[发明专利]基于深度神经网络的天气雷达基本反射率预测方法

说明书

本发明公开一种基于深度神经网络的天气雷达基本反射率预测方法，该方法与常用的天气雷达基本反射率预测方法相比，更关注对基本反射率空间形态演变趋势的预测，该方法采用了基本反射率分层迭代的思想，将不同极值空间的基本反射率二维数据特征代入深度神经网络模型进行训练，与直接将基本反射率数据代入深度神经网络模型相比，本方法能在一定程度上降低数据样本中因各种地物杂波对深度神经网络模型训练过程产生的不良影响，优化对基本反射率空间结构演变趋势的预测效果，进而提高天气雷达基本反射率预测的准确性。

技术领域：

本发明属于地球科学领域，尤其涉及基于深度神经网络的天气雷达基本反射率预测方法，适用于短临天气预报。

背景技术：

基本反射率是天气雷达探测的基础数据之一，其数值直观地反映了大气中降水粒子的尺度和密度分布情况。在强对流天气的临近预报中，一般通过对基本反射率的预测来分析强对流天气的演变情况。当前气象业务上对强天气的临近预报主要发展趋势为基本反射率区域跟踪算法，常用的方法有交叉相关算法、光流法、TITAN等，这些预报技术在不同的天气背景中各有优劣。总体而言，交叉相关算法的主要优势在于它的计算方法比较简单，并且交叉相关算法不仅适合于强对流风暴的跟踪和临近预报，也适合于范围较广的一般性对流降水系统以及对流云和层状云混合降水系统的跟踪和临近预报。然而，对于局地生成及强度和形状随时间变化很快的降水回波，交叉相关法给出的运动矢量场的质量降低，跟踪失败的情况会显著增加。光流法的优势在于，即使雷暴的运动和外形变化比较剧烈，也能准确地得到雷暴的整体运动趋势，这是交叉相关法无法相比的。对移动型局地生成及强度和形状随时间变化很快的雷暴及锋面低槽，光流法效果优于交叉相关算法。但对热带系统降水天气和准静止型局地加强型降水，交叉相关法略优于光流法。此外，交叉相关和光流法都存在外推时效延长后发散较严重的缺陷。而基于对象的风暴识别外推TITAN或STI则能够更有效地识别和跟踪小的孤立雷暴单体，通过外推雷暴质心位置获得雷暴移动矢量，这种以雷暴单体作为识别匹配和外推技术更适用于小尺度雷暴。但缺陷是TITAN只能用于识别和追踪对流性降水系统，无法用于层状云降水的临近预报，在大范围的系统性降水预报中表现不如交叉相关。

准确可靠的雷达探测数据对基本反射率的准确预测至关重要。尽管天气雷达会定期进行维护和标定，并通过多种技术手段进行数据质量控制，但各种因素造成的地物杂波仍然存在，难以做到精准有效地抑制。利用深度神经网络进行基本反射率的预测，需要使用大量历史雷达探测数据作为训练样本，而这些样本中的杂波信息会严重干扰深度神经网络模型训练的结果，进而影响基本反射率预测的准确性。在实际应用中，相较于对任一区域基本反射率强度的预测而言，人们往往更加关注对基本反射率空间形态演变趋势的预测。

发明内容：

为解决现有技术中存在的问题，本发明提供一种基于深度神经网络的天气雷达基本反射率预测方法，该方法降低了雷达探测数据样本中各种地物杂波对深度神经网络模型训练过程产生的负面影响，优化对基本反射率空间结构演变趋势的预测效果，提高天气雷达基本反射率预测的准确性。

本发明的技术方案如下：

一种基于深度神经网络的天气雷达基本反射率预测方法，包括如下具体步骤：

1)获取天气雷达历史探测数据，并对历史数据进行预处理；

2)构建深度神经网络模型，并将预处理后的历史数据作为训练集，训练所述深度神经网络模型；

3)基于训练完成的深度神经网络模型对未来天气雷达基本反射率进行预测。

优选地，步骤1)的具体步骤如下：