[發明專利]一種基于深度學習的衛星云圖外推方法

在審

• 申請號: 202211657656.1
• 申請日: 2022-12-22
• 公開（公告）號: CN116246179A
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 成巍;姜宇航;李亞云;孫敬哲;高峰;劉廠
• 申請（專利權）人: 中國人民解放軍61540部隊;哈爾濱工程大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/77;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 南京鼎坤專利代理事務所(普通合伙) 32681
• 代理人: 王芳芳

1.一種基于深度學習的衛星云圖外推方法，其特征在于，包括以下步驟：

步驟一：使用歷史衛星觀測數據構建氣象衛星時間序列云圖數據集；

步驟二：構建基于深度學習的衛星云圖外推模型；

步驟三：根據構建的衛星時間序列云圖數據集對該深度學習模型進行訓練，得到衛星云圖外推模型；

步驟四：將實時的衛星時間序列云圖數據輸入衛星云圖外推模型，模型輸出未來一段時間的衛星云圖，從而實現衛星云圖外推。

2.根據權利要求1所述的一種基于深度學習的衛星云圖外推方法，其特征在于：所述步驟一中，使用歷史衛星觀測數據構建氣象衛星時間序列云圖數據集，具體包括以下步驟：

Q1：根據衛星采用的全球規范定義的靜止軌道標稱投影方式，通過經緯度行列號轉換公式將衛星云圖數據本身的行列號轉換為經緯度，將觀測通道按照經緯度范圍剪裁到需要進行衛星云圖外推的區域；

Q2：在衛星L1級觀測數據將包含多個不同波段的觀測信息,將衛星觀測波段集合定義為B＝{B1,B2,...,Bn}；

Q3：對L1級數據進行定標其中可見光通道通過查找定標表可以還原為反射率；紅外通道查表定標為亮溫數據，得到定標后的觀測通道數據集合Q＝{Q1,Q2,...,Qn}；

Q4：對預處理后的觀測通道數據進行投影轉換為等距圓柱投影，得到等經緯度的衛星觀測云圖數據；

Q4：選擇衛星觀測中的某一經過預處理的通道Qi，作為構建時間序列數據集的衛星觀測通道；將選中的衛星單通道數據Qi按照時間順序排列，得到單通道衛星觀測云圖數據集合T＝{T1,T2,…,Tn}；

Q5：衛星的觀測固定間隔定義為t，需要預測序列數據的長度定義為s；

Q6：使用滑窗在單通道衛星觀測云圖數據T中每次固定取2s個連續的衛星觀測云圖序列；并判斷取出的數據的觀測時間間隔是否為t×2s；若經過判斷不滿足這一條件，將滑窗整體向后方移動一位，重新提取數據，并判斷數據是否連續；滿足條件則將序列放入氣象衛星時間序列云圖數據集S。

3.根據權利要求1所述的一種基于深度學習的衛星云圖外推方法，其特征在于：所述步驟二中，構建基于深度學習的衛星云圖外推模型的具體步驟為：

深度學習模型的架構，深度學習模型所包含的編碼單元和解碼單元、殘差多分支單元、卷積層、反卷積層、激活函數層、批標準化層和用于連接編碼單元和解碼單元的跳躍鏈接層。

4.根據權利要求1所述的一種基于深度學習的衛星云圖外推方法，其特征在于：所述步驟三中，根據構建的衛星時間序列云圖數據集對該深度學習模型進行訓練，得到衛星云圖外推模型中具體包括以下步驟：

T1：在氣象衛星時間序列云圖數據集S中提取其中一條時間序列數據，其中前s個衛星觀測圖像作為輸入外推模型的輸入數據，后s個觀測圖像作為預測模型的標簽；

T2：定義均方根誤差為計算模型外推結果與標簽數據之間偏差的損失函數，用于計算模型外推結果與標簽數據之間的偏差，模型將通過這一偏差學習到衛星云圖的變化規律；

T3：將所述的氣象衛星時間序列云圖數據集S中的數據逐條輸入到模型中，使用Adam作為模型訓練的優化器、均方根誤差作為模型的損失函數，通過多次的迭代和評估后得到最終的衛星云圖外推模型。

5.根據權利要求1所述的一種基于深度學習的衛星云圖外推方法，其特征在于：所述步驟四中：將實時的衛星時間序列云圖數據輸入衛星云圖外推模型，模型輸出未來一段時間的衛星云圖，從而實現衛星云圖外推，具體包括以下步驟：

P1：獲得當前時刻的實時衛星觀測云圖以及當前時刻前s-1個衛星觀測云圖數據；

P2：將獲取的s個衛星觀測云圖數據按照權利要求2中的預處理方式構建為實時氣象衛星時間序列數據；

P3：將構建的實時氣象衛星觀測時間序列數據輸入模型，模型將輸出當前時刻未來的s個衛星圖像，從而實現對衛星觀測圖像的外推；

P4：將得到的衛星觀測圖像外推結果進行可視化。