帧降雨强度图序列。根据本技术实施例的局部区域降雨强度预测装置100设计编码器-解码器架构先降维再升维，旨在通过自编码的机制提取有效的降雨时空模式深层表征，所有模块的变换实现由神经网络层构成并通过数据驱动求解神经网络层的参数。[0069]具体参见图2所示，特征提取模块11进一步由逐点卷积层(point-wisedconvolutionlayer)111、批量归一化层(bnl，batchnormalizationlayer)112、relu激活函数层113、逐点卷积层114、批量归一化层115和relu激活函数层116依次构成。其中，逐点卷积层111对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换，批量归一化层112将经过第一次逐点卷积的特征图进行第一次特征归一化，relu激活函数层113对第一次归一化处理后的特征图进行第一次非线性映射，逐点卷积层114对relu激活函数层113得到的特征图进行第二次逐点卷积，批量归一化层115将经过第二次逐点卷积的特征图进行第二次特征归一化，然后再由relu激活函数层116对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。其中，两个逐点卷积层111和114的卷积核大小可以为3×3，下采样率为1/2。[0070]由此，特征提取模块11的输入为m帧降雨强度图x∈rm×h×w，经过第一个逐点卷积层111计算后输出特征图经过第二个逐点卷积层114计算后输出特征图特征提取模块11最终输出特征图其中，r表示多维数组或张量，m为特征图通道数，h为降雨强度图的高，w为降雨强度图的宽。[0071]具体参见图3所示，两个第一metaformer模块12a、12b和两个第二metaformer模块21a、21b均由批量归一化层121、可分离卷积模块(separatableconvolutionmodule)122、跳跃连接模块123、批量归一化层124、前馈网络模块(feedforwardnetworkmodule)125、跳跃连接模块126和过渡模块(transitionmodule)127依次构成。对于编码器10的两个第一metaformer模块12a和12b，批量归一化层121将输入的特征图进行特征归一化，然后由可分离卷积模块122进行可分离卷积计算，跳跃连接模块123将可分离卷积模块122计算后的特征图与输入的特征图相加，得到第一新特征图，批量归一化层124将该第一新特征图进行特征归一化，然后由前馈网络模块125在通道维度上进行升维再降维变换，跳跃连接模块126再将前馈网络模块125变换后的特征图与第一新特征图相加，得到第二新特征图，然后过渡模块127对该第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。对于解码器20的两个第二metaformer模块21a和21b，批量归一化层121将输入的特征图进行特征归一化，然后由可分离卷积模块122进行可分离卷积计算，跳跃连接模块123将可分离卷积模块122计算后的特征图与输入的特征图相加，得到第三新特征图，批量归一化层124将该第三新特征图进行特征归一化，然后由前馈网络模块125在通道维度上进行升维再降维变换，跳跃连接模块126再将前馈网络模块125变换后的特征图与第三新特征图相加，得到第四新特征图，然后过渡模块127对该第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。[0072]由此，第一metaformer模块12a的输入为特征图第一metaformer模块12a最终输出特征图第一metaformer模块12b的输入为特征图第一metaformer模块12b最终输出特征图第二metaformer模块21a的输入为特征图第二metaformer模块21a最终输出特征图第二metaformer模块21b的输入为特征图第二metaformer模块21b最终输出特征图其中，h为降雨强度图的高，w为降雨强度图的宽。[0073]具体参见图4所示，每个metaformer模块中的可分离卷积模块122进一步由逐通道卷积层(depth-wisedconvolutionlayer)1221、批量归一化层1222、relu激活函数层1223、逐点卷积层1224、批量归一化层1225、relu激活函数层1226、逐通道卷积层1227、批量归一化层1228和和relu激活函数层1229依次构成。其中，逐点卷积层1224在特征图的高和宽维度上进行特征变换，逐通道卷积层1221、1227在特征图的通道维度上进行特征变换，批量归一化层1222、1225、1228分别将特征图进行特征归一化，relu激活函数层1223、1226、1229分别对特征图进行非线性映射，目的是在特征图的特征变换过程中将通道维度进行分离，使得模块能以相对较少参数量进行特征变换。其中，逐点卷积层1224的卷积核大小为k×k，逐通道卷积层1221、1227的卷积核大小为1×1，特别地，k的值优选为31，以便使用大卷积核捕捉较大范围的时空特征。[0074]由此，可分离卷积模块122的输入为特征图f∈rc×h×w，则第一个逐通道卷积层1221的输入为特征图f∈rc×h×w，输出为特征图f∈r4c×h×w；逐点卷积层1224的输入为特征图f∈r4c×h×w，输出为特征图f∈r4c×h×w；第二个逐通道卷积层1227的输入为特征图f∈r4c×h×w，输出为特征图f∈rc×h×w；可分离卷积模块122最终输出特征图f∈rc×h×w，其中，c为特征图通道数，h为特征图的高，w为特征图的宽。[0075]具体参见图5所示，每个metaformer模块中的前馈网络模块125进一步由批量归一化层1251、逐通道卷积层1252、批量归一化层1253、gelu激活函数层1254、逐通道卷积层1255、批量归一化层1256和relu激活函数层1257依次构成。