CN115542430A - 一种卫星定量降水估计方法 - Google Patents
一种卫星定量降水估计方法 Download PDFInfo
- Publication number
- CN115542430A CN115542430A CN202211161688.2A CN202211161688A CN115542430A CN 115542430 A CN115542430 A CN 115542430A CN 202211161688 A CN202211161688 A CN 202211161688A CN 115542430 A CN115542430 A CN 115542430A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- data
- satellite
- layer
- estimation
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/08—Adaptations of balloons, missiles, or aircraft for meteorological purposes; Radiosondes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种卫星定量降水估计方法,包括如下步骤:采集待估计区域的气象卫星数据;将所述气象卫星数据输入至训练好的最佳降水强度估计模型中,获取降水强度预估结果;根据各区域的降水强度预估结果生成降水强度估计结果图;将所述降水强度估计结果图叠加到地形文件上,生成区域降水估计信息;其中,所述最佳降水强度估计模型是根据历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据训练获取的。本发明基于历史气象卫星数据和深度学习模型,不需要增加额外的硬件设备,能够准确地识别出降水区,并且估计出相对应的降水量,有效地解决了雨量估计空间分布不均、传统天气雷达观测精度易受自然条件及设备维修保养影响地问题。
Description
技术领域
本发明属于遥感信息处理技术领域,更具体地,涉及一种卫星定量降水估计方法。
背景技术
近年来,随着人工智能技术在各行各业大放异彩,机器学习技术开始广泛应用于传统遥感领域的降水预报、干旱检测等任务,并提高了气象监测与预警的准确率。目前,图像分割与目标检测技术能够将图像中单个像素进行准确的类别划分,这些技术可以用来解决目前卫星定量降水估计算法中存在的时间分辨率低、降水识别精度不高且所得降水产品无法实时发布等问题。利用这些技术,能够加强对强对流天气条件下降水的监测,具有广泛的应用前景和较高的使用价值。
雨量计作为一种点测量的方法,可用来直接测量该点实时降水量,但目前雨量计的布施存在空间分布严重不均,尤其在高原和海洋等复杂地形区域,根本无法通过地面雨量计直接进行降水量的测量。
天气雷达能够通过不同低仰角反射率因子间接估算出降水分布情况。然而,由于不同区域的降水情况并不相同,不能用简单的形式来表达地面降水量与雷达反射率之间的Z-R关系。并且天气雷达受限于地面杂波干扰、雷达波束异常和信号衰减。
人工神经网络为降水估计提供了更加准确、高效的方法。PERSIANN(Precipitation estimation from remotely sensed information using artificialneural networks)作为其中著名的降水产品,使用神经网络来计算静止卫星提供的红外亮温图像中每个0.250×0.250像素的降水率估计值。PERSIANN-CCS(PERSIANN-CloudClassification System)是一种近实时的降水估计算法,它提取红外卫星云图局部和区域的云特征来计算降水量,通过描述降水率和亮温之间关系的特定曲线来估算出云中每个像素的降水值。人工提取降水云团特征信息存在大量的漏判和误判的情况。手动提取特征的弊端影响了降水估计结果的准确率,因为人总是通过最直观的表面现象来判断是否存在降水,所以忽略了一些造成降水的隐藏特征信息。同时,使用浅层网络结构难以充分挖掘出降水量与卫星观测之间的复杂关系。
