一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法

技术领域

本发明涉及山区致灾暴雨的预警、山洪防御技术领域，具体为一种基于 多普勒雷达和深度学习的山区致灾暴雨识别方法，主要用于山区致灾短时强 降水识别、山区暴雨灾害预警预报等工作。

背景技术

受特殊的自然地理环境、极端灾害性天气以及经济社会活动等多种因素 的共同影响。山洪灾害具有点多面广、季节性和区域性明显、突发频发、成 灾快、破坏力强等特点，而短历时山区暴雨是引发山洪灾害的主要因素，因 此，对于山区致灾暴雨的预警预报是山洪灾害防御最重要的决策依据。

短时强降水是一种突发性强、降水时间短、降水量大的天气过程，主要 由强对流天气形成，是一种重要的气象灾害，对于短时强降水的定义有一套 气象标准(即指1h降雨量超过20mm，3h降雨量超过50mm，强降水历时不 超过6h，出现范围不超过100×100km²(中尺度)，以产生局地短历时强降>

我国是世界上气候类型最多的国家之一，地形和社会经济分布情况多 变，每个地区的致灾特点、气候分区都不一样，而目前的强对流识别算法均 未把山区暴雨与其致灾性联系起来，只采用统一的气象标准对短时强降水进 行识别，无法直接应用于山区洪水的致灾性预警预判。

在短时强降水识别方面，目前有物理参数判别法和基于多普勒雷达识别 法。采用物理参数模型识别短时强降水方法主要依赖于人工判别，未能考虑 雷达数据和其他气象要素。而基于多普勒资料的短时强降水识别方法也仅限 于在雷达基本反射率产品中抽取单一回波特征，对于回波形态的判别准确率 不高，且都是针对于某一种特征(如逆风区、单体)进行识别，并没有对强 降水相关的全部雷达特征进行提取。

而和短时强降水相关的气象特征非常繁多，气象预报时使用的物理量参 数之间的关系不明确，采用单一的特征进行判断很容易造成误判，需要基于 多源多要素特征进行判别、为了综合运用雷达特征、物理特征、矢量特征、 风险特征，需要对这些特征进行区域化匹配，保证在强回波区能够获取区域 内所有相关特征参数，同时，为了保证山区致灾性暴雨预报的高效化，需要 采用自动识别判读的方法进行。

因此，目前各类短时强降水识别方法对于山区致灾性暴雨预报的适用性 不强，应用效果较差，未能将强降水识别结果和致灾性关联起来，未能关联 多种强降水要素进行自动识别判读，因此，在实际应用中，很难为山洪灾害 的预警与决策提供帮助。

发明内容

本发明设计了一种基于多普勒雷达和深度学习的山区致灾暴雨识别方 法，其解决的技术问题是基于多普勒雷达数据和多源气象数据，提取和短时 强降水相关的多种多普勒雷达特征、物理参数特征，矢量特征，结合中国山 洪灾害调查评价数据，提取不同区域内的风险特征，建立山区致灾暴雨模型 特征数据库作为样本集，引入机器学习的方法构建以深度学习为框架的短时 强降水自动识别模型，提供全国范围内山区致灾暴雨识别及预警服务。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法，包括以下步 骤：

步骤1、提取多普勒雷达数据中的致灾暴雨特征；

步骤2、分类存储多普勒雷达数据中与短时强降水相关的所有气象要素， 建立短时强降水特征集合-气象要素相关关系模型；

步骤3、结合多源气象要素与全国山洪灾害调查评价成果，建立山区致 灾暴雨模型特征数据库；

步骤4、采用模糊区域匹配法对山区致灾暴雨模型特征数据库中的所有 特征进行搜索匹配，获取多普勒雷达强回波区内所有山区致灾暴雨特征；

步骤5、基于深度学习方法构建具有区域性的山区致灾暴雨识别模型；

步骤6、使用Contrastive Wake-Sleep算法进行调优，对模型识别结 果进行评估，对引入实时气象数据进行山区致灾暴雨预报。

进一步的，步骤1中的多普勒雷达数据源为中国气象局专线共享的全国 6min单站雷达体扫基数据产品及全国雷达拼图产品，包括全国基本反射率、 组合反射率CR、基本径向速度V，VAD风廓线，垂直累计液态水含量VIL， 反射率等高面位置显示CAR，混合扫描反射率HSR，回波顶高ET，风暴追踪 信息STI，中尺度气旋M。