其中，逐通道卷积层1252、1255在特征图的通道维度上进行特征变换，激活函数层1254、1257对特征图进行非线性映射，批量归一化层1251、1253、1256将特征图进行特征归一化，以通过在通道维度上将特征图进行升维再降维变换增强模型的特征提取能力。其中，逐通道卷积层1252、1255的卷积核大小为1×1。[0076]由此，前馈网络模块125的输入为特征图f∈rc×h×w；第一个逐通道卷积层1252的输入为特征图f∈rc×h×w，输出为特征图f∈r4c×h×w；第二个逐通道卷积层1255的输入为特征图f∈r4c×h×w，输出为特征图f∈rc×h×w；前馈网络模块125最终输出特征图f∈rc×h×w，其中，c为特征图通道数，h为特征图的高，w为特征图的宽。[0077]具体参见图6所示，每个metaformer模块中的过渡模块127进一步由逐通道卷积层1271、批量归一化层1272、relu激活函数层1273、逐点卷积层1274、批量归一化层1275和relu激活函数层1276依次构成。其中，逐点卷积层1274在特征图的高和宽维度上进行特征变换，逐通道卷积层1271在特征图的通道维度上进行特征变换，relu激活函数层1273、1276对特征图进行非线性映射，批量归一化层1272、1275将特征图进行特征归一化，由此实现对输入特征图的升维或降维。其中，逐点卷积层1274的卷积核大小为3×3，逐通道卷积层1271的卷积核大小1×1。[0078]由此，当过渡模块127作为第一metaformer模块12a、12b的子模块时，该过渡模块127的输入为特征图f∈rc×h×w；逐通道卷积层1271的输入为特征图f∈rc×h×w，输出为特征图f∈r2c×h×w；逐点卷积层1274的输入为特征图f∈r2c×h×w，输出为特征图过渡模块127最终输出特征图当过渡模块127作为第二metaformer模块21a、21b的子模块时，该过渡模块127的输入为特征图f∈rc×h×w；逐通道卷积层1271的输入为特征图f∈rc×h×w，输出为特征图逐点卷积层1274的输入为特征图输出为特征图过渡模块127最终输出特征图其中，c为特征图通道数，h为特征图的高，w为特征图的宽。[0079]再参见图7所示，映射模块22进一步由反卷积层(transposeconvolutionlayer)221、批量归一化层222、relu激活函数层223、反卷积层224和relu激活函数层225依次构成。其中，反卷积层221将第二metaformer模块21b得到的特征图进行第一次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换，批量归一化层222对第一次反卷积计算后的特征图进行特征归一化，relu激活函数层223对归一化处理后的特征图进行第一次非线性映射，然后反卷积层224将得到的特征图进行第二次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换，再由relu激活函数层225将经过第二次反卷积的特征图进行第二次非线性映射，输出目标n帧降雨强度图。[0080]由此，映射模块22的输入为特征图f∈rc×h×w；第一个反卷积层221的输入为特征图f∈rc×h×w，输出为特征图第二个反卷积层224的输入为特征图输出为特征图f∈rn×h×w；映射模块22最终输出n帧降雨强度图f∈rn×h×w，即为局部区域降雨强度预测装置100的预测结果。其中，c为特征图通道数，h为特征图的高，w为特征图的宽，h为降雨强度图的高，w为降雨强度图的宽。[0081]进一步地，本技术上述实施例的局部区域降雨强度预测装置100还包括预处理模块，用于在进行局部区域降雨强度预测前将雷达回波图像数据预处理为降雨强度图。雷达回波图预处理的具体实现在后续给予详细介绍。[0082]根据本技术上述实施例的局部区域降雨强度预测装置100构建基于metaformer的局部区域降雨强度预测模型。该模型的训练分两个阶段进行：在第一个阶段中，从历史数据中随机抽取连续的m n帧预处理后的降雨强度图进行训练；在第二个阶段中，以m帧大小的窗口从历史数据中滑动抽取连续m n帧预处理后的降雨强度图进行训练。其中，m为输入过往降雨强度图序列帧数，n为目标降雨强度图序列帧数。模型训练的损失函数采用平衡均方差b-mse(balanced-meansquareerror，见公式(1))和平衡绝对误差b-mae(balanced-meanabsoluteerror，见公式(4))之和，使用梯度下降方法优化器求解模型的卷积层、批量归一化层的参数。[0083][0084][0085]公式(1)和(2)中，n为降雨强度图序列帧数，h、w分别为降雨强度图的高和宽，xn，i，j为第n帧降雨强度图位置(i，j)观察值，为第n帧降雨强度图位置(i，j)预测值，wn，i，j为第n帧降雨强度图位置(i，j)的误差权重。每帧降雨强度图对应的权重计算如下公式(3)所示：[0086][0087]其中，x为标准归一化前的降雨强度值。[0088]基于本技术前述的局部区域降雨强度预测装置，本技术还提出一种局部区域降雨强度预测方法。图8示出了根据本技术一个实施例的局部区域降雨强度预测方法200的流程图。参见图8所示，该局部区域降雨强度预测方法200包括如下步骤：[0089]步骤s210中，将雷达回波图像数据预处理为降雨强度图。根据本技术的具体实施例中，将雷达回波图像数据预处理为降雨强度图具体包括：[0090]步骤s211，对雷达回波图去噪；[0091]步骤s212，按照如下公式(4)将去噪后的雷达回波图z转化为降雨强度图x：[0092][0093]其中，a＝58.53、b＝1.56；[0094]步骤s213，按照如下公式(5)将降雨强度图x进行标准归一化：[0095][0096]其中，xi，j为原始降雨强度图x在像元(i，j)处的像素值，mean为降雨强度图数据集中所有像元值的均值，δ为降雨强度图数据集中所有像元值的标准差，为降雨强度图x标准归一化后在像元(i，j)处的新像素值。