CN115857060B - 基于分层生成对抗网络的短临降水预报方法和系统 - Google Patents

Abstract

本发明提供了基于分层生成对抗网络的短临降水预报方法和系统，属于天气预报技术领域，该基于分层生成对抗网络的短临降水预报方法包括S1，接收输入的网址作为目标网页，并基于所述目标网页在间隔时间内获取多张当前时刻雷达回波反射率影像图；S2，对多张所述当前时刻雷达回波反射率影像图进行检测，生成影像图检测信息，并基于所述影像图检测信息进行相应的处理，得到多张可用雷达回波反射率影像图；全局生成器生成未来时刻雷达回波反射率影像图，局部鉴别器鉴别该未来时刻雷达回波反射率影像图是预测影像图或观测影像图，两者相互博弈，共同优化，最终得到的模型能够生成足够清晰，且接近真实的未来雷达回波序列。

Description

基于分层生成对抗网络的短临降水预报方法和系统

技术领域

本发明属于天气预报技术领域，具体而言，涉及基于分层生成对抗网络的短临降水预报方法和系统。

背景技术

短临降水预报在气象防灾减灾中具有极其重要的地位，根据WMO于1985年的定义，短临预报一般是在0-2h的时间内对某一区域内的降雨量或强对流天气等天气现象进行预测。然而建立一个有效的短临降水预报模型面临巨大的挑战。首先，降水本身就是一个非常复杂的非线性问题，它涉及水循环过程中地面与空中水分、热量、动量等交换问题；其次，降水系统形式多样，可以分为气旋雨、对流雨、锋面雨等，增加了预报的难度；且强对流降水多发生于中小尺度天气系统，其具有一定的突发性，同时强对流降水自身也具备速度快、空间小的等特点，因此对其预报具有一定的难度。

雷达回波图具有较高的时空分辨率，近年来随着雷达技术的快速发展，出现了大量的雷达回波图序列，以可视化的方式反映了雷达回波整个演变过程的时空变化，成为短临降水预报的主要工具。

然而，目前短临降水预报时的影像图不够清晰，相对于观测影像图，忽略了很多细节，且随着预测时间的推移几乎不能准确预测出未来回波的位置等问题。

发明内容

本发明实施例提供了基于分层生成对抗网络的短临降水预报方法和系统，其目的在于解决目前生成的影像图不够清晰问题。

鉴于上述问题，本发明提出的技术方案是：

第一方面，基于分层生成对抗网络的短临降水预报方法，包括以下步骤：

S1，接收输入的网址作为目标网页，并基于所述目标网页在间隔时间内获取多张当前时刻雷达回波反射率影像图；

S2，对多张所述当前时刻雷达回波反射率影像图进行检测，生成影像图检测信息，并基于所述影像图检测信息进行相应的处理，得到多张可用雷达回波反射率影像图；

S3，将多张所述可用雷达回波反射率影像图转换为多张灰度图；

S4，将多张所述灰度图按时间顺序排列构成时序影像图集；

S5，利用所述时序影像图集输入至未来预测分层生成对抗网络模型进行计算，生成多张未来时刻雷达回波反射率影像图。

作为本发明的一种优选技术方案，所述对多张所述当前时刻雷达回波反射率影像图进行检测的检测条件包括：网页影像图公布时间、影像图采集时间和当前时刻雷达回波反射率影像图。

作为本发明的一种优选技术方案，所述对多张所述当前时刻雷达回波反射率影像图进行检测的检测方法为：

利用每张当前时刻雷达回波反射率影像图与所述目标网页公布的影像图进行比较，最终影像图检测信息。

作为本发明的一种优选技术方案，所述利用每张当前时刻雷达回波反射率影像图与所述目标网页公布的影像图进行比较，具体包括：

于所述当前时刻雷达回波反射率影像图上确定第一检测区域，并于所述目标网页公布的影像图上确定与所述第一检测区域相对应的第二检测区域；

于所述第一检测区域中确定第一特征像素单元，并于所述第二检测区域上确定第二特征像素单元，分别比较所述第一特征像素单元与所述第二特征像素单元之间的坐标和像素面积并给出第一近似值；若所述第一近似值小于第一预设近似值，则执行下一步骤；

于所述当前时刻雷达回波反射率影像图上确定第三检测区域，并于所述目标网页公布的影像图上确定与所述第三检测区域相对应的第四检测区域；

于所述第三检测区域中确定第三特征像素单元，并于所述第四检测区域上确定第四特征像素单元，分别比较所述第三特征像素单元与所述第四特征像素单元之间的坐标和像素面积并给出第二近似值；