步骤1中需由多普勒雷达数据产品中提取的特征如表1所示：

表1

步骤1中利用分层平滑滤波阈值分离法提取雷达基本反射率中的强回波 区域块(>50dBZ)，采用区域追踪法在每6min雷达图像中提取强回波块的 运动矢量、起始位置、持续时间，以1km为单元存储强回波块运动轨迹，利 用基于Hu矩的形状匹配法识别弓形回波、钩状回波、零速度线，存储入雷 达数据特征及运动矢量特征集。

步骤1中由基本径向速度自动识别并提取逆风区，以雷达图像速度色标 为依据，采用图像阈值化方法获得正负速度区域二值图像，对2幅图像进行 形态学运算，将以上4幅图像进行交叉运算，获得逆风区监测识别结果，并 存储入雷达数据特征集。同时在回波速度产品、风暴追踪产品、VIL产品中 提取全区域内所有多普勒雷达特征。

进一步的，步骤2中，来自于气象产品以及雷达数据的气象要素分散性 强、相关性弱、数据量巨大。分类存储多普勒雷达数据中与短时强降水相关 的所有气象要素。步骤2中基于短时强降水演变发生机理对所有气象条件进 行综合分析，建立短时强降水的三类高相关特征集合：包括物理参数特征集 合、矢量特征集合、雷达数据特征集合，建立特征集合-气象要素之间的相 关关系。其中，三类特征集合包括的强降水特征及相关基本要素如表2所示：

表2

进一步的，步骤3中，综合分析全国山洪灾害调查评价成果，叠加历史 山洪灾害分布图、全国山丘区设计暴雨陈国、全国山洪灾害危险区划分成果， 获取5km×5km网格山区致灾暴雨风险特征集合。接入5年内所有实测气象 数据及雷达数据，建立山区致灾暴雨模型特征数据库，步骤3中的山区致灾 暴雨模型特征数据库包括物理参数特征库、运动矢量特征库、雷达数据特征 库、山区致灾暴雨风险特征库。

进一步的，由于各类特征尺度不一样，以强回波范围为基本区域，步骤 4中采用模糊逻辑匹配法对山区致灾暴雨模型特征数据库中的所有特征进行 搜索匹配，获取多普勒雷达强回波区内所有与致灾性短时强降水相关联的所 有特征，将一个强回波区内的所有相关特征组合为一个新的样本。

进一步的，步骤5中，以致灾暴雨特征库作为数据样本集，采用受限的 玻尔兹曼机(RBM)构建多输入结构的深度信念神经网络，采用DBN训练算 法建立山区致灾暴雨识别模型。步骤5中样本特征参照步骤4中分类，可用 25个特征维度描述作为识别模型的输入，将构建好的数据集进行分类，分为 训练集、验证集和测试集。构造一个具有3层RBM的区域性的DBN模型，第 一个RBM为输入层，节点数25。隐层节点数为80。输出层节点为2，输出为 致灾暴雨风险识别结果(致灾/不致灾)，使用特征数据库中的样本进行训 练。

该山区致灾暴雨识别方法具有以下有益效果：

(1)本发明的样本包含多源气象要素及多普勒雷达信息，不再使用单 一的物理参数特征或雷达回波特征对短时强降水进行识别判读，增加了短时 强降水判别的准确度。本发明基于我国山丘区山洪灾害调查评价的成果，建 立了暴雨致灾风险特征集合，不再使用单一的气象标准对山区暴雨的致灾性 进行判断，使得山洪灾害预警预报更具有区域特征和客观性。

(2)本发明提供了一种基于限制玻尔兹曼机的深度学习模型，模型输 入为从气象要素及多普勒雷达产品中自动识别的降水强相关特征，从而实现 对气象及雷达各类要素的高效整合，实现了对山区致灾暴雨的全自动快速识 别，相比基于单一特征的人工判读模式，大大提高了山洪灾害预警的精度和 效率，为灾害预警预报提供高效的决策支持。

下面结合附图及具体实施方式对发明作进一步详细说明。

附图说明

图1为本发明一种基于多普勒雷达和深度学习的山区致灾暴雨识别方法流 程示意图。

具体实施方式

实施例1

本发明所采用的技术方案是基于多普勒雷达和深度学习的山区致灾暴 雨识别方法，该方法主要分两个主要部分：一是提取多普勒雷达数据的强降 雨相关特征，结合多源气象要素、全国山洪灾害调查评价成果，建立山区致 灾暴雨模型特征数据库，并采用模糊匹配法获取雷达强回波区内所有致灾暴 雨特征，二是基于深度学习方法构建具有区域性的山区致灾暴雨识别模型， 对模型进行调优，评估模型识别结果，从而实现全自动高效山区致灾暴雨识 别。按照以下步骤实施：