深度卷积神经网络的快速兴起使得模型可以通过堆叠多个卷积层来建立降水量与卫星观测之间的复杂关系,并且采用卷积核自动提取空间特征,也有助于在实现定量降水估计时考虑空间相关性。PERSIANN-CNN算法使用卷积神经网络建立了降水估计模型,使用双分支输入结构,分别输入红外和水汽数据,取得了有效的降水检测与估计的结果,但是该算法没有充分利用红外和水汽数据的高维特征信息,导致重要特征信息的丢失,并且在上采样过程中使用过大的卷积核,也会损失部分特征。
目前大部分的降水估计研究的时间分辨率为1小时,通常以雷达观测的数据或者地面站作为真值,实现近实时降水监测的效果不佳,同时因为卫星与雷达的拍摄角度存在差异,导致最终的结果存在一定的误差。当前大多数深度学习算法选择卫星中所有的红外波段信息进行降水估计时存在细小降水区识别精度不高,定量降水准确率低等问题,通过选取与降水密切相关的云顶亮温、云相、水汽等波段信息能有效降低模型参数量并提升定量降水估计精度。近年来,随着人工智能技术在各行各业大放异彩,机器学习技术开始广泛应用于传统遥感领域的降水预报、干旱检测等任务,并提高了气象监测与预警的准确率。目前,图像分割与目标检测技术能够将图像中单个像素进行准确的类别划分,这些技术可以用来解决目前卫星定量降水估计算法中存在的时间分辨率低、降水识别精度不高且所得降水产品无法实时发布等问题。
发明内容
本发明的目的是针对以上不足,提供一种卫星定量降水估计方法,通过深度学习回归模型,识别出气象卫星云图中降水云,最终获取较为准确的区域降水强度信息,解决现有卫星定量降水方法精度不高的问题。
为实现上述目的,本发明是通过以下技术方案实现的:
一种卫星定量降水估计方法,包括以下步骤:
采集待估计区域的气象卫星数据;
将所述气象卫星数据输入至训练好的最佳降水强度估计模型中,获取降水强度预估结果;
根据各区域的降水强度预估结果生成降水强度估计结果图;
将所述降水强度估计结果图叠加到地形文件上,生成区域降水估计信息;
其中,所述最佳降水强度估计模型是根据历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据训练获取的。
进一步地,所述最佳降水强度估计模型的训练获取方法包括:
采集所述历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据;
分别对所述历史气象卫星数据及历史降水数据进行预处理;
将预处理后的气象卫星数据和降水数据进行时空匹配,生成多组训练样本;
根据所述训练样本对预构建的卫星定量降水估计模型中进行深度学习训练,直至获取所述最佳降水强度估计模型。
进一步地,所述历史气象卫星数据可以在风云卫星遥感数据服务网获取风云四号气象卫星数据;所述历史降水数据可以在NASA官网上获取参考观测降水数据。
进一步地,对所述历史气象卫星数据进行预处理包括:
根据获取的历史气象卫星数据,将所需要的研究区域裁剪出来,并将其进行几何校正,然后保存为数组的形式。
进一步地,对所述历史降水数据进行预处理包括:
根据获取的历史降水数据,利用重采样函数将其重采样至所需要的空间分辨率下,对数据进行筛选,剔除出现过多缺失值和异常值的数据,获得降水强度标签。
进一步地,所述预构建的卫星定量降水估计模型包括顺次连接的编码层、中间层、解码层,其中,所述编码层包括六个卷积核为3*3的深度可分离卷积层、三个卷积核为2*2最大池化层和三个残差模块,其中,每两个卷积核为3*3的深度可分离卷积层和一个卷积核为2*2的最大池化层顺次连接为一组,对不同分辨率的特征图进行特征提取,将最大池化前的特征图通过一个残差模块与解码层中相同分辨率的特征图进行合并操作;中间层包括并联的空间金字塔模块和通道空间注意力模块;解码层包括三个卷积核为2*2的反卷积层、六个卷积核为3*3的深度可分离卷积层和一个卷积核为1*1的卷积层,其中,每一个卷积核为2*2的反卷积层和两个卷积核为3*3的深度可分离卷积层顺次连接为一组,对不同分辨率的特征图进行升维并提取特征,最后顺次连接一个卷积核为1*1的卷积层进行通道的压缩,生成最终降水估计结果图。
进一步地,所述空间金字塔模块包括并联的一个1*1的卷积层、三个空洞率分别为1、2、3的3*3卷积层和一个1*1的平均池化层,分别对编码层输出的特征图进行提取特征。
进一步地,所述通道空间注意力模块包括通道注意力模块和空间注意力模块;
