动态概率卷积神经网络在雷达回波外推中的应用

　　摘要：雷达回波外推方法已广泛应用于短时强降水临近预报中。针对传统雷达回波外推方法未充分利用海量历史气象数据从而导致预报准确度不高的问题，提出了一个基于动态概率卷积神经网络(dynamicprobabilityconvolutionalneuralnetwork，DPCNN)的雷达回波外推模型。该模型在卷积神经网络的基础上增加动态概率计算层，对不同的雷达回波输入序列计算对应的概率卷积核，并用于后续的外推计算中，使得网络在预测阶段仍然能够根据不同的输入序列作出相应的概率调整，从而增强了外推结果与已知序列的关联。经某局部地区短时强降水外推实验，从外推图像、SCI指数、FAR指数、POD指数四个方面验证了该模型的有效性。

　　关键词：动态概率;雷达回波外推;深度学习;卷积神经网络

　　0引言

　　随着社会发展，气象与日常生活的关联度在不断上升，极端天气带来的航班取消、动车晚点等交通中断问题对于经济的影响也日益突出，因此对降水类型、天气系统内部潜在关系的研究成为热点[1~4]。在众多气象灾害中，强对流天气带来的降水因为具有发生突然、发展迅速、破坏性强等特征而受到气象部门高度重视[5~7]。对短时临近降水预报的工作主要是指，根据雷达回波图、雨量统计数据等其他观测数据对某一地区的降雨强度进行短时间(如0-2小时)的预报。目前利用雷达回波图进行外推，已成为短时临近降水预报的一种重要技术手段[8~10]。

　　在此类雷达回波外推的相关方法中，已投入实际业务的主要有光流法[11,12]、质心跟踪法(Centroid)、交叉相关法(COTREC)[13,14]等。上述方法各有不足，光流法将光流场的估计和雷达回波外推分为两个步骤，而非端到端的过程，这将引入额外误差[15];质心跟踪法通过阈值来识别风暴单体，因而最佳使用场景是风暴单体的跟踪，而非对短时临近降水回波未来演变趋势预测[16];交叉相关法假设回波演变是线性的，并基于此假设根据若干历史时刻的回波特征来外推下一个时刻的回波分布，然而在实际情况下，回波演变往往是复杂的非线性演变。

　　针对上述雷达回波外推方法存在的问题，本文修改了传统卷积神经网络结构，提出了一种基于动态概率卷积神经网络(DPCNN)模型。该模型通过学习历史雷达回波图序列中回波空间分布和强度演变规律，从而实现对雷达回波图像的外推。DPCNN在传统卷积神经网络(CNN)上增加了动态概率计算层，为已知序列计算对应的概率卷积核，使得网络在预测阶段能够根据不同输入序列作出相应概率调整，从而使网络能为不同的输入序列“定制”相应的网络状态，这使网络更具灵活性。

　　1DPCNN外推过程

　　DPCNN外推的整体过程包括数据预处理过程和模型外推过程。数据预处理过程最终输出灰度CAPPI雷达回波图;在外推过程中，训练好的DPCNN模型将会根据输入的灰度雷达回波图序列，动态计算出对应概率卷积核，并利用其进行外推得到雷达回波外推图序列。DPCNN外推全过程各具体操作步骤将在本文后续章节中给出。

　　2数据集构造与预处理

　　本文采用某地区2015年1月至2017年12月份CINRADSA型多普勒天气雷达资料作为原始数据集。该数据集中均为等高平面位置显示产品(ConstantAltitudePlanPositionIndicator，CAPPI)的雷达回波图像。其中2015年至2016年的雷达回波图像作为训练数据集，2017年作为测试数据集。

　　高平面位置显示产品雷达回波图像的例图所示，原始CAPPI雷达回波数据为三通道图像，当中包含地理背景信息(如海洋、陆地)和色谱卡信息(如文字)会对神经网络训练过程造成干扰，因此需要对原始数据集的图片进行切割、雷达回波图语义信息提取、背景地理信息去除等相关预处理工作。为预处理后的灰度CAPPI雷达回波图。等高平面位置显示产品雷达回波图像的预处理流程图。原始雷达回波图为例，首先从右侧色谱卡中获取相关的雷达回波强度对应色谱卡RGB值，对色谱卡进行裁剪，只保留回波数据部分，得到左侧规格为480480的三通道雷达回波数据彩图。利用原始雷达回波图中的地界、河流等信息，标记并制作出对应的掩模矩阵，为后续的插值提供依据。

