1.综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:包括以下步骤:
S1、获取多普勒单偏振雷达数据和地面自动气象站观测数据;
S2、获取雷达反射率因子、气象因子和地理因子;
S3、采用组合反射率,然后将极坐标系下的雷达数据转为笛卡尔坐标系下的网格数据,再使用反距离加权插值法规整数据,并利用马氏距离去除噪声,进行雷达数据的质量控制,获取准确的雷达等经纬度数据;
S4、获得所有时刻、所有站点在笛卡尔坐标系下的1×400×400的数据集,切割得到三个单层数据集,并对所有数据进行归一化处理,将三个单层数据集合并为一个数据样本保存;
S5、以站点实际降水量为地面真值标签,将数据按照2:8的比例划分为测试集和训练集,最终将所有数据以矩阵的形式进行保存;
S6、建立使用深度学习技术设计的降雨强度估计模型;
S7、初始化模型各神经元权重、训练次数、学习率、学习率衰减系数,通过特征提取网络和全连接神经网络得到降水估计值,对预测结果计算损失;获得最佳网络模型及参数;
S8、将测试集中的数据作为输入层数据,输入到网络模型当中,获得相应的预测降水量数据;
S9、选定衡量模型性能的评价指标,衡量真实值和估计值的相关性,并根据结果分别在时间和空间维度上进行分析,得到最优结果。
2.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S1中,于中国气象数据网分别获取多普勒雷达基数据和地面站降水数据。
3.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S2中,所述雷达反射率因子为主要输入,所述气象因子和地理因子辅助输入,所述气象因子主要使用温度和湿度,所述地理因子采用高程,对数据进行初步的预处理。
4.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S3中,选取离国家气象站最近的网格点作为反射率因子的中心,采用多尺度输入,然后将极坐标下的雷达基数据转换成笛卡尔坐标下的网格数据。
5.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S3中,去除噪声的步骤包括:利用常规回波图片处理的方法去噪和将小于70的像素点过滤去除。
6.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S4中,所述获得所有时刻、所有站点在笛卡尔坐标系下的1×400×400的数据集,以国家气象站点为中心切割,分别获取大小为1×100×100、1×50×50和1×25×25的单层数据集,并对所有数据进行归一化处理,将三个单层数据集合并为一个数据样本保存。
7.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S6中,使用混合空洞卷积进行雷达数据图像降水特征提取,使用最大池化进行下采样,去除冗余信息,对特征进行压缩,简化网络复杂度。使用non‑local模块增大高层网络的感受野,获取的信息分布更广。使用设计的多尺度注意力模块,平衡以站点为中心的大尺度图像和小尺度图像。
8.根据权利要求7所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S7中,采用均方误差(MSE)和平均绝对误差(MAE)的加权组合作为损失函数,对预测结果计算损失;利用神经网络进行反向传播,计算各权重梯度,按照梯度下降算法对权重进行更新,不断调整神经元权重,直到训练集误差在合理范围内,停止网络训练,获得最佳网络模型及参数。
9.根据权利要求1所述的综合多时空尺度多普勒雷达数据的降雨强度估计方法,其特征在于:S9中,采用均方根误差(RMSE)、平均绝对误差(MAE)和相关系数(CC)作为衡量模型性能的评价指标。