CN115267786A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115267786A CN115267786A CN202210909610.8A CN202210909610A CN115267786A CN 115267786 A CN115267786 A CN 115267786A CN 202210909610 A CN202210909610 A CN 202210909610A CN 115267786 A CN115267786 A CN 115267786A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- resunet
- temperature data
- radar
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 abstract description 38
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
-
- 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
- G01S7/417—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 involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Hydrology & Water Resources (AREA)
- Electromagnetism (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种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，包括获取并处理基于卫星观测的亮温数据；建立ResUNet基础模型，将处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；建立GAN模型；将第一阶段的ResUNet模型加载至GAN模型后进行联合训练，获得适用于不同下垫面的雷达反演模型；将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得输出的反演结果，将输出的反演结果进行处理得到覆盖全球的雷达反演结果。本发明通过高程和静止卫星观测的亮温得到多区域降水信息，具有较好的实时性和分辨率，可满足不同区域环境的应用。
Description
技术领域
本发明属于雷达反演的技术领域，特别是涉及一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，以及一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置。
背景技术
天气条件不仅影响人类的出行和生命财产安全，还对农业、航空、航海等领域具有重要影响。其中天气条件中包含的降水信息也是地球水循环不可缺少的一环。但随着全球气候变化，极端天气频繁，降水分布不均匀，干旱、城市内涝和滑坡等灾害频发，对人们造成了较大影响。因此，对降水信息实时、高频和大区域的观测是防灾减灾的重要手段，可以减少地质灾害风险区遭受的损失，降低事故发生率，协助调节水资源的适度分配，同时为全球的水循环和气候研究提供更多的资料。
气象领域对降水实况的观测一般主要有地基和天基两种方式。地基观测包括地面气象观测站的雨量计观测和降水雷达观测。雨量计观测的降水准确率较高，但仅集中于站点，只能提供单点的降水信息，在降水空间变异大的情况下，单点观测不能代表其单点周边的降水信息，代表性和空间范围受限。与站点观测相比，降水雷达可提供大范围的降水观测信息，且观测准确率较高，是提供陆地大范围降水实况的首选观测方式。但雷达站点只能布置在陆地，且受地形影响较大。此外，增加地面观测雷达站点需要消耗较大人力和财力，导致雷达站点覆盖的范围有限，难以获取山地和海洋的降水信息。天基观测，即气象卫星观测不受地域和地形等的限制，是地面观测资料的有效补充。不同的气象卫星，补充的数据信息并不相同，极轨卫星可以补充极地的观测，飞行的轨道低，观测的空间分辨率较高，一般可达百米，但对同一观测点观测时间的分辨率低，一天只能观测2次。而静止气象卫星对极地的观测畸变严重，但对非极地的同一观测点观测时间的分辨率高，每10分钟左右便可进行一次观测，且仅用3颗静止卫星便可覆盖全球区域。
此前对静止气象卫星载荷上红外通道观测的亮温进行降水信息反演的工作大多是利用统计的方法，对同一位置、同一时间的地面观测降水或雷达反射率与亮温进行匹配，拟合两者之间的关系，通过拟合的关系得到目标区域的降水信息。传统的方法做出的结果可以方便地迁移到多个地区使用，但代表性较差，使用的效果不理想。目前，利用深度学习进行雷达反演的研究是通过一部雷达，只针对局部区域，且仅关注强雷达回波，如35dBZ以上的局部强降水区，不能反映该区域小量级降水信息。此外，该方法在模型训练时的下垫面种类较少，当将该方法应用于林区、海洋等区域时，反演的效果准确性差。
针对上述雷达反演方法的不足，研究出一种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，能基于静止卫星观测的亮温反演全球范围内各量级的降水信息，准确性和实效性能够满足多种应用场景，以解决现有降水观测难以同时满足高更新频率和高空间覆盖率的问题。
发明内容
本发明的目的在于提供一种融合卫星观测亮温和ResUNet-GAN的全球雷达反演方法，以解决现有降水观测难以同时满足高更新频率和高空间覆盖率的问题。
本发明的目的及实现的技术方案如下。
本发明第一方面提出了一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，该全球雷达反演方法包括：获取并处理亮温数据和地表高程数据，亮温数据基于静止卫星观测获取；建立并训练ResUNet模型，包括：建立ResUNet基础模型，将经过处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；建立GAN模型；将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型；将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果。
可选的，处理亮温数据包括：筛选亮温数据和/或对亮温数据进行预处理。