[0097]然后步骤s220中，对预处理之后的连续m帧降雨强度图序列提取浅层特征。根据本技术的具体实施例中，步骤s220中提取浅层特征进一步包括：[0098]步骤s221，对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换；[0099]步骤s222，将经过第一次逐点卷积的特征图进行第一次特征归一化；[0100]步骤s223，对第一次归一化处理后的特征图进行第一次非线性映射；[0101]步骤s224，对步骤s13得到的特征图进行第二次逐点卷积；[0102]步骤s225，将经过第二次逐点卷积的特征图进行第二次特征归一化；[0103]步骤s226，对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。[0104]然后步骤s230中，基于metaformer模块将所述浅层特征进行降维变换以提取深层特征。根据本技术的具体实施例中，步骤s230中基于metaformer将步骤s220得到的浅层特征进行降维变换以提取深层特征进一步包括：[0105]步骤s231，将输入的特征图进行特征归一化，然后进行可分离卷积计算；[0106]步骤s232，将步骤s231计算后的特征图与输入的特征图相加，得到第一新特征图；[0107]步骤s233，将所述第一新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；[0108]步骤s234、将步骤s233变换后的特征图与所述第一新特征图相加，得到第二新特征图；[0109]步骤s235，对所述第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。[0110]根据本技术的进一步实施例中，步骤s230中可将上述步骤s231-s235依次循环执行至少一次。例如，可针对上述步骤s235输出的特征图再执行一次上述步骤s231-s235，最后提取得到降雨强度图的深层特征。[0111]然后步骤s240中，基于metaformer模块将所述深层特征进行升维变换以输出高维特征。根据本技术的具体实施例中，步骤s240中基于metaformer模块将步骤s230得到的深层特征进行升维变换以输出高维特征进一步包括：[0112]步骤s241，将输入的特征图进行特征归一化，然后进行可分离卷积计算；[0113]步骤s242，将步骤s241计算后的特征图与输入的特征图相加，得到第三新特征图；[0114]步骤s243，将所述第三新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；[0115]步骤s244、将步骤s243变换后的特征图与所述第三新特征图相加，得到第四新特征图；[0116]步骤s245，对所述第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。[0117]根据本技术的进一步实施例中，步骤s240中可将上述步骤s241-s245依次循环执行至少一次。例如，可针对上述步骤s245输出的特征图再执行一次上述步骤s241-s245，最后提取得到降雨强度图的高维特征。[0118]然后步骤s250中，将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0《m≤n≤20。根据本技术的具体实施例中，步骤s250进一步包括：[0119]步骤s251，将前述步骤s240得到的特征图进行第一次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；[0120]步骤s252，对第一次反卷积计算后的特征图进行特征归一化；[0121]步骤s253，对归一化处理后的特征图进行第一次非线性映射；[0122]步骤s254，将步骤s253得到的特征图进行第二次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；[0123]步骤s255，将经过第二次反卷积的特征图进行第二次非线性映射，输出目标n帧降雨强度图。[0124]根据本技术上述实施例的局部区域降雨强度预测方法200基于前述实施例的局部区域降雨强度预测装置100提出，有关其各个方法步骤的进一步具体实现，亦可参见前述对局部区域降雨强度预测装置100的各个模块的详细描述。[0125]基于本技术上述的局部区域降雨强度预测方法，本技术还提出一种局部区域降雨强度预测系统300。参见图9所示，局部区域降雨强度预测系统300包括处理器310和存储器320，处理器310和存储器320通信连接。存储器320存储有计算机程序，所述计算机程序被处理器310执行时使处理器310实现本技术前述实施例的局部区域降雨强度预测方法的步骤。[0126]本技术还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现本技术前述实施例的局部区域降雨强度预测方法300的步骤。[0127]根据本技术上述实施例的局部区域降雨强度预测方法和装置结合编码器-解码器结构和metaformer模块拟合降雨强度图序列的时空演变过程，采用若干具有大卷积核的metaformer模块捕捉较大范围的时空特征，能够更好地拟合雷达回波图序列中较大时空范围的降雨演变过程，使得局部区域降雨强度预测精度得到提高。将根据本技术上述实施例的局部区域降雨强度预测方法和装置在hko-7数据集上进行实验，以输入5帧预测20帧为例，本技术提出的模型实验与lastframe、rover、2dcnn、3dcnn、trajgru模型进行比较的比较结果如表1和表2所示。具体地，模型的预测评价使用普遍的降雨预测评估指标，分别为：csi(criticalsuccessindex，临界成功指数)、hss(heidkeskillscore，海德克技巧评分)。由表1和表2可知，相比于现有模型，本技术在csi指标和hss指标上取得更高的预测精度。[0128]表1：csi指标结果比较(r为降雨强度值)[0129][0130]表2：hss指标结果比较(r为降雨强度值)[0131][0132]以上所述仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本技术的保护范围之内。当前第1页12当前第1页12
