[發明專利]一種基于深度學習的降水強度估計方法

有效

• 申請號: 202010729618.7
• 申請日: 2020-07-27
• 公開（公告）號: CN111983732B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 劉昊;張永宏;王麗華
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G01W1/14
• 分類號: G01W1/14
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐瑩

本發明公開了一種基于深度學習的降水強度估計方法，包括：分別獲取氣象衛星數據和降水數據；根據獲取的氣象衛星數據，將所需要的估計地區從中裁剪出來，并校正且將其保存為數組的形式；根據獲取的降水數據，重采樣至所需的空間分辨率下，并對其進行分類獲得不同等級的降水強度標簽；將降水強度標簽轉換成只背景及不同等級降水強度的單通道圖像，并切割為大小，分別作為降水強度估計模型的輸入與標簽；建立基于深度學習的降水強度估計模型；訓練得到最佳模型；測試新的氣象衛星數據，生成一張完整的降水強度估計結果；將生成的降水強度估計結果，疊加到帶有shp地形文件上。本發明可以較為準確地估算出相應的降水強度，實現高精度的降水強度估計。

技術領域

本發明涉及一種基于深度學習的降水強度估計方法，屬于遙感圖像處理的技術領域。

背景技術

近年來隨著計算機視覺技術不斷發展，機器學習技術開始應用于傳統的遙感氣象預報、天氣監測行業，以提高預報監測準確率。其中，目標檢測與分割技術能夠將圖片中各像素分別劃分到各自所屬的類別中，利用這些技術幫助氣象預報員提高預報效率與預報準確率，解決現有的降水估計算法時間分辨率不高，降水估計產品非實時發布的問題，加強災害天氣的監測，從而具有廣泛的應用前景和較高的使用價值。

雷達作為目前地面估測區域降水的高精度工具，地面降水率與雷達觀測值之間的函數關系可以通過實際觀測得到。然而，由于復雜的時空變異性，難以用簡單的形式表達其Z-R關系。使用雷達估計降水受多種因素的影響，例如雷達校準，反射率的垂直剖面，光束阻塞，亮帶和異常傳播。

雨量計是測量到達土壤表層的大氣降水量最簡單的儀器。其分布密度直接影響了降水估計的準確率，地面雨量計網絡分布稀疏和不足會嚴重影響其準確性與適用性，尤其對于偏遠、高海拔地區和海洋無法利用雨量計估算降水，并且其只提供逐點測量。

人工神經網絡為降水強度估計提供了更加高效、精確的方法。Precipitationestimation from remotely sensed information using artificial neural networks(PERSIANN)作為其中著名的算法和產品，從紅外云圖中獲得云頂亮溫并建立與降水建立聯系。PERSIANN-cloud classification system(PERSIANN-CCS)通過識別云團特征提高了降水估計的準確率，但以上兩種方法都是基于手動設定云團和溫度、幾何紋理等特征提取降水信息，因此大量的漏測和誤測是無法避免的，這種手動提取特征的方法會影響降水估計的準確率，主要是由于人總是通過最直觀的表層現象來判定與降水有關的信息，從而忽略了一些內在的隱藏特征。

深度神經網絡的快速發展為快速、精確的特征提取提供了重要的方法，并且最重要的是無需人工干預就能從海量數據中自動地捕捉到最有效地特征信息。PERSIAN-SDAE利用紅外和水汽通道作為輸入數據，構建了多層自動降噪編碼器通過自動特征提取檢測了是否發生了降水以及降水量，但是由于PERSIAN-SDAE網絡結構的限制，無法從每個相鄰像素之間得到有利于降水估計的信息。PERSIANN-CNN使用卷積神經網絡建立了降水估計模型，使用紅外和微波數據作為輸入，盡管相比PERSIANN-CCS和PERSIANN-SDAE有更加真實可靠的檢測和降水估計結果，但是并沒有充分的利用紅外與水汽波段高維度的特征信息，并且多層的池化會損失相應的特征信息，將紅外和水汽波段分別作為輸入再進行特征融合是非必要的。

目前大多數的降水估計研究的最高時間分辨率為1小時并以雷達數據作為真值，對于短時變化劇烈的降水監測是不夠的，由于衛星和雷達對于云團拍攝角度的差異，也會存在一定的誤差，只要估算出每個像素點的降水強度等級是大雨中雨還是小雨，并且具備高時相，依然能夠高效的監測與跟蹤降水的變化情況，并有效減少估算誤差。

發明內容

本發明所要解決的技術問題在于克服現有技術的不足，提供一種基于深度學習的降水強度估計方法，通過設計一種深度學習語義分割模型估計降水強度，在衛星拍攝到的云圖中，確定圖中所有的降水云團的位置、大小、邊界信息，并且得到各個云團的降水強度信息。