CN113534158A - 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 - Google Patents

基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 Download PDF

Info

Publication number
CN113534158A
CN113534158A CN202110648613.6A CN202110648613A CN113534158A CN 113534158 A CN113534158 A CN 113534158A CN 202110648613 A CN202110648613 A CN 202110648613A CN 113534158 A CN113534158 A CN 113534158A
Authority
CN
China
Prior art keywords
radar reflectivity
reflectivity factor
channel
radar
inversion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110648613.6A
Other languages
English (en)
Inventor
孙逢林
覃丹宇
李博
陆其峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202110648613.6A priority Critical patent/CN113534158A/zh
Publication of CN113534158A publication Critical patent/CN113534158A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G01S13/955—Radar or analogous systems specially adapted for specific applications for meteorological use mounted on satellite
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及强对流天气预警技术领域，尤其涉及基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，所述方法包括：根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果。本发明的方法为雷达未覆盖地区的灾害性天气提供基本的探测和诊断数据，可以较直观地了解雷达资料覆盖不完全的强对流系统和台风气旋强度分布的有益效果；可以缩短时间间隔，更利于监测快速发展的对流系统；并且具备更强的非线性重构的能力，反演精度更高。

Description

基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
技术领域
本发明涉及强对流天气预警技术领域，尤其涉及基于深度学习的静止轨道气象卫星雷达反射率因子反演方法。
背景技术
灾害性天气往往表现出强度大、破坏性强、分布广、发展演变快、破坏力大的自然特征，引起广泛关注。快速有效地应对大风、强降水、山洪等灾害性天气事件，对减少人民群众生命财产安全威胁具有重要意义。预报这些突发性灾害天气系统的关键是及时观测，具有较高的空间分辨率，是态势感知和预报的基础。众所周知，具有高时空分辨率的多普勒天气雷达已成为分析和预报中、小尺度天气系统的最有效工具之一。迄今为止，基于雷达回波数据，许多成熟而可靠的天气监测、跟踪和外推方法得到了广泛的发展和应用。
然而，地球上很多地区仍然缺乏地基雷达的资料，如山地、海洋区域。这些资料的缺少极大地限制了雷达在天气监测方面的应用。相比之下，风云四号等静止轨道气象卫星成像系统可以连续地从太空捕获地球的图像，这些图像已经很好地应用于云团跟踪。卫星观测，特别是当前地球气象卫星的高频对流云跟踪观测，可以填补雷达观测的空白，监测灾害天气的快速生成和发展。
现有技术使用了静止轨道气象卫星预警产品(或者融合了数值预报模式资料)来探测强对流天气，但技术还停留在识别与分割，缺乏雷达回波的强度信息的捕捉。
发明内容
本发明的目的在于克服现有技术缺陷，提出了基于深度学习的静止轨道气象卫星雷达反射率因子反演方法。
为了实现上述目的，本发明提出了一种基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，所述方法包括：
根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；
接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果。
作为上述方法的一种改进，所述敏感性通道包括：