技术领域：
：，更具体地说，涉及一种局部区域降雨强度预测方法、装置、系统和计算机可读存储介质。
背景技术：
：：2.短期(0-6小时)局部区域降雨强度预测是天气预报领域中的一个重要问题，它能为公众日常生活和经济活动提供天气指引，在促进经济发展、保护民众生命财产安全等方面发挥着重要作用。3.传统的局部区域降雨强度预测主要基于光流法的雷达回波图外推法。基于光流法的雷达回波图外推法是建立在光滑运动和总降雨强度不变的假设上，从连续的雷达回波图中估计对流云的运动模式，进而使用半拉格朗日平流模型预测未来雷达回波图。面临动态的、非线性运动模式以及变化迅速的降雨强度场景时，基于光流法的雷达回波图外推法难以进行高精度地预测降雨强度。4.通过数据驱动的方式，利用具有优秀的拟合非线性过程能力的深度神经网络模型进行雷达回波图序列时空过程建模的机器学习方法逐渐受到更多关注。例如，基于convlstm的深度神经网络模型捕捉过去雷达回波图序列的时空模式并预测未来雷达回波图，该模型在经典的lstm(longshort-termmemory，长短期记忆网络)的基础上以卷积神经网络取代全连接神经网络推断图像序列对应的隐藏状态，得以在时序相关性学习中同时具有空间相关性学习的能力，由此在短期的局部区域雷达回波图序列预测任务中取得更高的预测精度。为了解决convlstm参数相对较多而难以训练的问题，现有技术中又提出了convgru(gaterecurrentunit，门控循环单元)模型捕捉雷达回波图序列的时空模式及预测未来雷达回波图。由于convgru的卷积基于不变的局部连接结构模板，对于连续的雷达回波图序列多变的局部空间结构特征缺乏有效地学习，trajectorygru模型被提出，该模型首先学习卷积运算的局部连接结构再进行特征提取，由此提高雷达回波图序列预测精度。为了学习多模态的降雨模式，现有技术中还提出ga-gru模型进行降雨过程拟合，相比于convgru模型，其预测的雷达回波图序列更为锐利且降雨强度预测精度也得到提高。5.但是，现有的这些基于深度学习的降雨强度预测方法在较大范围的时空信息捕捉方面仍然存在不足，在应对较大时空范围降雨过程场景时，降雨强度预测性能受到较大限制。技术实现要素：6.本技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种能捕捉较大范围的时空特征以提升降雨强度预测精度的局部区域降雨强度预测方法、装置、系统和计算机可读存储介质。7.本技术为解决其技术问题在第一方面提出一种局部区域降雨强度预测方法，包括如下步骤：8.s1、对预处理之后的连续m帧降雨强度图序列提取浅层特征；9.s2、基于metaformer将所述浅层特征进行降维变换以提取深层特征；10.s3、基于metaformer将所述深层特征进行升维变换以输出高维特征；11.s4、将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0《m≤n≤20。12.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s1中提取浅层特征进一步包括：13.s11、对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换；14.s12、将经过第一次逐点卷积的特征图进行第一次特征归一化；15.s13、对第一次归一化处理后的特征图进行第一次非线性映射；16.s14、对步骤s13得到的特征图进行第二次逐点卷积；17.s15、将经过第二次逐点卷积的特征图进行第二次特征归一化；18.s16、对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。19.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s2进一步包括将如下步骤s21-s25依次循环执行至少一次：20.s21、将输入的特征图进行特征归一化，然后进行可分离卷积计算；21.s22、将步骤s21计算后的特征图与输入的特征图相加，得到第一新特征图；22.s23、将所述第一新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；23.s24、将步骤s23变换后的特征图与所述第一新特征图相加，得到第二新特征图；24.s25、对所述第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。25.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s3进一步包括将如下步骤s31-s35依次循环执行至少一次：26.s31、将输入的特征图进行特征归一化，然后进行可分离卷积计算；27.s32、将步骤s31计算后的特征图与输入的特征图相加，得到第三新特征图；28.s33、将所述第三新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；29.s34、将步骤s33变换后的特征图与所述第三新特征图相加，得到第四新特征图；30.s35、对所述第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。31.