综合所述第一近似值和所述第二近似值得出综合近似值，将所述综合近似值与第二预设近似值相比较；若所述综合近似值大于所述第二预设近似值时，则将所述当前时刻雷达回波反射率影像图确定为缺损的所述当前时刻雷达回波反射率影像图。

作为本发明的一种优选技术方案，所述影像图检测信息的处理方法为：

根据缺损的所述当前时刻雷达回波反射率影像图的影像图采集时间重新进行采集。

作为本发明的一种优选技术方案，所述未来预测分层生成对抗网络模型的训练方法为：

获取多张历史雷达回波基本反射率影像图和多张历史雷达回波基本反射率实况影像图，同时从多张所述历史雷达回波基本反射率影像图和多张所述历史雷达回波基本反射率实况影像图中抽取多张典型降水影像图；

将多张所述典型降水影像图中基本反射率占比不足预设值的进行滤除，以形成所需的初始样本集；

读取所述初始样本集的典型降水影像图，以当前时刻为t时刻，选取所述t时刻以及所述t时刻之前于间隔时间内的N张所述典型降水影像图构建成1个样本，并依照前述方式得到多个可用样本集；

将多个所述可用样本集随机打乱顺序，并按比例分为训练集和测试集；

创建一个初始分层生成对抗网络模型的架构，并将所述训练集输入至所述初始分层生成对抗网络模型中进行训练，得到所述未来预测分层生成对抗网络模型。

作为本发明的一种优选技术方案，所述未来预测分层生成对抗网络模型包括全局生成器和局部鉴别器；

所述全局生成器被配置为生成未来时刻雷达基本反射率影像图，所述局部鉴别器被配置为区分所述未来时刻雷达基本反射率影像图是预测影像图或观测影像图；

作为本发明的一种优选技术方案，所述局部鉴别器区分方法为：将所述未来时刻雷达基本反射率影像图分割成多个局部区域，计算每个所述局部区域雷达回波所占的比重，并根据所述比重赋予权重，计算每个所述局部区域为所述观测影像图的第一概率，将每个所述局部区域的所述权重与所述第一概率相乘，得到所述未来时刻雷达基本反射率影像图为所述观测影像图的第二概率，若所述第二概率大于预设概率，则所述未来时刻雷达基本反射率影像图为所述观测影像图。

作为本发明的一种优选技术方案，所述局部鉴别器包括缓冲区，所述缓冲区被配置为存储历史的所述预测影像图。

另一方面，本发明实施例还提供了基于分层生成对抗网络的短临降水预报系统，包括：

定义模块，其被配置为接收输入的网址作为目标网页，并基于所述目标网页在间隔时间内获取多张当前时刻雷达回波反射率影像图；

检测处理模块，其被配置为对所述多张当前时刻雷达回波反射率影像图进行检测，生成影像图检测信息，并基于所述影像图检测信息进行相应的处理，得到多张可用雷达回波反射率影像图；

转换模块，其被配置为将所述多张可用雷达回波反射率影像图转换为多张灰度图；

排序模块，其被配置为将所述多张灰度图按时间顺序排列构成时序影像图集；

生成模块，其被配置为利用所述时序影像图集输入至未来预测分层生成对抗网络模型进行计算，生成多张未来时刻雷达回波反射率影像图。

本发明实施例提供的上述技术方案的有益效果至少包括：

（1）本发明通过在目标网页捕捉当前时刻雷达回波反射率影像图之后，对当前时刻雷达回波反射率影像图进行检测，寻找并确定缺损的当前时刻雷达回波反射率影像图，进而能够保证未来时刻雷达回波反射率影像图生成的准确性。

（2）未来预测分层生成对抗网络模型，通过上采样的方式，避免了下采样造成影像质量的降低，同时能够捕捉雷达回波的演变趋势，有利于生成清晰的未来雷达回波图。局部鉴别器根据局部区域将预测影像图与观测影像图区分开，使得局部鉴别器按照局部区域的概率，组合判别区分预测影像图或观测影像图。同时引入缓冲区机制，保存历史预测影像图序列，在鉴别的过程中，不仅依据当前预测影像图，同时依据历时预测影像图，对最终的结果进行鉴别，使最终预测的结果更加符合时序性。两者以对抗的方式加以训练，全局生成器生成未来时刻雷达回波反射率影像图，局部鉴别器鉴别该未来时刻雷达回波反射率影像图是预测影像图或观测影像图，两者相互博弈，共同优化，最终得到的模型能够生成足够清晰，且接近真实的未来雷达回波序列。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

