[發明專利]一種基于深度學習的云層變化趨勢預測方法

在審

• 申請號: 202110040046.6
• 申請日: 2021-01-13
• 公開（公告）號: CN112632311A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 李文峰;戴政;趙康僆;方元;周煒棟;王藝樺;周逸秋;周鑫;陳吳濤
• 申請（專利權）人: 南京大學
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06F16/58;G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 彭雄

本發明公開了一種基于深度學習的云層變化趨勢預測方法，將從地面站采集的云圖序列做數據預處理；按地面站上空的云層狀況將云圖序列數據分類，并確定訓練集、驗證集和測試集。基于卷積?長短期記憶網絡搭建深度預測網絡模型，深度預測網絡模型包括預測網絡層、時間切片全連接層和全連接層，對深度預測網絡模型訓練，將訓練集喂入深度預測網絡模型進行模型的線下訓練。本發明減小了計算開銷，增加模型與待預測云層圖像序列的時間相關性，使預測未來一段時間內地面站上空的云層變化趨勢的準確度更高，從而為實現星地激光通信的不間斷傳輸提供重要保障。

技術領域

本發明應用于星地激光通信不間斷傳輸系統，基于深度學習模型實現了一種用于云層變化趨勢預測的方法。

背景技術

相較于星間激光鏈路，星地激光鏈路由于需要經過大氣層，會受到云層的吸收和散射，使激光傳輸信號嚴重衰減，因此進行星地激光通信時必須考慮云層對激光鏈路的影響。提前獲知地面站上空云層狀態與運動信息，可為星地之間是否適合激光建鏈以及建鏈后預計的鏈路質量提供重要的先驗信息，從而為實現星地激光通信不間斷傳輸提供重要保障。

目前，獲取指定區域上空云層圖像的方法主要是通過衛星云圖，但該方法時間和空間分辨率低(空間像素點通常在1公里以上，時間分辨率15分鐘左右)，如果地面站上空的云小于氣象衛星探測分辨率，是無法在衛星圖像中辨認出來的，對于星地激光不間斷傳輸的場景，無法滿足時間和空間的精度要求。對云層變化和運動趨勢預測的方法主要是外推法和交叉相關法，此類方法均需要對云層和云層變化和運動軌跡進行數學建模，滿足特定假設的條件下進行預測，建模過程復雜，預測時計算量大，并且同一模型可能不適用于不同地區，對于星地激光通信不間斷傳輸的場景，無法滿足預測準確率的要求。

發明內容

發明目的：為了解決衛星云圖預測結果時空分辨率低和實現成本高的問題，克服傳統預測方法需要對云層及云層運動變化趨勢建模和計算復雜度高的不足，本發明提供一種基于深度學習的云層變化趨勢預測方法，使預測結果可靠可信，為實現星地激光通信不間斷傳輸提供重要保障。本發明可以為星地激光建鏈提供先驗判斷信息。本發明利用從地面站上空采集大量歷史云層變化和運動的序列圖像，結合云層光學深度參數，在深度學習方法基礎上增加滑動窗口的方法預測一段時間后的星地激光鏈路周圍的云層信息，預測結果為星地之間是否適合激光建鏈以及建鏈后預計的鏈路質量提供重要的先驗信息，從而為實現星地間不間斷激光通信提供重要保障。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于深度學習的云層變化趨勢預測方法，包括以下步驟：

步驟(1)，將從地面站采集的云圖序列做數據預處理。按地面站上空的云層狀況將云圖序列數據分為晴空、少云和多云三類，并確定訓練集、驗證集和測試集。

步驟(2)，基于卷積-長短期記憶網絡搭建深度預測網絡模型，深度預測網絡模型包括預測網絡層、時間切片全連接層和全連接層，其中，預測網絡層由四個模塊組成，分別是輸入卷積層，卷積-長短期記憶網絡層，預測層和誤差表示層，具體的更新規則如下：

其中，表示輸入卷積層，x_t表示輸入云層圖像，t表示當前時刻，l表示當前模型網絡層，MAXPOOL表示最大池化函數，RELU表示激活函數，CONV表示卷積函數，表示誤差網絡層，表示預測層，表示卷積長短期記憶網絡表示層，CONVLSTM表示卷積長短期記憶函數，UPSAMPLE表示上采樣函數，λ_t表示t時刻的誤差權重，n_l表示l層的誤差權重，L_train是總損失函數，定義為各層、各時刻預測誤差的加權和；