動態概率卷積神經網絡在雷達回波外推中的應用

　　摘要：雷達回波外推方法已廣泛應用于短時強降水臨近預報中。針對傳統雷達回波外推方法未充分利用海量歷史氣象數據從而導致預報準確度不高的問題，提出了一個基于動態概率卷積神經網絡(dynamicprobabilityconvolutionalneuralnetwork，DPCNN)的雷達回波外推模型。該模型在卷積神經網絡的基礎上增加動態概率計算層，對不同的雷達回波輸入序列計算對應的概率卷積核，并用于后續的外推計算中，使得網絡在預測階段仍然能夠根據不同的輸入序列作出相應的概率調整，從而增強了外推結果與已知序列的關聯。經某局部地區短時強降水外推實驗，從外推圖像、SCI指數、FAR指數、POD指數四個方面驗證了該模型的有效性。

　　關鍵詞：動態概率;雷達回波外推;深度學習;卷積神經網絡

　　0引言

　　隨著社會發展，氣象與日常生活的關聯度在不斷上升，極端天氣帶來的航班取消、動車晚點等交通中斷問題對于經濟的影響也日益突出，因此對降水類型、天氣系統內部潛在關系的研究成為熱點[1~4]。在眾多氣象災害中，強對流天氣帶來的降水因為具有發生突然、發展迅速、破壞性強等特征而受到氣象部門高度重視[5~7]。對短時臨近降水預報的工作主要是指，根據雷達回波圖、雨量統計數據等其他觀測數據對某一地區的降雨強度進行短時間(如0-2小時)的預報。目前利用雷達回波圖進行外推，已成為短時臨近降水預報的一種重要技術手段[8~10]。

　　在此類雷達回波外推的相關方法中，已投入實際業務的主要有光流法[11,12]、質心跟蹤法(Centroid)、交叉相關法(COTREC)[13,14]等。上述方法各有不足，光流法將光流場的估計和雷達回波外推分為兩個步驟，而非端到端的過程，這將引入額外誤差[15];質心跟蹤法通過閾值來識別風暴單體，因而最佳使用場景是風暴單體的跟蹤，而非對短時臨近降水回波未來演變趨勢預測[16];交叉相關法假設回波演變是線性的，并基于此假設根據若干歷史時刻的回波特征來外推下一個時刻的回波分布，然而在實際情況下，回波演變往往是復雜的非線性演變。

　　針對上述雷達回波外推方法存在的問題，本文修改了傳統卷積神經網絡結構，提出了一種基于動態概率卷積神經網絡(DPCNN)模型。該模型通過學習歷史雷達回波圖序列中回波空間分布和強度演變規律，從而實現對雷達回波圖像的外推。DPCNN在傳統卷積神經網絡(CNN)上增加了動態概率計算層，為已知序列計算對應的概率卷積核，使得網絡在預測階段能夠根據不同輸入序列作出相應概率調整，從而使網絡能為不同的輸入序列“定制”相應的網絡狀態，這使網絡更具靈活性。

　　1DPCNN外推過程

　　DPCNN外推的整體過程包括數據預處理過程和模型外推過程。數據預處理過程最終輸出灰度CAPPI雷達回波圖;在外推過程中，訓練好的DPCNN模型將會根據輸入的灰度雷達回波圖序列，動態計算出對應概率卷積核，并利用其進行外推得到雷達回波外推圖序列。DPCNN外推全過程各具體操作步驟將在本文后續章節中給出。

　　2數據集構造與預處理

　　本文采用某地區2015年1月至2017年12月份CINRADSA型多普勒天氣雷達資料作為原始數據集。該數據集中均為等高平面位置顯示產品(ConstantAltitudePlanPositionIndicator，CAPPI)的雷達回波圖像。其中2015年至2016年的雷達回波圖像作為訓練數據集，2017年作為測試數據集。

　　高平面位置顯示產品雷達回波圖像的例圖所示，原始CAPPI雷達回波數據為三通道圖像，當中包含地理背景信息(如海洋、陸地)和色譜卡信息(如文字)會對神經網絡訓練過程造成干擾，因此需要對原始數據集的圖片進行切割、雷達回波圖語義信息提取、背景地理信息去除等相關預處理工作。為預處理后的灰度CAPPI雷達回波圖。等高平面位置顯示產品雷達回波圖像的預處理流程圖。原始雷達回波圖為例，首先從右側色譜卡中獲取相關的雷達回波強度對應色譜卡RGB值，對色譜卡進行裁剪，只保留回波數據部分，得到左側規格為480480的三通道雷達回波數據彩圖。利用原始雷達回波圖中的地界、河流等信息，標記并制作出對應的掩模矩陣，為后續的插值提供依據。

