基于卷积神经网络的雷达回波外推方法研究

【摘要】：雷达回波外推技术目前被广泛应用于临近预报中,准确、及时的预测雷达回波图像对于优化临近预报结果具有重大的意义。本文基于多普勒天气雷达反射率因子数据,研究了卷积神经网络(Convolutional Neural Networks,CNNs)在雷达回波外推上的应用,通过训练获得了隐含雷达回波变化规律的CNNs模型,实现了对未来时刻雷达回波图像的预测。论文的主要研究内容如下:首先,研究了多普勒天气雷达基数据预处理方法,通过坐标转换、插值、水平切片等操作,将三维极坐标下的雷达基数据转换成等高平面显示数据,再经过图像的裁剪、压缩和采样,生成了大量的雷达回波图像,并构造了雷达回波序列图像库,为CNNs的训练和测试提供训练样本集和测试样本集。其次,针对预测图像与当前输入图像之间存在的强相关性,提出了一种基于动态卷积神经网络(Dynamic Convolutional Neural Networks,DCNN)的雷达回波外推方法。DCNN中建立了卷积核与输入图像的映射关系,使卷积核在网络测试阶段仍然能够根据输入雷达回波图像的不同而变化,进一步增强了预测图像与输入图像之间的关联,进而提高了预测结果的准确率。最后,针对预测图像与历史输入图像序列之间存在的相关性,提出了一种基于循环动态卷积神经网络(Recurrent Dynamic Convolutional Neural Networks,RDCNN)的雷达回波外推方法。RDCNN借鉴了循环神经网络的结构特点,在网络的卷积层中增加循环结构,建立了预测图像与过去一段时间内输入图像序列之间的关联,增强了网络处理时序图像的能力。实验中将本文提出的方法与传统的雷达回波外推方法进行大量的对比,结果表明,基于CNNs的方法提高了预测雷达回波图像的准确率,满足了临近预报的应用需求。