郭艷萍，高 云，周建慧，彭 煒

(山西大同大學(xué)計算機(jī)與網(wǎng)絡(luò)工程學(xué)院，山西 大同 037009)

1 引言

現(xiàn)階段，借助智能化手段可以實時獲取天氣預(yù)報信息，隨著全球氣候惡化情況的逐漸嚴(yán)峻，各種突發(fā)性、極端天氣越來越多見，這類氣象具有破壞性較大，影響范圍大等特點，對人們?nèi)粘３鲂?，農(nóng)作物生產(chǎn)以及施工建設(shè)等均會造成一定程度的影響。因此，需要對短時突發(fā)天氣進(jìn)行準(zhǔn)確預(yù)報。

雷達(dá)回波外推技術(shù)是當(dāng)前普遍應(yīng)用的短臨預(yù)報方法[1]，實時、準(zhǔn)確的外推雷達(dá)回波圖像是獲取高精度短臨預(yù)報內(nèi)容的前提條件[2]。當(dāng)前普遍使用的雷達(dá)回波外推技術(shù)多以深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)[3，4]，但由于自然環(huán)境的多變，導(dǎo)致短臨預(yù)報結(jié)果具有一定誤差，且時效性較差。針對上述問題，考慮外推圖像與輸入圖像間的高度相關(guān)性[5]，提出基于循環(huán)動態(tài)卷積的雷達(dá)回波外推短臨預(yù)報方法，提升卷積神經(jīng)網(wǎng)絡(luò)對于時序圖像的處理效果。

2 雷達(dá)回波外推短臨預(yù)報方法

2.1 雷達(dá)回波外推短臨預(yù)報流程

循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)包含兩個主要部分：循環(huán)動態(tài)子網(wǎng)絡(luò)、概率外推層。循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)以動態(tài)卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)[6]，引入循環(huán)神經(jīng)網(wǎng)絡(luò)，利用其構(gòu)建相鄰時刻輸入圖像序列間的相關(guān)性，以此提升具有時序特征輸入圖像的外推結(jié)果精度。基于循環(huán)動態(tài)卷積的雷達(dá)回波外推短臨預(yù)報方法實現(xiàn)流程如圖1所示。

圖1 短臨預(yù)報實現(xiàn)流程

根據(jù)圖1所示的基于循環(huán)動態(tài)卷積的雷達(dá)回波外推短臨預(yù)報方法實現(xiàn)流程可知，在雷達(dá)回波外推短臨預(yù)報過程中，在循環(huán)動態(tài)子網(wǎng)絡(luò)內(nèi)輸入采集到的圖像，通過循環(huán)動態(tài)子網(wǎng)絡(luò)處理獲取兩個概率向量，以其作為概率外推層的卷積核，并與輸入的最后一幅圖像實施卷積處理[7]，獲取外推結(jié)果。依據(jù)外推結(jié)果同短臨預(yù)報內(nèi)容間的相關(guān)性，生成短臨預(yù)報內(nèi)容。

基于循環(huán)動態(tài)卷積的雷達(dá)回波外推過程中包含訓(xùn)練與測試兩個環(huán)節(jié)：

1)訓(xùn)練環(huán)節(jié)

基于所采集的雷達(dá)回波圖像構(gòu)建訓(xùn)練樣本集訓(xùn)練循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)，利用前向傳播與反向傳播過程確定輸出并獲取不同網(wǎng)絡(luò)層的誤差項優(yōu)化權(quán)值參數(shù)[8，9]。

(1)

式(1)內(nèi)，Hx和Cx為序號一致的隱含層與卷積層，kij表示卷積核。

2)測試環(huán)節(jié)

基于所構(gòu)建的測試樣本集測試訓(xùn)練完成后的循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)，利用前向傳播獲取外推結(jié)果，外推結(jié)果精度較高的條件下可定義循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)滿足收斂標(biāo)準(zhǔn)，具有較高的應(yīng)用價值；相反外推雷達(dá)回波圖像精度較低時需優(yōu)化結(jié)構(gòu)參數(shù)，直至其符合收斂標(biāo)準(zhǔn)為止。

相較于動態(tài)卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)在外推過程中，t-1時刻處理的雷達(dá)回波圖像可傳至t時刻的動態(tài)循環(huán)子網(wǎng)絡(luò)內(nèi)，可以提升t時刻下循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)的外推精度。

2.2 動態(tài)卷積神經(jīng)網(wǎng)絡(luò)

