CN119516206A 一种基于MSPTS-Net网络模型的短时降水预测方法 （上海大学）

一种基于MSPTS-Net网络模型的短时降水预本申请提供一种基于MSPTS_Net网络模型的构成的雷达回波数据集；基于MSPTS_Net构建网络模型，在MSPTS_Net的框架中嵌入时空特征提到短时降水预测结果。本申请通过MSPTS_Net模型能够更全面地捕捉雷达回波数据中的时空变2基于MSPTS_Net构建网络模型，在所述MSPTS_Net的框架中嵌入2.根据权利要求1所述的一种基于MSPTS_Net网络模型将所述雷达回波数据集中的雷达回波图像拆分成若干个图像块，3.根据权利要求2所述的一种基于MSPTS_Net网络模并行引入时间多尺度编码块，获取不同尺度的雷达回波时间尺度将所述空间多尺度特征和所述时间多尺度特征送入自注意力4.根据权利要求3所述的一种基于MSPTS_Net网络模型的短时降水采用Transformer框架的自注意力机制和CBAM通道空间注意力机制，分别提取所述雷达回波图像的全局特征和局部特征，在自注意力机制后嵌入残差连接(Add)和组归一化将所述全局特征和局部特征通过门控机制实现自适应的特征融5.根据权利要求4所述的一种基于MSPTS_Net网络模第一条支路：使用卷积操作将数据映射到高维潜在空间，第二条支路：使用与所述第一条支路不同大小的卷积核，6.根据权利要求3所述的一种基于MSPTS_Net网络模型的短3通过堆叠时间特征提取单元，通过网络模型的浅层网络和深层网络，7.根据权利要求3所述的一种基于MSPTS_Net网络模将所述时间多尺度特征作为查询向量，所述空间多尺度8.根据权利要求1所述的一种基于MSPTS_Net网络模型的将所述雷达回波数据集中的前n帧图像用于输入，后m确定初始训练轮数，通过对训练数据进行旋转来增强模型的根据损失值进行反向调优，最小化真实帧和预测帧之间的差值9.根据权利要求8所述的一种基于MSPTS_Net网络模型的短预测模型构建模块，用于基于MSPTS_Net构建网络模型，在所述MSPTS_输出模块，用于将待测雷达回波图像输入所述最终短时降雨预测模45获得实时准确并且高分辨率的预测结果仍然是一项有待上的应用也越来越普遍，目前主流的方法主要有卷积神经网络CNN、递归神经网络RNN、Transformer等，其核心思想是通过从历史观测数据中学习时空信息以预测未来的回波运[0004]卷积神经网络CNN善于学习空间特征，在降雨预测领域，Lei等人(Han,Lei,etal."ConvectiveprecipitationnowcastingusingU_NetModel."IEEETransactionsonGeoscienceandRemoteSensing60(2021):1_8.)将用于图像分割领域的纯卷积网络forpredictivelearningusingspatiotemporallstms."Advancesinneuralinformationprocessingsystems30(2017).)以及其变体predRNN++,predRN另外在信息传递过程中长程的依赖会逐步丢失。另外一种原用于自然语言处理方向的Transformer架构其自注意力机制被发现在全局特征提取上表现出色，然而其存在计算量6模块将预测结果作为下一层的输入，并通过损失函数MSE和MAE对生成预测结果进行监督。以及仅单一尺度下的空间分辨率进行特征提取难以有效捕获时空数据在不同空间层次下7[0025]采用Transformer框架的自注意力机制和CBAM通道空间注意力机制，分别提取所述雷达回波图像的全局特征和局部特征，在自注意力机制后8[0035]将所述时间多尺度特征作为查询向量，所述空间多尺度特征作为键向量和值向[0041]通过组合损失函数MSE和CharbonnierLoss，计算预测图像与真实图像之间的差[0055]本申请通过在空间特征编码模块采用了自注意力机制和CBAM注意力进行全局局9[0056]通过阅读参照以下附图对非限制性实施例所作的详细描述，本申请的其它特征、[0058]图2为本申请一实施例一具体基于MSPTS_Net网络模型的短时降水预测方法流程[0067]本申请通过嵌入时空特征提取与融合机制，MSPTS_Net模型能够更全面地捕捉雷[0070]比如，某天文台提供的数据集HKO_7每帧雷达回波数据集之间的时间间隔为6分叠的大小为120*120的图像块，随后将图像块经过位置编码后并行送入空间编码器和时间[0083]通过构建MSPTS_Net网络模型并嵌入时空特征提取与融合机制，能够生成一个短提取雷达回波图像的全局和局部特征，在自注意力机制后嵌入残差连接(Add)和组归一化[0093]SGLME包括全局特征提取和局部特征提取，全局特征提取由多头自注意力机制[0096]l=M,(M.(F)8F)8(M.(F)8F)[0099]每条支路的空间特征提取又分两部分，嵌入Transformer的自注意力模块提取全[0100]通道空间注意力机制即CBAM，学习特征各个通道之间的相关性以及局部空间特[0106]其中，时空序列数据为通过将形状为[B,T,C,H,W]的时空序列数据重塑为[B,T×[0107]在本实施例中，为理解雷达回波的短期运动趋势以及天气系统潜在的长期规律[0123]在这融合过程中，QtKs量化了时空特征之间的交互，捕获再送入前馈网络进行映射变换从而进一步改进融合特征，前馈网络包括归一化(组归一[0127]本实施例通过调整该网络的训练轮数以求模型能够跟充分的学习数据的分布和过前向传播获得预测帧，再通过损失函数计算预测帧与真实帧之间的差值进行反向调优，最小化真实帧和预测帧之间的差值来使模型趋向最优性能，并通过组合损失函数MSE和CharbonnierLoss在反向传播过程中不[0134]在本申请中，CharbonnierLoss损失函数类似于L1损失函数，即MAE平均绝对误和更平滑的梯度表现。本申请提出的损失函数通过组合MSE和CharbonnierLoss既保留了[0138]下面使用公开数据集HKO_7(可参考Shi,Xingjian,ZhourongChen,HaoWang,Dit_YanYeung,Wai_KinWong,andWang_chunWoo."ConvolutionalLSTMnetwork:Amachinelearningapproachforprecipitationnowcasting."Advancesinneuralinformationprocessingsystems28(2015):802_810.)中的雷达回波图像进行实验来评指的是降水预测正确的比率，命中率(POD)指的是预测出的实际降水区域占据全部实际降93.1284.0181.6378.6265.11特别是在5mm/h和10mm/h与之下，与次优方法相比，本申请在CSI和POD上提升了5.37％和12.53并且在MSE的指标上多输入多输出架构的MIMO和本申请相比于RNN模型都明显得习了降水系统在时间空间上的演变信息，能够可靠的预报复杂的雷达回波分布和运动趋波图像中的细节信息提升预测图像质量，其有效提升了图像的结构相似度降低了均方误程序被处理器执行时可用于执行上述任一项实施例中所述的基于MSPTS_Net网络模型的短现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0157]这些计