1.一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,包括:获取序列雷达图像以及对应未来一小时的降雨数据集;将数据集按照预设比例分为训练集和测试集;构建Tiny‑RainNet网络模型;所述Tiny‑RainNet模型包括:卷积层1,参数为(30,(1,1)),表示卷积核的个数为30,像素为1×1;
卷积层2,参数为(60,(2,2));
防止过拟合层dropout3,参数为0.5,表示按照0.5的概率屏蔽部分神经元;
最大池化层4,参数为(2,2),表示按照2×2的像素选取最大值替代该单元;
双向长短时记忆网络层5,参数为256,表示隐藏神经元个数为256;
防止过拟合层dropout6,参数为0.5;
双向长短时记忆网络层7,参数为128;
防止过拟合层dropout8,参数为0.5;
双向长短时记忆网络层9,参数为64;
防止过拟合层dropout10,参数为0.5;
全连接层11,参数为100,表示当前层的输出维度为100;
全连接层12,参数为1,表示当前层的输出维度为1;
根据预设的高度和时间跨度条件,将序列雷达图像分别缩放至对应的尺寸;
分别将缩放获得的雷达图像输入到Tiny‑RainNet网络模型中,训练得到降水预测模型;
输入测试集序列雷达回波图像至降水预测模型,预测对应区域的降雨量,并计算预测降雨量和实际降雨量之间的均方根误差,将最小的均方根误差对应的图像尺寸作为最佳图像缩放尺寸;
使用最佳图像缩放尺寸的序列雷达图像作为输入,对应降水量作为输出,训练Tiny‑RainNet降水预测模型;
输入任一组序列雷达图像到训练后的Tiny‑RainNet降水预测模型中,得到对应区域未来一小时降雨量的预测值。
2.根据权利要求1所述的一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,获取序列雷达图像的过程,具体包括:获取T时刻,T‑6min时刻,T‑2×6min时刻…, T‑15×6min时刻共15个时间跨度,每个时间跨度下包括0.5km,1.5km,2.5km,3.5km共4个高度的一共60张像素为101×101的序列雷达回波图像。
3.根据权利要求2所述的一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,根据预设的高度和时间跨度条件,将序列雷达图像分别缩放至对应的尺寸,具体为:将像素为101×101的雷达图像分别在同一高度不同时间跨度和同一时间跨度不同高度下分别缩放至像素为5×5,10×10,…,90×90,95×95,101×101不同的尺寸。
4.根据权利要求1所述的一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,将数据集按照预设比例分为训练集和测试集,所述预设比例为8:2。