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述步骤s4进一步包括：32.s41、将步骤s3得到的特征图进行第一次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；33.s42、对第一次反卷积计算后的特征图进行特征归一化；34.s43、对归一化处理后的特征图进行第一次非线性映射；35.s44、将步骤s43得到的特征图进行第二次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；36.s45、将经过第二次反卷积的特征图进行第二次非线性映射，输出n帧降雨强度图。37.根据本技术所述的局部区域降雨强度预测方法的一个实施例中，所述方法在步骤s1之前还将雷达回波图像数据预处理为降雨强度图，具体包括：38.s01、对雷达回波图去噪；39.s02、按照如下公式将去噪后的雷达回波图z转化为降雨强度图x：[0040][0041]其中，a＝58.53、b＝1.56；[0042]s03、按照如下公式将降雨强度图x进行标准归一化：[0043][0044]其中，xi，j为原始降雨强度图x在像元(i，j)处的像素值，mean为降雨强度图数据集中所有像元值的均值，δ为降雨强度图数据集中所有像元值的标准差，为降雨强度图x标准归一化后在像元(i，j)处的新像素值。[0045]本技术为解决其技术问题在第二方面提出一种区域降雨强度预测装置，包括编码器和解码器，其中：[0046]所述编码器依次包括：[0047]特征提取模块，用于对预处理之后的连续m帧降雨强度图序列提取浅层特征；[0048]至少一个第一metaformer模块，用于基于metaformer将所述浅层特征进行降维变换以提取深层特征；[0049]所述解码器依次包括：[0050]至少一个第二metaformer模块，用于基于metaformer将所述深层特征进行升维变换以输出高维特征；[0051]映射模块，用于将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0《m≤n≤20。[0052]根据本技术所述的局部区域降雨强度预测装置的一个实施例中，所述装置还包括预处理模块，用于将雷达回波图像数据预处理为降雨强度图。[0053]本技术为解决其技术问题在第三方面提出一种局部区域降雨强度预测系统，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现前述的局部区域降雨强度预测方法的步骤。[0054]本技术为解决其技术问题在第四方面提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的局部区域降雨强度预测方法的步骤。[0055]实施本技术的局部区域降雨强度预测方法、装置、系统和计算机可读存储介质，具有以下有益效果：根据本技术实施例的局部区域降雨强度预测方法和装置结合编码器-解码器结构和metaformer模块拟合降雨强度图序列的时空演变过程，采用若干具有大卷积核的metaformer模块捕捉较大范围的时空特征，能够更好地拟合雷达回波图序列中较大时空范围的降雨演变过程，使得局部区域降雨强度预测精度得到提高。附图说明[0056]下面将结合附图及实施例对本技术作进一步说明，附图中：[0057]图1是本技术一个实施例的局部区域降雨强度预测装置的逻辑结构示意图；[0058]图2是本技术一个实施例中的特征提取模块的逻辑结构示意图；[0059]图3是本技术一个实施例中的metaformer模块的逻辑结构示意图；[0060]图4是本技术一个实施例中的可分离卷积模块的逻辑结构示意图；[0061]图5是本技术一个实施例中的前馈网络模块的逻辑结构示意图；[0062]图6是本技术一个实施例中的过渡模块的逻辑结构示意图；[0063]图7是本技术一个实施例中的映射模块的逻辑结构示意图；[0064]图8是本技术一个实施例的局部区域降雨强度预测方法的流程图；[0065]图9是本技术一个实施例的局部区域降雨强度预测系统的逻辑结构示意图。具体实施方式[0066]为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。并且，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。[0067]本技术结合编码器和解码器结构以及metaformer架构拟合降雨强度图序列的时空演变过程，构建一种基于metaformer的局部区域降雨强度预测模型，用历史数据中的降雨强度图对该基于metaformer的局部区域降雨强度预测模型进行训练，求解模型的各项参数，然后便可使用完成训练的基于metaformer的局部区域降雨强度预测模型进行局部区域降雨强度图预测，从输入的m帧降雨强度图序列计算得到后续n帧降雨强度图。[0068]据此，本技术提出一种局部区域降雨强度预测装置。图1示出了根据本技术一个实施例的局部区域降雨强度预测装置100的逻辑结构示意图。如图1所示，该局部区域降雨强度预测装置100由编码器10和解码器20构成，输入为m帧经过预处理的过往降雨强度图，输出为后续n帧降雨强度图，一般地，0《m≤n≤20。编码器10由一个特征提取模块11和两个第一metaformer模块12a、12b依次构成。解码器20由两个第二metaformer模块21a、21b和一个映射模块22依次构成。其中，编码器10的特征提取模块11对预处理之后的连续m帧降雨强度图序列提取浅层特征，编码器10的两个第一metaformer模块12a、12b依次基于metaformer将浅层特征进行降维变换以提取深层特征。解码器20的两个第二metaformer模块21a、21b依次基于metaformer将深层特征进行升维变换以输出高维特征，解码器20的映射模块22将高维特征映射为目标输出，即后续n帧降雨强度图序列。根据本技术实施例的局部区域降雨强度预测装置100设计编码器-解码器架构先降维再升维，旨在通过自编码的机制提取有效的降雨时空模式深层表征，所有模块的变换实现由神经网络层构成并通过数据驱动求解神经网络层的参数。