申请/专利权人：兰州中心气象台(兰州干旱生态环境监测预测中心)

申请日：2023-09-28

公开（公告）日：2024-04-16

公开（公告）号：CN117434624B

主分类号：G01W1/10

分类号：G01W1/10;G06V10/26;G06V20/70;G06V10/774;G06V10/82;G06N3/0464;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.02.09#实质审查的生效;2024.01.23#公开

摘要：本发明公开了一种基于语义分割的强对流天气识别和发展预判方法，方法包括数据采集、建立训练标签、数据预处理、数据划分、模型训练、模型评估和强对流天气发展预测。本发明属于自然灾害预测技术领域，具体是指一种基于语义分割的强对流天气识别和发展预判方法，本方案采用FCN语义分割模型，从强对流天气观测数据中提取特征，增强特征提取的能力，在FCN语义分割模型中引入自注意力机制，对提取的特征进行增强，提高强对流天气分类问题的准确率。

主权项：1.一种基于语义分割的强对流天气识别和发展预判方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集，采集强对流天气的实况数据，包括强对流天气发生的时间、站点和强度信息，强对流天气的实况数据为强对流天气的文字描述，存储在excel文件中；步骤S2：建立训练标签，利用百度地图API接口从强对流天气发生的站点信息中提取强对流天气的经度、纬度、海拔高度，根据强对流天气发生的站点信息，生成训练标签；步骤S3：数据预处理，将强对流天气的实况数据、经度、纬度、海拔高度转换为EC模式数据，将EC模式数据转换为图片，获得强对流天气数据集；步骤S4：数据划分，将强对流天气数据集划分为训练集和测试集；步骤S5：模型训练，搭建FCN语义分割模型，利用FCN语义分割模型，加载训练集和训练标签进行模型训练；步骤S6：模型评估，利用测试集评估FCN语义分割模型，得到最终的FCN语义分割模型；步骤S7：强对流天气发展预测，将实时采集的强对流天气的实况数据输入到最终的FCN语义分割模型，得到强对流天气可能的发生概率；在步骤S5中，所述模型训练，包括以下步骤：步骤S51：模型搭建，FCN语义分割模型由第一基本单元、第二基本单元、第三基本单元构成，第一基本单元、第二基本单元、第三基本单元分别由卷积层、批处理归一化层和ReLU函数组成，在第二基本单元和第三个基本单元之间应用maxpooling层；步骤S52：特征提取，利用每个基本单元中的卷积层提取局部特征，再利用批处理归一化层对提取的局部特征进行泛化，得到批处理归一化的结果，最后利用ReLU函数对批处理归一化的结果进行非线性激活，第个基本单元提取局部特征的公式如下： ； ； ；式中，为基本单元中卷积层的核，为FCN语义分割模型第个基本单元的输入数据，为第层卷积层的偏置参数，为卷积算子，为经过卷积层后的输出结果，为经过批处理归一化层后的输出结果，为进行非线性激活的ReLU函数，为经过ReLU函数后的输出结果；步骤S53：降维，在保持特征不变性的同时利用maxpooling层减小特征数据的大小，计算公式如下： ；式中，为maxpooling层的内核大小，为通过maxpooling层的计算函数，stride是两个maxpooling层之间的距离；步骤S54：特征增强，利用自注意机制增强特征之间的相互作用，计算公式如下： ；式中，、、为三个卷积函数，这三个卷积函数的参数相互独立，在训练过程中自适应学习，为输入数据，表示输入数据中的每一个元素、表示当前元素的上下文信息、表示当前元素与上下文信息的相似度；softmax函数的计算公式为： ；式中，为输入向量，e为自然对数的底数；通过自注意力机制后的输出值为： ；式中，为的通道号，softmax函数将输入向量转化为0到1之间的对应值；通过自注意力机制特征增强后的最终输出为： ；式中，γ是一个可学习的参数；步骤S55：模型输出，将自注意力机制特征增强后的最终输出发送到全连接层生成标签，全连接层包括一个flatten层、两个Linear层、一个dropout层、一个批处理归一化层，得到最终的FCN语义分割模型，全连接层输出标签的计算公式为： ；式中，为输入数据，和是两个独立的具有可学习权值和偏置的线性变换函数，是随机失活函数，函数输出softmax函数输出的最大元素对应的标签；在步骤S2中，所述建立训练标签，包括以下步骤：步骤S21：利用百度地图API接口从强对流天气发生的站点信息中提取强对流天气的经度、纬度、海拔高度；步骤S22：根据强对流天气发生的时间、站点和强度信息生成5km分辨率目标区域地形掩模数据；步骤S23：将强对流天气发生的时间、站点信息转换为网格数据，具体包括以下步骤：步骤S231：建立5km分辨率网格，所有网格赋值为0，空间范围从东经92至东经109度，北纬32度至北纬43度，共341×221个网格格点；步骤S232：定义1表示发生强对流天气区域，0表示未发生强对流天气区域，-1表示没有观测的区域；步骤S233：标记每个强对流天气发生站点30km半径范围，将30km半径范围内网格均设置为1；步骤S234：读取5km分辨率目标区域地形掩模数据，对非目标区域，网格赋值为-1；步骤S235：采用动态权重的方式建立训练标签，为非目标区域、目标区域内发生强对流天气、未发生强对流天气区域设置权重；在步骤S3中，所述数据预处理，包括以下步骤：步骤S31：将强对流天气的实况数据、经度、纬度、海拔高度转换为EC模式数据，EC模式数据至少包括强对流天气发生发展的能量、温度、湿度、风向风速、对流有效位能CAPE、2米露点温度DPT_2M、散度DIV，设置EC模式数据空间分辨率、时间分辨率；步骤S32：将EC模式数据3次样条插值至数据空间分辨率网格上，其中对流有效位能CAPE和2米露点温度DPT_2M为单层数据，其余EC模式数据均包含不同高度层，将不同高度层的EC模式数据合并，共30个变量；步骤S33：统计EC模式数据所有30个变量的最大和最小值，并分别向上和向下取整，作为全局的最大最小值，进行数据归一化。

全文数据：

权利要求：

百度查询： 兰州中心气象台(兰州干旱生态环境监测预测中心) 一种基于语义分割的强对流天气识别和发展预判方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD