本发明公开了一种基于深度神经网络模型的三维雷达外推方法。该方法包括获取雷达基数据，并对所述雷达基数据进行质量控制处理，读取回波强度数据，并对回波强度数据进行预处理，以设定的时间间隔为一个单位构建3D雷达回波数据集，构建深度神经网络模型，将3D雷达回波数据集输入至构建好的深度神经网络模型中，以获得预报的回波强度。本发明将原先聚焦于二维的雷达回波外推，推广至三维的雷达回波外推，建立以仰角φ，方位角ω和径长γ为坐标系的空间结构，比以二维空间表达雷达回波特性更加符合雷达回波的实际情况，可以对雷达回波的生消变化进行有效的预报，并使模型更加符合拥有时序信息的三维回波数据结构。
1.一种基于深度神经网络模型的三维雷达外推方法，其特征在于，包括：步骤1、从地面气象站中获取雷达基数据，并对所述雷达基数据进行质量控制处理；
步骤2、定义体扫仰角 、方位角 和体扫半径 ，对质量控制处理后的数据通过任意一组 、 和 确定三维雷达数据空间上的任意一点回波强度 ，并将回波强度 小于min的设置为0，大于max的设置为70，min和max的取值均在0‑
步骤3、定义一个零矩阵 ， ∈[0°,359°]且 ∈N+， ∈[0,460]且∈N+，将所述 和 强制类型转换成整型，再把转换后的数据对应的雷达回波强度填入新建立的 矩阵中，而 没被填入的数据仍保留为0，最后把获得的 除以超参数radio做归一化处理，radio∈[0,255]；
步骤4、以设定的时间间隔为一个单位，读取n个连续单位的 ，采用n个拼接单元将n个 以 维度进行拼接，以获得3D雷达回波数据集， ，n为自然数；
步骤5、构建深度神经网络模型，将3D雷达回波数据集 输入至构建好的深度神经网络模型中，以获得预报的回波强度。
2.根据权利要求1所述的一种基于深度神经网络模型的三维雷达外推方法，其特征在于，所述步骤5具体包括：步骤5.1、构建ConvNew模块，将步骤4中n个拼接单元当作n个卷积单元，卷积核依次计算n个卷积单元，得到 ，其中， 表示第s个卷积单元的图像特征，s∈[0,n]；
步骤5.2、将步骤5 .1得到的Feature作为ConvLSTM的输入，得到，其中， 表示ConvLSTM循环的s次的输出s∈[0,n]，将FeatureRN N接入BatchNorm 2d 层把数据进行批量归一化得 到，最后通过Relu层激活得到
步骤5.3、将步骤5.1中Feature各个卷积单元的图像特征依次相减算出雷达回波的生消变化，得到 ，其中， ，当n‑1=
0时， ， 表示第n个卷积单元的图像特征相对于第n‑1个卷积单元的图像特征雷达回波的生消变化；
步骤5.4、设计阈值激活层ThrActFunc，将步骤5.3中FeatureVary作为ThrActFunc层输入，将FeatureVary中小于Thr和大于‑Thr的数据归零，其他数值保持不变，得到；
步骤5.5、将 作为 ConvLSTM的输入，得到，将FeaActRNN接入BatchNorm2d层把数据进行批量归一化得到 ，最后通过Relu层激活得到；
步骤5 .6、将所述FeatureLu和所述FeatureALu进行拼接，以获得；
步骤5.7、建立U‑ConvLSTM下采样层DownSample，串联步骤5.1至步骤5.6，将步骤5.6的输出FeatureMix接入最大池化层，此过程记为一次DownSampleBlock，DownSample堆叠两次DownSampleBlock增加网络深度；
步骤5.8、建立U‑ConvLSTM上采样层UpSample，串联步骤5.1至步骤5.6，将步骤5.6的输出FeatureMix接入插值层interpolate，此过程记为一次UpSampleBlock，UpSample堆叠两次UpSampleBlock增加网络深度；