可选的，筛选亮温数据包括：判断原始区域是否满足分割的条件，如果满足，则分割原始区域内的亮温数据和地表高程数据得到局部区域的亮温数据和地表高程数据；如果不满足，则保留亮温数据不进行分割；将所有局部区域的亮温数据按比例分为训练集和验证集,训练集用于训练模型，验证集用于验证雷达反演结果。
可选的，对亮温数据进行预处理包括：对读取的数据进行重投影，将地理坐标投影转换至地理等经纬投影；对重投影后的数据进行输入模型前的预处理包括：判断历史观测的亮温数据和卫星观测获取的亮温数据是否存有异常的亮温数据和NaN数据；若存有异常的亮温数据和NaN数据，获取其掩码；对重投影后的非异常亮温数据进行归一化处理，归一化处理的公式为：xi′＝(xi-xmin)/(xmax-xmin) (1)
其中，xi为亮温数据归一化前的值，xmax为当前和历史观测亮温数据的最大值，xmin为当前和历史观测亮温数据的最小值，xi′为亮温数据归一化后的值，i为不小于1的整数。
可选的，处理地表高程数据包括：对重投影后的地表高程数据进行归一化处理，归一化处理的公式为：yj′＝(yj-ymin)/(ymax-ymin) (2)
其中，yj为地表高程数据归一化前的值，ymax为地表高程数据的最大值，ymin为地表高程数据的最小值，yj′为地表高程数据归一化后的值，j为不小于1的整数。
可选的，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型包括：基于Adam优化器训练ResUNet基础模型的网络参数；基于MSE损失函数对ResUNet基础模型进行训练约束，MSE损失函数公式为：Loss_fn＝torch.nn.MSELoss(reduction＝'mean')(3)
其中，Loss_fn＝torch.nn.MSELoss为一个测量输入和目标中每个元素间均方误差的函数；reduction为计算损失的方式,默认为'mean'，reduction的三个值分别取值如下：none：不应用任何reduction；mean:输出的总和除以输出元素的数量；sum:返回loss的和；分别使用风险评分TS、命中率POD和空报率FAR评分评估ResUNet基础模型；训练ResUNet基础模型从而获得第一阶段的ResUNet模型。
可选的，将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型，包括：将第一阶段的ResUNet模型进行保存；将保存的第一阶段的ResUNet模型加载至GAN模型，并在GAN模型的框架内对第一阶段的ResUNet模型进行第二阶段训练，获得联合训练后第二阶段的ResUNet模型；将第二阶段的ResUNet模型进行保存，获得适用于不同下垫面的雷达反演模型。
可选的，将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果，包括：读取经处理的亮温数据和地表高程数据；对原始区域数据进行分割，将原始区域数据分割成局部区域数据；将局部区域数据输入ResUNet模型反演出局部区域雷达拼图后，按照局部区域数据对应原始区域数据的位置拼接成原始区域下适用于不同下垫面的雷达反演结果。
可选的，读取经过处理的亮温数据包括：获取当前时刻和预设时长的历史时刻观测的亮温数据，判断经处理的亮温数据是否完整；如果经过处理的亮温数据完整，则读取所述经过处理的亮温数据；否则退出所述经过处理的亮温数据的读取。
本发明第二方面提出了一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置，用于实施如权利要求1至9任一项所述的全球雷达反演方法，该全球雷达反演装置包括：数据获取模块，用于获取并处理亮温数据和地表高程数据，亮温数据基于静止卫星观测获取；ResUNet模型建立模块，用于建立并训练ResUNet模型，包括：建立ResUNet基础模型，将经过处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；GAN模型建立模块，用于建立GAN模型；雷达反演模块，用于将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型；结果输出模块，用于将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果。
可选的，数据获取模块还包括数据筛选单元和数据预处理单元，其中：数据筛选单元，用于判断原始区域是否满足分割的条件，满足则分割原始区域内的亮温数据和地表高程数据得到局部区域的亮温数据和地表高程数据；将所有局部区域的亮温数据按比例分为训练集和验证集,训练集用于训练模型，验证集用于验证雷达反演结果；预处理单元，用于对读取的数据进行重投影，将地理坐标投影转换至地理等经纬投影；判断历史观测的亮温数据和卫星观测获取的亮温数据是否存有异常的亮温数据和NaN数据；若存有异常的亮温数据和NaN数据，获取其掩码；对重投影后的非异常亮温数据和地表高程数据进行归一化处理。
可选的，ResUNet模型建立模块还包括优化器单元、损失单元、评估单元和训练单元；优化器单元，用于基于Adam优化器训练ResUNet基础模型的网络参数。损失单元，基于MSE损失函数对ResUNet基础模型进行训练约束。评估单元，用于使用风险评分TS、命中率POD和空报率FAR评分评估所述ResUNet基础模型，以及训练单元，用于训练所述ResUNet基础模型从而获得第二阶段的ResUNet模型。
可选的，雷达反演模块还包括数据读取单元、分割单元和拼接单元：数据读取单元用于读取待处理的亮温数据；分割单元用于对原始区域数据进行分割，将原始区域数据分割成局部区域数据；所述拼接单元用于将ResUNet模型反演出所有局部区域雷达拼图对应原始区域数据的位置拼接成原始区域下适用于不同下垫面的雷达反演结果。
本发明第三方面提出了一种电子设备，包括：存储器，用于存储处理器非暂时性可读指令；以及处理器，用于从存储器中读取可读指令，使得可读指令被处理器执行时实现上述的全球雷达反演方法。
本发明第四方面提出了一种计算机可读存储介质，包括计算机指令，当计算机指令在设备上运行时，使得设备执行上述的全球雷达反演方法。
本发明第五方面提出了一种上述全球雷达反演方法在气象观测设备中的应用。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明至少具有以下优点及有益效果之一：
一、由稳定和快速更新的卫星观测数据，联合地表高程信息，用深度学习方法实现了4km高清分辨率和10分钟更新的雷达实况反演。
二、本发明考虑大气的运动对当前状态的影响，使用历史观测数据和当前时刻的观测数据，使模型提取大气运动信息，从而得到更高准确率的雷达实况。