结合图1，对本发明做进一步说明：

步骤1、2：提取多普勒雷达数据中的致灾暴雨特征；分类存储多普勒 雷达数据中与短时强降水相关的所有气象要素，建立短时强降水特征集合- 气象要素相关关系模型；

(1)多普勒雷达特征选取：我国的多普勒气象雷达(雷达型号包括 CINRAD/SA、SB、SC和CINRAD/CB、CC、CD、CCJ等)可以测定散射体相对于 雷达的速度，在一定条件下反演出大气风场、气流垂直速度的分布以及湍流 情况等。雷达的采样间隔为6min一次，因此每1小时内一般有10个时次的 数据文件组，目前已接收的单站雷达产品及全国雷达拼图中包括的产品为： 基本反射率、径向速度、组合反射率、VAD风廓线、回波顶高、中尺度气旋、 垂直累积液态水含量VIL等(具体可见表1)，通过提取和短时强降水相关 的雷达特征，建立特征集合，可建立用于深度学习模型的输入样本集。强降 水发生时，70％的回波强度在50－59dBZ之间，强度为60－69dBZ的回波 迅速下降到为18％，而强度﹤50d BZ和≥70d BZ的回波非常少，不到强降 水总数的10％。因此50－69d BZ的回波强度最有可能产生强降水，至少有90％的强降水是发生在该区间的。强回波单体的持续时间也是判断短时强降 水的重要参数。“列车效应”也是产生强降水的一种机制，及强降水单体先 后经过同一单体，导致大的雨量。逆风区是判断短历时强降水的一个重要指 标，短历时去昂降水就出现在逆风区前沿、径向速度符合最大的区域。逆风 区即为在径向负速度区包含正速度区，或在正速度区包含负速度区，正、负 速度区之间有一个零速度过渡带。由于逆风区先于强降水出现，因此，它可 以作为短时强降水的监测和预报判据。VIL垂直累计液态水含量熟知的大小 对于是否产生小雨、中雨、大雨、暴雨的反映并不十分敏感，垂直累积含水 量指的是单位面积柱体内液态水的含量。强降水的垂直累积含水量值多集中 在20－39kg/m²，约占总数的90％。

(2)雷达强回波区域块提取及运动矢量：选取5km×5km模板，对不同 仰角的回波组合反射率场进行平滑滤波，采用阈值分离法获得雷达强回波区 域块(>50dBZ)，采用区域追踪法在每6min雷达图像中提取强回波块的运 动矢量、起始位置、持续时间，以1km为单元存储强回波块运动轨迹。

(3)逆风区自动识别提取：采用双阈值法对待分析图像区域进行二值 化运算，如公式(1)～(2)所示，其中f(i,j)表示原始图像，I_Pos(i,j)表示正风速>Neg(i,j)表示负风速二值图像，i,j表示图像中像素点的位置，>

其中，H_PosIndex和H_NegIndex分别表示正速度索引值和负速度索引值，这种雷达>

形态学组合滤波之后，采用交叉逻辑运算提取逆风区域，并同时存储逆 风区区域面积。

I_AWA＝[I'_Pos(i,j),I_Neg(i,j)](3)；

I_AWA＝[I'_Neg(i,j),I_Pos(i,j)](4)；

其中，I_AWA表示提取出来的逆风区域，I_Pos(i,j)表示正向风场区域，I_Neg(i,j)>Pos(i,j)表示滤波和填充后的正向风场区域，I'_Neg(i,j)表示滤>

(4)多类雷达特征判读：同时与短时强降水相关的雷达要素还包括垂 直累计液态含水量、云层特性、回波形状、回波顶高、零度层亮带、辐合辐 散、风廓线、中尺度气旋等，这些特征均可由现有的多普勒雷达产品中自动 提取，且与短时强降水关联性很高，因此，均作为特征集合进行识别，存储， 入库。

步骤3：结合多源气象要素与全国山洪灾害调查评价成果，建立山区致 灾暴雨模型特征数据库；

(1)基于全国山洪灾害调查评价成果的山区暴雨致灾风险特征集合： 综合分析全国山洪灾害调查评价成果，叠加历史山洪灾害分布图、全国山丘 区设计暴雨成果、全国山洪灾害危险区划分成果，获取5km×5km网格山区 致灾暴雨风险特征集合。