图1是本发明所公开的基于分层生成对抗网络的短临降水预报方法的流程图；

图2是本发明所公开的基于分层生成对抗网络的短临降水预报方法的初始分层生成对抗网络模型的架构示意图；

图3是本发明所公开的基于分层生成对抗网络的短临降水预报方法的局部鉴别器处理过程示意图；

图4是本发明所公开的基于分层生成对抗网络的短临降水预报方法的缓冲区的结构示意图；

图5是本发明所公开的基于分层生成对抗网络的短临降水预报系统的结构示意图。

附图标记说明：100、定义模块；200、检测处理模块；300、转换模块；400、排序模块；500、生成模块。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例

参照附图1~附图4所示，本发明提供一种技术方案：基于分层生成对抗网络的短临降水预报方法，包括以下步骤：

S1，接收输入的网址作为目标网页，并基于所述目标网页在间隔时间内获取多张当前时刻雷达回波反射率影像图；其中，目标网页为（即中央气象台台风网）；间隔时间的范围为1~20min，其根据实际情况而设定。

S2，对多张所述当前时刻雷达回波反射率影像图进行检测，生成影像图检测信息，并基于所述影像图检测信息进行相应的处理，得到多张可用雷达回波反射率影像图；

S3，将多张所述可用雷达回波反射率影像图转换为多张灰度图；

S4，将多张所述灰度图按时间顺序排列构成时序影像图集；

S5，利用所述时序影像图集输入至未来预测分层生成对抗网络模型进行计算，生成多张未来时刻雷达回波反射率影像图。

具体而言，本发明通过在目标网页捕捉当前时刻雷达回波反射率影像图之后，对当前时刻雷达回波反射率影像图进行检测，寻找并确定缺损的当前时刻雷达回波反射率影像图，进而能够保证未来时刻雷达回波反射率影像图生成的准确性。

同时，在未来预测分层生成对抗网络模型训练的过程中，局部鉴别器根据局部区域将预测影像图与观测影像图区分开，使得局部鉴别器按照局部区域的概率，组合判别区分预测影像图或观测影像图。并引入缓冲区机制，保存历史预测序列。鉴别时，不仅依据预测影像图，同时依据历时预测影像图，对最终的结果进行鉴别，使最终预测的结果更加符合时序性。

在一些实施例中，所述对多张所述当前时刻雷达回波反射率影像图进行检测的检测条件包括：网页影像图公布时间、影像图采集时间和当前时刻雷达回波反射率影像图。

在一些实施例中，所述对多张所述当前时刻雷达回波反射率影像图进行检测的检测方法为：

利用每张当前时刻雷达回波反射率影像图与所述目标网页公布的影像图进行比较，最终影像图检测信息。

具体而言，由于每次捕捉过程中，受到网页影像图跳转速度的影响，偶有获取的当前时刻雷达回波反射率影像图中的信息缺失，不利于未来预测分层生成对抗网络模型的预测。因此，为了得到多张信息完善的当前时刻雷达回波反射率影像图，将影像图之间进行比较，以寻找到缺损的当前时刻雷达回波反射率影像图。

在一些实施例中，所述利用每张当前时刻雷达回波反射率影像图与所述目标网页公布的影像图进行比较，具体包括：

于所述当前时刻雷达回波反射率影像图上确定第一检测区域，并于所述目标网页公布的影像图上确定与所述第一检测区域相对应的第二检测区域；

于所述第一检测区域中确定第一特征像素单元，并于所述第二检测区域上确定第二特征像素单元，分别比较所述第一特征像素单元与所述第二特征像素单元之间的坐标和像素面积并给出第一近似值；若所述第一近似值小于第一预设近似值，则执行下一步骤；

于所述当前时刻雷达回波反射率影像图上确定第三检测区域，并于所述目标网页公布的影像图上确定与所述第三检测区域相对应的第四检测区域；

于所述第三检测区域中确定第三特征像素单元，并于所述第四检测区域上确定第四特征像素单元，分别比较所述第三特征像素单元与所述第四特征像素单元之间的坐标和像素面积并给出第二近似值；