　　結合雷達回波數據彩圖以及已知的色譜卡信息，對雷達回波部分進行提取。然后對提取得到的彩色雷達回波數據進行灰度值映射，得到對應的雷達回波灰度圖。由于原始雷達回波數據中存在著省界、雷達半徑輔助圈等信息，此時得到的灰度圖存在明顯的被分割現象，因此需要插值。將雷達回波灰度圖結合前面步驟所得的掩模矩陣，利用IIR濾波器的方法實現插值。由于DPCNN所使用的訓練數據為圖片序列，在上述預處理后，需要對去除背景信息的灰度CAPPI雷達回波圖進行序列構造。序列構造方法：按時間順序，窗口長度為15幀進行滑動采樣并構造樣本，其中每一幀表示一張去除背景信息的灰度CAPPI雷達回波圖。

　　一個訓練或測試樣本可劃分為輸入部分和標簽部分，其中輸入部分為5幀，標簽部分為10幀，可進一步表示為：x,x,x,x,x,y,y,...,y123451210。其中，x,x,x,x,x12345為輸入部分，y,y,...,y1210為標簽部分。由于多普勒雷達完成一次掃描所需時間恒定為6min，因此樣本中各幀之間的時間間隔為6min。上述每一幀雷達回波圖像分辨率均為480480。

　　3動態概率卷積神經網絡

　　DPCNNCNN是深度學習領域的重要分支。由于CNN及其變種網絡能有效提取圖像中的邊緣、細節等語義信息，因而被廣泛應用在計算機圖像處理領域，近年來得到了廣泛重視和研究[17~19]。傳統的CNN是一種多層次架構的神經網絡，其低層部分一般由卷積層和池化層交替組成，卷積層中的卷積核是圖像特征提取的關鍵結構;高層部分一般為全連接層或全局平均池化層[20]。輸出層的激活函數可以根據不同的任務進行選擇：如回歸任務可采用Sigmoid激活函數，分類任務可以采用Softmax激活函數等。 由于臨近時間段的雷達回波圖中回波塊像素所在位置和亮度值具有較強的相關性，且卷積神經網絡具有較好的建模能力，本文提出了一種基于動態概率卷積神經網絡模型(DPCNN)。

　　該網絡增加了動態概率生成層(DynamicProbabilityGenerateLayer,DPGL)和動態概率計算層(DynamicProbabilityComputeLayer,DPCL)。DPCL中的卷積核由DPGL生成，并對不同輸入序列，DPGL能夠產生不同的概率卷積核和特征圖序列，使得訓練好的網絡在預測階段能夠根據不同輸入序列作出動態的概率狀態演變。其中，DPGL為雙輸出神經網絡，用于計算概率卷積核和提取歷史雷達回波序列的特征圖。DPCL將DPGL生成的概率卷積核和提取得到的特征圖進行一系列的卷積計算操作后得到最終的外推結果。

　　3.1動態概率生成層

　　DPGLDPGL為DPCNN模型的輸入部分，DPGL對輸入的雷達回波序列經過一系列卷積層處理后，輸出雷達回波序列對應的特征圖序列以及概率卷積核。結構上，DPGL的低層部分包含3個卷積層Conv1、Conv2、和Conv3;中層部分有兩個分支，第一個分支包含了3個轉置卷積層TransConv1、TransConv2、TransConv3以及1個卷積層Conv5，該分支最終輸出10480480特征圖序列;在第二個分支包含了1個卷積層Conv4和1個Softmax運算層，最終輸出1077的概率卷積核Kernel。

　　4實驗結果與分析

　　實驗運行在3.60GHz的CPU、內存8GB的PC上。模型對于卷積層的初始化方法采用Xavier[22]方法，偏置項的初始化值為0向量。在優化器選擇上采用Adam優化的方法，起始學習速率設置為0.0001，并且設置學習速率衰減機制，每隔10000次迭代，學習速率衰減至原來的70%。網絡訓練采用mini-batch訓練的方案，每一批數據大小batch-size為4個樣本，最大迭代次數為60000次。

