基于pix2pix的雷达反射率预估方法及装置制造方法及图纸

基于pix2pix的雷达反射率预估方法及装置，通过离差标准化，对处于预设光谱通道有效值范围之外的遥感影像像素值映射到[0,1]范围内，并将映射后的遥感影像像素值转换为值域0～255的图像像素值；pix2pix对抗神经网络模型包括生成模型和辨别模型；生成模型使用经过改进的Unet网络，该网络先进行编码再进行解码，编码采用带步长的卷积完成，网络架构中利用全尺度的跳跃连接和深度监督；辨别模型采用条件判别器。本发明专利技术可以有效弥补没有雷达覆盖区域的强对流天气监测；可以减少网络参数，提高计算效率；实现了局部图像特征的提取和表征，同时将局部图像特征和整体图像特性相融合，有利于生成高分辨率的图像。于生成高分辨率的图像。于生成高分辨率的图像。

【技术实现步骤摘要】
基于pix2pix的雷达反射率预估方法及装置


[0001]本专利技术属于环境监测
，具体涉及一种基于pix2pix的雷达反射率预估方法及装置。

技术介绍

[0002]FY
‑
4卫星是中国继FY
‑
2卫星之后，发展的新一代静止气象卫星，作为中国新一代静止轨道气象卫星，FY
‑
4卫星承担地球区域大气和地表的高频次观测，主要应用目标是为提高天气预报准确率提供监测数据和产品。FY
‑
4光学系列卫星的主要任务是：获取地球表面和云的多光谱、高精度定量观测数据和图像，特别是高频次的区域图像，全面提高对地球表面和大气物理参数的多光谱、高频次、定量探测能力；实现大气三维结构探测，获得垂直分辨率和精度更高的温度与湿度参数；实现闪电成像观测，获取观测覆盖区范围内的闪电分布图；利用星载转发器进行卫星图像和产品的广播分发及自然灾害警报信息发布；利用数据收集系统自动收集多种地球环境参数资料；监测太阳活动和空间环境，为空间天气预报业务和研究提供观测数据。
[0003]随着遥感技术的不断发展，特别是多普勒雷达、卫星观测技术的逐渐成熟，多种非常规观测资料的不断丰富。在强对流天气系统发生发展时，往往对流旺盛，云团迅速发展，并伴有强烈的放电现象。因此对雷达反射率的准确估计对强对流天气具有很好的警示作用。目前，我国在气象资料观测上也取得了很多进展，先后总共部署了200多部多普勒天气雷达，是捕捉强对流天气最有效的手段，然而雷达观测易受地形影响，其在高原、山区、洋面等区域就存在一定盲区。
[0004]现阶段，深度学习技术在计算机视觉领域的应用越来越广泛，图像分类、物体识别和语义分割任务等都获得了重大突破。与传统机器学习需要依赖人工提取特征不同，深度学习可自动提取影像特征，并具有可迁移性的特点。如何通过深度学习技术解决雷达观测的盲区是具有研究价值的事情。