10.8μm通道亮温，用于获取云顶温度；
10.8-6.2μm通道亮温差，用于获取相对于对流层的云顶高；
12.3+8.6-2*10.8μm三通道亮温差，用于获取云顶冻结或云顶的相态；
修正的0.65μm反照率因子，用于获取云的光学厚度；和
0.65μm与1.61μm通道比值，用于获取云顶冻结或云顶的相态。
作为上述方法的一种改进，所述雷达反射率因子反演模型基于U-net，包括收缩的金字塔多尺度结构，膨胀的倒金字塔结构以及最终的全连接层；其中，
所述收缩的金字塔多尺度结构包括五层，自上而下的层与层之间为一个下采样步骤，每一层包括两个重复3×3的卷积层，每个卷积后依次连接一个批标准化模块、一个为校正线性单元的激活函数和一个2×2最大池化操作；下采样步长为2，在每个下采样步骤中，特征通道的数量加倍；
所述膨胀的倒金字塔结构包括五层，自下而上的层与层之间为一个上采样步骤，最上一层，用于将每个16分量特征向量映射到所需的回归映射，最上一层包括一个全连接层和一个校正线性单元的激活函数；其他每一层包括两个重复3×3的卷积层，每个卷积后依次连接一个批标准化模块和一个校正线性单元。
作为上述方法的一种改进，所述方法还包括雷达反射率因子反演模型的训练步骤；具体包括：
步骤1)从相关网站获取雷达反射率因子以及静止轨道气象卫星成像仪的历史数据；
步骤2)对历史数据进行预处理建立样本集；
步骤3)选取样本集中部分数据建立训练集，选取样本集中另一部分数据建立验证集；
步骤4)将训练集数据输入雷达反射率因子反演模型，优化方式为自适应矩估计，学习率设置为0.00016，调整模型的参数；
步骤5)将验证集数据输入该模型，以雷达覆盖区域的均方根误差为损失函数；判读均方根误差是否达到阈值要求，判断为否，转至步骤4)，否则，转至步骤6)；
步骤6)得到训练好的雷达反射率因子反演模型。
作为上述方法的一种改进，所述步骤2)具体包括：
对历史数据按照时间间隔小于3分钟进行时间匹配；
对不同分辨率或不同投影方式的历史数据进行空间匹配，将分辨率高的历史雷达反射率因子数据通过加权平均的投影方式匹配到分辨率低的卫星网格；
对时空匹配后的历史数据进行质控操作，丢弃存在丢线或丢帧的历史数据；
根据卫星资料云产品对于晴空区域进行置零操作。
作为上述方法的一种改进，所述雷达覆盖区域的均方根误差RMSE满足下式：
Figure BDA0003110191700000031
其中，yi为像素索引号为i的实际像素的雷达反射率因子，ypred,i为像素索引号为i的反演的雷达反射率因子，N为一帧图像像素点数。
一种基于深度学习的静止轨道气象卫星雷达反射率因子反演系统，所述系统包括：雷达反射率因子反演模型、敏感性通道选取模块和反演结果输出模块；其中，
所述敏感性通道选取模块，用于根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；
所述反演结果输出模块，用于接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果
与现有技术相比，本发明的优势在于：
1、本发明采用了深度学习根据静止轨道气象道卫星反演雷达反射率因子，为雷达未覆盖地区的灾害性天气提供基本的探测和诊断数据，可以较直观地了解雷达资料覆盖不完全的强对流系统和台风气旋强度分布的有益效果；
2、本发明利用静止轨道气象卫星和雷达不同时刻的雷达反射率因子拼图进行融合，可以缩短时间间隔，更利于监测快速发展的对流系统；
3、相比较传统的统计回归或者机器学习方法，本发明提出的基于深度学习反演方法具备更强的非线性重构的能力，反演精度更高。
附图说明
图1是本发明的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法框图；
图2是本发明的雷达反射率因子反演模型结构图；
图3是本发明实施例1的雷达反射率因子反演方法的结果对比图，图3(a)是风云四号静止轨道气象卫星红外数据反演结果；图3(b)是风云四号静止轨道气象卫星可见光数据反演结果；图3(c)是真实的雷达反射率因子；图3(d)是GPM融合降水产品。
具体实施方式
本发明提出了一种基于深度学习的雷达反射率因子拼图反演技术，不仅对雷达反射率因子进行了识别还对强度信息进行了刻画。根据云顶的微物理特性，卫星观测得到的雷达反射率因子拼图可以为雷达未覆盖地区的灾害性天气提供基本的探测和诊断数据，可以较直观地了解雷达资料覆盖不完全的强对流系统和台风气旋强度分布。此外，卫星反演的雷达反射率因子对现有的实时雷达数据提供了很好的补充。利用新一代静止轨气象道卫星和雷达不同时刻的雷达反射率因子拼图进行融合，可以缩短时间间隔，监测快速发展的对流系统。并且，相比较传统的统计回归或者机器学习方法，本发明提出的基于深度学习反演技术具备更强的非线性重构的能力，反演精度更高。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
如图1所示，本发明的实施例1提出了一种基于深度学习的静止轨道卫星雷达反射率因子反演方法。该发明主要由两个模块组成，分别为框图左侧的预处理、训练模块与框图右侧显示的该发明技术的验证模块。