综合所述第一近似值和所述第二近似值得出综合近似值，将所述综合近似值与第二预设近似值相比较；若所述综合近似值大于所述第二预设近似值时，则将所述当前时刻雷达回波反射率影像图确定为缺损的所述当前时刻雷达回波反射率影像图。

具体而言，比较过程中，分别于当前时刻雷达回波反射率影像图和网页影像图选定特定的区域进行像素单元之间的对比，使得对比更具有意义，从而能够使评价近似值更接近真实。

在一些实施例中，所述影像图检测信息的处理方法为：

根据缺损的所述当前时刻雷达回波反射率影像图的影像图采集时间重新进行采集。

在一些实施例中，所述未来预测分层生成对抗网络模型的训练方法为：

获取多张历史雷达回波基本反射率影像图和多张历史雷达回波基本反射率实况影像图，同时从多张所述历史雷达回波基本反射率影像图和多张所述历史雷达回波基本反射率实况影像图中抽取多张典型降水影像图；例如，以2019、2020年和2021年为例，获取前述三年的多张历史雷达回波基本反射率影像图和多张历史雷达回波基本反射率实况影像图。

将多张所述典型降水影像图中基本反射率占比不足预设值的进行滤除，以形成所需的初始样本集；其中，预设值为1/10。

读取所述初始样本集的典型降水影像图，以当前时刻为t时刻，选取所述t时刻以及所述t时刻之前于间隔时间内的N张所述典型降水影像图构建成1个样本，并依照前述方式得到多个可用样本集；其中，间隔时间为10分钟，N为10。

将多个所述可用样本集随机打乱顺序，并按比例分为训练集和测试集；其中，该比例为8:2。

创建一个初始分层生成对抗网络模型的架构，并将所述训练集输入至所述初始分层生成对抗网络模型中进行训练，得到所述未来预测分层生成对抗网络模型。

在一些实施例中，所述未来预测分层生成对抗网络模型包括全局生成器和局部鉴别器；

具体而言，全局生成器由众多子网以分层结构构成。每一子网生成不同分辨率尺度的雷达基本反射反射率影像图。从上层子网生成的小尺度分辨率雷达基本反射反射率影像图将被用作下层子网的输入。

进一步地，参照附图2所示。G₀和G₁是G的两个子网络，且都是卷积神经网络。

输入X是上述得到的训练集，展示了雷达回波的结构和演变趋势。X包含X₀和X₁两个子序列，它们是两个采样尺度下相同的雷达基本反射率影像图序列。训练时，将X₁输入到G₁子网中，生成与X₁相同分辨率的未来时刻雷达基本反射率影像图G₁(X₁)。下层子网G₀将X₀和经过上采样的G₁(X₁) 雷达基本反射率影像图像作为输入，生成与X₀相同分辨率的未来时刻雷达基本反射率影像图G₀(X₀)。

重复上述的操作，最下层子网生成的影像将作为全局生成器G生成的预测影像图。

所述全局生成器被配置为生成未来时刻雷达基本反射率影像图，所述局部鉴别器被配置为区分所述未来时刻雷达基本反射率影像图是预测影像图或观测影像图；

参照附图3所示，其中，所述局部鉴别器区分方法为：将所述未来时刻雷达基本反射率影像图分割成多个局部区域，计算每个所述局部区域雷达回波所占的比重，并根据所述比重赋予权重，计算每个所述局部区域为所述观测影像图的第一概率，将每个所述局部区域的所述权重与所述第一概率相乘，组合判别，得到所述未来时刻雷达基本反射率影像图为所述观测影像图的第二概率，若所述第二概率大于预设概率，则所述未来时刻雷达基本反射率影像图为所述观测影像图。

其中，第二概率的表达式如下：

；

式中：表示所述局部区域为所述观测影像图的第一概率；

表示与第一概率对应的权重。

具体而言，将所有局部区域的预测概率组合起来进行判别，相对于整个静止的底图，局部鉴别器可以更好地描述局部区域内移动的雷达回波的特征。

在一些实施例中，参照附图4所示，由于在未来预测分层生成对抗网络模型生成未来时刻雷达基本反射率影像图的过程中，全局生成器生成未来时刻雷达基本反射率影像图，局部鉴别器鉴别未来时刻雷达基本反射率影像图是预测影像图或观测影像图，然而当局部鉴别器仅关注预测影像图，则局部鉴别器容易被当前预测影像图所迷惑，从而忽略了预测的雷达回波图的时序性。因此，为了加强局部鉴别器区分预测影像图的能力，所述局部鉴别器包括缓冲区，所述缓冲区被配置为存储历史的所述预测影像图。