所述通道注意力模块用于对初始特征矩阵进行处理,包括:对所述初始特征矩阵分开进行全局平均池化和全局最大池化,然后分开经过两个1*1的卷积层进行通道的压缩与扩充,将二者基于通道相加,经过激活函数Sigmoid后与初始特征矩阵相乘,形成通道注意力特征图;
所述空间注意力模块用于对所述通道注意力特征图进行处理,包括:对所述通道注意力特征图执行基于通道的平均池化和最大池化,然后基于通道合并,经过一个卷积层,再通过Sigmoid激活函数,将Sigmoid激活函数的输出与所述通道注意力特征图相乘,形成优化后的特征图。
进一步地,所述对预构建的卫星定量降水估计模型中进行深度学习训练,直至获取所述最佳降水强度估计模型,包括:
通过设置模型的超参数、总迭代次数、可调节学习率、动量参数、权重衰减参数及损失函数,ASPP(Atrous Spatial Pyramid Pooling)中的空洞率rate和CBAM(ChannelSpatial Attention Module)中的压缩通道的倍数,经过反复调整和对比实验得到最佳参数组合。
进一步地,所述根据各区域的降水强度预估结果生成降水强度估计结果图,包括:
通过应用训练好的最佳降水强度估计模型测试新的气象卫星数据,对于新的气象卫星数据先经过预处理得到相同尺寸的输入样本,预测完成后得到一张完整的该时刻的降水强度估计结果图。
与现有技术相比,本发明的有益效果为:
本发明所述卫星定量降水估计方法,基于深度学习模型,不需要增加额外的硬件设备,能够准确地识别出降水区,并且估计出相对应的降水量,避免了传统降水估计中人工特征设计及提取方法的缺点,有效地解决了雨量估计空间分布不均、传统天气雷达观测精度易受自然条件及设备维修保养影响地问题。克服了强对流天气条件下、样本不均衡对降水强度估计结果的影响,最终成功识别出降水区域并估计出降水量,得到了有价值并可定性分析和定量描述的降水区监测与预警信息。
本发明根据输入的图像数据与标签,深度学习模型自动提取卫星云图中降水云的特征信息,并自动保存最佳的模型参数,最佳模型保存后,用户只需要调用该模型便可实现近实时卫星定量降水估计,操作简便。
目前我国风云四号B星也已成功发射并逐步向用户提供数据,双星同时在轨进一步提升了大气变化识别精度及中小尺度灾害性天气预警预报能力。日后通过补充大量的高质量卫星数据,可以提升模型的泛化能力和估计精度。方法可在实时的风云四号卫星发布数据后快速得到定量降水估计结果,因此具有近实时和较高可靠性的效果。
附图说明
图1为本发明实施例提供的一种基卫星定量降水估计方法的流程图;
图2为本发明实施例中FY-4A全圆盘影像真彩示意图;
图3为本发明实施例中GPM IMERG-Final产品数据示意图;
图4为本发明实施例中用于回归的标签示意图;
图5为本发明实施例中单通道图像数据标签示意图;
图6为本发明实施例中卫星定量降水估计模型的结构示意图;
图7为本发明实施例中深度可分离卷积层的结构示意图;
图8为本发明实施例中残差模块的结构示意图;
图9为本发明实施例中空间金字塔模块的结构示意图;
图10为本发明实施例中通道空间注意力模块的结构示意图;
图11为本发明实施例中定量降水估计结果示意图;
图12为本发明实施例中最终完整的降水估计结果示意图;
图13为本发明实施例中裁剪出研究区域降的水估计结果示意图。
具体实施方式
下面将结合附图和具体实施例更详细地描述本发明的优选实施方式。
实施例1
本实施例提供了一种卫星定量降水估计方法,包括如如图1所示流程,该方法具体包括以下步骤:
步骤1:根据历史降水资料,分别在风云卫星遥感数据服务网获取风云四号气象卫星数据,得到如图2所示的FY-4A全圆盘数据,在NASA官网获取全球降水产品GPM IMERG-Final的降水数据,如图3所示;执行步骤2;
步骤2:根据步骤1中获取的风云四号气象卫星数据,首先将研究区域从中裁剪出来;然后,利用python GDAL库中Warp函数校正气象卫星数据,将其保存为数组的形式,执行步骤3;
步骤3:根据步骤1中获取的全球降水产品GPM IMERG-Final的降水数据,利用python中重采样函数arcpy.Resample_management重采样至与步骤2卫星数据同样的空间分辨率下,本实施例中重采样至空间分辨率4km下,对数据进行筛选,剔除出现过多缺失值和异常值的数据,获得较为准确的降水强度标签,如图4所示,执行步骤4;