步骤5.9、建立U‑ConvLSTM模型，U‑ConvLSTM模型由m组下采样层构成编码器和m组上采样层构成的解码器构成，m为自然数，所述编码器用于雷达回波数据的高维特征采集，所述解码器用于雷达回波数据的重建。
3.根据权利要求2所述的一种基于深度神经网络模型的三维雷达外推方法，其特征在于，还包括：重复执行步骤4，以获得x组3D雷达回波数据集，将x组数据划分为 组训练集和组验证集，并保存为npy格式；
将所述 组训练集加载至构建的U‑ConvLSTM模型中，并将U‑ConvLSTM模型预报的结果通过以下方式计算训练损失值ThrLoss：；
其中， 表示不同区间的权重， 为各区间阈值点，y(t)为实际回波强度， 为U‑ConvLSTM模型预报的回波强度。
4.根据权利要求3所述的一种基于深度神经网络模型的三维雷达外推方法，其特征在于，还包括：将 组验证集分别作为步骤5.9中U‑ConvLSTM模型的输入，并通过以下方式评估模型预报性能：；
其中，NA表示模型回波预报区间命中次数，NB表示模型回波预报区间空报次数，NC表示模型回波预报区间漏报次数，ND表示模型回波预报区间命中次数，Score为计算获得的模型预报评估结果。
5.根据权利要求1所述的一种基于深度神经网络模型的三维雷达外推方法，其特征在于，所述质量控制处理包括：将已损坏的基数据文件删除；
检查f个仰角所对应的回波反射率是否同时存在，若不同时存在则剔除,其中f∈[1，
6. 根据权利要求1所述的一种基于深度神经网络模型的三维雷达外推方法，其特征在于，所述体扫仰角 ，所述方位角 ，所述体扫半径 。
7.根据权利要求3所述的一种基于深度神经网络模型的三维雷达外推方法，其特征在于，所述x∈[100，∞]，所述x1∈[100,x]。
8.根据权利要求3所述的一种基于深度神经网络模型的三维雷达外推方法，其特征在于，所述 的取值依次为0.2、0.4、0.7、1，所述 的取值分别依次为30、40、50、60、70。
一种基于深度神经网络模型的三维雷达外推方法
技术领域
[0001] 本发明涉及天气识别技术领域，具体涉及一种基于深度神经网络模型的三维雷达外推方法。
背景技术
[0002] 强对流天气是一种发生较为突然、蔓延较为迅速、具有一定破坏性的气象灾害，会对人民群众的生命和财产安全带来一定影响，甚至会出现严重危险的情况。近年来，越来越多的先进仪器和信息化系统被广泛应用在天气预报和强对流天气预测中，我国现有的天气预报技术也得到了更新和换代。例如，我国采用的多普勒天气雷达网络，在科技引领之下实现了全面优化，进一步推动了强对流天气的预报分析。此外，国家也建立了诸多天气预报模型，并配合天气预报服务系统，针对不同地区进行短期恶劣天气和强对流天气的临近预报。目前，我国强对流天气预报已经实现了较高的准确率，但是在龙卷风、暴雨这类强对流天气的预报和研究方面仍存在一定的差距。
发明内容
[0003] 本发明的目的是针对现有技术存在的不足，提供一种基于深度神经网络模型的三维雷达外推方法。
[0004] 为实现上述目的，本发明提供了一种基于深度神经网络模型的三维雷达外推方法，包括：
[0005] 步骤1、从地面气象站中获取雷达基数据，并对所述雷达基数据进行质量控制处理；
[0006] 步骤2、定义体扫仰角 、方位角 和体扫半径 ，对质量控制处理后的数据通过任意一组 、 和 确定三维雷达数据空间上的任意一点回波强度 ，并将回波强度 小于min的设置为0，大于max的设置为70；
[0007] 步骤3、定义一个零矩阵 ， ∈[0°,359°]且 ∈N+， ∈[0,460]且 ∈N+，将所述 和 强制类型转换成整型，再把转换后的数据对应的雷达回波强度填入新建立的 矩阵中，而 没被填入的数据仍保留为0，最
后把获得的 除以超参数radio做归一化处理，radio∈[0,255]；
[0008] 步骤4、以设定的时间间隔为一个单位，读取n个连续单位的 ，采用n个拼接单元将n个 以 维度进行拼接，以获得3D雷达回波数据集， ，n为自然数；