三、采用ResUNet模型预训练和用GAN模型引导微调训练的方式，使ResUNet+GAN装置能够在空间尺度小且量级大的降水上效果明显。
四、本发明在训练ResUNet+GAN模型时，充分考虑具有丰富的下垫面信息的区域特点，使用不同静止气象卫星上都有设置的关键红外通道，使ResUNet+GAN模型在训练完成后，能够迁移至其他区域使用，较好地补充了雷达覆盖不全、地形遮挡、海洋等区域的雷达实况。
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，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他目的、特征和优点更加简明易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
图1是本发明实施例的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法流程图；
图2是本发明实施例的不同量级的TS评分结果图；
图3是本发明实施例的不同量级的POD评分结果图；
图4是本发明实施例的不同量级的FAR评分结果图；
图5是本发明实施例的ResUNet模型加载至所述GAN模型后进行第二阶段联合训练获得适用于不同下垫面的雷达反演模型流程图；
图6是本发明实施例的获得全球覆盖的整体区域雷达反演结果的流程图；
图7是本发明实施例的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置的结构示意图；
图8是本发明实施例的数据获取模块的结构示意图；
图9是本发明实施例的ResUNet模型建立模块的结构示意图；
图10是本发明实施例的雷达反演模块的结构示意图；
图11是本发明实施例的电子设备的结构示意图；
图12是本发明实施例的获取ResUNet-GAN模型应用阶段的流程图；
图13是本发明实施例部署的ResUNet-GAN雷达反演实时运行的流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,下面结合附图及较佳实施例，对本发明提出的具体实施方式、结构、特征及其功效作详细阐述。
本发明的实施例中第一方面提供了一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，如附图1所示，该方法包括：获取并处理亮温数据和地表高程数据，可以采用Himawari8、GOES16、GOES17等静止气象卫星上观测的几个红外通道的亮温数据。训练模型时所用的卫星观测数据源自亚马逊云，雷达拼图实况数据源自彩云天气，上述静止气象卫星及红外通道也可以选用其他卫星载荷或同一卫星载荷的其他红外通道进行。上述数据的时间跨度可以选择最近几年时间，本实施例的数据中由于中国区域的降水集中在每年的6-8月，因此仅采用全国2019-2020两年的6-8月的降雨数据。
建立并训练ResUNet模型，包括：建立ResUNet基础模型，由于本实施例覆盖全国的数据空间分辨率为2km，数据较大，因此先对全国范围内降雨数据形成的大图进行切割，再将切割后的分块数据将经过处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达观测数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型。训练ResUNet模型可以采用优化器Adam，损失函数为加权的MSE，通过使用例如风险评分TS、命中率POD和空报率FAR来对所述训练模型进行评估。
建立GAN模型，将训练后的ResUNet模型作为第一阶段的ResUNet模型，将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得联合训练后第二阶段的ResUNet模型。将经过处理的分块的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，将输出的反演结果进行拼接处理后得到覆盖全球的雷达反演结果。本发明在实施时，还可以针对部分局部区域，不使用切分区域数据图片的方式得到局部区域的雷达反演结果。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，处理亮温数据包括：筛选亮温数据和/或对亮温数据进行预处理。由于中国区域每个局部区域，例如每个省份降水存在诸多的不确定性，某些局部区域的某个省份小降水较多，局部地区的降雨数据的分布呈现为有降水比无降水少、大降水比小降水少的特点，样本分布不均衡，因此，制作数据集时需要对上述卫星的红外亮温数据进行筛选。例如，剔除降水点很少或区域降水量很小的样本，以消除无降水和小降水样本太多对模型训练的影响。同时还可以筛选全国区域范围内对亮温数据和雷达拼图中的异常数据(如负值等奇异情况)进行处理，如可以剔除全国范围内降雨数据为负的数据，或者局部地区如深圳区域大于100dBZ等奇异数据情况的处理。以便对上述亮温数据和雷达观测数据应用于ResUNet-GAN的模型训练过程，在该过程中能够迅速准确的完成如全国范围内局部目标区域的训练和验证。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，筛选亮温数据包括：判断原始区域是否满足分割的条件，如果满足，则分割原始区域内的亮温数据和地表高程数据得到局部区域的亮温数据和地表高程数据；如果不满足，则保留亮温数据不进行分割；将所有局部区域的亮温数据按比例分为训练集和验证集,训练集用于训练所述模型，验证集用于验证雷达反演结果。上述雷达反演结果可以是在原始区域范围内，还可以是在局部区域范围内。如果原始区域范围的亮温数据和地表高程数据量过大超出了处理设备存储和计算的内存容量，还可以将原始区域数据按处理设备存储和计算的内存容量大小进行分割，将原始区域数据范围分割为若干局部区域数据，将局部区域数据输入ResUNet模型反演出局部区域雷达拼图后，按照局部区域数据对应原始区域数据的位置拼接成原始区域下适用于不同下垫面的雷达反演结果。本申请通过采用上述分割方式，不仅实现了原始区域数据过大不能计算处理的问题，同时通过将整个原始区域数据按局部区域数据大小及位置进行分割，使局部区域数据在ResUNet模型反演出局部区域雷达拼图时数据体量小，通过在局部区域数据下进行的雷达反演的时间周期变小，再通过将ResUNet模型反演出局部区域雷达拼图按在原始区域数据对应的位置进行拼接，缩短了原始区域数据ResUNet模型反演的周期。将每个局部区域的亮温数据按一定的比例分为训练集和验证集，例如该比例可以选择4:1，当然本领域技术人员还可以根据观测条件和模型训练精度选择不同的比例数值，均在本发明的保护范围内。所述训练集用于训练所述模型，所述验证集用于验证原始区域雷达反演结果。当然，上述原始区域还可以拓展至全球区域范围，或者还可以根据全球亮温数据和全球地表高程数据以上述分割方式将全球区域分割为更加细小的局部区域数据，在此不再赘述。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，对亮温数据进行预处理包括：首先对读取的亮温数据和雷达拼图数据进行重投影，将上述数据的地理坐标投影转换至地理等经纬投影；然后对重投影后的上述亮温数据和雷达拼图数据进行输入模型前的预处理，包括：判断历史观测的亮温数据和卫星观测获取的亮温数据是否存有异常的亮温和NaN数据。例如，因为卫星观测故障观测获取的亮温数据存有异常的亮温数据(如填充值、噪声)，若亮温数据存有异常的亮温和NaN数据，则对上述亮温数据中的异常的亮温数据附上一个掩码。