步骤4:数据预处理后的气象卫星数据和参考观测降水数据进行时空匹配,以降水数据的记录时间30分钟为基准,选取30分钟内后一时刻气象卫星扫描完成的卫星云图作为输入样本数据。根据国家气象中心降水数据标准,将GPM IMERG-Final数据制作保留两位小数,如图5所示,执行步骤5;
步骤5:利用pytorch深度学习框架和python编程语言建立基于深度学习的卫星定量降水估计模型,执行步骤6;
所述卫星定量降水估计模型构建:如图6所示,模型由编码层、中间层、解码层组成,编码层由由六个3*3的深度可分离卷积层、三个2*2最大池化层、三个残差模块组成,其中每两个卷积核为3*3的深度可分离卷积层和一个卷积核为2*2的最大池化层顺次连接为一组,对不同分辨率的特征图进行特征提取,将最大池化前的特征图通过一个残差模块与解码层中相同分辨率的特征图进行合并操作。深度可分离卷积层如图7所示,包括深度可分离卷积、归一化特征图和Relu函数,每一个相同分辨率的特征图经过两组进行特征提取,相比常规卷积操作,其参数数量和运算成本比较低,在相同参数量的情况下,可以将神经网络层数做的更深。在编码与解码之间的跳跃连结部分使用残差模块,结构如图8所示,包括三个卷积层和加法函数,将初始的特征图通过三个卷积层之后再与自身相加。
所述中间层由空间金字塔结构和通道空间注意力模块并联组成。其中空间金字塔结构如图9所示,由一个1*1的卷积层和三个空洞率分别为1、2、3的3*3的空洞卷积层和一个1*1的平均池化层并联组成。通道空间注意力模块结构如图10所示:初始特征矩阵经过一个通道注意力模块,包括先分开进行全局平均池化和全局最大池化,然后分开经过两个1*1的卷积层进行通道的压缩与扩充,将二者基于通道相加,经过激活函数Sigmoid后与初始特征矩阵相乘,形成通道注意力特征图;随后经过一个空间注意力模块,基于通道的平均池化和最大池化,然后基于通道合并经过一个卷积层,再通过Sigmoid激活函数,最后将其与通道注意力特征图相乘形成优化后的特征图。解码层由六个降维的3*3的深度可分离卷积层、三个卷积核2*2,步长为2的反卷积层和一个生成降水估计结果的1*1的卷积层组成,其中,每一个卷积核为2*2的反卷积层和两个卷积核为3*3的深度可分离卷积层顺次连接为一组,对不同分辨率的特征图进行升维并提取特征,最后顺次连接一个卷积核为1*1的卷积层进行通道的压缩,生成最终降水估计结果图。网络各层的参数设置如表1所示。
表1网络各层的参数设置
步骤6:设置模型的超参数、总迭代次数、可调节学习率、动量参数、权重衰减参数及损失函数,ASPP(Atrous Spatial Pyramid Pooling)中的空洞率rate和CBAM(ChannelSpatial Attention Module)中的压缩通道的倍数,经过反复调整和对比实验得到最佳参数,以得到最佳降水强度估计模型;
本实施例中,模型具体参数设置:总迭代次数epoch为200次,学习率learningrate初始值设为0.001,并且每过50个epoch,学习率降低为之前的1/10,在保证模型训练收敛速度的同时,又不会导致发散,为了保证每一次初始化都能使得模型的初始权值处于一个合适的状态,动量momentum设置为0.9,加快模型收敛速度,权重衰减参数weight decay设置为1e-5,调整模型复杂度对损失函数的影响,空间金字塔中空洞率rate设置为[1,2,3],经过反复实验及对比,以上参数值为最佳参数。
在对模型训练前,本发明可以归一化预处理数据,首先计算卫星云图中各个通道的平均值,然后使每个像素数据减去平均值,更加有利于提升模型的收敛速度。
步骤7:将训练好的最佳降水强度估计模型应用于测试独立的气象卫星数据,对于独立的风云四号卫星数据,先根据研究区域进行裁剪然后输入模型进行降水估计,如图11所示;最后在根据降水量的大小选取colorbar,用颜色区分降水量的谷值与峰值,如图12所示;执行步骤8。
本发明提出的模型是一种端到端的模型,全卷积网络能够实现有效的端到端学习,可以接受任意大小的输入,因此根据研究区域的大小裁剪出矩形区域。最佳定量降水估计模型的处理流程为:输入数据是384*280*4的矩阵,通过第一层深度可分离卷积计算,输入的数据A转换为192*140*32的特征图,再通过最大池化层在保持通道数不变的情况下将宽和高缩短至原来的一半,再通过第二层深度可分离卷积和最大池化层,将宽和高缩短至原来的一半,并将通道数翻倍,生成96*70*64的特征图,重复操作,生成48*35*128的特征图,并且每次最大池化缩短特征图大小之前利用三个残差模块跳跃连结到解码部分用于提取深层特征信息,至此下采样过程结束。
