一种基于ConvLSTM的风暴临近外推方法和装置

技术领域

本发明涉及气象预警的技术领域，尤其是涉及一种基于ConvLSTM的风暴临近外推方法和装置。

背景技术

风暴是灾害性天气的重要组成部分之一，其发生常常伴随着短时强降水、雷暴大风、冰雹、闪电、龙卷等强对流天气现象，给农业、地质、环境、航空等方面带来严重破坏和影响，造成巨大经济损失及人员伤亡。风暴具有空间尺度小，发生突然，发展迅速，生命史短但破坏力强的特点，基于雷达数据的风暴体外推技术是强天气预警的重要组成部分之一。

基于卷积的循环神经网络(ConvLSTM)就是一种专门为是时空类型数据的特征提取、预测提出的新方法。其充分发挥了卷积神经网络在提取图像特征时候的天然优势和循环神经网络在处理时间序列数据上的长处，而综合得到的新方法。此方法相比如光流法而言，能够更好地拟合回波运动过程中的非线性。同时，当监测区域有回波进入时(部分进入)，光流法由于无法获取监测区域外部风暴信息，只能单纯驱动监测区域边缘内部风暴进行移动，从而导致边缘区域风暴监测出现不正确的空白部分。而ConvLSTM方法通过大量数据的自动学习，能够智能补充这一区域的回波信息，从而避免了光流法在外推过程中的缺陷。

但是在实际业务中单纯基于雷达数据的风暴临近外推，因为雷达只能监测已有的风暴体，对其运动进行一定的预测，但是对于一些局地新生的风暴体，雷达则不能形成有效预警。

针对上述问题，还未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种基于ConvLSTM的风暴临近外推方法和装置，以缓解了现有技术的风暴外推结果准确性较差的技术问题。

第一方面，本发明实施例提供了一种基于ConvLSTM的风暴临近外推方法，包括：获取历史雷达观测数据和所述历史雷达观测数据对应的遥感影像数据，其中，所述历史雷达观测数据为出现雷雨天气的日期的雷达观测数据；利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，并基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据；利用所述历史雷达观测数据对应的遥感影像数据和所述外推残差数据，对初始遥感ConvLSTM模型进行训练，得到目标遥感ConvLSTM模型；在获取到待处理雷达观测数据和所述待处理雷达观测数据对应的遥感影像数据之后，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果。

进一步地，利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，包括：确定出所述历史雷达观测数据中的目标雷达观测数据，其中，所述目标雷达观测数据为风暴临近前预设时长的预设时间分辨率的雷达体扫数据；将所述目标雷达观测数据输入所述雷达ConvLSTM模型，得到所述历史雷达观测数据的预测外推数据。

进一步地，基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据，包括：基于所述预测外推数据，确定出各个格点的反射率预测值，以及基于所述目标雷达观测数据，确定出各个格点的反射率观测值；基于各个格点的反射率预测值、各个格点的反射率观测值和外推残差数据的计算公式，计算出各个格点的外推残差数据；其中，所述外推残差数据的计算公式为：E

进一步地，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果，包括：将所述待处理雷达观测数据输入所述雷达ConvLSTM模型，得到目标外推数据；将所述待处理雷达观测数据对应的遥感影像数据输入所述目标遥感ConvLSTM模型，得到目标外推残差数据；利用所述目标外推残差数据对所述目标外推数据进行修正，得到所述风暴外推结果。

进一步地，所述历史雷达观测数据对应的遥感影像数据为与所述历史雷达观测数据的时点相同的静止卫星遥感数据，其中，所述历史雷达观测数据对应的遥感影像数据包含多个红外通道数据。

进一步地，所述初始遥感ConvLSTM模型的关键方程为：

第二方面，本发明实施例还提供了一种基于ConvLSTM的风暴临近外推装置，包括：获取单元，用于获取历史雷达观测数据和所述历史雷达观测数据对应的遥感影像数据，其中，所述历史雷达观测数据为出现雷雨天气的日期的雷达观测数据；计算单元，用于利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，并基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据；训练单元，用于利用所述历史雷达观测数据对应的遥感影像数据和所述外推残差数据，对初始遥感ConvLSTM模型进行训练，得到目标遥感ConvLSTM模型；执行单元，用于在获取到待处理雷达观测数据和所述待处理雷达观测数据对应的遥感影像数据之后，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果。

进一步地，所述计算单元，用于：确定出所述历史雷达观测数据中的目标雷达观测数据，其中，所述目标雷达观测数据为风暴临近前预设时长的预设时间分辨率的雷达体扫数据；将所述目标雷达观测数据输入所述雷达ConvLSTM模型，得到所述历史雷达观测数据的预测外推数据。