1、数据准备
首先对新一代静止轨道气象卫星成像仪数据创新地利用随机森林的方法挑选出与雷达反射率因子相关性较强的通道作为模型的输入。一方面减少了计算与存储压力，另外也明确了雷达反射率因子与输入的物理关系。雷达反射率因子与云的微物理性质和水凝物分布密切相关。本发明根据各通道对云顶属性的敏感性构造了敏感通道如表1所示。这些敏感通道跟云顶的高度、云顶相态以及冻结程度等相关。
表1静止轨道气象卫星构造的敏感通道
序号 敏感通道 物理含义
1 10.8μm通道亮温 云顶温度(云顶高)
2 10.8-6.2μm通道亮温差 相对于对流层的云顶高
3 12.3+8.6-2*10.8μm三通道亮温差 云顶冻结/云顶的相态
4 修正的0.65μm反照率因子 云的光学厚度
5 0.65μm与1.61μm通道比值 云顶冻结/云顶的相态
修正的0.65μm反照率因子计算方式，如式(1)所示，
abeldoM＝abeldo*sec(θ) (1)
式中，abeldo为修正前的反照率，abeldoM为修正后的反照率，θ太阳天顶角(θ<70°)。
其次，选择雷达组合反射率因子作为训练与验证的标签源数据，雷达反射率因子网站可在http://10.1.64.154/cimissapiweb/apidataclassdefine_list.action下载。由于雷达反射率因子拼图资料为等经纬投影，新一代静止轨道气象卫星风云四号成像仪的空间分辨率为4km，投影方式为卫星标称图，因此对不同分辨率以及不同投影方式的资料进行空间匹配。将分辨率高的雷达资料通过加权平均的投影方式匹配到分辨率低的卫星网格。另外，由于雷达与卫星资料的观测时间也存在差异，选取时间间隔小于3分钟的资料作为数据时间匹配的依据。
时空匹配后的数据进一步进行质控操作，对于存在丢线、丢帧等异常情况的资料进行识别与丢弃，另外根据卫星资料云产品对于晴空区域进行置零。
匹配与质控后的数据集随机挑选70％作为训练集，15％为测试集，剩下15％为验证集。
2、深度学习模型
如图2所示，网络体系结构是从U-net演化而来。该模型由收缩的金字塔多尺度结构(左侧)和膨胀的倒金字塔结构(右侧)组成。收缩结构遵循卷积网络的典型结构：它包括两个重复3×3的卷积层，每个卷积后跟一个批标准化模块、一个为校正线性单元的激活函数和一个2×2最大池化操作，下采样步长为2。在每个下采样步骤中，特征通道的数量加倍。扩展体系结构中的每一步都由特征图的上采样和2×2个卷积(称为上卷积)，将特征通道的数量减半，与收缩结构中相应裁剪的特征图串联，以及2个3×3个卷积，每个卷积后面跟一个批标准化模块和一个校正线性单元。最后一层是1×1卷积层(全连接层)和一个校正线性单元的激活函数将每个16分量特征向量映射到所需的回归映射。该网络共有23个独立的卷积层。
3、训练
基于风云四号等静止轨道气象卫星雷达反射率因子反演深度学习训练损失函数选择为雷达覆盖区域的均方根误差(root-mean-square error，RMSE)，计算如式(2)所示。
Figure BDA0003110191700000051
另外，基于风云四号等静止轨道气象卫星雷达反射率因子反演深度学习训练也选择绝对值误差(mean absolute error，MAE)为
Figure BDA0003110191700000061
式中，yi and ypred,i分别为实际像素的雷达反射率因子与反演的雷达反射率因子。
优化方式为自适应矩估计(Adaptive Moment Estimation)，学习率设置为0.00016。
图3(a)是风云四号静止轨道气象卫星红外数据反演结果；图3(b)是风云四号静止轨道气象卫星可见光数据反演结果；图3(c)是真实的雷达反射率因子；图3(d)是GPM融合降水产品。
实施例2
本发明的实施例2提出了一种基于深度学习的静止轨道气象卫星雷达反射率因子反演系统。该系统包括：雷达反射率因子反演模型、敏感性通道选取模块和反演结果输出模块；具体处理方法同实施例1，其中，
所述敏感性通道选取模块，用于根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；
所述反演结果输出模块，用于接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果。
创新点：
根据雷达与卫星资料深度学习的方法，可以较直观地了解雷达资料覆盖不完全区域的强对流系统和台风气旋强度分布，目前还未有文献或者成果报道。
根据随机森林的方法选取敏感性通道，一方面缓解了深度学习的计算与存储压力，另外也明确了雷达反射率因子与输入的物理关系。
需要说明的是，本发明不仅可以应用于风云四号气象卫星雷达反射率因子反演，还可以应用于其他新一代静止轨道气象卫星的雷达反射率因子反演。例如日本的葵花8号，葵花8号快速成像仪数据空间分辨率为2km，基于该类历史数据进行模型的训练，即可得到对应的葵花8号雷达反射率因子反演模型，其他步骤同实施例1。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，所述方法包括：