　　结合雷达回波数据彩图以及已知的色谱卡信息，对雷达回波部分进行提取。然后对提取得到的彩色雷达回波数据进行灰度值映射，得到对应的雷达回波灰度图。由于原始雷达回波数据中存在着省界、雷达半径辅助圈等信息，此时得到的灰度图存在明显的被分割现象，因此需要插值。将雷达回波灰度图结合前面步骤所得的掩模矩阵，利用IIR滤波器的方法实现插值。由于DPCNN所使用的训练数据为图片序列，在上述预处理后，需要对去除背景信息的灰度CAPPI雷达回波图进行序列构造。序列构造方法：按时间顺序，窗口长度为15帧进行滑动采样并构造样本，其中每一帧表示一张去除背景信息的灰度CAPPI雷达回波图。

　　一个训练或测试样本可划分为输入部分和标签部分，其中输入部分为5帧，标签部分为10帧，可进一步表示为：x,x,x,x,x,y,y,...,y123451210。其中，x,x,x,x,x12345为输入部分，y,y,...,y1210为标签部分。由于多普勒雷达完成一次扫描所需时间恒定为6min，因此样本中各帧之间的时间间隔为6min。上述每一帧雷达回波图像分辨率均为480480。

　　3动态概率卷积神经网络

　　DPCNNCNN是深度学习领域的重要分支。由于CNN及其变种网络能有效提取图像中的边缘、细节等语义信息，因而被广泛应用在计算机图像处理领域，近年来得到了广泛重视和研究[17~19]。传统的CNN是一种多层次架构的神经网络，其低层部分一般由卷积层和池化层交替组成，卷积层中的卷积核是图像特征提取的关键结构;高层部分一般为全连接层或全局平均池化层[20]。输出层的激活函数可以根据不同的任务进行选择：如回归任务可采用Sigmoid激活函数，分类任务可以采用Softmax激活函数等。 由于临近时间段的雷达回波图中回波块像素所在位置和亮度值具有较强的相关性，且卷积神经网络具有较好的建模能力，本文提出了一种基于动态概率卷积神经网络模型(DPCNN)。

　　该网络增加了动态概率生成层(DynamicProbabilityGenerateLayer,DPGL)和动态概率计算层(DynamicProbabilityComputeLayer,DPCL)。DPCL中的卷积核由DPGL生成，并对不同输入序列，DPGL能够产生不同的概率卷积核和特征图序列，使得训练好的网络在预测阶段能够根据不同输入序列作出动态的概率状态演变。其中，DPGL为双输出神经网络，用于计算概率卷积核和提取历史雷达回波序列的特征图。DPCL将DPGL生成的概率卷积核和提取得到的特征图进行一系列的卷积计算操作后得到最终的外推结果。

　　3.1动态概率生成层

　　DPGLDPGL为DPCNN模型的输入部分，DPGL对输入的雷达回波序列经过一系列卷积层处理后，输出雷达回波序列对应的特征图序列以及概率卷积核。结构上，DPGL的低层部分包含3个卷积层Conv1、Conv2、和Conv3;中层部分有两个分支，第一个分支包含了3个转置卷积层TransConv1、TransConv2、TransConv3以及1个卷积层Conv5，该分支最终输出10480480特征图序列;在第二个分支包含了1个卷积层Conv4和1个Softmax运算层，最终输出1077的概率卷积核Kernel。

　　4实验结果与分析

　　实验运行在3.60GHz的CPU、内存8GB的PC上。模型对于卷积层的初始化方法采用Xavier[22]方法，偏置项的初始化值为0向量。在优化器选择上采用Adam优化的方法，起始学习速率设置为0.0001，并且设置学习速率衰减机制，每隔10000次迭代，学习速率衰减至原来的70%。网络训练采用mini-batch训练的方案，每一批数据大小batch-size为4个样本，最大迭代次数为60000次。