(2)建立山区致灾暴雨模型特征数据库：建立特征集合-气象要素之间 的相关关系，由现有的多源气象要素中提取短时强降水的三类高相关特征， 包括物理参数特征集合、矢量特征集合、雷达数据特征集合。

步骤4：采用模糊区域匹配法对山区致灾暴雨模型特征数据库中的所有 特征进行搜索匹配，获取多普勒雷达强回波区内所有山区致灾暴雨特征。

基于多普勒雷达强回波区域特征，以每个强回波区域为基本范围，采用 模糊逻辑法对区域内所有特征在空间维和前后6h时间维内进行搜索匹配， 从而获取区域内所有山区暴雨的所有特征。

采用模糊逻辑匹配法对山区致灾暴雨模型特征数据库中的所有特征进 行搜索匹配，获取多普勒雷达强回波区内所有与致灾性短时强降水相关联的 所有特征，将一个强回波区内的所有相关特征组合为一个新的样本。

步骤5、基于深度学习方法构建具有区域性的山区致灾暴雨识别模型；

利用受限的玻尔兹曼机(RBM)构建多输入结构的多隐层神经网络模型 DBNs：用25个特征维度描述作为识别模型的输入，将构建好的数据集进行 分类，分为训练集、验证集和测试集。构造一个具有3层RBM的区域性的山 区致灾暴雨识别模型，第一个RBM为输入层，节点数25。隐层节点数为80。 输出层节点为2，输出为致灾暴雨风险识别结果(致灾/不致灾)。

RBM训练方法：求出一个最能产生训练样本的概率分布，分布中训练样 本的概率最大。由于这个分布决定性因素在为于权值W，所以训练RBM的目 标就是寻找最佳的权值。

首先，隐元之间互不相关

其中，ν和h表示显元和隐元的状态，显元和隐元为随机二值神经元，1 表示神经元激活，0表示神经元抑制。

其中，P(ν,h)表示全概率分布，P(h|ν)和P(ν|h)表示条件概率。

在给定隐层时，所有限元的取值也互不相关

每个显元隐元之间权重用矩阵W表示：

其中ω_i,_j表示第i个显元到第j个隐元的权重。

对训练集中的每一条记录x，将x赋给显层V⁽⁰⁾计算隐层神经元的开启概>

其中，上标用于区别不用向量，下标用于区别同一向量中的不同维。1 表示开启状态的概率值，σ表示sigmoid函数，W表示权重矩阵，由受限的 玻尔兹曼机构成。计算出的概率分布中抽取一个样本h⁽⁰⁾，

h⁽⁰⁾～P(h⁽⁰⁾|v⁽⁰⁾)(9)；

用h⁽⁰⁾重构显层，其中P(ν⁽¹⁾＝1|h⁽⁰⁾)表示显层开启概率

抽取显层样本

v⁽¹⁾～P(v⁽¹⁾|h⁽⁰⁾)(11)；

再次用显层神经元计算隐层神经元被开启概率：

重新更新权重：

W←W+λ(P(h⁽⁰⁾＝1|v⁽⁰⁾)v^(0)T-P(h⁽¹⁾＝1|v⁽¹⁾)v^(1)T)(13)；

其中，λ表示权重更新值，T表示矩阵转置。

DBN是由多层RBM组成的一个神经网络，使用非监督贪婪逐层方法去预 训练获得权值，分为以下三个步骤：

训练过程：

(1)首先充分训练第一个RBM；

(2)固定第一个RBM的权重和偏移量，使用其隐性神经元的状态作为 第二个RBM的输入向量；

(3)充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；

(4)重复以上三个步骤任意多次。

步骤6、使用Contrastive Wake-Sleep算法进行调优，对模型识别结 果进行评估，对引入实时气象数据进行山区致灾暴雨预报。

DBS过程中采用了使用Contrastive Wake-Sleep算法调优，步骤如下：

(1)除了顶层:RBM，其他层RBM的权重被分成向上的认知权重和向下 的生成权重。使用随机隐性神经元状态值，在顶层RBM中进行足够多次的 吉布斯抽样；

(2)Wake阶段，通过外界的特征和向上的权重，产生每一层的抽象表 示(结点状态)，并且使用梯度下降修改层间的下行权重。

(3)Sleep阶段，通过顶层表示和向下权重生成底层的状态，同时修改 层间向上的权重。

上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受 上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改 进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本 发明的保护范围内。