CN119294466A 信息融合的双偏振雷达城市强降水短临预报深度学习方法及系统 （南京大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119294466A(43)申请公布日2025.01.10

(21)申请号202411825310.7

(22)申请日2024.12.12

(71)申请人南京大学

地址210046江苏省南京市栖霞区仙林大

道163号

(72)发明人王兴赵坤周昂黄浩陈海琴

金煜超

(74)专利代理机构武汉同誉知识产权代理有限公司42320

专利代理师何慧芳

(51)Int.CI.

GO6N

GO6N

GO6N

GO6F

GO6F

GO6T

GO6T

GO6V

GO6V

GO6V

G06N

G06F

3/0442(2023.01)

3/0464(2023.01)

5/045(2023.01)

18/214(2023.01)

18/25(2023.01)

3/4046(2024.01)

3/4053(2024.01)20/10(2022.01)

20/70(2022.01)

10/44(2022.01)

3/048(2023.01)

123/02(2023.01)

GO6N3/084(2023.01)

GO1S7/41(2006.01)

G01W1/10(2006.01)

GO6N3/0455(2023.01)

权利要求书6页说明书22页附图3页

(54)发明名称

信息融合的双偏振雷达城市强降水短临预报深度学习方法及系统

(57)摘要

CN119294466A本发明属于气象预报技术领域，公开了一种信息融合的双偏振雷达城市强降水短临预报深度学习方法及系统。本发明基于深度学习技术，结合强降水的物理机制，通过“空间→时间→时空融合”的研究思路，提出了一种新的基于气象雷达数据的城市强降水短临预报方法。该方法通过分析强降水的时空分布特征，提取高维空间特征，发展超分辨率强降水空间特征提取模型，并结合强降水的时间演变特征，采用LSTM

CN119294466A

构建雷达强降水数据集

地形信息与雷达影像相融合

超分辨率CNN设计

LSTM模型与季节权重加入

联合训练

S101

S102

S103

S104

S105

CN119294466A权利要求书1/6页

2

1.一种信息融合的双偏振雷达城市强降水短临预报深度学习方法，其特征在于，包括以下步骤：

S101,构建雷达强降水数据集，以获取强降水场景的雷达数据；

S102,将地形信息与雷达影像相融合，获得包含地形特征的雷达图像；

S103,利用超分辨率卷积神经网络对低分辨率雷达图像进行学习，以生成高分辨率雷达图像；

S104,通过长短期记忆网络处理雷达图像序列数据，并加入季节权重以进行时序分析；S105,对超分辨率CNN和LSTM模型进行联合训练，以获得综合预测模型。

2.如权利要求1所述信息融合的双偏振雷达城市强降水短临预报深度学习方法，其特征在于，所述构建雷达强降水数据集：

(1)数据收集

雷达图像：从气象雷达系统获取原始的雷达反射率图像，通常是基于短时间内的高频观测数据；

降水观测数据：利用地面气象站或卫星数据，收集强降水事件的实地观测数据，包括降水量、降水强度指标；

(2)数据标注

强降水区域标注：利用观测数据和雷达图像，定义强降水区域；

(3)数据预处理

图像切片：将雷达图像切分为小块；训练网络模型；每块图像都应当标注有是否属于强降水区域；

数据增强：使用数据增强技术，生成更多的训练样本；

归一化处理：对雷达图像和降水强度进行归一化处理，通常将值缩放到[0,1]或[-1,1]范围内。

3.如权利要求1所述信息融合的双偏振雷达城市强降水短临预报深度学习方法，其特征在于，所述地形信息与雷达影像相融合：

融合方法设计：

输入数据的融合：将雷达图像与地形高程图DEM结合，形成多通道输入：

雷达数据处理：

获取雷达图像：雷达数据以反射率图Z字段呈现，表示目标的强度；雷达图像进行去噪处理；假设已经去噪的雷达图为Rdcoisca(x,y),其形状为H×W×CR,其中H为图像高度，W为图像宽度，CR为雷达图像的通道数；

DEM数据处理：

获取数字高程模型DEM图：DEM图表示地表的高程信息，通常以矩阵形式存储，表示每个地理点的高程值；DEM数据需要与雷达图像对齐，通常通过插值方法进行匹配，确保两者的分辨率一致；假设经过插值