　　5结束语

　　本文详细介绍了卷积神经网络的变种模型DPCNN，并且以该模型为基础，与传统的CNN模型、COTREC方法和Centroid方法进行对比，得出如下的结论：a)从外推结果的可视化图像上看，DPCNN模型和CNN网络的外推结果均存在一定的“模糊化”现象，但尽管如此，从外推结果中离散云团的外观形态和回波强度细节上看，相比于传统的CNN模型，DPCNN模型更能保留离散云团的细节和回波强度的分布位置，因此外推的结果比传统的CNN要更加接近实际观测的结果。b)在CSI、FAR、POD三个气象领域常用分析指标上看，相比于COTREC方法、传统的CNN方法和Centroid方法，DPCNN模型在CSI和POD的20dBZ、30dBZ、50dBZ三个阈值上均取得更好的效果。

　　在FAR指标上，DPCNN模型在20dBZ时取得较好的效果，而在30dBZ时取得的效果不如COTREC方法和Centroid方法，在50dBZ时不如COTREC方法。分析其原因为，回波的强度和覆盖的范围往往是反比的，这意味着回波强度越大，对应的像素点就越少，同时，由于神经网络在进行外推时存在“模糊化”的问题，因此这将导致nS相对变小，而nF，nM相对变大，从而导致FAR会变大，而POD会变小。c)对于DPCNN模型而言，CSI在不同阈值强度下，总体演变趋势都会随着外推的预报时效而下降。

　　计算机职称论文投稿刊物：《计算机应用研究杂志》(ApplicationResearchofComputers)创刊于2003年，经国家新闻出版总署和国家科学技术部正式批准，由中华人民共和国卫生部主管，中国医学基金会主办的国家及全国性学术类综合医学期刊。本刊为月刊，主编：刘营。国际标准刊号:ISSN1001-3695，国内统一刊号:CN51-1196/TP，国内邮发代号：62-68，国外发行代号：MO4408，国外总发行:中国国际图书贸易总公司，国内总发行:成都市邮政局，每月1日出版。

　　同时，在相同预报时效的前提下，随着阈值强度的增强，CSI系数会随之下降，并且阈值强度越大下降越明显。因此，DPCNN模型作为一种神经网络模型，在雷达回波外推上存在可改进的地方：①该模型在FAR指标上随着回波强度阈值的增加而增加，并且增加的速度相对明显，今后可以考虑为损失函数引入随回波强度变化的权重，加强神经网络对回波强度较大的位置的敏感度，从而提高模型对于强回波区域的预报能力。②DPCNN模型在外推输出时存在一定程度的“模糊化”现象，因此，下一步研究工作可以尝试对网络的结构进行进一步的改良和优化，使得外推可视化结果的细节更加丰富。

　　参考文献：

　　[1]滕少华,唐海涛,张巍,等.混合PNN和RBF多神经网络模型的局域降雨类型识别及雨量预测[J].小型微型计算机系统,2016,37(11):2571-2576.(TengShaohua,TangHaitao,ZhangWei,etal.IdentifyingLocalRainfallTypeandForecastingRainfallQuantityBasedonMixedMultiplePNNandRBFNeuralNetworkModels[J].JournalofChineseComputerSystems,2016,37(11):2571-2576.)

　　[2]滕少华,樊继慧,陈潇,等.SVM多分类器协同挖掘局域气象数据[J].广西大学学报,2014,39(5):1131-1137.(TengShaohua,FanJihui,ChenXiao,etal.ApplicationofSVM-basedmulti-classifiersinminingcooperativelylocalareameteorologicaldata[J].JournalofGuangxiUniversity,2014,39(5):1131-1137.)

　　[3]王剑辉,梁路,王彪.基于分支限界的不平衡气象数据晴雨分析[J].计算机应用研究,2016,33(6):1648-1652.(WangJianhui,LiangLu,WangBiao.Analysisofimbalancedweatherdatabasedonbranch-andboundapproach[J].ApplicationResearchofComputers,2016,33(6):1648-1652.)

　　[4]蒋林利,吴建生,丁立新.基于二分搜索密度峰算法的RBFNN在月降水预报中的应用[J].计算机应用研究,2019,36(2):362-366.(JiangLinli,WuJiansheng,DingLixin.ApplicationofRBFNNbasedonTSDPCAinmonthlyrunoffforecasting[J].ApplicationResearchofComputers,2019,36(2):362-366.)

　　作者：吴卓升1，张巍1†，林艳2，滕少华1

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/26370.html