[0069]具体参见图2所示，特征提取模块11进一步由逐点卷积层(point-wisedconvolutionlayer)111、批量归一化层(bnl，batchnormalizationlayer)112、relu激活函数层113、逐点卷积层114、批量归一化层115和relu激活函数层116依次构成。其中，逐点卷积层111对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换，批量归一化层112将经过第一次逐点卷积的特征图进行第一次特征归一化，relu激活函数层113对第一次归一化处理后的特征图进行第一次非线性映射，逐点卷积层114对relu激活函数层113得到的特征图进行第二次逐点卷积，批量归一化层115将经过第二次逐点卷积的特征图进行第二次特征归一化，然后再由relu激活函数层116对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。其中，两个逐点卷积层111和114的卷积核大小可以为3×3，下采样率为1/2。[0070]由此，特征提取模块11的输入为m帧降雨强度图x∈rm×h×w，经过第一个逐点卷积层111计算后输出特征图经过第二个逐点卷积层114计算后输出特征图特征提取模块11最终输出特征图其中，r表示多维数组或张量，m为特征图通道数，h为降雨强度图的高，w为降雨强度图的宽。[0071]具体参见图3所示，两个第一metaformer模块12a、12b和两个第二metaformer模块21a、21b均由批量归一化层121、可分离卷积模块(separatableconvolutionmodule)122、跳跃连接模块123、批量归一化层124、前馈网络模块(feedforwardnetworkmodule)125、跳跃连接模块126和过渡模块(transitionmodule)127依次构成。对于编码器10的两个第一metaformer模块12a和12b，批量归一化层121将输入的特征图进行特征归一化，然后由可分离卷积模块122进行可分离卷积计算，跳跃连接模块123将可分离卷积模块122计算后的特征图与输入的特征图相加，得到第一新特征图，批量归一化层124将该第一新特征图进行特征归一化，然后由前馈网络模块125在通道维度上进行升维再降维变换，跳跃连接模块126再将前馈网络模块125变换后的特征图与第一新特征图相加，得到第二新特征图，然后过渡模块127对该第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。对于解码器20的两个第二metaformer模块21a和21b，批量归一化层121将输入的特征图进行特征归一化，然后由可分离卷积模块122进行可分离卷积计算，跳跃连接模块123将可分离卷积模块122计算后的特征图与输入的特征图相加，得到第三新特征图，批量归一化层124将该第三新特征图进行特征归一化，然后由前馈网络模块125在通道维度上进行升维再降维变换，跳跃连接模块126再将前馈网络模块125变换后的特征图与第三新特征图相加，得到第四新特征图，然后过渡模块127对该第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。[0072]由此，第一metaformer模块12a的输入为特征图第一metaformer模块12a最终输出特征图第一metaformer模块12b的输入为特征图第一metaformer模块12b最终输出特征图第二metaformer模块21a的输入为特征图第二metaformer模块21a最终输出特征图第二metaformer模块21b的输入为特征图第二metaformer模块21b最终输出特征图其中，h为降雨强度图的高，w为降雨强度图的宽。[0073]具体参见图4所示，每个metaformer模块中的可分离卷积模块122进一步由逐通道卷积层(depth-wisedconvolutionlayer)1221、批量归一化层1222、relu激活函数层1223、逐点卷积层1224、批量归一化层1225、relu激活函数层1226、逐通道卷积层1227、批量归一化层1228和和relu激活函数层1229依次构成。其中，逐点卷积层1224在特征图的高和宽维度上进行特征变换，逐通道卷积层1221、1227在特征图的通道维度上进行特征变换，批量归一化层1222、1225、1228分别将特征图进行特征归一化，relu激活函数层1223、1226、1229分别对特征图进行非线性映射，目的是在特征图的特征变换过程中将通道维度进行分离，使得模块能以相对较少参数量进行特征变换。其中，逐点卷积层1224的卷积核大小为k×k，逐通道卷积层1221、1227的卷积核大小为1×1，特别地，k的值优选为31，以便使用大卷积核捕捉较大范围的时空特征。[0074]由此，可分离卷积模块122的输入为特征图f∈rc×h×w，则第一个逐通道卷积层1221的输入为特征图f∈rc×h×w，输出为特征图f∈r4c×h×w；逐点卷积层1224的输入为特征图f∈r4c×h×w，输出为特征图f∈r4c×h×w；第二个逐通道卷积层1227的输入为特征图f∈r4c×h×w，输出为特征图f∈rc×h×w；可分离卷积模块122最终输出特征图f∈rc×h×w，其中，c为特征图通道数，h为特征图的高，w为特征图的宽。[0075]具体参见图5所示，每个metaformer模块中的前馈网络模块125进一步由批量归一化层1251、逐通道卷积层1252、批量归一化层1253、gelu激活函数层1254、逐通道卷积层1255、批量归一化层1256和relu激活函数层1257依次构成。其中，逐通道卷积层1252、1255在特征图的通道维度上进行特征变换，激活函数层1254、1257对特征图进行非线性映射，批量归一化层1251、1253、1256将特征图进行特征归一化，以通过在通道维度上将特征图进行升维再降维变换增强模型的特征提取能力。