本文是一篇软件工程论文，针对雷达回波外推问题，本文所提算法利用并行时空特征提取和交叉融合机制对时空特征提取做出了优化，但模型较为复杂，实验环境要求较高，未来可以考虑利用残差机制和并行结构来改进模型的设计，提升方法的性能。
第一章绪论
1.1研究目的与意义
软件工程论文怎么写
降雨与人们的日常生活息息相关，也是许多自然灾害发生的原因之一。近些年，我国江南、长江中下游和江淮流域极端暴雨事件频发，由此造成的灾害和影响极其严重，对人民的生命和财产安全造成了严重威胁，给国家带来了严重的经济损失[1]。因此，降雨预报特别是短临降水预报一直是天气预报中最受关注的研究领域之一，它能够根据当前时刻的天气情况，提供未来0-6个小时内降雨强度预测值，预报的结果可以用于辅助政府相关部门和相关行业组织及时做出正确决策，以此达到防灾减灾、降低损失的目的。但是，由于降雨具有高度的非线性、随机性和复杂性，使得短临预报成为具有挑战性的世界难题之一。所以，提高短临预报能力具有重要的科学意义和实际应用价值，拥有准确、及时的短临预报能力已然成为我国防灾减灾和提高气象预报质量的迫切需求[2]。
数值预报作为我国传统使用的预报方法，因其在时间和空间上的分辨率不够精细，只能提供简单的定性描述，已无法满足当下经济社会快速发展的需要，更加精细化的短临预报特别是强对流天气的精细化预报已经成为当下气象业务研究发展的主要方向。我国气象部门2006年发布的《精细天气预报业务规范（试行）》和2010年发布的《全国短时临近预报业务规定》等相关文件也提出，发展短临预报业务是增强预报突发性灾害天气和提高精细化预报水平最有效的途径，“定时、定点、定量”成为短临预报未来的发展方向[3]。
随着科学技术的飞速发展，人们对天气系统的观测手段也在不断增强。在短临预测领域，多普勒雷达以其空间和时间上的高分辨率，特别是对中小尺度的强对流天气的检测，在城市的天气观测和预报中成为重要的依据之一。从1998年开始筹建至今，我国目前已有224部新一代天气雷达（CINRAD）组网业务运行，构建了基本覆盖全国的天气雷达监测网。我国新一代天气雷达时间分辨率约为5-6分钟，空间分辨率为1km，能提供较为精细的天气情况的监测和预警信息，对提高气象预报的准确率和预报水平有非常重要的意义[4]。因此，如何有效利用雷达观测数据来提高预报能力是当下科研工作者需要解决的一个主要问题。
............................
1.2国内外研究现状
1.2.1传统短临降水预测方法
在当前的业务中，气象部门对于短临降水预测仍然采用传统的方法，主要包括基于统计的预报方法、数值模式预报方法和基于雷达回波外推的预报方法[8]。下面对这几种方法的研究现状进行简要介绍。
（1）基于统计的预报方法
统计预报是早期的短临降水预报方法，它主要使用概率论和统计学的方法，对气象要素因子及降水形式进行预测[9]。短临降水的统计预报方法主要包括三个步骤：气象要素的选择；将降水量与选择的气象要素进行统计分析，求解出复相关回归方程关系式，构建统计关系模型；校验预报结果的可靠性。
Sokol等基于雷达、卫星等数据，设计了SAM统计模式来预测未来三小时内空间分辨率为9km的逐小时短临预报，实验证明，SAM比交叉相关法更加精确[10]。刘森峰针对青藏高原的观测站和降水格点数据，利用最大协方差回归分析法，提高了该地区降雨预测的能力[11]。Qingzhi等考虑到大气可降水量与降雨之间存在相关性，在此基础上，用最小二乘法模拟了大气可降水量的实时变化，预测出2-6小时的降雨情况[12]。
基于统计的降雨预报虽然取得一定的成效，并且具有可解释性，但缺乏相应的物理基础，统计关系的稳定性也不高，所以依然面临诸多挑战。
（2）基于数值模式的预报方法
数值模式预报（Numerical Weather Prediction，NWP）是目前被广泛应用的一种预报方式，它采用一系列大气物理方程来模拟天气的渐变过程，利用超级计算机进行推演，进而预测未来的天气情况，是世界各地气象台制作天气预报的基础[13]。在过去的几十年里，各个国家都在努力发展自己的预报数值模式，例如欧洲的LM模式、HIRLAM模式和ALDIN模式，北美的WRE-NMM模式、GEM，亚洲的JMA-NHM等。
..........................