根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；
接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果。
2.根据权利要求1所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述敏感性通道包括：
10.8μm通道亮温，用于获取云顶温度；
10.8-6.2μm通道亮温差，用于获取相对于对流层的云顶高；
12.3+8.6-2*10.8μm三通道亮温差，用于获取云顶冻结或云顶的相态；
修正的0.65μm反照率因子，用于获取云的光学厚度；和
0.65μm与1.61μm通道比值，用于获取云顶冻结或云顶的相态。
3.根据权利要求1所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述雷达反射率因子反演模型基于U-net，包括收缩的金字塔多尺度结构，膨胀的倒金字塔结构以及最终的全连接层；其中，
所述收缩的金字塔多尺度结构包括五层，自上而下的层与层之间为一个下采样步骤，每一层包括两个重复3×3的卷积层，每个卷积后依次连接一个批标准化模块、一个为校正线性单元的激活函数和一个2×2最大池化操作；下采样步长为2，在每个下采样步骤中，特征通道的数量加倍；
所述膨胀的倒金字塔结构包括五层，自下而上的层与层之间为一个上采样步骤，最上一层，用于将每个16分量特征向量映射到所需的回归映射，最上一层包括一个全连接层和一个校正线性单元的激活函数；其他每一层包括两个重复3×3的卷积层，每个卷积后依次连接一个批标准化模块和一个校正线性单元。
4.根据权利要求3所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述方法还包括雷达反射率因子反演模型的训练步骤；具体包括：
步骤1)从相关网站获取雷达反射率因子以及静止轨道气象卫星成像仪的历史数据；
步骤2)对历史数据进行预处理建立样本集；
步骤3)选取样本集中部分数据建立训练集，选取样本集中另一部分数据建立验证集；
步骤4)将训练集数据输入雷达反射率因子反演模型，优化方式为自适应矩估计，学习率设置为0.00016，调整模型的参数；
步骤5)将验证集数据输入该模型，以雷达覆盖区域的均方根误差为损失函数；判读均方根误差是否达到阈值要求，判断为否，转至步骤4)，否则，转至步骤6)；
步骤6)得到训练好的雷达反射率因子反演模型。
5.根据权利要求4所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述步骤2)具体包括：
对历史数据按照时间间隔小于3分钟进行时间匹配；
对不同分辨率或不同投影方式的历史数据进行空间匹配，将分辨率高的历史雷达反射率因子数据通过加权平均的投影方式匹配到分辨率低的卫星网格；
对时空匹配后的历史数据进行质控操作，丢弃存在丢线或丢帧的历史数据；
根据卫星资料云产品对于晴空区域进行置零操作。
6.根据权利要求4所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述雷达覆盖区域的均方根误差RMSE满足下式：
Figure FDA0003110191690000021
其中，yi为像素索引号为i的实际像素的雷达反射率因子，ypred,i为像素索引号为i的反演的雷达反射率因子，N为一帧图像像素点数。
7.一种基于深度学习的静止轨道气象卫星雷达反射率因子反演系统，其特征在于，所述系统包括：雷达反射率因子反演模型、敏感性通道选取模块和反演结果输出模块；其中，
所述敏感性通道选取模块，用于根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；
所述反演结果输出模块，用于接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果。
CN202110648613.6A 2021-06-10 2021-06-10 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法 Pending CN113534158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110648613.6A CN113534158A (zh) 2021-06-10 2021-06-10 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110648613.6A CN113534158A (zh) 2021-06-10 2021-06-10 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法