上述掩码用于标记异常数据对应的区域位置，反演后将异常数据位置的结果置为0，避免对正常结果的影响；还可以根据异常数据位置相邻位置的反演结果采用差值计算获得上述掩码。另外，对重投影后的非异常亮温数据进行归一化处理，所述归一化处理的公式为：
xi′＝(xi-xmin)/(xmax-xmin) (1)
其中，xi为亮温数据归一化前的值，xmax为当前和历史观测亮温数据的最大值，xmin为当前和历史观测亮温数据的最小值，xi′为亮温数据归一化后的值。通过对重投影后的非异常亮温数据进行归一化处理，使得预处理的亮温数据被限定在[0,1]的范围内,从而避免带单位的数值大小影响结果。同样对地表高程数据也进行归一化处理，通过对上述数据的归一化处理,可以加快梯度下降求最优解的速度,还可以提高数据计算处理的精度。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型包括：基于Adam优化器训练ResUNet基础模型的网络参数。损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越小，通常模型的性能越好。不同的模型用的损失函数一般也不一样。本发明采用加权的MSE损失函数对所述ResUNet基础模型进行训练约束。普通的MSE函数对所有降水量级都采用相同的权重，由于小降水的数量远大于大量级降水，均匀的损失权重会使模型难以学好大量级降水的反演，因此，以[0.25,0.375,0.5,0.625,1.0]为标准化dBZ的阈值，在计算MSE损失时，赋予相应的权重[20,30,40,50,80],可大大提升模型在大量级降水上的表现。基于加权的MSE损失函数对所述ResUNet基础模型进行训练约束，通过对上述MSE损失函数进行加权处理，并结合Adam优化器采用梯度均值和梯度平方的指数的移动计算偏差校正的矩估计训练所述ResUNet基础模型。
本发明的实施例中分别使用风险评分TS、命中率POD和空报率FAR评估所述ResUNet基础模型。几种评分的定义如下：假定y_pre_1为预测的降水区，y_obs_1为观测的降水区，threshold为判别正负样本的阈值，预测与观测都大于阈值的为命中hit，预测大于阈值而观测小于阈值为空报falsealarm，预测小于阈值而观测大于阈值为漏报miss，其中，。
TS＝hit/(hit+falsealarm+miss) (4)
POD＝hit/(hit+miss)＝1-MAR (5)
其中，MAR为实际降水区域中漏报的区域占据全部实际降水区域的比重。
FAR＝falsealarm/(hit+falsealarm) (6)
将网格数据中每个像素的反演结果和对应像素的真实雷达观测相比，以阈值为准，判断命中、空报和漏报，上式hit即为命中的像素数，falsealarm为空报的像素数，miss为漏报的像素数。本发明以5、15、25、35、45、55dBZ几个降水量级作为阈值，值越大，表示降水强度越大，某个量级的TS评分越高、POD越高、同时FAR越低，说明效果越好。反演得到的雷达图和真实雷达图对比评分显示，在整个中国区域晴雨上的TS评分达到0.4，POD达0.6，FAR则不到0.45，在暴雨(约35dBZ)上的TS评分超过0.2，POD近0.4，FAR略高于0.6，说明模型反演出的雷达落区和强度都较好，空报和漏报情况较少，且图片结果显示纹理清晰，可以反演出小对流包。验证了模型能较好地反映降水实况，很好的补足雷达观测难以覆盖地区的降水。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，如附图5所示，将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得纹理更清晰、适用于不同下垫面的雷达反演模型，包括：将第一阶段的ResUNet模型进行保存；将上述第一阶段的ResUNet模型应用于所述雷达反演任务时，因为第一阶段的ResUNet模型本身的局限，第一阶段的ResUNet模型的反演结果纹理清晰度欠佳。因此通过采用将保存的第一阶段的ResUNet模型加载至GAN模型，并在GAN模型的框架内对第一阶段的ResUNet模型进行第二阶段训练，获得联合训练后第二阶段的ResUNet模型使雷达反演结果在原始目标区域的纹理清晰度得到提高，在大量级的降水上应用效果也有提升。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，如附图6所示，模型训练完成进行工程部署时，将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果,包括：读取经处理的亮温数据和地表高程数据，标记异常数据。上述标记采用一个掩码进行标记，该掩码还可以标记异常数据在原始区域数据大图中的位置。对原始区域数据的大图进行分割，将原始区域数据分割成局部区域数据，并对局部区域数据进行归一化处理。将局部区域数据输入ResUNet模型反演出局部区域雷达拼图后，按照局部区域数据对应原始区域数据的位置拼接成原始区域下适用于不同下垫面的雷达反演结果。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，读取经过处理的亮温数据包括：获取当前时刻和预设时长的历史时刻观测的亮温数据，判断经过处理的亮温数据是否完整。例如，基于当前时间点获取当前时刻及前30分钟的历史观测的亮温数据，判断经处理的亮温数据是否完整，如果经过处理的亮温数据完整，则读取经过处理的亮温数据后反馈一个获取亮温数据完整的编码指令；否则退出所述经过处理的亮温数据的读取后不反馈编码指令。本发明通过融合卫星观测亮温和高程的ResUNet-GAN反演的雷达结果图和真实雷达融合结果图对比。在真实雷达观测区域内，卫星反演的雷达和观测在区域和量级上非常接近，在雷达观测难以覆盖的区域，反演的结果也可以较真实反映当地当时的降水状况。