第二章短临降水预测相关理论基础
2.1雷达回波外推相关算法
2.1.1交叉相关法
交叉相关法（TREC）是一种比较传统的回波跟踪算法，在气象业务系统中被大量使用。TREC的基本思想是把需要关注的区域划分成若干小区间，然后在相邻时刻雷达回波图像的小区间之间计算相关系数，通过最大相关系数确定相邻时刻图像中的区域的位移矢量，从而得到下一时刻的回波图像[64]。
TREC算法思想较为直观，简单并且容易实现，比较适合平缓变化的天气过程，但对于突发的强对流天气经常出现较大偏差，从而影响最终预报的效果。
2.1.2单体质心法
单体质心法主要用于风暴单体的识别与跟踪，首先就是要对风暴的单体进行识别，然后计算它的质、投影、体积等特征，继而对相邻时刻的数据进行匹配，最后根据匹配结果进行外推预测。单体质心法的具体实现有很多，我国气象部门主要应用的是SCIT算法[23]。SCIT算法主要包括四个步骤：
(1)根据经验设定雷达反射率的阈值，用于识别所有的风暴单体。一般情况下，如果雷达反射率因子大于35 dB Z，则可能会产生风暴，且强度随着反射率的增大越来越高。SCIT根据反射率的大小将风暴单体划分为7个级别，反射率小于30 dBZ的认为不是风暴单体，反射率大于60 dBZ的统一当做最强风暴单体，中间30-60 dBZ每隔5 dBZ划分一个级别。
（2）计算风暴体的质心坐标、最大反射率因子、雷达回波顶和雷达回波底、垂直液态水量及其所在高度等多个特征向量。
（3）通过对当前和前一时刻所识别出的所有风暴进行比较和匹配，得到风暴的历史轨迹，进而计算风暴的运动矢量，对风暴位置进行预报。
（4）假设速度是一个恒定值，利用线性加权外推方法得到下一时刻风暴质心的位置。SCIT适合用于较小的风暴单体的预测，因为它是根据质心来计算的，当云团尺度过大或者多个小云团连接在一起时，很难对单个云团进行跟踪预报。
.........................
2.2雷达数据质量控制
（1）数据栅格化
由于雷达基数据以极坐标形式存储，包含360-366个方位角，径向分辨率1km，覆盖半径130km内的区域，不符合卷积神经网络的计算要求，需要将极坐标系转换为笛卡尔坐标系。对于每层仰角的数据，使用k近邻算法（k=5），按照反距离加权栅格化成400×400的等经纬度网格（113.5◦E∼115.5◦E，37◦N∼39◦N,分辨率为0.005◦）使其刚好覆盖石家庄全境。
（2）组合反射率计算
天气雷达可以生成多种数据产品，但在短临预报中，我们主要关注滤波极体生成的二维最大反射率MAX(Z)，即组合反射率。组合反射率的计算方法是在上述覆盖的方形区域内，每个像元取9层雷达反射率对应位置的最大值，作为该像元组合反射率的值。
尽管组合反射率可能受到噪声的影响，但MAX(Z)在存在山区的环境中仍然比通常用于定量降水估算的等高平面位置显示产品（Constant Altitude Plain Position Indicators，CAPPI）更受青睐。事实上，由于雷达接收机的工作海拔高，CAPPI和类似产品可能会在低于雷达位置的高度错过降水事件，此外，组合反射率产品有助于缓解雷达在低海拔扫描附近山脉时遇到的严重波束遮挡问题。组合反射率最近几年已被欧洲采用为降水评估标准，国内的研究者也开始将组合反射率作为短临预测的重要依据[75]。
组合反射率的阈值下限为0 dBZ，虽然接收机确实可以在负范围内观测到一定数量的毛毛雨，但检测异常不均匀，并且大部分的毛毛雨都是在离地面几百米的地方观测到的，因此，它在到达地面之前就蒸发了。考虑到所有这些因素和组合反射率的特异性，将临界值设为0 dBZ一直是标准做法。
..............................