其中，逐通道卷积层1252、1255的卷积核大小为1×1。[0076]由此，前馈网络模块125的输入为特征图f∈rc×h×w；第一个逐通道卷积层1252的输入为特征图f∈rc×h×w，输出为特征图f∈r4c×h×w；第二个逐通道卷积层1255的输入为特征图f∈r4c×h×w，输出为特征图f∈rc×h×w；前馈网络模块125最终输出特征图f∈rc×h×w，其中，c为特征图通道数，h为特征图的高，w为特征图的宽。[0077]具体参见图6所示，每个metaformer模块中的过渡模块127进一步由逐通道卷积层1271、批量归一化层1272、relu激活函数层1273、逐点卷积层1274、批量归一化层1275和relu激活函数层1276依次构成。其中，逐点卷积层1274在特征图的高和宽维度上进行特征变换，逐通道卷积层1271在特征图的通道维度上进行特征变换，relu激活函数层1273、1276对特征图进行非线性映射，批量归一化层1272、1275将特征图进行特征归一化，由此实现对输入特征图的升维或降维。其中，逐点卷积层1274的卷积核大小为3×3，逐通道卷积层1271的卷积核大小1×1。[0078]由此，当过渡模块127作为第一metaformer模块12a、12b的子模块时，该过渡模块127的输入为特征图f∈rc×h×w；逐通道卷积层1271的输入为特征图f∈rc×h×w，输出为特征图f∈r2c×h×w；逐点卷积层1274的输入为特征图f∈r2c×h×w，输出为特征图过渡模块127最终输出特征图当过渡模块127作为第二metaformer模块21a、21b的子模块时，该过渡模块127的输入为特征图f∈rc×h×w；逐通道卷积层1271的输入为特征图f∈rc×h×w，输出为特征图逐点卷积层1274的输入为特征图输出为特征图过渡模块127最终输出特征图其中，c为特征图通道数，h为特征图的高，w为特征图的宽。[0079]再参见图7所示，映射模块22进一步由反卷积层(transposeconvolutionlayer)221、批量归一化层222、relu激活函数层223、反卷积层224和relu激活函数层225依次构成。其中，反卷积层221将第二metaformer模块21b得到的特征图进行第一次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换，批量归一化层222对第一次反卷积计算后的特征图进行特征归一化，relu激活函数层223对归一化处理后的特征图进行第一次非线性映射，然后反卷积层224将得到的特征图进行第二次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换，再由relu激活函数层225将经过第二次反卷积的特征图进行第二次非线性映射，输出目标n帧降雨强度图。[0080]由此，映射模块22的输入为特征图f∈rc×h×w；第一个反卷积层221的输入为特征图f∈rc×h×w，输出为特征图第二个反卷积层224的输入为特征图输出为特征图f∈rn×h×w；映射模块22最终输出n帧降雨强度图f∈rn×h×w，即为局部区域降雨强度预测装置100的预测结果。其中，c为特征图通道数，h为特征图的高，w为特征图的宽，h为降雨强度图的高，w为降雨强度图的宽。[0081]进一步地，本技术上述实施例的局部区域降雨强度预测装置100还包括预处理模块，用于在进行局部区域降雨强度预测前将雷达回波图像数据预处理为降雨强度图。雷达回波图预处理的具体实现在后续给予详细介绍。[0082]根据本技术上述实施例的局部区域降雨强度预测装置100构建基于metaformer的局部区域降雨强度预测模型。该模型的训练分两个阶段进行：在第一个阶段中，从历史数据中随机抽取连续的m n帧预处理后的降雨强度图进行训练；在第二个阶段中，以m帧大小的窗口从历史数据中滑动抽取连续m n帧预处理后的降雨强度图进行训练。其中，m为输入过往降雨强度图序列帧数，n为目标降雨强度图序列帧数。模型训练的损失函数采用平衡均方差b-mse(balanced-meansquareerror，见公式(1))和平衡绝对误差b-mae(balanced-meanabsoluteerror，见公式(4))之和，使用梯度下降方法优化器求解模型的卷积层、批量归一化层的参数。[0083][0084][0085]公式(1)和(2)中，n为降雨强度图序列帧数，h、w分别为降雨强度图的高和宽，xn，i，j为第n帧降雨强度图位置(i，j)观察值，为第n帧降雨强度图位置(i，j)预测值，wn，i，j为第n帧降雨强度图位置(i，j)的误差权重。每帧降雨强度图对应的权重计算如下公式(3)所示：[0086][0087]其中，x为标准归一化前的降雨强度值。[0088]基于本技术前述的局部区域降雨强度预测装置，本技术还提出一种局部区域降雨强度预测方法。图8示出了根据本技术一个实施例的局部区域降雨强度预测方法200的流程图。参见图8所示，该局部区域降雨强度预测方法200包括如下步骤：[0089]步骤s210中，将雷达回波图像数据预处理为降雨强度图。根据本技术的具体实施例中，将雷达回波图像数据预处理为降雨强度图具体包括：[0090]步骤s211，对雷达回波图去噪；[0091]步骤s212，按照如下公式(4)将去噪后的雷达回波图z转化为降雨强度图x：[0092][0093]其中，a＝58.53、b＝1.56；[0094]步骤s213，按照如下公式(5)将降雨强度图x进行标准归一化：[0095][0096]其中，xi，j为原始降雨强度图x在像元(i，j)处的像素值，mean为降雨强度图数据集中所有像元值的均值，δ为降雨强度图数据集中所有像元值的标准差，为降雨强度图x标准归一化后在像元(i，j)处的新像素值。[0097]然后步骤s220中，对预处理之后的连续m帧降雨强度图序列提取浅层特征。