本发明的实施例中第二方面提供了一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置，如附图7所示，用于实施上述所述的全球雷达反演方法，包括：数据获取模块，用于获取并处理亮温数据和地表高程数据，亮温数据基于静止卫星观测获取；ResUNet模型建立模块，用于建立并训练ResUNet模型，包括：建立ResUNet基础模型，将经过处理的所述亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；GAN模型建立模块，用于建立GAN模型；雷达反演模块，用于将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得纹理更清晰、适用于不同下垫面的雷达反演模型；结果输出模块，用于将经过处理的亮温数据和地表高程共同输入至所述雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果。上述所述数据获取模块、所述ResUNet模型建立模块、所述GAN模型建立模块、所述雷达反演模块和所述结果输出模块的执行参照上述融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法的实施说明，在此不再赘述。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置，如附图8所示，数据获取模块还包括数据筛选单元和数据预处理单元，其中：数据筛选单元，用于判断原始区域是否满足分割的条件，满足则分割原始区域内的亮温数据和地表高程数据得到局部区域的亮温数据和地表高程数据；将所有局部区域的亮温数据按比例分为训练集和验证集,训练集用于训练模型，验证集用于验证雷达反演结果；预处理单元，用于对读取的数据进行重投影，将地理坐标投影转换至地理等经纬投影；判断历史观测的亮温数据和卫星观测获取的亮温数据是否存有异常的亮温数据和NaN数据；若存有异常的亮温数据和NaN数据，获取其掩码；对重投影后的非异常亮温数据和地表高程数据进行归一化处理。上述所述数据筛选单元和所述预处理单元执行上述全球雷达反演的方法时，执行筛选所述亮温数据和/或对亮温数据进行预处理参照上述的全球雷达反演方法的实施说明，在此不再赘述。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置，如附图9所示,ResUNet模型建立模块还包括优化器单元、损失单元、评估单元和训练单元；优化器单元，用于基于Adam优化器训练ResUNet基础模型的网络参数；损失单元，基于MSE损失函数对ResUNet基础模型进行训练约束；评估单元，用于使用风险评分TS、命中率POD和空报率FAR评分评估所述ResUNet基础模型，以及训练单元，用于训练所述ResUNet基础模型从而获得第二阶段的ResUNet模型。上述所述优化器单元、所述加权损失单元、所述评估单元和训练单元执行上述雷达反演的方法时，基于所述损失值训练所述ResUNet基础模型获得训练后第一阶段的ResUNet模型，参照上述全球雷达反演方法的实施说明，在此不再赘述。
本发明的实施例中提供的一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置，如图10所示，雷达反演模块还包括数据读取单元、分割单元和拼接单元：数据读取单元用于读取待处理的亮温数据；分割单元用于对原始区域数据进行分割，将原始区域数据分割成局部区域数据；所述拼接单元用于将ResUNet模型反演出所有局部区域雷达拼图对应原始区域数据的位置拼接成原始区域下适用于不同下垫面的雷达反演结果。上述所述数据读取单元、所述分割单元和所述拼接单元执行上述全球雷达反演的方法时，执行将经处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果，参照上述全球雷达反演方法的实施说明，在此不再赘述。
本发明的实施例中第三方面提供一种电子设备，如附图11所示，包括：存储器，用于存储处理器非暂时性可读指令；以及处理器，用于从存储器中读取可读指令，使得可读指令被处理器执行融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演时实现上述全球雷达反演方法。
本发明的实施例中第四方面提供一种计算机可读存储介质，包括计算机指令，当计算机指令在设备上运行时，使得设备执行上述融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法。
本发明的实施例中第五方面提供一种上述融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法在气象观测设备中的应用。融合卫星观测亮温和ResUNet-GAN的全球雷达反演方法在气象观测设备中的应用，获取ResUNet-GAN可用模型阶段的整体实现过程如附图12所示，(1)从亚马逊云上获取Himawari8卫星的红外亮温数据和来自彩云天气的雷达拼图实况数据，数据时间跨度为2019-2020年，由于中国区域的降水集中在每年的6-8月，因此只用2019-2020年的6-8月数据。(2)由于全国范围大、数据较大，难以直接进行训练，因此先对全国大图数据进行切割，切割后的小图组成数据集。为检验ResUNet-GAN模型的表现和泛化性能，将数据按4:1的比例分为训练集和验证集。(3)模型训练时使用Adam优化器，采用加权的MSE作为损失函数，使用TS、POD、FAR评分评估模型表现。(4)训练ResUNet模型，依据网络输出的结果和真实值对比计算损失，并训练ResUNet模型网络。(5)加载预训练好的第一阶段ResUNet模型至GAN模型，使用GAN模型继续进行第二阶段联合训练，以提升全球反演结果的纹理清晰度。(6)保存模型，即可得到适用于不同下垫面、可用于全球的雷达反演模型。(7)为查看模型的表现和泛化性，计算了不同量级上的TS、POD、FAR评分，并查看结果图的纹理清晰度和在全球范围内的适用性。
本发明主要使用静止气象卫星载荷的红外通道亮温数据，结合地表高程，使用ResUNet网络模型学得了雷达反演模型，不同于传统的统计方法，和现有的少量使用深度学习反演雷达的模型相比，该模型融合了地表高程，增强了模型在不同下垫面上的泛化性，同时使用GAN网络模型，提升了结果图的纹理清晰度，且将模型适用到了全球范围，得到了覆盖全球范围的雷达反演数据，且上述覆盖全球范围的雷达反演数据更新频率达10分钟、且空间分辨率达4km。