[0009] 步骤5、构建深度神经网络模型，将3D雷达回波数据集 输入至构建好的深度神经网络模型中，以获得预报的回波强度。
[0010] 进一步的，所述步骤5具体包括：
[0011] 步骤5.1、构建ConvNew模块，将步骤4中n个拼接单元当作n个卷积单元，卷积核依次计算n个卷积单元，得到 ，其中， 表示第s个卷积单元的图像特征，s∈[0,n]；
[0012] 步骤5 .2、将步骤5.1得到的Feature作为ConvLSTM的输入，得到，其中， 表示ConvLSTM循环的s次的输出s∈[0,n]，将FeatureRN N接入BatchNorm 2d 层把数据进行批量归一化得 到
，最后通过Relu层激活得到
；
[0013] 步骤5.3、将步骤5.1中Feature各个卷积单元的图像特征依次相减算出雷达回波的生消变化，得到 ，其中， ，当n‑1=0时， ， 表示第n个卷积单元的图像特征相对于第n‑1个卷积单元的图像特征雷达回波的生消变化；
[0014] 步骤5.4、设计阈值激活层ThrActFunc，将步骤5.3中FeatureVary作为ThrActFunc层输入，将FeatureVary中小于Thr和大于‑Thr的数据归零，其他数值保持不变，得到；
[0015] 步骤5.5、将 作为 ConvLSTM的输入，得到 ，将FeaActRNN接入BatchNorm2d层
把数据进行批量归一化得到 ，最后通过Relu层激活
得到 ；
[0016] 步骤5.6、将所述FeatureLu和所述FeatureALu进行拼接，以获得；
[0017] 步骤5.7、建立U‑ConvLSTM下采样层DownSample，串联步骤5.1至步骤5.6，将步骤5.6的输出FeatureMix接入最大池化层，此过程记为一次DownSampleBlock，DownSample堆叠两次DownSampleBlock增加网络深度；
[0018] 步骤5.8、建立U‑ConvLSTM上采样层UpSample，串联步骤5.1至步骤5.6，将步骤5.6的输出FeatureMix接入插值层interpolate，此过程记为一次UpSampleBlock，UpSample堆叠两次UpSampleBlock增加网络深度；
[0019] 步骤5.9、建立U‑ConvLSTM模型，U‑ConvLSTM模型由m组下采样层构成编码器和m组上采样层构成的解码器构成，m为自然数，所述编码器用于雷达回波数据的高维特征采集，所述解码器用于雷达回波数据的重建。
[0020] 进一步的，还包括：
[0021] 重复执行步骤4，以获得x组3D雷达回波数据集，将x组数据划分为 组训练集和组验证集，并保存为npy格式；
[0022] 将所述 组训练集加载至构建的U‑ConvLSTM模型中，并将U‑ConvLSTM模型预报的结果通过以下方式计算训练损失值ThrLoss：
[0023]
[0024] 其中， 表示不同区间的权重， 为各区间阈值点，y(t)为实际回波强度， 为U‑ConvLSTM模型预报的回波强度。
[0025] 进一步的，还包括：
[0026] 将 组验证集分别作为步骤5.9中U‑ConvLSTM模型的输入，并通过以下方式评估模型预报性能：
[0027]
[0028] 其中，NA表示模型回波预报区间命中次数，NB表示模型回波预报区间空报次数，NC表示模型回波预报区间漏报次数，ND表示模型回波预报区间命中次数，Score为计算获得的模型预报评估结果。
[0029] 进一步的，所述质量控制处理包括：
[0030] 将已损坏的基数据文件删除；
[0031] 检查雷达体扫模式，将体扫模式不为21的剔除；
[0032] 检查f个仰角所对应的回波反射率是否同时存在，若不同时存在则剔除,其中f∈[1，9]。