具体而言，在每一次训练鉴别器的迭代中，局部鉴别器将结合预测影像图和从缓冲区随机采样的影像进行更新。在每一次训练迭代后，遵循先进先出的原则，将预测影像图放入缓冲区并去除最早进入缓冲区的预测影像图，以此更新缓冲区。

需要指出的是，缓冲区的大小是固定的；同时，微调缓冲区的大小并不影响模型的性能。通过引入缓冲区，使得预测影像图生成的雷达回波序列更加符合数据本身的时序性。

并且，训练过程中，每一批训练集用于初始分层生成对抗网络模型训练后，用梯度下降法更新初始分层生成对抗网络模型的参数，从而降低损失函数，用以预测高质量的未来时刻雷达基本反射率影像图。具体损失函数设置如下：

]通过使用对抗性损失来训练全局生成器和局部鉴别器，使两者相互竞争。按照对抗策略，交替更新全局生成器和局部鉴别器。

假设全局生成器有M层子网络，通过M层子网络总和的对抗损失，则训练全局生成器的对抗损失函数如下：

；

式中，G_m(X_m)表示全局生成器子网生成的雷达基本反射反射率影像图；

T_m表示未来时刻雷达基本反射率影像图对应的观测影像图；

D(*)表示输入的可用雷达基本反射反射率影像图是观测影像图的概率。

紧接着，通过L₁损失函数，用以惩罚预测影像图与观测影像图每一像素距离差，可使全局生成器能够生成足够真实的未来时刻雷达基本反射率影像图，具体公式如下：

；

式中：W表示以像素表示观测影像的宽度；

H表示以像素表示观测影像的高度；

(p,q)表示像素坐标。

进一步地，计算预测影像图与其对应的观测影像图之间的梯度差，以提高生成未来时刻雷达基本反射率影像图的质量，具体梯度差损失函数如下：

具体而言，在训练全局生成器时，梯度差损失函数直接惩罚影像梯度中的差异，进而锐化全局生成器生成的未来时刻雷达基本反射率影像图。

进一步地，将总变分损失引入全局生成器的损失函数中用以约束噪声，防止生成的影像受到伪影影响。总变分损失定义如下：

。

进一步地，全局生成器的总损失函数如下：

；

其中，、、和均为经验加权参数。

进一步地，训练局部鉴别器的对抗损失函数如下：

。

参照附图5所示，本发明实施例另公开了基于分层生成对抗网络的短临降水预报系统，包括：

定义模块100，其被配置为接收输入的网址作为目标网页，并基于所述目标网页在间隔时间内获取多张当前时刻雷达回波反射率影像图；

检测处理模块200，其被配置为对所述多张当前时刻雷达回波反射率影像图进行检测，生成影像图检测信息，并基于所述影像图检测信息进行相应的处理，得到多张可用雷达回波反射率影像图；

转换模块300，其被配置为将所述多张可用雷达回波反射率影像图转换为多张灰度图；

排序模块400，其被配置为将所述多张灰度图按时间顺序排列构成时序影像图集；

生成模块500，其被配置为利用所述时序影像图集输入至未来预测分层生成对抗网络模型进行计算，生成多张未来时刻雷达回波反射率影像图。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (6)

1.基于分层生成对抗网络的短临降水预报方法，其特征在于，包括以下步骤：

S1，接收输入的网址作为目标网页，并基于所述目标网页在间隔时间内获取多张当前时刻雷达回波反射率影像图；

S2，对多张所述当前时刻雷达回波反射率影像图进行检测，生成影像图检测信息，并基于所述影像图检测信息进行相应的处理，得到多张可用雷达回波反射率影像图；其中，检测条件包括：网页影像图公布时间、影像图采集时间和当前时刻雷达回波反射率影像图；检测方法为：利用每张当前时刻雷达回波反射率影像图与所述目标网页公布的影像图进行比较，最终得到影像图检测信息；具体包括：

于所述当前时刻雷达回波反射率影像图上确定第一检测区域，并于所述目标网页公布的影像图上确定与所述第一检测区域相对应的第二检测区域；

于所述第一检测区域中确定第一特征像素单元，并于所述第二检测区域上确定第二特征像素单元，分别比较所述第一特征像素单元与所述第二特征像素单元之间的坐标和像素面积并给出第一近似值；若所述第一近似值小于第一预设近似值，则执行下一步骤；

