1.一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于包括以下步骤:
步骤一、进行天气雷达图像目标形态学分析的研究和识别模型的建立,在数学形态学的基础上,采用模式识别、图像处理的方法进行天气雷达图的处理;
步骤二、基于卷积神经网络,提取雷达图像的特征构建特征库,针对不同的强对流回波识别目标,建立不同的特征模型;
步骤三、采用深度学习人工智能设计并建立雷达图像半自动标注系统框架,并生成深度学习自动识别模型;
步骤四、以气象雷达图像作为输入,采用改进的FasterR‑CNN模型进行目标检测,监测气象雷达图像中是否有强对流特征对象,并实现对强对流天气雷达图进行快速识别和分类。
步骤五、将分类过的时序风暴特征图像放入双向ConvHS‑LSTM中进行训练,生成强对流天气的时序识别模型,该模型可将任意长度的时序强对流天气雷达图像作为输入对强对流天气图像进行分类识别,并将强对流天气空间轨迹信息储存在目标模型中。
2.根据权利要求1所述的一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于所述步骤一中对天气雷达图像的研究主要包括以下四项:①结构元素的设计,任取一个边缘点a,在该边缘点附近总能找到另一个边缘点b,使得a、b两点的方向走向基本一致而不会相差太大,然而噪声点延其边缘方向则较难找到与其灰度和方向都相差不大的点,因而将采用四个方向上的结构元素Bα,α分别为0,②优化滤波器设计,将开、闭算子组合起来可以构成性能更优越的滤波器;
③基于数学形态学的天气雷达图像特征提取方法,根据现有的边缘提取和角点提取算法,组合多种结构元素,研究适合天气雷达图像特征的形态学边缘提取算子,形态边缘提取利用形态梯度的概念,其基本思想是对图像用一定的结构元素进行操作后与原图像相减;
④基于形态学分解的天气雷达图像目标形状描述方法和模型的建立,利用二次结构元分解方法进行形态学分解对形状进行描述,采用基于模糊图的形状建模。
3.根据权利要求1所述的一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于:所述步骤一中天气雷达图像的具体处理方法为根据雷达的基数据解析雷达基数据雷达数据中每个点的反射率值读取出来,再按照规定的色标将不同反射率转换为对应的RGB值,得到基数据对应的反射率图像。
4.根据权利要求1所述的一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于:所述步骤二中构建特征库的具体方法为查看每种强对流天气发生时对应雷达图像,根据雷达图像的生成原理,采用特征识别算法将发生强对流天气的区域提取出来,分析不同强对流天气在图像上的差异,提取风暴单体的图像特征,对应不同种类强对流图像特征按照识别模型的建立方法来建立不同的图像特征模型,将不同模型整合建立样本图像特征数据库。
5.根据权利要求1所述的一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于:所述步骤三中先将数据集分为源域和目标域,利用域转移法和伪标记算法生成的伪标注进行人工和自动地生成标注图像,并进行微调,微调时首先在源域中使用标注信息对其进行预训练,然后在使用域转移法获得的图像时对其进行微调,最后在使用伪标记算法获得的图像时对其进行微调。
6.根据权利要求5所述的一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于:所述域转移法用于从源数据域中的图像生成看起来像目标数据域中的图像,使用生成对抗网络的图像到图像转换方法来实现;所述伪标记算法是在给定目标数据域中,通过域转移法在人工生成的样本上微调的探测器,将这些标注和探测器的预测组合起来。
7.根据权利要求1所述的一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于:所述步骤四中识别分类具体方法为先独立训练一个RPN网络,将其网络权重对FastR‑CNN网络进行初始化,其产生的输出建议作为此时FastR‑CNN的输入,之后不断迭代、循环训练RPN和FastR‑CNN,最终实现目标检测,输出分类结果,将具有强对流特征的气象雷达图像打上分类标签存于分类目录中。
8.根据权利要求1所述的一种基于深度学习的强对流天气雷达图识别模型及方法,其特征在于:所述步骤五中深度学习的天气雷达图像强对流天气识别模型分为两层将图像输入,分别为F‑RCNN层和双向ConvHS‑LSTM层,最后将保存了两向信息的ConvHS‑LSTM层状态通过concat结合生成输出,该结果增加相邻状态之间的转换深度,提高处理短期变化的能力。