本发明融合卫星观测亮温和ResUNet-GAN的全球雷达反演方法在气象观测设备中的应用，在模型训练完成后，业务化部署的ResUNet-GAN雷达反演实时运行的过程如附图13所示，采取的技术方案包括以下具体步骤：(1)根据当前时间获取历史30分钟、当前时刻的卫星观测数据，并判断所需数据是否完整。(2)如果文件完整，读取所需通道的亮温数据，若不完整，退出，等待文件传输。(3)对所读取的数据进行重投影，从地理坐标投影(本实施例采用GEOs投影)转换至等经纬投影。(4)对重投影后的数据做输入模型前的预处理：①判断缺测、观测异常等NaN数据，获取NaN数据的掩码；②对数据做归一化处理。(5)原始的全球(本实施例采用全国，原理同)观测数据尺寸较大，和模型所需输入的大小不一致，因此先进行大图的切割，使切割后的小图匹配模型输入。(6)将亮温数据和地表高程联合输入到模型，进行雷达反演。(7)将反演后的结果重新拼接回全球区域范围的大图。(8)保存结果图片，发布至网页。
本实施例通过选用对云顶、地面、水汽观测信息敏感的几个重要通道，使模型能够融合提取不同大气层高度、不同大气含水量下的信息，并选取历史时次的数据，使模型不仅能提取空间特征，也能够提取时间变化特征。本发明还可以提取当前时间前10分钟的数据进行实时反演，使处理数据的实时性得到了保证。本实施例通过融合卫星观测亮温和ResUNet-GAN的全球雷达反演得到全球反演结果。反演得到的雷达图和真实雷达图对比评分显示，在整个中国区域晴雨上的TS评分达到0.4，POD达0.6，FAR则不到0.45，在暴雨(约35dBZ)上的TS评分超过0.2，POD近0.4，FAR略高于0.6，说明模型反演出的雷达落区和强度都较好，空报和漏报情况较少，且图片结果显示纹理清晰，可以反演出小对流包，能较好地反映降水实况，很好的补足雷达观测难以覆盖地区的降水。
在本发明的实施例中通过业务化部署实时运行了本实施例的方法和系统，实现了以下技术效果：(1)通过采用静止气象卫星载荷的红外亮温特征，实现了全天时(白天+夜晚)的雷达反演，保证了夜晚也可以得到相同准确率的雷达实况。(2)通过选取各静止气象卫星上搭载的成像仪均设置的几个红外通道，保证了模型在一个区域训练完成后，能够无缝迁移至其他区域，实现了覆盖全球的雷达反演。(3)通过使用预训练ResUNet模型和训练GAN模型的综合方式，实现了纹理更加清晰、大量级降水条件下表现更好的反演结果。(4)通过使用交叉切割大图的方式，保留了相邻两个小图间的空间连续性，使模型得到的结果在空间上更加连续，同时准确率也更高。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例阐述如上，然而并非用以限定本发明。任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,可利用上述揭示的技术内容作出些许更动或修饰作为同等变化的等效实施例,但凡是未脱离本发明技术方案内容、依据本发明的技术实质对以上实施例所作的任何简单修改、同等变化与修饰,均仍属于本发明技术方案的范围。
Claims (10)
1.一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法，其特征在于，包括：
获取并处理亮温数据和地表高程数据，亮温数据基于静止卫星观测获取；
建立并训练ResUNet模型，包括：建立ResUNet基础模型，将经过处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；
建立GAN模型；
将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型；
将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果。
2.根据权利要求1所述的全球雷达反演方法，其特征在于，处理亮温数据，包括：筛选亮温数据和/或对亮温数据进行预处理。
3.根据权利要求2所述的全球雷达反演方法，其特征在于，筛选亮温数据，包括：
判断原始区域是否满足分割的条件，如果满足，则分割原始区域内的亮温数据和地表高程数据得到局部区域的亮温数据和地表高程数据；如果不满足，则保留亮温数据不进行分割；
将所有局部区域的亮温数据按比例分为训练集和验证集,训练集用于训练模型，验证集用于验证雷达反演结果。
4.根据权利要求2所述的全球雷达反演方法，其特征在于，对亮温数据进行预处理，包括：
对读取的数据进行重投影，将地理坐标投影转换至地理等经纬投影；
对重投影后的数据进行输入模型前的预处理，包括：
判断历史观测的亮温数据和卫星观测获取的亮温数据是否存有异常的亮温数据和NaN数据；
若存有异常的亮温数据和NaN数据，获取其掩码；
对重投影后的非异常亮温数据进行归一化处理，归一化处理的公式为：xi′＝(xi-xmin)/(xmax-xmin)；
其中，xi为亮温数据归一化前的值，xmax为当前和历史观测亮温数据的最大值，xmin为当前和历史观测亮温数据的最小值，xi′为亮温数据归一化后的值，i为不小于1的整数。
5.根据权利要求1所述的全球雷达反演方法，其特征在于，处理地表高程数据，包括：
对重投影后的地表高程数据进行归一化处理，归一化处理的公式为：yj′＝(yj-ymin)/(ymax-ymin)；
其中，yj为地表高程数据归一化前的值，ymax为地表高程数据的最大值，ymin为地表高程数据的最小值，yj′为地表高程数据归一化后的值，j为不小于1的整数。
6.根据权利要求1所述的全球雷达反演方法，其特征在于，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型，包括：
基于Adam优化器训练ResUNet基础模型的网络参数；
基于MSE损失函数对ResUNet基础模型进行训练约束，MSE损失函数公式为：
Loss_fn＝torch.nn.MSELoss(reduction＝'mean')；
其中，Loss_fn＝torch.nn.MSELoss为一个测量输入和目标中每个元素间均方误差的函数；reduction为计算损失的方式,默认为'mean'，reduction的三个值分别取值如下：none：不应用任何reduction；mean:输出的总和除以输出元素的数量；sum:返回loss的和；
分别使用风险评分TS、命中率POD和空报率FAR评分评估ResUNet基础模型；
训练ResUNet基础模型从而获得第一阶段的ResUNet模型。
7.根据权利要求6所述的全球雷达反演方法，其特征在于，将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型，包括：
