本技术介绍了一种结合多模态数据融合和动态加权损失机制的短临降水预测技术。该方法首先对历史雷达和地面站点数据进行归一化和降采样处理,然后利用这些数据进行气溶胶光学厚度和降水预测模型的构建。通过动态调整损失权重,优化模型性能,提高降水预测的准确性。
背景技术
传统的降水预报主要依赖于数值天气预报(NWP)。在给定初始条件和边界条件的情况下,NWP通过时间积分求解描述大气运动的物理方程,从而预测未来的大气状态。然而,NWP通常受到初始条件场的影响,并且需要一定的积分时间来加速推演过程,这导致在0到2小时内的短期预测效果不佳。此外,NWP计算成本较高,难以提供小规模区域的精确预测。因此,基于雷达观测的方法逐渐成为短期降水预报的一种有效替代方案。光流法通过获取雷达回波图中的光流场来推断降雨区域的运动,已成为短时降水预报系统的重要技术。然而,尽管光流法具有较高的计算效率,但在实际应用中,其精度仍然较低,对复杂非线性变化的降水现象应对不足。
深度学习方法不依赖于复杂的先验物理方程和半经验知识,而是通过对大量样本进行训练来推断降雨的演变。这类方法将短期降水预报视为雷达视频预测问题。ConvLSTM是目前用于短期降水预报的领先深度学习模型,它结合了卷积神经网络(CNN)与长短期记忆网络(LSTM),充分发挥了处理空间和时间数据的优势。随后,研究者们提出了一系列深度学习模型,包括TrajGRU、PredRNN、PredRNN++、MIM、MotionRNN、PredRANN以及RAP-Net。然而,尽管这些模型在性能上有所提升,但其参数数量、内存使用量及训练时间也显著增加。MS-RNN则通过将U-Net嵌入到堆叠的RNN层中,在不增加模型参数数量的前提下,展现出更强大的空间和时间动态建模能力。
然而,上述模型主要集中于改善模型结构,忽视了数据特征和预测误差特性的影响。一方面,根据短期降水预报的特点,强对流系统在一小时内会发生显著变化,仅依靠雷达观测难以做出准确判断。多模态学习为这一问题提供了一种新的解决方案,如MM-RNN、MFSP-Net、FURENet和MSDM等。然而,如何有效整合多模态数据以实现准确的降水预测仍然是一个挑战。另一方面,每帧的预测难度(即误差)在训练过程中不断变化,对不同预测难度的帧施加相同的惩罚权重是不合理的。
因此,如何有效融合多源数据及动态分配损失权重以实现更精准的短临降水预测,成为本领域亟待解决的技术问题。
实现思路