技术实现思路

[0005]为此，本专利技术提供一种基于pix2pix的雷达反射率预估方法及装置，通过估计雷达反射率解决雷达观测盲区的问题，提高短临预报的准确率。
[0006]为了实现上述目的，本专利技术提供如下技术方案：基于pix2pix的雷达反射率预估方法，包括：
[0007]数据预处理：通过离差标准化，对处于预设光谱通道有效值范围之外的遥感影像像素值映射到[0,1]范围内，并将映射后的遥感影像像素值转换为值域0～255的图像像素值；
[0008]模型搭建：进行pix2pix对抗神经网络模型构建，所述pix2pix对抗神经网络模型包括生成模型G和辨别模型D；
[0009]所述生成模型G使用图像分割网络，所述图像分割网络先进行编码再进行解码，所
述编码采用带步长的卷积完成，图像分割网络架构中利用全尺度的跳跃连接和深度监督；通过所述全尺度的跳跃连接将来自不同尺度特征图中的高级语义与低级语义结合，所述深度监督从多尺度聚合的特征图中学习层次表示；
[0010]所述辨别模型D采用条件判别器，所述条件判别器在输入数据x的条件下，对生成数据G(x)判断是否为假，对输入数据x判断是否为真。
[0011]作为基于pix2pix的雷达反射率预估方法的优选方案，数据预处理过程中，将预设区域的红外通道数据与雷达回波产品进行等经纬度投影转换，将得到的投影数据采用双线性内插进行匹配，得到空间分辨率小于10公里，时间误差小于1小时的配准数据。
[0012]作为基于pix2pix的雷达反射率预估方法的优选方案，将所述配准数据嵌入FY
‑
4A卫星资料数据上得到融合数据，将所述融合数据与FY
‑
4A L1数据配对，获得用于训练的数据集。
[0013]作为基于pix2pix的雷达反射率预估方法的优选方案，所述图像分割网络采用改进的Unet网络，改进的Unet网络前三个跳跃层在同层之间进行连接，前三个跳跃层还通过最大池化操作将尺度小于预设值的编码器层进行池化下采样。
[0014]作为基于pix2pix的雷达反射率预估方法的优选方案，改进的Unet网络中，最底层的两个跳跃层通过双线性插值对编码器层进行上采样，以放大特征图的分辨率。
[0015]作为基于pix2pix的雷达反射率预估方法的优选方案，所述生成模型G中，定义在低维数据空间的噪声分布p
noise
(z)，通过参数为θ
g
的G映射到高维数据空间得到p
g
(z)＝G(z,θ
g
)，其中，G为含有参数θ
g
的多层感知机表示的可微函数。
[0016]作为基于pix2pix的雷达反射率预估方法的优选方案，所述辨别模型D中，用D(x；θ
d
)输出一个单独的标量，其中，D是一个多层感知机，D(x)表示输入数据x来自于真实数据分布，训练D使得辨别模型正确区分x是训练样本还是生成模型G的生成样本。
[0017]作为基于pix2pix的雷达反射率预估方法的优选方案，训练生成模型G使得log(1
‑
D(G(z)))最小。
[0018]作为基于pix2pix的雷达反射率预估方法的优选方案，设置训练样本大小、批次大小、迭代次数和学习率，优化器采用Adam Optimizer，进行生成模型G和辨别模型D调优。
[0019]本专利技术还提供一种基于pix2pix的雷达反射率预估装置，采用上述的基于pix2pix的雷达反射率预估方法，包括：
[0020]数据预处理模块，用于通过离差标准化，对处于预设光谱通道有效值范围之外的遥感影像像素值映射到[0,1]范围内，并将映射后的遥感影像像素值转换为值域0～255的图像像素值；
[0021]模型搭建模块，用于进行pix2pix对抗神经网络模型构建，所述pix2pix对抗神经网络模型包括生成模型G和辨别模型D；
[0022]所述生成模型G使用图像分割网络，所述图像分割网络先进行编码再进行解码，所述编码采用带步长的卷积完成，图像分割网络架构中利用全尺度的跳跃连接和深度监督；通过所述全尺度的跳跃连接将来自不同尺度特征图中的高级语义与低级语义结合，所述深度监督从多尺度聚合的特征图中学习层次表示；
[0023]所述辨别模型D采用条件判别器，所述条件判别器在输入数据x的条件下，对生成数据G(x)判断是否为假，对输入数据x判断是否为真。
[0024]本专利技术具有如下优点：通过离差标准化，对处于预设光谱通道有效值范围之外的遥感影像像素值映射到[0,1]范围内，并将映射后的遥感影像像素值转换为值域0～255的图像像素值；进行pix2pix对抗神经网络模型构建，pix2pix对抗神经网络模型包括生成模型G和辨别模型D；生成模型G使用图像分割网络，Unet网络先进行编码再进行解码，编码采用带步长的卷积完成，图像分割网络架构中利用全尺度的跳跃连接和深度监督；通过全尺度的跳跃连接将来自不同尺度特征图中的高级语义与低级语义结合，深度监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于pix2pix的雷达反射率预估方法，其特征在于，包括：数据预处理：通过离差标准化，对处于预设光谱通道有效值范围之外的遥感影像像素值映射到[0,1]范围内，并将映射后的遥感影像像素值转换为值域0～255的图像像素值；模型搭建：进行pix2pix对抗神经网络模型构建，所述pix2pix对抗神经网络模型包括生成模型G和辨别模型D；所述生成模型G使用图像分割网络，所述图像分割网络先进行编码再进行解码，所述编码采用带步长的卷积完成，图像分割网络架构中利用全尺度的跳跃连接和深度监督；通过所述全尺度的跳跃连接将来自不同尺度特征图中的高级语义与低级语义结合，所述深度监督从多尺度聚合的特征图中学习层次表示；所述辨别模型D采用条件判别器，所述条件判别器在输入数据x的条件下，对生成数据G(x)判断是否为假，对输入数据x判断是否为真。2.根据权利要求1所述的基于pix2pix的雷达反射率预估方法，其特征在于，数据预处理过程中，将预设区域的红外通道数据与雷达回波产品进行等经纬度投影转换，将得到的投影数据采用双线性内插进行匹配，得到空间分辨率小于10公里，时间误差小于1小时的配准数据。3.根据权利要求2所述的基于pix2pix的雷达反射率预估方法，其特征在于，将所述配准数据嵌入FY
‑
4A卫星资料数据上得到融合数据，将所述融合数据与FY
‑
4A L1数据配对，获得用于训练的数据集。4.根据权利要求1所述的基于pix2pix的雷达反射率预估方法，其特征在于，所述图像分割网络采用改进的Unet网络，改进的Unet网络前三个跳跃层在同层之间进行连接，前三个跳跃层还通过最大池化操作将尺度小于预设值的编码器层进行池化下采样。5.根据权利要求5所述的基于pix2pix的雷达反射率预估方法，其特征在于，改进的Unet网络中，最底层的两个跳跃层通过双线性插值对编码器层进行上采样，以放大特征图的分辨率。6.根据权利要求1所述的基于pix2pix的雷达反射率预估方法，其特征在于，所述生成模型G中，定义在低维数据空间的噪声分...

【专利技术属性】
技术研发人员：高昂，肖萌，杨军，唐世浩，郑伟，姜灵峰，咸迪，
申请(专利权)人：国家卫星气象中心国家空间天气监测预警中心，
类型：发明
国别省市：