分别利用ASPP模块进行多尺度特征提取通道数翻倍以及CBAM模块增强模型对于降水区更深层次的特征信息进行注意力监督保持通道数不变,然后根据通道进行合并。在空间金字塔模块中:特征图分别经过一个1*1的卷积层、一个1*1的平均池化层和三个空洞率为1、2、3的空洞卷积层,再将形成的特征图按通道融合叠加;在通道空间注意力机制模块中,特征图经过一个通道注意力模块,包括先分开进行全局平均池化和全局最大池化,然后分开经过两个1*1的卷积层进行通道的压缩与扩充,再与初始特征矩阵相加,最后经过激活函数Sigmoid得到第一步优化后的特征矩阵;随后经过一个空间注意力模块,基于通道的平均池化和最大池化,然后基于通道合并经过一个卷积层,再通过Sigmoid激活函数,最后将其与初始特征矩阵相加。上采样的过程由四个反卷积层组成,每经过一次反卷积层,特征图的宽和高变为原来的两倍,通道数便能为原来的一半,将上采样完的特征图与同样尺寸下采样时的特征图像按通道融合,作为后续深度可分离卷积的输入,在最后一个反卷积结束并与下采样时的特征图进行融合后进行两次深度可分离卷积,然后利用一个1*1的卷积层保持特征图的宽和高不变,通道数将为1,保持结果图中每个像素点的值都表示为该区域在特定时刻时的模型估计将数量。
本发明提出的卫星定量降水估计模型的方法中空间金字塔结构能够在不同的尺度下识别出降水区,关注降水区的特征信息,通道空间注意力机制模块让模型更加专注于特征图中重要的降水区信息,通过对中间层中高维特征信息进行注意力监督,进一步细化像素点江水去的特征结构,解码网络与编码网络相对应,将经过ASPP模块和CBAM模块后的特征图合并完进行上采样,恢复编码网络输出特征图的分辨率,在独立的降水数据测试集的定性分析和定量估计实验中命中率POD达到84.7%,相关性达到59.2%。
步骤8:将预测到的降水强度估计结果图,叠加到地形文件上,生成准确的区域降水信息,如图13所示。
本发明可以较为准确地对降水区识别,并且估计出相对应的降水量,避免了传统降水估计中人工特征设计及提取方法的缺点,有效地解决了雨量计空间分布不均、传统天气雷达观测精度易受自然条件及设备维修保养影响地问题。克服了强对流天气条件下、样本不均衡对降水强度估计结果的影响,最终成功识别出降水区域并估计出降水量,得到了有价值并可定性分析和定量描述的降水区监测与预警信息。目前我国风云四号B星也已成功发射并逐步向用户提供数据,双星同时在轨进一步提升了大气变化识别精度及中小尺度灾害性天气预警预报能力。日后通过补充大量的高质量卫星数据,可以提升模型的泛化能力和估计精度。方法可在实时的风云四号卫星发布数据后快速得到定量降水估计结果,因此具有近实时和较高可靠性的效果。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和技术原理的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的,这些修改和变更也应视为本发明的保护范围。
Claims (9)
1.一种卫星定量降水估计方法,其特征在于,包括以下步骤:
采集待估计区域的气象卫星数据;
将所述气象卫星数据输入至训练好的最佳降水强度估计模型中,获取降水强度预估结果;
根据各区域的降水强度预估结果生成降水强度估计结果图;
将所述降水强度估计结果图叠加到地形文件上,生成区域降水估计信息;
其中,所述最佳降水强度估计模型是根据历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据训练获取的。
2.根据权利要求1所述的卫星定量降水估计方法,其特征在于,所述最佳降水强度估计模型的训练获取方法包括:
采集所述历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据;
分别对所述历史气象卫星数据及历史降水数据进行预处理;
将预处理后的气象卫星数据和降水数据进行时空匹配,生成多组训练样本;
根据所述训练样本对预构建的卫星定量降水估计模型中进行深度学习训练,直至获取所述最佳降水强度估计模型。
3.根据权利要求2所述的卫星定量降水估计方法,其特征在于,对所述历史气象卫星数据进行预处理包括:
