一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法

1.本发明涉及水文与气象技术领域，尤其涉及一种基于残差卷积神经网络与卷积长短记忆神经网络的降雨强度测量方法。


背景技术：

2.降水是气象、水文、农业等诸多领域中重要的气象变量，地面观测、雷达估测和卫星反演是目前获取降水数据的主要方式。传统的地面观测最直接有效，其观测获得的降水数据也被公认为是最可信赖的，能够较准确地获取观测点附近的降水量。但受成本、地形等因素的限制，地面观测站的空间分布及覆盖范围有限，无法充分反映降水的空间分布。视频观测作为一种获取降水数据的新兴手段，能用较低的成本覆盖观测区域，实时获取降水数据并充分反映观测区域的降水空间分布。
3.深度学习是新一代的人工神经网络，近年来对工业生产、日常生活和各类学科产生了重要影响，其代表了神经网络自动捕捉相关特征和复杂数据分布能力方面的重大进步，并被视为未来不可或缺的工具。目前，尚未有研究基于残差卷积神经网络和卷积长短记忆神经网络的耦合来对视频观测的雨水进行降雨估计。


技术实现要素：

4.技术问题：本发明目的是提出一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，以通过机器学习方法提高降雨数据的精度。
5.技术方案：本发明公开了一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，该方法包括如下步骤：
6.步骤1：获取研究区域某个时间段的降雨强度数据，并对降雨强度数据进行预处理；
7.步骤2：拍摄研究区域的降雨视频，对降雨视频进行筛选与预处理；
8.步骤3：设定合适的视频时间长度，将降雨强度数据与降雨视频相匹配，在整个时间序列上，建立深度学习所需的灰度视频数据集；数据集按照2:1的比例分为训练集与验证集；
9.步骤4：搭建深度学习框架并根据时空相关性构建用于降雨强度测量的模型；采用残差卷积神经网络(resnet)方法提取视频的降雨特征信息，采用卷积长短记忆神经网络(conv-lstm)方法将降雨特征信息转化为降雨强度；
10.步骤5：将数据集内的降雨视频数据以及降雨强度数据输入深度学习模型中进行训练，基于模型输出与真实值之间的误差，深度学习神经网络会通过反向传播算法更新模型参数，直至损失误差达到最小，通过综合比较训练期和验证期的误差，选取出最优模型；
11.步骤6：将该研究区域其余时间的降雨视频数据输入到步骤5中的最优模型，以此获得其余时刻该研究区域的降雨强度信息。
12.进一步的，所述预处理包括对缺失值与异常值进行处理。
13.进一步的，所述步骤1中的预处理包括去除地面观测降雨强度数据中的异常值，选择合适空间分辨率的遥感降雨数据。
14.进一步的，所述步骤2的筛选包括去除清晰度不符合要求的视频，并且去除遮挡物数量大于预设值的视频。
15.进一步的，所述步骤2的预处理包括将筛选后的降雨视频进行灰值化，并分割成预设时间长度的短视频。
16.进一步的，步骤3中的数据集为某个时刻研究区域的降雨视频以及视频拍摄时间段对应的降雨强度数据。
17.进一步的，步骤4中的残差卷积神经网络(resnet)方法通过神经网络中的卷积计算以及残差结构提取视频中的降雨特征信息。
18.进一步的，步骤4中的卷积长短记忆神经网络(conv-lstm)方法通过神经网络中的卷积计算处理接收到的降雨空间特征，通过lstm的门结构处理接收到的降雨时间特征。
19.有益效果，与现有技术相比，本发明的技术方案具有以下有益效果：
20.本发明所提出的基于残差卷积神经网络与卷积长短记忆神经网络的降雨强度测量方法，能有效提取相关降雨视频中的降雨特征信息。依赖深度学习方法自动捕捉相关特征和复杂数据分布的能力，resnet神经网络模型可以学习到不同降雨视频中的降雨特征，conv-lstm神经网络模型可以学习到降雨特征与降雨强度之间的关系，得到可靠的降雨强度信息。经检验，resnet与conv-lstm的融合模型能很好的获取到研究区域的降雨强度信息。
附图说明
21.图1为本发明技术流程示意图。
具体实施方式
22.以下结合附图对本发明的实施例进行详细说明，但是本发明可与由权利要求限定和覆盖的多种不同方式实施。
23.参照图1，本发明提出一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，该方法包括如下步骤：
24.步骤1：获取研究区域某个时间段的降雨强度数据，并对降雨强度数据进行预处理；
25.步骤2：拍摄研究区域的降雨视频，对降雨视频进行筛选与预处理；
26.步骤3：设定合适的视频时间长度，将降雨强度数据与降雨视频相匹配，在整个时间序列上，建立深度学习所需的灰度视频数据集；数据集按照2:1的比例分为训练集与验证集；
27.步骤4：搭建深度学习框架并根据时空相关性构建用于降雨强度测量的模型；采用残差卷积神经网络(resnet)方法提取视频的降雨特征信息，采用卷积长短记忆神经网络(conv-lstm)方法将降雨特征信息转化为降雨强度；
28.步骤5：将数据集内的降雨视频数据以及降雨强度数据输入深度学习模型中进行
训练，基于模型输出与真实值之间的误差，深度学习神经网络会通过反向传播算法更新模型参数，直至损失误差达到最小，通过综合比较训练期和验证期的误差，选取出最优模型；