[0033] 进 一 步 的 ，所 述 体 扫 仰 角 ，所 述 方 位 角 ，所述体扫半径 。
[0034] 进一步的，所述x∈[100，∞]，所述x1∈[100,x]。
[0035] 进一步的，所述 的取值依次为0.2、0.4、0.7、1，所述的取值分别依次为30、40、50、60、70。
[0036] 有益效果：1、本发明将原先聚焦于二维的雷达回波外推，推广至三维的雷达回波外推，创新性的建立以仰角φ，方位角ω和径长γ为坐标系的空间结构，比以二维空间表达雷达回波特性更加符合雷达回波的实际情况，并横向拼接连续的回波数据，让三维雷达回波的数据结构也拥有时序信息；
[0037] 2、本发明基于U‑ConvLSTM模型的3D雷达外推，针对雷达回波的生消变化建立了单独的学习模块，可以对雷达回波的生消变化进行有效的预报；
[0038] 3、本发明的U‑ConvLSTM模型重构U‑Net经典的上采样模块和下采样模块，并保留U‑Net获取图像高维特征的U形采用方式，将U‑Net核心的单卷积模块优化为ConvLSTM模块，让其更加符合拥有时序信息的三维回波数据结构。
附图说明
[0039] 图1是本发明实施例的基于深度神经网络模型的三维雷达外推方法的流程示意图。
具体实施方式
[0040] 下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
[0041] 如图1所示，本发明实施例提供了一种基于深度神经网络模型的三维雷达外推方法，包括：
[0042] 步骤1、从地面气象站中获取雷达基数据，并对雷达基数据进行质量控制处理。其中，质量控制处理包括将已损坏的基数据文件删除；检查雷达体扫模式，将体扫模式不为21的剔除；检查f个仰角所对应的回波反射率是否同时存在，若不同时存在则剔除,其中f∈[1，9]，f的取值优选为9。
[0043] 步骤2、定义体扫仰角 、方位角 和体扫半径 ，对质量控制处理后的数据通过任意一组 、 和 确定三维雷达数据空间上的任意一点回波强度 ，并将回波强度 小于min的设置为0，大于max的设置为70。作为优选实施例，体扫仰角 ，方位角 ，体扫半径 ，
min和max的取值均在0‑70之间，优选将min设置为0，max设置为70。
[0044] 步骤3、定义一个零矩阵 ， ∈[0°,359°]且 ∈N+（正整数集）， ∈[0,460]且 ∈N+，将 和 强制类型转换成整型，再把转换后的数据对应的雷达回波强度填入新建立的 矩阵中，而 没被填入的数据仍保
留为0，最后把获得的 除以超参数radio做归一化处理，radio∈[0,255]，优选为70。
[0045] 步骤4、以设定的时间间隔为一个单位，读取n个连续单位的 ，采用n个拼接单元将n个 以 维度进行拼接，以获得3D雷达回波数据集， ，n为自然数。上述设定的时间间隔优选为6分钟，
n的取值优选为20。
[0046] 步骤5、构建深度神经网络模型，将3D雷达回波数据集 输入至构建好的深度神经网络模型中，以获得预报的回波强度。
[0047] 具体的，步骤5具体包括：
[0048] 步骤5.1、构建ConvNew模块，将步骤4中n个拼接单元当作n个卷积单元，卷积核依次计算n个卷积单元，得到 ，其中， 表示第s个卷积单元的图像特征，s∈[0,n]。
[0049] 步骤5 .2、将步骤5.1得到的Feature作为ConvLSTM的输入，得到，其中， 表示ConvLSTM循环的s次的输出s∈[0,n]，将FeatureRN N接入BatchNorm 2d 层把数据进行批量归一化得 到
，最后通过Relu层激活得到
。
[0050] 步骤5.3、将步骤5.1中Feature各个卷积单元的图像特征依次相减算出雷达回波的生消变化，得到 ，其中， ，当n‑1=0时， ， 表示第n个卷积单元的图像特征相对于第n‑1个卷积单元的图像特征雷达回波的生消变化。其中正值代表回波强度增强，负值代表回波强度减弱，0代表回波强度没有变化。