根据获取的历史气象卫星数据,将所需要的研究区域裁剪出来,并将其进行几何校正,然后保存为数组的形式。
4.根据权利要求2所述的卫星定量降水估计方法,其特征在于,对所述历史降水数据进行预处理包括:
根据获取的历史降水数据,利用重采样函数将其重采样至所需要的空间分辨率下,对数据进行筛选,剔除出现过多缺失值和异常值的数据,获得降水强度标签。
5.根据权利要求2所述的卫星定量降水估计方法,其特征在于,所述预构建的卫星定量降水估计模型包括顺次连接的编码层、中间层、解码层,其中,所述编码层包括六个卷积核为3*3的深度可分离卷积层、三个卷积核为2*2最大池化层和三个残差模块,其中,每两个卷积核为3*3的深度可分离卷积层和一个卷积核为2*2的最大池化层顺次连接为一组,对不同分辨率的特征图进行特征提取,将最大池化前的特征图通过一个残差模块与解码层中相同分辨率的特征图进行合并操作;中间层包括并联的空间金字塔模块和通道空间注意力模块;解码层包括三个卷积核为2*2的反卷积层、六个卷积核为3*3的深度可分离卷积层和一个卷积核为1*1的卷积层,其中,每一个卷积核为2*2的反卷积层和两个卷积核为3*3的深度可分离卷积层顺次连接为一组,对不同分辨率的特征图进行升维并提取特征,最后顺次连接一个卷积核为1*1的卷积层进行通道的压缩,生成最终降水估计结果图。
6.根据权利要求5所述的卫星定量降水估计方法,其特征在于,所述空间金字塔模块包括并联的一个1*1的卷积层、三个空洞率分别为1、2、3的3*3卷积层和一个1*1的平均池化层,分别对编码层输出的特征图进行提取特征。
7.根据权利要求5所述的卫星定量降水估计方法,其特征在于,所述通道空间注意力模块包括通道注意力模块和空间注意力模块;
所述通道注意力模块用于对初始特征矩阵进行处理,包括:对所述初始特征矩阵分开进行全局平均池化和全局最大池化,然后分开经过两个1*1的卷积层进行通道的压缩与扩充,将二者基于通道相加,经过激活函数Sigmoid后与初始特征矩阵相乘,形成通道注意力特征图;
所述空间注意力模块用于对所述通道注意力特征图进行处理,包括:对所述通道注意力特征图执行基于通道的平均池化和最大池化,然后基于通道合并,经过一个卷积层,再通过Sigmoid激活函数,将Sigmoid激活函数的输出与所述通道注意力特征图相乘,形成优化后的特征图。
8.根据权利要求2所述的卫星定量降水估计方法,其特征在于,所述对预构建的卫星定量降水估计模型中进行深度学习训练,直至获取所述最佳降水强度估计模型,包括:
通过设置模型的超参数、总迭代次数、可调节学习率、动量参数、权重衰减参数及损失函数,ASPP中的空洞率rate和CBAM中的压缩通道的倍数,经过反复调整和对比实验得到最佳参数组合。
9.根据权利要求1所述的卫星定量降水估计方法,其特征在于,所述根据各区域的降水强度预估结果生成降水强度估计结果图,包括:
通过应用训练好的最佳降水强度估计模型测试新的气象卫星数据,对于新的气象卫星数据先经过预处理得到相同尺寸的输入样本,预测完成后得到一张完整的该时刻的降水强度估计结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161688.2A CN115542430A (zh) | 2022-09-23 | 2022-09-23 | 一种卫星定量降水估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161688.2A CN115542430A (zh) | 2022-09-23 | 2022-09-23 | 一种卫星定量降水估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115542430A true CN115542430A (zh) | 2022-12-30 |
Family
ID=84729098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211161688.2A Pending CN115542430A (zh) | 2022-09-23 | 2022-09-23 | 一种卫星定量降水估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115542430A (zh) |
Cited By (2)