　　5結束語

　　本文詳細介紹了卷積神經網絡的變種模型DPCNN，并且以該模型為基礎，與傳統的CNN模型、COTREC方法和Centroid方法進行對比，得出如下的結論：a)從外推結果的可視化圖像上看，DPCNN模型和CNN網絡的外推結果均存在一定的“模糊化”現象，但盡管如此，從外推結果中離散云團的外觀形態和回波強度細節上看，相比于傳統的CNN模型，DPCNN模型更能保留離散云團的細節和回波強度的分布位置，因此外推的結果比傳統的CNN要更加接近實際觀測的結果。b)在CSI、FAR、POD三個氣象領域常用分析指標上看，相比于COTREC方法、傳統的CNN方法和Centroid方法，DPCNN模型在CSI和POD的20dBZ、30dBZ、50dBZ三個閾值上均取得更好的效果。

　　在FAR指標上，DPCNN模型在20dBZ時取得較好的效果，而在30dBZ時取得的效果不如COTREC方法和Centroid方法，在50dBZ時不如COTREC方法。分析其原因為，回波的強度和覆蓋的范圍往往是反比的，這意味著回波強度越大，對應的像素點就越少，同時，由于神經網絡在進行外推時存在“模糊化”的問題，因此這將導致nS相對變小，而nF，nM相對變大，從而導致FAR會變大，而POD會變小。c)對于DPCNN模型而言，CSI在不同閾值強度下，總體演變趨勢都會隨著外推的預報時效而下降。

　　計算機職稱論文投稿刊物：《計算機應用研究雜志》(ApplicationResearchofComputers)創刊于2003年，經國家新聞出版總署和國家科學技術部正式批準，由中華人民共和國衛生部主管，中國醫學基金會主辦的國家及全國性學術類綜合醫學期刊。本刊為月刊，主編：劉營。國際標準刊號:ISSN1001-3695，國內統一刊號:CN51-1196/TP，國內郵發代號：62-68，國外發行代號：MO4408，國外總發行:中國國際圖書貿易總公司，國內總發行:成都市郵政局，每月1日出版。

　　同時，在相同預報時效的前提下，隨著閾值強度的增強，CSI系數會隨之下降，并且閾值強度越大下降越明顯。因此，DPCNN模型作為一種神經網絡模型，在雷達回波外推上存在可改進的地方：①該模型在FAR指標上隨著回波強度閾值的增加而增加，并且增加的速度相對明顯，今后可以考慮為損失函數引入隨回波強度變化的權重，加強神經網絡對回波強度較大的位置的敏感度，從而提高模型對于強回波區域的預報能力。②DPCNN模型在外推輸出時存在一定程度的“模糊化”現象，因此，下一步研究工作可以嘗試對網絡的結構進行進一步的改良和優化，使得外推可視化結果的細節更加豐富。

　　參考文獻：

　　[1]滕少華,唐海濤,張巍,等.混合PNN和RBF多神經網絡模型的局域降雨類型識別及雨量預測[J].小型微型計算機系統,2016,37(11):2571-2576.(TengShaohua,TangHaitao,ZhangWei,etal.IdentifyingLocalRainfallTypeandForecastingRainfallQuantityBasedonMixedMultiplePNNandRBFNeuralNetworkModels[J].JournalofChineseComputerSystems,2016,37(11):2571-2576.)

　　[2]滕少華,樊繼慧,陳瀟,等.SVM多分類器協同挖掘局域氣象數據[J].廣西大學學報,2014,39(5):1131-1137.(TengShaohua,FanJihui,ChenXiao,etal.ApplicationofSVM-basedmulti-classifiersinminingcooperativelylocalareameteorologicaldata[J].JournalofGuangxiUniversity,2014,39(5):1131-1137.)

　　[3]王劍輝,梁路,王彪.基于分支限界的不平衡氣象數據晴雨分析[J].計算機應用研究,2016,33(6):1648-1652.(WangJianhui,LiangLu,WangBiao.Analysisofimbalancedweatherdatabasedonbranch-andboundapproach[J].ApplicationResearchofComputers,2016,33(6):1648-1652.)

　　[4]蔣林利,吳建生,丁立新.基于二分搜索密度峰算法的RBFNN在月降水預報中的應用[J].計算機應用研究,2019,36(2):362-366.(JiangLinli,WuJiansheng,DingLixin.ApplicationofRBFNNbasedonTSDPCAinmonthlyrunoffforecasting[J].ApplicationResearchofComputers,2019,36(2):362-366.)

　　作者：吳卓升1，張巍1†，林艷2，滕少華1

轉載請注明來自發表學術論文網：http://www.zpfmc.com/dzlw/26370.html