将第一阶段的ResUNet模型进行保存；
将保存的第一阶段的ResUNet模型加载至GAN模型，并在GAN模型的框架内对第一阶段的ResUNet模型进行第二阶段训练，获得联合训练后第二阶段的ResUNet模型；
将第二阶段的ResUNet模型进行保存，获得适用于不同下垫面的雷达反演模型。
8.根据权利要求1所述的全球雷达反演方法，其特征在于，将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果，包括：
读取经处理的亮温数据和地表高程数据；
对原始区域数据进行分割，将原始区域数据分割成局部区域数据；
将局部区域数据输入ResUNet模型反演出局部区域雷达拼图后，按照局部区域数据对应原始区域数据的位置拼接成原始区域下适用于不同下垫面的雷达反演结果。
9.根据权利要求8所述的全球雷达反演方法，其特征在于，读取经过处理的亮温数据包括：
获取当前时刻和预设时长的历史时刻观测的亮温数据，判断经处理的亮温数据是否完整；
如果经过处理的亮温数据完整，则读取所述经过处理的亮温数据；
否则退出所述经过处理的亮温数据的读取。
10.一种融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演装置，用于实施如权利要求1至9任一项所述的全球雷达反演方法，其特征在于，包括：
数据获取模块，用于获取并处理亮温数据和地表高程数据，亮温数据基于静止卫星观测获取；
ResUNet模型建立模块，用于建立并训练ResUNet模型，包括：建立ResUNet基础模型，将经过处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；
GAN模型建立模块，用于建立GAN模型；
雷达反演模块，用于将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型；
结果输出模块，用于将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210909610.8A CN115267786A (zh) | 2022-07-29 | 2022-07-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210909610.8A CN115267786A (zh) | 2022-07-29 | 2022-07-29 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115267786A true CN115267786A (zh) | 2022-11-01 |
Family
ID=83746148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210909610.8A Pending CN115267786A (zh) | 2022-07-29 | 2022-07-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115267786A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
| CN116821681A (zh) * | 2023-06-27 | 2023-09-29 | 北京华云星地通科技有限公司 | 一种全球降水数据生成方法及系统 |
| CN118051878A (zh) * | 2024-04-16 | 2024-05-17 | 南京气象科技创新研究院 | 基于多模态融合改进深度学习的极端降水次季节预报方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
| CN108874734A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院国家空间科学中心 | 一种全球陆地降水反演方法 |
| US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
| CN109461120A (zh) * | 2018-09-19 | 2019-03-12 | 华中科技大学 | 一种基于srgan的微波遥感亮温图像重构方法 |
| CN111060992A (zh) * | 2019-12-27 | 2020-04-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 |
| CN111177652A (zh) * | 2019-11-27 | 2020-05-19 | 中国科学院遥感与数字地球研究所 | 一种遥感降水数据的空间降尺度方法及系统 |
| US20200400810A1 (en) * | 2019-06-19 | 2020-12-24 | Samsung Electronics Co., Ltd. | Method and device with improved radar resolution |
| CN112198483A (zh) * | 2020-09-28 | 2021-01-08 | 上海眼控科技股份有限公司 | 卫星反演雷达的数据处理方法、装置、设备及存储介质 |
-
2022
- 2022-07-29 CN CN202210909610.8A patent/CN115267786A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
| US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
| CN108874734A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院国家空间科学中心 | 一种全球陆地降水反演方法 |
| CN109461120A (zh) * | 2018-09-19 | 2019-03-12 | 华中科技大学 | 一种基于srgan的微波遥感亮温图像重构方法 |
| US20200400810A1 (en) * | 2019-06-19 | 2020-12-24 | Samsung Electronics Co., Ltd. | Method and device with improved radar resolution |
| CN111177652A (zh) * | 2019-11-27 | 2020-05-19 | 中国科学院遥感与数字地球研究所 | 一种遥感降水数据的空间降尺度方法及系统 |
| CN111060992A (zh) * | 2019-12-27 | 2020-04-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 星载微波双氧探测通道等权重共轭的降水检测方法及系统 |
| CN112198483A (zh) * | 2020-09-28 | 2021-01-08 | 上海眼控科技股份有限公司 | 卫星反演雷达的数据处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| RIKA SUSTIKA等: "Generative Adversarial Network with Residual Dense Generator for Remote Sensing Image Super Resolution", 2020 INTERNATIONAL CONFERENCE ON RADAR, ANTENNA, MICROWAVE, ELECTRONICS, AND TELECOMMUNICATIONS, 31 December 2020 (2020-12-31), pages 34 - 39 * |
| 马亮: "基于机器学习算法提升降水区反演效果研究", 中国优秀硕士学位论文全文数据库 基础科学辑 (月刊), no. 01, 15 January 2019 (2019-01-15), pages 009 - 302 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
| CN116821681A (zh) * | 2023-06-27 | 2023-09-29 | 北京华云星地通科技有限公司 | 一种全球降水数据生成方法及系统 |
| CN116821681B (zh) * | 2023-06-27 | 2024-01-30 | 北京华云星地通科技有限公司 | 一种全球降水数据生成方法及系统 |
| CN118051878A (zh) * | 2024-04-16 | 2024-05-17 | 南京气象科技创新研究院 | 基于多模态融合改进深度学习的极端降水次季节预报方法 |
| CN118051878B (zh) * | 2024-04-16 | 2024-06-11 | 南京气象科技创新研究院 | 基于多模态融合改进深度学习的极端降水次季节预报方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112435207B (zh) | 一种基于天空地一体化的森林火灾监测预警方法 | |
| CN104931022B (zh) | 基于星载激光测高数据的卫星影像立体区域网平差方法 | |
| Donlon et al. | The operational sea surface temperature and sea ice analysis (OSTIA) system | |
| CN104462660B (zh) | 一种野外输电线路冬季覆冰厚度分布绘制方法 | |
| CN103714339B (zh) | 基于矢量数据的sar影像道路损毁信息提取方法 | |
| CN113281742B (zh) | 一种基于滑坡形变信息和气象数据的sar滑坡预警方法 | |
| Gasperini et al. | Potential and limitation of UAV for monitoring subsidence in municipal landfills | |
| CN110108257B (zh) | 一种基于无人机航拍影像和静态规划图相匹配的展示方法 | |
| Jiang et al. | Influence of spatial gradients on ionospheric mapping using thin layer models | |
| CN112526636B (zh) | 基于单站多星与多站组网的近地面二维降雨场重构方法及系统 | |
| CN108364279A (zh) | 确定静止轨道遥感卫星指向偏差的方法 | |
| CN109375290A (zh) | 一种基于机器学习的跨海大桥雾监测系统及其应用方法 | |
| Gonçalves et al. | Monitoring Local Shoreline Changes by Integrating UASs, Airborne LiDAR, Historical Images and Orthophotos. | |
| CN114091756A (zh) | 一种基于泰森多边形的乡镇级海啸风险评估方法 | |
| Guo et al. | Mozambique flood (2019) caused by tropical cyclone idai monitored from sentinel-1 and sentinel-2 images | |
| CN114120145A (zh) | 一种监测方法、装置、电子设备及计算机可读存储介质 | |
| CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
| KR102002593B1 (ko) | 특정공간에서의 유해기체 확산 해석 방법 및 장치 | |
| Jakovljević et al. | Water body extraction and flood risk assessment using Lidar and open data | |
| Li et al. | Synergistic use of satellite observations and numerical weather model to study atmospheric occluded fronts | |
| CN115168799A (zh) | 一种基于多源数据的洪水淹没范围估算方法 | |
| CN115855272A (zh) | 一种生成近实时逐小时全天候地表温度的方法 | |
| Guo et al. | Exploring photon-counting laser altimeter ICESat-2 in retrieving LAI and correcting clumping effect | |
| CN113361852A (zh) | 场址选择的方法、装置、电子设备及存储介质 |
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 |