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 |
CN117726033A (zh) * | 2023-12-19 | 2024-03-19 | 南京信息工程大学 | 一种基于Multi-headed CNN模型与卫星降雨产品的洪水预报方法 |
-
2022
- 2022-09-23 CN CN202211161688.2A patent/CN115542430A/zh active Pending
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 |
CN117726033A (zh) * | 2023-12-19 | 2024-03-19 | 南京信息工程大学 | 一种基于Multi-headed CNN模型与卫星降雨产品的洪水预报方法 |
CN117726033B (zh) * | 2023-12-19 | 2024-05-14 | 南京信息工程大学 | 一种基于Multi-headed CNN模型与卫星降雨产品的洪水预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111983732B (zh) | 一种基于深度学习的降水强度估计方法 | |
Zhou et al. | Forecasting different types of convective weather: A deep learning approach | |
CN115542430A (zh) | 一种卫星定量降水估计方法 | |
Wang et al. | Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks: A case study | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
CN110645961B (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
CN114387520A (zh) | 一种用于机器人采摘的密集李子精准检测方法及其*** | |
CN111428862B (zh) | 一种极类不平衡时空联合对流初生短临预报方法 | |
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 | |
CN110060273A (zh) | 基于深度神经网络的遥感影像滑坡测图方法 | |
CN110749942A (zh) | 适用于静止卫星资料同化的晴空通道检测质量控制方法 | |
CN109726649A (zh) | 遥感影像云检测方法、***及电子设备 | |
CN115542431A (zh) | 一种基于地基云雷达和卫星数据的对流初生监测方法 | |
CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
CN106897998A (zh) | 太阳能直射辐射强度信息预测方法和*** | |
CN115661655A (zh) | 高光谱和高分影像深度特征融合的西南山区耕地提取方法 | |
CN114022782B (zh) | 一种基于modis卫星数据的海雾探测方法 | |
CN113705340B (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
CN117075138A (zh) | 一种区域30米森林冠层高度遥感测算方法、***及介质 | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN113256563A (zh) | 基于空间注意力机制的精品罐表面缺陷检测方法和*** | |
CN115546658B (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 | |
CN112668615A (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 |
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 |