第三章短临降水预测数据集..............................17
3.1数据来源.....................................17
3.2雷达数据质量控制................................17
3.3数据集制作....................................20
第四章基于时空预测网络的雷达外推研究......................23
4.1模型方法.....................................23
4.1.1空间编码器................................24
4.1.2时间编码器................................25
第五章基于卷积神经网络的降水估计研究......................35
5.1模型方法.....................................35
5.1.1邻域修正单元..............................36
5.1.2邻域修正v.s.前缀修正.........................36
第五章基于卷积神经网络的降水估计研究
5.1模型方法
准确的降水估计关系到每个人的日常生活，对灾害的检测和预报具有重要意义。随着卷积神经网络在雷达降雨估计任务的成功应用，改进了传统Z-R关系的非线性拟合能力与空间特征的提取。然而，降雨是一个连续的过程，离散的雷达回波来估计降雨强度会存在这样一个问题：有两个相同的雷达回波数据，一个是回波逐渐变强的过程，另一个是逐渐变弱的过程，这两种情况的降雨强度有较大的区别。本章在卷积神经网络的基础上，提出了考虑回波变化状态的降雨估计模型RainNet，使得降雨强度估计的准确率得到了较大的提升。
软件工程论文参考
如图5-1所示，本节将详细介绍本章提出的降雨强度估计模型RainNet网络。雷达回波序列是一种前缀依赖的连续序列，每一时刻的回波图像受其之前序列的影响很大，所以连续的回波图像序列比当前时刻的单帧图像具有更为丰富与准确的模式特征。理论上，输入的回波序列越长，对当前降雨的估计就越准确。权衡复杂度、准确率和效率等因素，取前30分钟的回波图像序列（5帧）来估计降雨强度是一个合适的选择。RainNet使用这5帧连续回波图像序列对降雨强度进行估计，通过本章提出的邻域修正单元，提取前一时刻与当前时刻的回波特征，计算出当前时刻回波特征的注意力特征图，修正当前时刻雷达回波图像的特征，然后经过堆叠的修正单元得到这半小时回波图像的高层特征，最后通过多层1×1卷积得到回归的降雨强度估计值。
.................................
第六章总结与展望
6.1工作小结
本文首先介绍了短临降水预测研究的目的与意义，分析了国内外的研究现状，接着详细介绍了雷达回波外推与降雨定量估计的相关算法，针对现有算法不足之处，提出了新的雷达质量控制的方法，并对雷达外推和降水估计算法进行了改进，通过实验证明了所提算法的优势。本文完成的主要工作如下：
（1）为解决短临降雨预测中，雷达数据质量不均衡的问题，使用组合反射率作为基础数据，并通过计算背景噪声和系统噪声来对回波图片进行降噪处理，优化了利用马氏距离计算回波噪声的方法。同时，基于石家庄市2017-2019年雷达基数据只做了短临降雨数据集，用于相关算法的验证。
（2）为解决雷达回波外推存在的精度和清晰度快速降低的问题，优化时空特征的提取，提出了雷达外推模型RadarNet，采用了时空单独编码结构，并设计了交叉融合机制来优化时空特征融合结果，最后经过超分重建迭代生成外推的雷达序列。经过实验验证，所提算法在准确率和结构相似度等方面优于其他现有算法。
（3）为解决传统Z-R关系中，拟合关系差，大雨无法估计的问题，提出了时空深度融合的降雨估计模型RainNet，通过堆叠邻域修正单元，利用相邻特征修正当前特征，以逐步完善时空特征的提取，之后通过全局平均池化和1×1卷积进行降雨强度值的回归。通过与其它算法对比，实现了降雨估计准确率的较大提升。
参考文献（略）