[发明专利]一种基于多尺度时空融合的降水临近预测模型

说明书

本发明公开了一种基于多尺度时空融合的降水临近预测模型，属于气象预测技术领域，包括多尺度特征提取模块、多尺度空间预测模块、递归式跳跃链接模块以及多尺度预测特征融合模块，所述递归式跳跃链接模块，用于将编码器的输出与解码器对应的输出特征进行合并、相加以及融合操作；所述多尺度预测特征融合模块，用于通过反卷积神经网络不断交融合并，得到预测的雷达图。该基于多尺度时空融合的降水临近预测模型，通过在多个尺度空间进行序列的预测，既避免了从图片到特征图之间信息的丢失，又降低了雷达图片预测的难度，既有特征空间预测的准确性，又有像素空间带来的完整的图片信息，这种全面的信息通过融合达到了较好的预测效果。

技术领域

本发明属于气象预测技术领域，具体为一种基于多尺度时空融合的降水临近预测模型。

背景技术

现有技术中，在进行降水临近预测时，多采用从未知因素分离物理运动的视频预测模型以及递归神经网络预测模型。

从未知因素分离物理运动的视频预测模型(Disentangling Physical Dynamicsfrom Unknown Factors for Unsupervised Video Prediction)，主要是从单尺度进行预测，仅是利用长短期记忆网络和物理动力学习网络将雷达序列一帧一帧编码成特征图，然后对特征图进行时空预测，最后再将预测的时空特征图转成相应的雷达图片来达到预测的效果。这样的做法能够很好地在特征尺度下进行预测，但从雷达图片到特征之间的信息损失却无法通过网络来弥补和还原，因此该模型的效果还存在一定的局限性。

递归神经网络预测模型，这类算法比较普遍，常见的有递归预测模型(PredRNN)，学习高阶非平稳特征信息(Memory In Memory:A Predictive Neural Network forLearning Higher-Order Non-Stationarity from Spatiotemporal Dynamics)。这类算法主要在像素尺度上进行雷达序列的预测。而由于像素空间包含的信息比较复杂，既有雷达图表现出来的有效的时空信息，还有冗余的雷达回波值得和雷达图的特点等信息，冗余的信息对于预测来说没有帮助，反而增加了预测的难度。因此，单单从像素空间进行预测，难度大，冗余信息多，这使得预测对算法的要求极高，普通的算法很难达到预测要求。

为了有效的解决上述的两个问题，我们提出了一种基于多尺度时空融合的降水临近预测模型。

发明内容

针对现有技术的不足，本发明提供了一种基于多尺度时空融合的降水临近预测模型，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于多尺度时空融合的降水临近预测模型，包括多尺度特征提取模块、多尺度空间预测模块、递归式跳跃链接模块以及多尺度预测特征融合模块；

所述多尺度特征提取模块，用于基于多层卷积神经网络对每一时刻输入图片进行特征提取，得到多尺度的特征；

所述多尺度空间预测模块，用于对不同尺度的雷达图片特征进行时空预测；

所述递归式跳跃链接模块，用于将编码器的输出与解码器对应的输出特征进行合并、相加以及融合操作；

所述多尺度预测特征融合模块，用于通过解码器将不同尺度的预测特征通过反卷积神经网络不断交融合并，得到预测的雷达图。

进一步优化本技术方案，所述多尺度特征提取模块中内置有U-NET，即U型全卷积神经网络模型，对像素进行输入，使用该像素周围的图像块作为网络的输入，进行特征提取，得到多尺度的特征。

进一步优化本技术方案，所述多尺度空间预测模块中内置有长短期记忆网络模型，多层长短记忆网络进行联合使用把握住不同时间和空间的信息，用于达到准确的预测效果。