動態(tài)卷積神經(jīng)網(wǎng)絡(luò)由動態(tài)子網(wǎng)絡(luò)與概率外推層組成，通過訓(xùn)練后能夠獲取輸入的雷達(dá)回波圖像序列動態(tài)變化。動態(tài)子網(wǎng)絡(luò)的主要功能是確定概率向量[11]，其中包含動態(tài)卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)值參數(shù)，其輸出結(jié)果可作為概率外推層內(nèi)的卷積核。概率外推層將輸入的雷達(dá)回波圖像序列內(nèi)最后一幅圖像同卷積核實施處理，獲取外推結(jié)果。

2.2.1 動態(tài)子網(wǎng)絡(luò)

將采集的雷達(dá)回波圖像輸入至動態(tài)子網(wǎng)絡(luò)后，通過網(wǎng)絡(luò)處理獲取一維垂直向量和一維水平向量[12]，分別用VP和HP表示。

動態(tài)子網(wǎng)絡(luò)包含五個卷積層，以Ci(i=1，2，…，5)表示，除C5層卷積核大小為7×7外，剩余各層均為9×9。卷積層內(nèi)激活函數(shù)的輸入可采用特征圖同卷積核實施卷積處理過后獲取的結(jié)果與偏置項的結(jié)合，通過激活函數(shù)能夠得到卷積層的輸出特征圖，具體公式描述如下

(2)

2.2.2 概率外推層

概率外推層存在兩個輸入，其輸入特征圖與卷積核分別為最后一幅圖像和概率向量。概率外推層內(nèi)對輸入特征圖實施兩次卷積處理，獲取外推結(jié)果。圖2所示為概率外推層結(jié)構(gòu)圖。

圖2 概率外推層結(jié)構(gòu)

概率外推層內(nèi)存在兩層結(jié)構(gòu)，分別以DC1和DC2進(jìn)行表示，各層內(nèi)的卷積核分別為VP和HP。DC1層內(nèi)輸入的最后一幅圖像同VP實施卷積處理，獲取輸出特征圖，其在DC2層內(nèi)同HP實施卷積處理獲取外推圖像。考慮VP和HP的元素都是正值，且元素相加值為1，因此，可將概率外推層內(nèi)兩層結(jié)構(gòu)的卷積處理過程理解為縱向與橫向的外推過程。

2.3 基于循環(huán)動態(tài)卷積的雷達(dá)回波外推短臨預(yù)報實現(xiàn)

循環(huán)神經(jīng)網(wǎng)絡(luò)的主要優(yōu)勢體現(xiàn)在可提升網(wǎng)絡(luò)處理過程中圖像處理效果方面，其隱含層內(nèi)引入反饋連接，因此令其產(chǎn)生記錄過去狀態(tài)的功能，將其與動態(tài)卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)，在動態(tài)子網(wǎng)絡(luò)內(nèi)引入循環(huán)網(wǎng)絡(luò)結(jié)構(gòu)，增強(qiáng)對具有時序相關(guān)性特征的雷達(dá)回波圖像序列的適用性。

假設(shè)xt和st分別表示t時刻的輸入與隱藏狀態(tài)，前者描述存在特征維度的向量，后者由xt與前一隱藏狀態(tài)st-1獲取，公式描述如下

st=σ(Uxt+Wst-1)

(3)

式(3)內(nèi)，σ、U和W分別表示激活函數(shù)、xt連接st、st連接輸出的權(quán)重矩陣。

ot表示t時刻的輸出，可描述全部類別的概率向量，其公式描述如下

ot=Softmax(Vst)

(4)

式(4)內(nèi)，V表示st-1連接st+1的權(quán)重矩陣。

根據(jù)上述分析可知，通過動態(tài)卷積神經(jīng)網(wǎng)絡(luò)得到雷達(dá)回波圖像序列動態(tài)變化，同時，結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特性，建立循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)。在循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)中的卷積層引入循環(huán)結(jié)構(gòu)，得到不同時間段雷達(dá)回波圖像序列之間的相關(guān)性。根據(jù)相關(guān)性分析結(jié)果，輸入雷達(dá)回波圖像，并通過卷積處理，得到雷達(dá)回波外推結(jié)果，在此基礎(chǔ)上，可以得到短臨預(yù)報結(jié)果。

3 實驗分析

實驗為驗證本文研究的基于循環(huán)動態(tài)卷積的雷達(dá)回波外推短臨預(yù)報在實際應(yīng)用過程中的有效性，在Matlab軟件上對本文方法進(jìn)行仿真測試。以某市2020年9月4日的降雨過程為仿真對象，采用傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的外推方法和基于深度學(xué)習(xí)的外推方法與本文方法獲取其雷達(dá)回波圖像。為了保證實驗結(jié)果的準(zhǔn)確性，確保實驗條件具有一致性。