根据本技术的具体实施例中，步骤s220中提取浅层特征进一步包括：[0098]步骤s221，对连续m帧降雨强度图进行第一次逐点卷积，在通道、高和宽三个维度上进行特征变换；[0099]步骤s222，将经过第一次逐点卷积的特征图进行第一次特征归一化；[0100]步骤s223，对第一次归一化处理后的特征图进行第一次非线性映射；[0101]步骤s224，对步骤s13得到的特征图进行第二次逐点卷积；[0102]步骤s225，将经过第二次逐点卷积的特征图进行第二次特征归一化；[0103]步骤s226，对第二次归一化处理后的特征图进行第二次非线性映射，得到输入降雨强度图的浅层特征。[0104]然后步骤s230中，基于metaformer模块将所述浅层特征进行降维变换以提取深层特征。根据本技术的具体实施例中，步骤s230中基于metaformer将步骤s220得到的浅层特征进行降维变换以提取深层特征进一步包括：[0105]步骤s231，将输入的特征图进行特征归一化，然后进行可分离卷积计算；[0106]步骤s232，将步骤s231计算后的特征图与输入的特征图相加，得到第一新特征图；[0107]步骤s233，将所述第一新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；[0108]步骤s234、将步骤s233变换后的特征图与所述第一新特征图相加，得到第二新特征图；[0109]步骤s235，对所述第二新特征图分别进行通道维度上的升维变换与高和宽维度上的降维变换。[0110]根据本技术的进一步实施例中，步骤s230中可将上述步骤s231-s235依次循环执行至少一次。例如，可针对上述步骤s235输出的特征图再执行一次上述步骤s231-s235，最后提取得到降雨强度图的深层特征。[0111]然后步骤s240中，基于metaformer模块将所述深层特征进行升维变换以输出高维特征。根据本技术的具体实施例中，步骤s240中基于metaformer模块将步骤s230得到的深层特征进行升维变换以输出高维特征进一步包括：[0112]步骤s241，将输入的特征图进行特征归一化，然后进行可分离卷积计算；[0113]步骤s242，将步骤s241计算后的特征图与输入的特征图相加，得到第三新特征图；[0114]步骤s243，将所述第三新特征图进行特征归一化，然后在通道维度上进行升维再降维变换；[0115]步骤s244、将步骤s243变换后的特征图与所述第三新特征图相加，得到第四新特征图；[0116]步骤s245，对所述第四新特征图分别进行通道维度上的降维变换与高和宽维度上的升维变换。[0117]根据本技术的进一步实施例中，步骤s240中可将上述步骤s241-s245依次循环执行至少一次。例如，可针对上述步骤s245输出的特征图再执行一次上述步骤s241-s245，最后提取得到降雨强度图的高维特征。[0118]然后步骤s250中，将所述高维特征映射为目标输出，即后续n帧降雨强度图序列，其中，0《m≤n≤20。根据本技术的具体实施例中，步骤s250进一步包括：[0119]步骤s251，将前述步骤s240得到的特征图进行第一次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；[0120]步骤s252，对第一次反卷积计算后的特征图进行特征归一化；[0121]步骤s253，对归一化处理后的特征图进行第一次非线性映射；[0122]步骤s254，将步骤s253得到的特征图进行第二次反卷积计算，在通道维度进行降维变换，在高和宽维度进行升维变换；[0123]步骤s255，将经过第二次反卷积的特征图进行第二次非线性映射，输出目标n帧降雨强度图。[0124]根据本技术上述实施例的局部区域降雨强度预测方法200基于前述实施例的局部区域降雨强度预测装置100提出，有关其各个方法步骤的进一步具体实现，亦可参见前述对局部区域降雨强度预测装置100的各个模块的详细描述。[0125]基于本技术上述的局部区域降雨强度预测方法，本技术还提出一种局部区域降雨强度预测系统300。参见图9所示，局部区域降雨强度预测系统300包括处理器310和存储器320，处理器310和存储器320通信连接。存储器320存储有计算机程序，所述计算机程序被处理器310执行时使处理器310实现本技术前述实施例的局部区域降雨强度预测方法的步骤。[0126]本技术还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现本技术前述实施例的局部区域降雨强度预测方法300的步骤。[0127]根据本技术上述实施例的局部区域降雨强度预测方法和装置结合编码器-解码器结构和metaformer模块拟合降雨强度图序列的时空演变过程，采用若干具有大卷积核的metaformer模块捕捉较大范围的时空特征，能够更好地拟合雷达回波图序列中较大时空范围的降雨演变过程，使得局部区域降雨强度预测精度得到提高。将根据本技术上述实施例的局部区域降雨强度预测方法和装置在hko-7数据集上进行实验，以输入5帧预测20帧为例，本技术提出的模型实验与lastframe、rover、2dcnn、3dcnn、trajgru模型进行比较的比较结果如表1和表2所示。具体地，模型的预测评价使用普遍的降雨预测评估指标，分别为：csi(criticalsuccessindex，临界成功指数)、hss(heidkeskillscore，海德克技巧评分)。由表1和表2可知，相比于现有模型，本技术在csi指标和hss指标上取得更高的预测精度。[0128]表1：csi指标结果比较(r为降雨强度值)[0129][0130]表2：hss指标结果比较(r为降雨强度值)[0131][0132]以上所述仅为本技术的较佳实施例而已，并不用以限制本技术，凡在本技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本技术的保护范围之内。当前第1页12当前第1页12
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
