[发明专利]一种基于生成对抗网络的临近降雨预测方法

说明书

本发明提供了一种基于生成对抗网络的临近降雨预测方法。首先获取雷达回波图像；然后采用改进后的PredNet模型设计生成器，采用双通道输入卷积网络设计判别器，并根据所述生成器和判别器构建生成对抗网络模型；利用所述雷达回波图像对所述生成对抗网络模型进行训练，获得训练好的生成对抗网络模型，即此时获得训练好的生成器；将采集的待预测雷达回波图像输入到所述训练好的生成器中，输出雷达回波预测图像；最后根据所述雷达回波预测图像的反射强度预测所述雷达回波图像中对应区域的降雨强度。本发明的有益效果是：设计了一个新型的生成对抗网络模型，能够提高降雨预测的准确性，还能适当降低对计算机硬件的要求。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及一种基于生成对抗网络的临近降雨预测研究方法。

背景技术

传统的临近降雨预测方法大致分为两类：数值预报法与基于雷达回波图像外推的方法，但是随着机器学习的技术的发展，越来越多的学者基于机器学习进行临近降雨预测，由于雷达回波图像的反射强度可以转化为降雨量，因此可以将临近降雨预测转化为雷达回波图像预测问题。雷达回波图像是对固定区域定时采集得到的时序图，因此，可以考虑结合视频预测与时序预测技术对雷达回波图像进行预测。

目前已有许多研究人员基于机器学习预测雷达回波图像，例如通过两个连续的预测模型来捕获时空特征，然后对输入数据进行解析，最后进行预测等模型，但大多数模型都存在如下问题：基于CNN、RNN等传统神经网络预测效果不够理想，生成的预测图像模糊不清，并且模型的参数数量十分庞大，计算复杂度高，从而导致目前机器学习方法应用于临时降雨预测的性能有待提高；基于原始生成对抗网络的临近降雨预测方法的研究较少，这些研究大都是基于原始生成对抗网路，而原始生成对抗网络存在训练不稳定、梯度消失、梯度爆炸、优化方向不明确等问题，此外，生成器与判别器的设计不合理、生成器不能够充分利用雷达回波数据的时序特征、判别器没有考虑生成的预测图像是否符合下一时刻的空间分布等问题也亟待解决。

发明内容

为了解决上述问题，本发明提供了一种基于生成对抗网络的临近降雨预测研究方法，主要包括以下步骤：

S1：获取雷达回波图像；

S2：采用改进后的PredNet模型设计生成器，采用双通道输入卷积网络设计判别器，并根据所述生成器和所述判别器构建生成对抗网络模型，所述生成对抗网络模型的输入是步骤S1中的雷达回波图像；

S3：利用所述雷达回波图像对所述生成对抗网络模型进行训练，获得训练好的生成对抗网络模型，即此时获得训练好的生成器；

S4：将采集的待预测雷达回波图像输入到所述训练好的生成器中，输出雷达回波预测图像；

S5：根据所述雷达回波预测图像的反射强度预测所述雷达回波图像中对应区域的降雨强度。

进一步地，在步骤S2中，所述生成对抗网络模型框架采用WGAN-GP。

进一步地，在步骤S2中，所述生成器采用所述改进后的PredNet模型进行预测，所述改进后的PredNet模型具有3层，每一层都包含输入卷积层、循环单元、预测卷积层和误差表示层；

所述改进后的PredNet模型是对所述循环单元进行改进，所述循环单元使用改进后的RgcLSTM神经元来代替ConvLSTM，保留遗忘门和更新门。

针对每一层，输入卷积层用来对当前时刻的输入进行卷积提取，得到第一卷积提取结果，并将所述第一卷积提取结果输入到误差表示层；

循环单元由神经元组成，用来生成当前时刻的雷达回波预测图像；

预测卷积层用来对当前时刻的雷达回波预测图像进行卷积操作，得到第二卷积提取结果，并将所述第二卷积提取结果输入到误差表示层；