第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。

在本发明实施例中，通过获取历史雷达观测数据和所述历史雷达观测数据对应的遥感影像数据，其中，所述历史雷达观测数据为出现雷雨天气的日期的雷达观测数据；利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，并基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据；利用所述历史雷达观测数据对应的遥感影像数据和所述外推残差数据，对初始遥感ConvLSTM模型进行训练，得到目标遥感ConvLSTM模型；在获取到待处理雷达观测数据和所述待处理雷达观测数据对应的遥感影像数据之后，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果，达到了利用遥感影像数据和雷达观测数据进行风暴临近外推的目的，进而解决了现有技术的风暴外推结果准确性较差的技术问题，从而实现了提高风暴外推结果准确性的技术效果。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于ConvLSTM的风暴临近外推方法的流程图；

图2为本发明实施例提供的初始遥感ConvLSTM模型的结构图；

图3为本发明实施例提供的一种基于ConvLSTM的风暴临近外推装置的示意图；

图4为本发明实施例提供的一种电子设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

根据本发明实施例，提供了一种基于ConvLSTM的风暴临近外推方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种基于ConvLSTM的风暴临近外推方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取历史雷达观测数据和所述历史雷达观测数据对应的遥感影像数据，其中，所述历史雷达观测数据为出现雷雨天气的日期的雷达观测数据；

步骤S104，利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，并基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据；

需要说明的是，预测外推数据对应的时间段与预测外推数据对应的历史雷达观测数据的时间段相同。

ConvLSTM(卷积LSTM)：通过对全连接LSTM(fully connected LSTM,FC-LSTM)进行扩展，使其在输入到状态和状态到状态转换中都具有卷积结构。

长短期记忆网络(LSTM，Long Short-Term Memory)：是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的。

步骤S106，利用所述历史雷达观测数据对应的遥感影像数据和所述外推残差数据，对初始遥感ConvLSTM模型进行训练，得到目标遥感ConvLSTM模型；

步骤S108，在获取到待处理雷达观测数据和所述待处理雷达观测数据对应的遥感影像数据之后，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果。

在本发明实施例中，通过获取历史雷达观测数据和所述历史雷达观测数据对应的遥感影像数据，其中，所述历史雷达观测数据为出现雷雨天气的日期的雷达观测数据；利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，并基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据；利用所述历史雷达观测数据对应的遥感影像数据和所述外推残差数据，对初始遥感ConvLSTM模型进行训练，得到目标遥感ConvLSTM模型；在获取到待处理雷达观测数据和所述待处理雷达观测数据对应的遥感影像数据之后，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果，达到了利用遥感影像数据和雷达观测数据进行风暴临近外推的目的，进而解决了现有技术的风暴外推结果准确性较差的技术问题，从而实现了提高风暴外推结果准确性的技术效果。

在本发明实施例中，步骤S104包括如下步骤：

确定出所述历史雷达观测数据中的目标雷达观测数据，其中，所述目标雷达观测数据为风暴临近前预设时长的预设时间分辨率的雷达体扫数据；

将所述目标雷达观测数据输入所述雷达ConvLSTM模型，得到所述历史雷达观测数据的预测外推数据。

基于所述预测外推数据，确定出各个格点的反射率预测值，以及基于所述目标雷达观测数据，确定出各个格点的反射率观测值；

基于各个格点的反射率预测值、各个格点的反射率观测值和外推残差数据的计算公式，计算出各个格点的外推残差数据；

在本发明实施例中，首先，从历史雷达观测数据获取风暴临近1小时、时间分辨率为6分钟的雷达体扫数据，将该数据作为输入数据，利用雷达ConvLSTM模型进行计算，得到未来3小时雷达风暴外推结果(即，历史雷达观测数据的预测外推数据)。

接着，将预测得到的反射率图像与观测到的反射率图像逐格进行时空匹配并外推残差，所述外推残差数据的计算公式为：E

其中，通常时间间隔为6分钟，当前时刻为T，则t＝T+6，T+12，...，T+180，既计算3小时内的雷达外推残差。

下面对步骤S106进行详细说明。

收集计算雷达外推残差结果的雷达输入数据相同时点静止卫星遥感数据(即，所述历史雷达观测数据对应的遥感影像数据)，包括多个红外通道多时序历史数据D(IR,X,Y),其中IR为红外通道数据，IR包含n个红外通道。