于所述当前时刻雷达回波反射率影像图上确定第三检测区域，并于所述目标网页公布的影像图上确定与所述第三检测区域相对应的第四检测区域；

于所述第三检测区域中确定第三特征像素单元，并于所述第四检测区域上确定第四特征像素单元，分别比较所述第三特征像素单元与所述第四特征像素单元之间的坐标和像素面积并给出第二近似值；

综合所述第一近似值和所述第二近似值得出综合近似值，将所述综合近似值与第二预设近似值相比较；若所述综合近似值大于所述第二预设近似值时，则将所述当前时刻雷达回波反射率影像图确定为缺损的所述当前时刻雷达回波反射率影像图；

所述影像图检测信息的处理方法为：根据缺损的所述当前时刻雷达回波反射率影像图的影像图采集时间重新进行采集；

S3，将多张所述可用雷达回波反射率影像图转换为多张灰度图；

S4，将多张所述灰度图按时间顺序排列构成时序影像图集；

S5，利用所述时序影像图集输入至未来预测分层生成对抗网络模型进行计算，生成多张未来时刻雷达回波反射率影像图。

2.根据权利要求1所述的基于分层生成对抗网络的短临降水预报方法，其特征在于，所述未来预测分层生成对抗网络模型的训练方法为：

获取多张历史雷达回波基本反射率影像图和多张历史雷达回波基本反射率实况影像图，同时从多张所述历史雷达回波基本反射率影像图和多张所述历史雷达回波基本反射率实况影像图中抽取多张典型降水影像图；

将多张所述典型降水影像图中基本反射率占比不足预设值的进行滤除，以形成所需的初始样本集；

读取所述初始样本集的典型降水影像图，以当前时刻为t时刻，选取所述t时刻以及所述t时刻之前于间隔时间内的N张所述典型降水影像图构建成1个样本，并依照前述方式得到多个可用样本集；

将多个所述可用样本集随机打乱顺序，并按比例分为训练集和测试集；

创建一个初始分层生成对抗网络模型的架构，并将所述训练集输入至所述初始分层生成对抗网络模型中进行训练，得到所述未来预测分层生成对抗网络模型。

3.根据权利要求2所述的基于分层生成对抗网络的短临降水预报方法，其特征在于，所述未来预测分层生成对抗网络模型包括全局生成器和局部鉴别器；

所述全局生成器被配置为生成未来时刻雷达基本反射率影像图，所述局部鉴别器被配置为区分所述未来时刻雷达基本反射率影像图是预测影像图或观测影像图。

4.根据权利要求3所述的基于分层生成对抗网络的短临降水预报方法，其特征在于，所述局部鉴别器区分方法为：将所述未来时刻雷达基本反射率影像图分割成多个局部区域，计算每个所述局部区域雷达回波所占的比重，并根据所述比重赋予权重，计算每个所述局部区域为所述观测影像图的第一概率，将每个所述局部区域的所述权重与所述第一概率相乘，得到所述未来时刻雷达基本反射率影像图为所述观测影像图的第二概率，若所述第二概率大于预设概率，则所述未来时刻雷达基本反射率影像图为所述观测影像图。

5.根据权利要求4所述的基于分层生成对抗网络的短临降水预报方法，其特征在于，所述局部鉴别器包括缓冲区，所述缓冲区被配置为存储历史的所述预测影像图。

6.基于分层生成对抗网络的短临降水预报系统，应用于权利要求1~5任一项所述的基于分层生成对抗网络的短临降水预报方法，其特征在于，包括：

定义模块，其被配置为接收输入的网址作为目标网页，并基于所述目标网页在间隔时间内获取多张当前时刻雷达回波反射率影像图；

检测处理模块，其被配置为对所述多张当前时刻雷达回波反射率影像图进行检测，生成影像图检测信息，并基于所述影像图检测信息进行相应的处理，得到多张可用雷达回波反射率影像图；

转换模块，其被配置为将所述多张可用雷达回波反射率影像图转换为多张灰度图；

排序模块，其被配置为将所述多张灰度图按时间顺序排列构成时序影像图集；

生成模块，其被配置为利用所述时序影像图集输入至未来预测分层生成对抗网络模型进行计算，生成多张未来时刻雷达回波反射率影像图。

Images