29.步骤6：将该研究区域其余时间的降雨视频数据输入到步骤5中的最优模型，以此获得其余时刻该研究区域的降雨强度信息。
30.进一步的，所述预处理包括对缺失值与异常值进行处理。
31.进一步的，所述步骤1中的预处理包括去除地面观测降雨强度数据中的异常值，选择合适空间分辨率的遥感降雨数据。
32.进一步的，所述步骤2的筛选包括去除清晰度不符合要求的视频，并且去除遮挡物数量大于预设值的视频。
33.进一步的，所述步骤2的预处理包括将筛选后的降雨视频进行灰值化，并分割成预设时间长度的短视频。
34.进一步的，步骤3中的数据集为某个时刻研究区域的降雨视频以及视频拍摄时间段对应的降雨强度数据。
35.进一步的，步骤4中的残差卷积神经网络(resnet)方法通过神经网络中的卷积计算以及残差结构提取视频中的降雨特征信息。
36.进一步的，步骤4中的卷积长短记忆神经网络(conv-lstm)方法通过神经网络中的卷积计算处理接收到的降雨空间特征，通过lstm的门结构处理接收到的降雨时间特征。
37.综上，本发明上述的基于残差卷积神经网络(resnet)与卷积长短记忆神经网络(conv-lstm)的降雨强度测量方法，能有效提取相关降雨视频的降雨特征，依靠深度学习方法自动设计问题相关特征和捕捉复杂数据分布方面的能力，残差卷积神经网络(resnet)可以学习到不同降雨视频中的降雨特征，卷积长短记忆神经网络(conv-lstm)可以学习到降雨特征与降雨强度之间的关系，得到可靠的降雨强度信息。经检验，resnet与conv-lstm的融合模型能精确的测量研究区域的降雨强度信息。
38.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，该方法包括如下步骤：步骤1：获取研究区域某个时间段的降雨强度数据，并对降雨强度数据进行预处理；步骤2：拍摄研究区域的降雨视频，对降雨视频进行筛选与预处理；步骤3：设定合适的视频时间长度，将降雨强度数据与降雨视频相匹配，在整个时间序列上，建立深度学习所需的灰度视频数据集；数据集按照2:1的比例分为训练集与验证集；步骤4：搭建深度学习框架并根据时空相关性构建用于降雨强度测量的模型；采用残差卷积神经网络(resnet)方法提取视频的降雨特征信息，采用卷积长短记忆神经网络(conv-lstm)方法将降雨特征信息转化为降雨强度；步骤5：将数据集内的降雨视频数据以及降雨强度数据输入深度学习模型中进行训练，基于模型输出与真实值之间的误差，深度学习神经网络会通过反向传播算法更新模型参数，直至损失误差达到最小，通过综合比较训练期和验证期的误差，选取出最优模型；步骤6：将该研究区域其余时间的降雨视频数据输入到步骤5中的最优模型，以此获得其余时刻该研究区域的降雨强度信息。2.根据权利要求1所述的一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，所述预处理包括对缺失值与异常值进行处理。3.根据权利要求1所述的一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，所述步骤1中的预处理包括去除地面观测降雨强度数据中的异常值，选择合适空间分辨率的遥感降雨数据。4.根据权利要求1所述的一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，所述步骤2的筛选包括去除清晰度不符合要求的视频，并且去除遮挡物数量大于预设值的视频。5.根据权利要求1所述的一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，所述步骤2的预处理包括将筛选后的降雨视频进行灰值化，并分割成预设时间长度的短视频。6.根据权利要求1所述的一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，步骤3中的数据集为某个时刻研究区域的降雨视频以及视频拍摄时间段对应的降雨强度数据。7.根据权利要求1所述的一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，步骤4中的残差卷积神经网络(resnet)方法通过神经网络中的卷积计算以及残差结构提取视频中的降雨特征信息。8.根据权利要求1所述的一种基于卷积长短记忆神经网络与残差卷积神经网络的降雨强度测量方法，其特征在于，步骤4中的卷积长短记忆神经网络(conv-lstm)方法通过神经网络中的卷积计算处理接收到的降雨空间特征，通过lstm的门结构处理接收到的降雨时间特征。

技术总结
本发明提出一种基于残差卷积神经网络和卷积长短记忆神经网络的降雨测量方法，通过机器学习方法来测量视频中降雨的降雨强度，属于水文与气象技术领域。该方法包括：基于拍摄的降雨视频与降雨强度信息，建立视频数据集；采用ResNet机器学习模型提取降雨视频中降雨数据的时空特征；基于Conv-LSTM机器学习模型将视频中的降雨数据的时空特征转化为降雨强度信息，通过在研究区域对模型进行训练与测试，获得最优的模型参数，并得到该研究区域的降雨强度信息。强度信息。强度信息。


技术研发人员：朱仟 覃晓东
受保护的技术使用者：东南大学
技术研发日：2023.05.26
技术公布日：2023/9/14