[0051] 步骤5.4、设计阈值激活层ThrActFunc，将步骤5.3中FeatureVary作为ThrActFunc层输入，将FeatureVary中小于Thr和大于‑Thr的数据归零，其他数值保持不变，得到。Thr的取值为0‑1之间，优选为0.3，即小于0.3和大于‑0.3强度的数据归零，其他数值保持不变。
[0052] 步骤5.5、将 作为 ConvLSTM的输入，得到 ，将FeaActRNN接入BatchNorm2d层
把数据进行批量归一化得到 ，最后通过Relu层激活
得到 。
[0053] 步骤5 .6、将Fea tureLu 和Featu reALu进 行拼接 ，以获 得。
[0054] 步骤5.7、建立U‑ConvLSTM下采样层DownSample，串联步骤5.1至步骤5.6，将步骤5.6的输出FeatureMix接入最大池化层，此过程记为一次DownSampleBlock，DownSample堆叠两次DownSampleBlock增加网络深度。
[0055] 步骤5.8、建立U‑ConvLSTM上采样层UpSample，串联步骤5.1至步骤5.6，将步骤5.6的输出FeatureMix接入插值层interpolate，此过程记为一次UpSampleBlock，UpSample堆叠两次UpSampleBlock增加网络深度。
[0056] 步骤5.9、建立U‑ConvLSTM模型，U‑ConvLSTM模型由m组下采样层构成编码器和m组上采样层构成的解码器构成，编码器用于雷达回波数据的高维特征采集，解码器用于雷达回波数据的重建。m为自然数，优选为4。
[0057] 本发明实施例还包括重复执行步骤4，以获得x组3D雷达回波数据集，将x组数据划分为 组训练集和 组验证集，并保存为npy格式。作为优选实施例，x∈[100，∞]，x1∈[100,x]。一次训练所选取的样本数为24，U‑ConvLSTM模型优化器采用adam，学习率为0.001，采用三台NVIDIATESLAV1003显卡进行训练100轮。为提升模型的泛化性能，进一步采用无重复抽样的k‑fold cross validation，使得模型在训练过程中，每个“数据对”只有一次被划入训练集的机会。可采用10折的拆分，即每次采用9份作为训练集，剩下的一份作为验证集。
[0058] 在模型训练阶段，将 组训练集加载至构建的U‑ConvLSTM模型中，并将U‑ConvLSTM模型预报的结果通过以下方式计算训练损失值ThrLoss：
[0059]
[0060] 其中， 表示不同区间的权重， 为各区间阈值点，y(t)为实际回波强度， 为U‑ConvLSTM模型预报的回波强度。作为优选实施例，上述区间的权重 的取值依次为0.2、0.4、0.7、1，上述区间阈值点
的取值分别依次为30、40、50、60、70。通过不断的训练，将训练损失值ThrLoss逐渐降至符合要求的阈值以下，即认为模型训练合格。
[0061] 还可通过以下方式对模型的性能进行评估，将 组验证集分别作为步骤5.9中U‑ConvLSTM模型的输入，并通过以下方式评估模型预报性能：
[0062]
[0063] 其中，NA表示模型回波预报区间命中次数，NB表示模型回波预报区间空报次数，NC表示模型回波预报区间漏报次数，ND表示模型回波预报区间命中次数，Score为计算获得的模型预报评估结果，通过Score即可判断当前模型的预报性能是否符合要求。
[0064] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，其它未具体描述的部分，属于现有技术或公知常识。在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