3.1 雷達(dá)回波圖像外推結(jié)果仿真

本文方法仿真過程中，初始化循環(huán)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的卷積核，設(shè)定學(xué)習(xí)率與動量系數(shù)分別為0.0001和0.4，訓(xùn)練環(huán)節(jié)中樣本輸入量和迭代次數(shù)分別為5組和40次。仿真結(jié)果如圖3所示，其中圖3(a)和圖3(b)分別為輸入的圖像序列和實際觀測獲取的圖像，以15min為輸入圖像時間間隔，圖3(c)為本文方法外推結(jié)果。同時，為進(jìn)一步驗證本文方法的外推性能，以基于卷積神經(jīng)網(wǎng)絡(luò)的外推方法和基于深度學(xué)習(xí)的外推方法為對比方法，兩種對比方法的外推結(jié)果如圖3和圖4所示。

圖3 雷達(dá)回波圖像外推結(jié)果

圖4 卷積神經(jīng)網(wǎng)絡(luò)外推結(jié)果

分析圖3至圖5可得，三種方法中，本文方法與基于卷積神經(jīng)網(wǎng)絡(luò)的外推效果優(yōu)于基于深度學(xué)習(xí)的外推方法，這是因為本文方法與基于卷積神經(jīng)網(wǎng)絡(luò)的外推方法在訓(xùn)練過程中有效地學(xué)習(xí)了雷達(dá)回波圖像的波動規(guī)律，只要輸入的雷達(dá)回波圖像內(nèi)存在這種規(guī)律，就能夠獲取精度較高的外推結(jié)果。本文方法與基于卷積神經(jīng)網(wǎng)絡(luò)的外推方法相比具有更高的清晰度，這是由于自然環(huán)境短時間內(nèi)會產(chǎn)生大量變化，導(dǎo)致雷達(dá)回波圖像具有較高的復(fù)雜度，本文方法相比于卷積神經(jīng)網(wǎng)絡(luò)添加了循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠記錄過去狀態(tài)，增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)對具有時序相關(guān)性特征的雷達(dá)回波圖像序列的適用性。

圖5 深度學(xué)習(xí)外推結(jié)果

以上仿真結(jié)果充分說明本文方法外推結(jié)果與實際觀測獲取的雷達(dá)回波圖像一致度最高，即本文方法外推結(jié)果精度更高。

3.2 相關(guān)系數(shù)分析

圖6 相關(guān)系數(shù)變化情況

圖6內(nèi)，由相關(guān)系數(shù)角度出發(fā)得到：在預(yù)測時間逐漸提升的條件下，本文方法與對比方法預(yù)測結(jié)果的相關(guān)系數(shù)均表現(xiàn)為逐漸下降的態(tài)勢，但本文方法下降態(tài)勢更為平緩。由P分析角度出發(fā)得到：本文方法的P值接近5h，兩種對比方法P值在2.5h—3.5h之間，說明本文方法與對比方法相比具有更長的外推時效。

綜合分析上述實驗結(jié)果可知，本文方法能夠有效提升雷達(dá)回波序列圖像的適用性，短臨預(yù)報結(jié)果具有更高的精準(zhǔn)度。同時，該方法在外推時效方面具有明顯的優(yōu)勢性，充分說明本文方法的實際應(yīng)用價值較高。

4 結(jié)論

本文研究基于循環(huán)動態(tài)卷積的雷達(dá)回波外推短臨預(yù)報方法，在傳統(tǒng)動態(tài)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入循環(huán)神經(jīng)網(wǎng)絡(luò)，增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)對具有時序相關(guān)性特征的雷達(dá)回波圖像序列的適用性，獲取高精度的雷達(dá)回波圖像外推結(jié)果，基于外推結(jié)果與預(yù)報內(nèi)容間的相關(guān)性實現(xiàn)準(zhǔn)確的短臨預(yù)報。仿真結(jié)果表明，與傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的外推方法和基于深度學(xué)習(xí)的外推方法相比，本文方法的時效性更好，且短臨預(yù)報效果更佳，可廣泛應(yīng)用于短臨預(yù)報領(lǐng)域。雖然本文方法實現(xiàn)了對短臨預(yù)報效果的提升，但是其全面性還有待提升，接下來將針對不同的雷達(dá)回波圖像進(jìn)行更加深入的研究，爭取提升雷達(dá)回波外推短臨預(yù)報方法的全面性。