一种基于多模态的雷达回波外推方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115902806A(43)申请公布日2023.04.04(21)申请号202211527103.4(22)申请日2022.12.01(71)申请人中国人民解放军国防科技大学地址410005湖南省长沙市开福区德雅路109号(72)发明人裴延乐李骞(74)专利代理机构江苏圣典律师事务所32237专利代理师胡建华于瀚文(51)Int.Cl.G01S7/41(2006.01)G01S17/95(2006.01)G01W1/00(2006.01)权利要求书8页说明书18页附图4页(54)发明名称一种基于多模态的雷达回波外推方法(57)摘要本发明公开了一种基于多模态的雷达回波外推方法，包括：雷达基数据预处理：读取雷达基数据并进行数据预处理，对数据处理后的归一化灰度数据进行裁剪和标记并划分数据集；构造并训练雷达回波外推模型：使用卷积长短期记忆网络ConvLSTM(ConvolutionalLong‑ShortTermMemoryNetwork)，提取数据特征并进行特征融合，使用多模态融合特征训练网络，训练完成后保存网络参数；测试模型：将测试样本集中的数据输入到网络模型中，最终得到预测的雷达回波图像。CN115902806ACN115902806A权利要求书1/8页1.一种基于多模态的雷达回波外推方法，其特征在于，包括以下步骤：步骤1，雷达基数据预处理：读取组合反射率因子CR、垂直累积液态水含量VIL、回波顶高TOP的雷达基数据并进行数据预处理，对数据处理后得到的归一化灰度数据进行裁剪和标记，并划分成训练样本集、验证样本集和测试样本集；步骤2，训练雷达回波外推模型：初始化网络模型，对步骤1得到的组合反射率因子CR、垂直累积液态水含量VIL、回波顶高TOP样本集提取多模态数据特征并进行特征融合，使用融合特征训练ConvLSTM网络，训练完成后保存网络参数；步骤3，测试模型：将测试样本集中的数据输入到步骤2训练好的网络模型中，最终得到预测的雷达回波图像。2.根据权利要求1所述的方法，其特征在于，步骤1包括以下步骤：步骤1‑1，读取雷达基数据：根据天气雷达基数据格式，读取基数据并解码，数据起始点从左上角开始，按照列序数随经度增大而增大、行序数随纬度减小而增大写数据，得到数据块，按照文件头中数据层数和经纬坐标，将数据块转换为气象要素规整网格数据，将解码后的数据文件按文件头和数据块分别存储；步骤1‑2，雷达基数据预处理：读取步骤1‑1中数据块，根据转换公式将存储值转换为气象要素实际值，并映射到一个灰度值区间上，然后进行归一化处理，得到归一化灰度数据；步骤1‑3，数据产品处理：对于步骤1‑2得到的归一化灰度数据，选定主要的回波区，将归一化灰度数据裁剪为相同的尺寸，对应时刻的回波顶高和垂直累积液态水含量数据进行相同的处理；步骤1‑4，数据集划分：对步骤1‑3得到的尺寸裁剪后的归一化灰度数据，根据实际气象要素值大小和范围设定像素阈值，标记数据并筛选出符合条件的数据序列，并根据一定的时间序列长度和滑动窗口宽度生成数据样本集，按照一定的比例将样本集划分为训练样本集、验证样本集和测试样本集。3.根据权利要求2所述的方法，其特征在于，步骤1‑4包括以下步骤：步骤1‑4‑1，阈值法标记数据：对每一帧组合反射率因子归一化灰度数据，尺寸为X*Y，统计每帧组合反射率因子归一化灰度数据的数据值和元素数，设置回波信息的数据值和元素数的阈值，超过此阈值的归一化灰度数据帧标记为1，其他数据标记为0；对于垂直累积液态水含量和回波顶高归一化灰度数据，与标记为1的组合反射率因子归一化灰度数据同时刻的数据，也标记为1；步骤1‑4‑2，生成数据序列样本集：设置样本序列长度sequence_length＝20，滑动窗口宽度sliding_window_width，样本序列中前10帧的步长step_size_1＝1，样本序列中后10帧的步长step_size_2＝2，将前10帧数据作为模型输入序列input，后10帧数据作为标签序列label，样本序列sequence表示为：sequence＝{input，label}其中，表示输入序列中第1到第10个数据，时间上连续；2CN115902806A权利要求书2/8页表示标签序列中第1到第10个数据，时间上间隔为2；t‑9，t‑8，t‑7，t‑6，t‑5，t‑4，t‑3，t‑2，t‑1，t，t+2，t+4，t+6，t+8，t+10，t+12，t+14，t+16，t+18，t+20分别表示数据对应的时刻；输入序列input中第10个数据和标签序列label中第1个数据时间上间隔为2；后一序列与前一序列对应数据时间间隔为滑动窗口宽度sliding_window_width所对应的时长；其中