Publications (1)

Publication Number Publication Date
CN113534158A true CN113534158A (zh) 2021-10-22

Family

ID=78095868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110648613.6A Pending CN113534158A (zh) 2021-06-10 2021-06-10 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法

Country Status (1)

Country Link
CN (1) CN113534158A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049545A (zh) * 2021-11-05 2022-02-15 中山大学 一种基于点云体素的台风定强方法、系统、设备及介质
CN114488070A (zh) * 2022-04-08 2022-05-13 北京弘象科技有限公司 一种基于深度学习模型的雷达回波外推方法和装置
CN115144835A (zh) * 2022-09-02 2022-10-04 南京信大气象科学技术研究院有限公司 一种基于神经网络的卫星反演天气雷达反射率的方法
CN115542431A (zh) * 2022-11-25 2022-12-30 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法
CN116593989A (zh) * 2023-06-15 2023-08-15 宁波麦思捷科技有限公司武汉分公司 一种基于雷达海杂波的对流层波导反演方法及系统
CN116990772A (zh) * 2023-09-26 2023-11-03 北京大学 基于多尺度卷积网络的探地雷达双参数实时反演方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005117541A2 (en) * 2004-05-06 2005-12-15 The Regents Of The University Of California Method and system for aligning and classifying images
CN105445816A (zh) * 2015-12-14 2016-03-30 中国气象局气象探测中心 一种云雷达与卫星探测数据融合方法及系统
US20170085617A1 (en) * 2015-09-23 2017-03-23 Board Of Regents, The University Of Texas System Predicting a viewer's quality of experience
CN106547840A (zh) * 2016-10-13 2017-03-29 国家卫星气象中心 一种全球三维大气数据的解析及管理方法
KR101855652B1 (ko) * 2018-02-13 2018-06-25 대한민국 기계학습을 이용한 위성기반 전운량 산출 시스템 및 그 방법
CN108445464A (zh) * 2018-03-12 2018-08-24 南京恩瑞特实业有限公司 Nriet基于机器学习的卫星雷达反演融合方法
US20190171187A1 (en) * 2016-05-09 2019-06-06 StrongForce IoT Portfolio 2016, LLC Methods and systems for the industrial internet of things
CN109871637A (zh) * 2019-03-06 2019-06-11 成都信息工程大学 一种云天条件下近地面气温估算方法
CN110346844A (zh) * 2019-07-15 2019-10-18 南京恩瑞特实业有限公司 Nriet基于云分类和机器学习的定量降水估测方法
CN111257238A (zh) * 2020-02-05 2020-06-09 国家卫星气象中心(国家空间天气监测预警中心) 一种基于星载太阳漫射板的探测元件间相对定标方法
CN111723524A (zh) * 2020-06-23 2020-09-29 南通大学 一种基于日变化约束的pm2.5卫星遥感反演方法
KR102175179B1 (ko) * 2020-08-13 2020-11-10 대한민국(기상청 국립기상과학원장) 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법
CN112213287A (zh) * 2020-12-07 2021-01-12 速度时空信息科技股份有限公司 基于遥感卫星影像的沿海滩涂盐度反演的方法
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors
CN112464746A (zh) * 2020-11-10 2021-03-09 清华苏州环境创新研究院 一种卫星影像和机器学习的水质监测方法及系统
CN112487879A (zh) * 2020-08-05 2021-03-12 中国科学院空天信息创新研究院 一种基于数据增广和深度学习的玉米生长参数主被动遥感反演方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005117541A2 (en) * 2004-05-06 2005-12-15 The Regents Of The University Of California Method and system for aligning and classifying images
US20170085617A1 (en) * 2015-09-23 2017-03-23 Board Of Regents, The University Of Texas System Predicting a viewer's quality of experience