标记数据：外推残差数据E

构建有输入数据和标记数据构成的数据集。

ConvLSTM的关键方程如下所示：

其中，*为卷积运算符，

如图2所示，初始遥感ConvLSTM模型结构如下：

输入层：输入层允许输入多时序多通道卫星遥感数据。

融合层：采用多元线性融合各通道输入值，第i个像素多红外通道融合值C

计算的计算公式为：

n为红外通道数量，ir

ConvLSTM1：第一层ConvLSTM。

ConvLSTM2：第二层ConvLSTM。

输出层：多时序外推残差。

最后，将数据集中60％作为训练集，20％作为验证集，20％作为测试集，对初始遥感ConvLSTM模型进行模型训练，得到目标遥感ConvLSTM模型。

在本发明实施例中，步骤S108包括如下步骤：

将所述待处理雷达观测数据输入所述雷达ConvLSTM模型，得到目标外推数据；

将所述待处理雷达观测数据对应的遥感影像数据输入所述目标遥感ConvLSTM模型，得到目标外推残差数据；

利用所述目标外推残差数据对所述目标外推数据进行修正，得到所述风暴外推结果。

在本发明实施例中，将风暴临近3小时的遥感数据(即，待处理雷达观测数据对应的遥感影像数据)作为输入数据，利用目标卫星遥感ConvLSTM模型计算输入数据，输出目标外推残差数据。具体步骤如下：

获取风暴临近3小时的静止气象卫星多通道红外数据。

利用目标遥感ConvLSTM模型计算目标外推残差数据E′

将风暴临近1小时的雷达观测数据(即，待处理雷达观测数据)作为输入数据，利用雷达ConvLSTM模型计算输入数据，外推风暴3小时的发展和变化。具体步骤如下：

获取风暴临近1小时、时间分辨率为6分钟的雷达体扫数据R

R

最后，使用目标外推残差数据修正目标外推数据，其中，目标外推残差数据为E′

首先进行时间对齐，将30份雷达观测数据外推结果(即，目标外推数据)和30份外推残差结果(即，目标外推残差数据)，根据其预测时间进行一一对应，检查数据文件的合理性，如果两种数据文件的预测时间相差大于2分钟，剔除两个时间不能对齐的数据。

风暴外推结果R″

R″

在本发明实施例中，利用静止气象卫星多个红外通道数据和雷达外推残差数据(雷达外推结果与外推时刻对应的真实观测数据之间的残差信息)，训练改进的卫星遥感ConvLSTM模型，建立卫星遥感红外数据与风暴生消信息之间的拟合关系，从而得到基于卫星观测的风暴生消演变信息，与雷达外推结果结合，得到更为准确的风暴外推预报。

同时基于ConvLSTM模型，扩展输入数据类型，增加数据融合层，实现多通道红外数据输入，能够充分利用云顶高空温湿度场在不同红外波段的特征，捕捉更准确的温湿度场特征信息并输入到模型其他层，提高反演精度。

实施例二：

本发明实施例还提供了一种基于ConvLSTM的风暴临近外推装置，该基于ConvLSTM的风暴临近外推装置用于执行本发明实施例上述内容所提供的基于ConvLSTM的风暴临近外推方法，以下是本发明实施例提供的基于ConvLSTM的风暴临近外推装置的具体介绍。

如图3所示，图3为上述基于ConvLSTM的风暴临近外推装置的示意图，该基于ConvLSTM的风暴临近外推装置包括：

获取单元10，用于获取历史雷达观测数据和所述历史雷达观测数据对应的遥感影像数据，其中，所述历史雷达观测数据为出现雷雨天气的日期的雷达观测数据；

计算单元20，用于利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，并基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据；

训练单元30，用于利用所述历史雷达观测数据对应的遥感影像数据和所述外推残差数据，对初始遥感ConvLSTM模型进行训练，得到目标遥感ConvLSTM模型；

执行单元40，用于在获取到待处理雷达观测数据和所述待处理雷达观测数据对应的遥感影像数据之后，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果。

在本发明实施例中，通过获取历史雷达观测数据和所述历史雷达观测数据对应的遥感影像数据，其中，所述历史雷达观测数据为出现雷雨天气的日期的雷达观测数据；利用雷达ConvLSTM模型和所述历史雷达观测数据，得到所述历史雷达观测数据的预测外推数据，并基于所述预测外推数据和所述历史雷达观测数据计算出外推残差数据；利用所述历史雷达观测数据对应的遥感影像数据和所述外推残差数据，对初始遥感ConvLSTM模型进行训练，得到目标遥感ConvLSTM模型；在获取到待处理雷达观测数据和所述待处理雷达观测数据对应的遥感影像数据之后，利用所述雷达ConvLSTM模型和所述目标遥感ConvLSTM模型，确定出风暴外推结果，达到了利用遥感影像数据和雷达观测数据进行风暴临近外推的目的，进而解决了现有技术的风暴外推结果准确性较差的技术问题，从而实现了提高风暴外推结果准确性的技术效果。

实施例三：

本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

参见图4，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。

其中，存储器51可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。

处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。

实施例四：

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。