一种云团短期运动趋势预测方法与流程
本发明属于云团运动趋势预测领域，尤其涉及一种云团短期运动趋势预测方法。
背景技术：
1、云团运动研究对于气象学和气候科学领域至关重要。其中云团的短期运动趋势研究对于天气预报和气候模型的准确性具有重要价值。它能够提供关于云团发展、移动和变化的即时信息，有助于更准确地预测天气状况，如降水、风暴和台风的生成与路径；因此，对于云团短期运动趋势的研究十分必要。
2、然而大多数对于云团运动预测的研究工作都是对特定类型的云或区域进行研究，在灾害性天气预报中，常常对于对流云团的运动更加关注，在短临降水预报任务中，降水云团则更加重要，目前缺乏对卫星云图中所有的云团都进行短期运动趋势的预测。并且目前的云团运动趋势预测模型大多仅适用于单一类型的图像数据，这限制了它们的适用性和对不同数据间互补信息的利用。这种局限性不仅增加了研究和应用的复杂性及成本，也限制了预测准确度的提升。因此，发展能够处理和融合多种图像类型的综合性预测模型成为提高云团运动预测效率和准确性的关键。
技术实现思路
1、为解决上述技术问题，本发明提供了一种云团短期运动趋势预测方法，包括：
2、获取卫星云图序列数据集，并构建基于深度体素流和vision transformer的云团短期运动趋势预测模型；
3、基于所述卫星云图序列数据集对云团短期运动趋势预测模型进行训练，获得目标预测模型；
4、通过所述目标预测模型对云团短期运动趋势进行预测，获得预测结果。
5、优选地，所述云团短期运动趋势预测模型还包括五个串联的tgdvf子网络，将第i个云团短期运动趋势预测模型表示为通过将两个帧it-1和it合成的帧和估计出的体素流作为输入，学习预测目标体素流同时，最后一个tgdvf子网络合成的帧将作为鉴别器的输入。
6、优选地，通过所述目标预测模型对云团短期运动趋势进行预测的过程包括：
7、针对待预测云团，通过光流映射的方式间接生成预测图像；
8、对所述目标预测模型加入缩放因子序列，通过金字塔形光流估计方法，设计两通道分别使用cnn与vit-m对云图整体空间特征和云团运动特征进行特征提取；
9、使用拉普拉斯金字塔表示的每层目标预测模型，输出重构损失的总和作为损失函数，以及patchgan鉴别器构成gan网络模型，基于所述gan网络模型对所述预测图像中的局部区域进行判别，获得局部变化；
10、根据所述局部变化获得待预测云团短期运动趋势的预测结果。
11、优选地，对所述目标预测模型加入缩放因子序列的过程包括：
12、针对不同区域呈现的运动尺度差异设计缩放因子si，通过缩放因子si进行下采样；
13、所述缩放因子si通过下采样减少图像分辨率，扩大感受野；
14、其中，所述缩放因子si为递减序列：
15、ii＝downsample(ioriginal，si)
16、fi＝opticalflowestimation(ii)
17、fi，refined＝refine(fi-1，si)其中，ii是当前级别下采样的图像，si是当前级别的缩放因子，fi是在当前级别估计的光流场，fi,refined是利用上一级别的光流场细化后的光流场。
18、优选地，通过金字塔形光流估计方法进行光流估计的过程包括：
19、从应用最大的缩放因子开始，对原始图像进行下采样，获得小图像版本；
20、基于所述小图像版本进行光流估计，获得光流场的初步估计；
21、然后逐步减小缩放因子，逐级增加图像的分辨率，同时对光流场进行相应的细化和调整，每一步先前估计的光流场被用作下一分辨率级别估计的初始条件，获得光流场的最终估计。
22、优选地，设计两通道分别使用cnn与vit-m对云图整体空间特征和云团运动特征进行特征提取的过程包括：
23、通过金字塔形光流估计方法构建双分支网络结构，其中一条通道在高分辨率下进行，对原分辨率下的图像进行特征提取，以获取空间信息；另一条通道首先使用双线性插值法根据缩放因子进行图片的缩放；随后，经过vit-m对分块后的局部云团运动特征进行提取，之后再通过上采样，特征图恢复至与另一通道维度相等再进行特征图合并，最后通过反卷积生成体素流；用表示第i个tgdvf的输出有如下关系：
24、
25、其中，和的初始值被设为零。
26、优选地，所述vit-m通过对vit进行了修改，将矩形区域面积的移动步长设置为矩形框变成的一半，再进行一个区域的选取后，将区域按顺序平移8个单位；对于重叠提取区域的特征，采用加权平均的方法进行整合，获得vit-m。
27、优选地，所述损失函数为每个块输出的重构损失的总和，表示为：
28、
29、优选地，所述patchgan鉴别器包括若干个卷积层，每层卷积层的激活函数采用leakyrelu激活函数，最终卷积的结果输入全连接层，输出层采用sigmoid激活函数，判别器将生成器生成的it+1作为输入进行真假的判别，将1代表“真”，将0代表“假”，当模型收敛后，判别器将预测帧判别为0，将真实帧判断为1。
30、优选地，所述patchgan鉴别器用于对图像中的每个n×n大小的patch，patchgan鉴别器尝试判断这个patch是真实的还是假的；
31、
32、其中，i是输入图像，im是图像中的第m个patch，m是图像中总的patch数量，dpatch是patchgan鉴别器对单个patch的判断函数。
33、与现有技术相比，本发明具有如下优点和技术效果：
34、本发明采用一种先进的混合特征提取策略，使用卷积神经网络(cnn)提取全局空间信息，基于vision transformer的vit-m提取云团运动信息，将混合特征提取策略作为生成器设计的核心部分，使生成器能够有效捕捉到云团的细节变化及其运动趋势。选择patchgan作为鉴别器对云团图像进行更高质量的运动趋势预测，能够对图像的局部区域进行判别，这使得模型在处理图像细节时更为精细，进一步提高了预测的准确性和可信度。在解决云团大尺度运动预测的问题上，通过引入缩放因子序列，模型能够在不同尺度上捕获云团运动的细节，极大地增强了对大范围动态变化的感知能力。损失函数的设计中，对每一对图像上计算的l1损失使用拉普拉斯金字塔表示，以收集每一层的信息。
技术特征：
1.一种云团短期运动趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的云团短期运动趋势预测方法，其特征在于，
3.根据权利要求1所述的云团短期运动趋势预测方法，其特征在于，
4.根据权利要求3所述的云团短期运动趋势预测方法，其特征在于，
5.根据权利要求3所述的云团短期运动趋势预测方法，其特征在于，
6.根据权利要求3所述的云团短期运动趋势预测方法，其特征在于，
7.根据权利要求6所述的云团短期运动趋势预测方法，其特征在于，
8.根据权利要求3所述的云团短期运动趋势预测方法，其特征在于，
9.根据权利要求3所述的云团短期运动趋势预测方法，其特征在于，
10.根据权利要求3所述的云团短期运动趋势预测方法，其特征在于，
技术总结
本发明公开了一种云团短期运动趋势预测方法，包括：获取卫星云图序列数据集，并构建基于深度体素流和Vision Transformer的云团短期运动趋势预测模型；基于所述卫星云图序列数据集对云团短期运动趋势预测模型进行训练，获得目标预测模型；通过所述目标预测模型对云团短期运动趋势进行预测，获得预测结果。本发明提高了预测的准确性和可信度，能够在不同尺度上捕获云团运动的细节，极大地增强了对大范围动态变化的感知能力。
技术研发人员：彭婧,苏伟,董军贤,张久文,严乐
受保护的技术使用者：中科奇驭机器人（东营）有限公司
技术研发日：
技术公布日：2024/9/23