CN105445816A (zh) * 2015-12-14 2016-03-30 中国气象局气象探测中心 一种云雷达与卫星探测数据融合方法及系统
US20190171187A1 (en) * 2016-05-09 2019-06-06 StrongForce IoT Portfolio 2016, LLC Methods and systems for the industrial internet of things
CN106547840A (zh) * 2016-10-13 2017-03-29 国家卫星气象中心 一种全球三维大气数据的解析及管理方法
KR101855652B1 (ko) * 2018-02-13 2018-06-25 대한민국 기계학습을 이용한 위성기반 전운량 산출 시스템 및 그 방법
CN108445464A (zh) * 2018-03-12 2018-08-24 南京恩瑞特实业有限公司 Nriet基于机器学习的卫星雷达反演融合方法
CN109871637A (zh) * 2019-03-06 2019-06-11 成都信息工程大学 一种云天条件下近地面气温估算方法
CN110346844A (zh) * 2019-07-15 2019-10-18 南京恩瑞特实业有限公司 Nriet基于云分类和机器学习的定量降水估测方法
WO2021026545A1 (en) * 2019-08-06 2021-02-11 Exxonmobil Upstream Research Company Petrophysical inversion with machine learning-based geologic priors
CN111257238A (zh) * 2020-02-05 2020-06-09 国家卫星气象中心(国家空间天气监测预警中心) 一种基于星载太阳漫射板的探测元件间相对定标方法
CN111723524A (zh) * 2020-06-23 2020-09-29 南通大学 一种基于日变化约束的pm2.5卫星遥感反演方法
CN112487879A (zh) * 2020-08-05 2021-03-12 中国科学院空天信息创新研究院 一种基于数据增广和深度学习的玉米生长参数主被动遥感反演方法
KR102175179B1 (ko) * 2020-08-13 2020-11-10 대한민국(기상청 국립기상과학원장) 인공지능 기법을 활용한 공백 지역 레이더 합성장 정보 생성 시스템 및 방법
CN112464746A (zh) * 2020-11-10 2021-03-09 清华苏州环境创新研究院 一种卫星影像和机器学习的水质监测方法及系统
CN112213287A (zh) * 2020-12-07 2021-01-12 速度时空信息科技股份有限公司 基于遥感卫星影像的沿海滩涂盐度反演的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIU, ZJ等: "Local Severe Storm Tracking and Warning in Pre-Convection Stage from the New Generation Geostationary Weather Satellite Measurements", 《REMOTE SENSING 》, 2 February 2019 (2019-02-02) *
任建奇;严卫;叶晶;韩丁;: "云相态的卫星遥感研究进展", 地球科学进展, no. 10, 10 October 2010 (2010-10-10) *
卢雪梅;苏华;: "基于OLCI数据的福建近海悬浮物浓度遥感反演", 环境科学学报, no. 08, 18 July 2020 (2020-07-18) *
王胜春: "基于机器学习的气象智能算法研究", 《中国博士学位论文全文数据库 基础科学辑》, 15 March 2021 (2021-03-15), pages 009 - 1 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049545A (zh) * 2021-11-05 2022-02-15 中山大学 一种基于点云体素的台风定强方法、系统、设备及介质
CN114488070A (zh) * 2022-04-08 2022-05-13 北京弘象科技有限公司 一种基于深度学习模型的雷达回波外推方法和装置
CN114488070B (zh) * 2022-04-08 2022-07-19 北京弘象科技有限公司 一种基于深度学习模型的雷达回波外推方法和装置
CN115144835A (zh) * 2022-09-02 2022-10-04 南京信大气象科学技术研究院有限公司 一种基于神经网络的卫星反演天气雷达反射率的方法
CN115144835B (zh) * 2022-09-02 2023-01-03 南京信大气象科学技术研究院有限公司 一种基于神经网络的卫星反演天气雷达反射率的方法
CN115542431A (zh) * 2022-11-25 2022-12-30 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法
CN115542431B (zh) * 2022-11-25 2023-03-10 成都远望探测技术有限公司 一种基于地基云雷达和卫星数据的对流初生监测方法
CN116593989A (zh) * 2023-06-15 2023-08-15 宁波麦思捷科技有限公司武汉分公司 一种基于雷达海杂波的对流层波导反演方法及系统
CN116593989B (zh) * 2023-06-15 2023-11-21 宁波麦思捷科技有限公司武汉分公司 一种基于雷达海杂波的对流层波导反演方法及系统
CN116990772A (zh) * 2023-09-26 2023-11-03 北京大学 基于多尺度卷积网络的探地雷达双参数实时反演方法
CN116990772B (zh) * 2023-09-26 2024-01-02 北京大学 基于多尺度卷积网络的探地雷达双参数实时反演方法

Similar Documents

Publication Publication Date Title
CN113534158A (zh) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
US11521379B1 (en) Method for flood disaster monitoring and disaster analysis based on vision transformer
CN111179345B (zh) 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统
CN111983732B (zh) 一种基于深度学习的降水强度估计方法
CN111507429B (zh) 智能船舶多源感知数据船端融合方法、装置和决策系统
CN116778354B (zh) 基于深度学习的可见光合成云图海上强对流云团识别方法
CN111428862B (zh) 一种极类不平衡时空联合对流初生短临预报方法
CN113469278B (zh) 一种基于深度卷积神经网络的强天气目标识别方法
CN115542430A (zh) 一种卫星定量降水估计方法
CN113791415A (zh) 一种基于深度学习的雷达定量降水估计方法
CN112927233A (zh) 一种船用激光雷达与视频联合目标捕捉方法
CN113705340B (zh) 一种基于雷达遥感数据的深度学习变化检测方法
CN110516552B (zh) 一种基于时序曲线的多极化雷达图像分类方法及系统
CN115600483A (zh) 一种基于深度森林的降水反演方法
CN115267786A (zh) 融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法及装置
US20210004661A1 (en) Convolutional neural network for estimating a solar energy production indicator
CN117177096A (zh) 一种基于窄带卫星网络的高压输电线路监测方法及系统
CN111273376B (zh) 降尺度的海表净辐射确定方法、系统、设备及存储介质
CN116091940B (zh) 一种基于高分辨率卫星遥感影像的作物分类和识别方法
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN115877345A (zh) 一种风廓线雷达缺测数据的补齐方法和装置
KR102457470B1 (ko) 영상 분석을 이용한 인공지능 기반 강수 판단장치 및 방법
CN115222837A (zh) 真彩云图生成方法、装置、电子设备及存储介质
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
CN113657275A (zh) 一种林草火点自动检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination