融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法及装置制造方法及图纸

一种融合卫星观测亮温和高程的ResUNet

【技术实现步骤摘要】
融合卫星观测亮温和高程的ResUNet
‑
GAN全球雷达反演方法及装置


[0001]本专利技术属于雷达反演的
，特别是涉及一种融合卫星观测亮温和高程的ResUNet
‑
GAN全球雷达反演方法，以及一种融合卫星观测亮温和高程的ResUNet
‑
GAN全球雷达反演装置。

技术介绍

[0002]天气条件不仅影响人类的出行和生命财产安全，还对农业、航空、航海等领域具有重要影响。其中天气条件中包含的降水信息也是地球水循环不可缺少的一环。但随着全球气候变化，极端天气频繁，降水分布不均匀，干旱、城市内涝和滑坡等灾害频发，对人们造成了较大影响。因此，对降水信息实时、高频和大区域的观测是防灾减灾的重要手段，可以减少地质灾害风险区遭受的损失，降低事故发生率，协助调节水资源的适度分配，同时为全球的水循环和气候研究提供更多的资料。
[0003]气象领域对降水实况的观测一般主要有地基和天基两种方式。地基观测包括地面气象观测站的雨量计观测和降水雷达观测。雨量计观测的降水准确率较高，但仅集中于站点，只能提供单点的降水信息，在降水空间变异大的情况下，单点观测不能代表其单点周边的降水信息，代表性和空间范围受限。与站点观测相比，降水雷达可提供大范围的降水观测信息，且观测准确率较高，是提供陆地大范围降水实况的首选观测方式。但雷达站点只能布置在陆地，且受地形影响较大。此外，增加地面观测雷达站点需要消耗较大人力和财力，导致雷达站点覆盖的范围有限，难以获取山地和海洋的降水信息。天基观测，即气象卫星观测不受地域和地形等的限制，是地面观测资料的有效补充。不同的气象卫星，补充的数据信息并不相同，极轨卫星可以补充极地的观测，飞行的轨道低，观测的空间分辨率较高，一般可达百米，但对同一观测点观测时间的分辨率低，一天只能观测2次。而静止气象卫星对极地的观测畸变严重，但对非极地的同一观测点观测时间的分辨率高，每10分钟左右便可进行一次观测，且仅用3颗静止卫星便可覆盖全球区域。
[0004]此前对静止气象卫星载荷上红外通道观测的亮温进行降水信息反演的工作大多是利用统计的方法，对同一位置、同一时间的地面观测降水或雷达反射率与亮温进行匹配，拟合两者之间的关系，通过拟合的关系得到目标区域的降水信息。传统的方法做出的结果可以方便地迁移到多个地区使用，但代表性较差，使用的效果不理想。目前，利用深度学习进行雷达反演的研究是通过一部雷达，只针对局部区域，且仅关注强雷达回波，如35dBZ以上的局部强降水区，不能反映该区域小量级降水信息。此外，该方法在模型训练时的下垫面种类较少，当将该方法应用于林区、海洋等区域时，反演的效果准确性差。
[0005]针对上述雷达反演方法的不足，研究出一种融合卫星观测亮温和高程的ResUNet
‑
GAN全球雷达反演方法及装置，能基于静止卫星观测的亮温反演全球范围内各量级的降水信息，准确性和实效性能够满足多种应用场景，以解决现有降水观测难以同时满足高更新频率和高空间覆盖率的问题。

技术实现思路

[0006]本专利技术的目的在于提供一种融合卫星观测亮温和ResUNet
‑
GAN的全球雷达反演方法，以解决现有降水观测难以同时满足高更新频率和高空间覆盖率的问题。
[0007]本专利技术的目的及实现的技术方案如下。
[0008]本专利技术第一方面提出了一种融合卫星观测亮温和高程的ResUNet
‑
GAN全球雷达反演方法，该全球雷达反演方法包括：获取并处理亮温数据和地表高程数据，亮温数据基于静止卫星观测获取；建立并训练ResUNet模型，包括：建立ResUNet基础模型，将经过处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；建立GAN模型；将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型；将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果。
[0009]可选的，处理亮温数据包括：筛选亮温数据和/或对亮温数据进行预处理。
[0010]可选的，筛选亮温数据包括：判断原始区域是否满足分割的条件，如果满足，则分割原始区域内的亮温数据和地表高程数据得到局部区域的亮温数据和地表高程数据；如果不满足，则保留亮温数据不进行分割；将所有局部区域的亮温数据按比例分为训练集和验证集,训练集用于训练模型，验证集用于验证雷达反演结果。
[0011]可选的，对亮温数据进行预处理包括：对读取的数据进行重投影，将地理坐标投影转换至地理等经纬投影；对重投影后的数据进行输入模型前的预处理包括：判断历史观测的亮温数据和卫星观测获取的亮温数据是否存有异常的亮温数据和NaN数据；若存有异常的亮温数据和NaN数据，获取其掩码；对重投影后的非异常亮温数据进行归一化处理，归一化处理的公式为：x
i
′
＝(x
i
‑
x
min
)/(x
max
‑
x
min
)
ꢀꢀ
(1)
[0012]其中，x
i
为亮温数据归一化前的值，x
max
为当前和历史观测亮温数据的最大值，x
min
为当前和历史观测亮温数据的最小值，x
i
′
为亮温数据归一化后的值，i为不小于1的整数。
[0013]可选的，处理地表高程数据包括：对重投影后的地表高程数据进行归一化处理，归一化处理的公式为：y
j
′
＝(y
j
‑
y
min
)/(y
max
‑
y
min
)
ꢀꢀ
(2)
[0014]其中，y
j
为地表高程数据归一化前的值，y
max
为地表高程数据的最大值，y
min
为地表高程数据的最小值，y
j
′
为地表高程数据归一化后的值，j为不小于1的整数。
[0015]可选的，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型包括：基于Adam优化器训练ResUNet基础模型的网络参数；基于MSE损失函数对ResUNet基础模型进行训练约束，MSE损失函数公式为：Loss_fn＝torch.nn.MSELoss(reduction＝'mean')
ꢀꢀ
(3)
[0016]其中，Loss_fn＝torch.nn.MSELoss为一个测量输入和目标中每个元素间均方误差的函数；reduction为计算损失的方式,默认为'mean'，reduction的三个值分别取值如下：none：不应用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合卫星观测亮温和高程的ResUNet
‑
GAN全球雷达反演方法，其特征在于，包括：获取并处理亮温数据和地表高程数据，亮温数据基于静止卫星观测获取；建立并训练ResUNet模型，包括：建立ResUNet基础模型，将经过处理的亮温数据和地表高程输入ResUNet基础模型获得第一输出结果，将第一输出结果与当前的地面雷达数据进行比较获得损失值，基于损失值训练ResUNet基础模型获得第一阶段的ResUNet模型；建立GAN模型；将第一阶段的ResUNet模型加载至GAN模型后进行第二阶段联合训练，获得适用于不同下垫面的雷达反演模型；将经过处理的亮温数据和地表高程共同输入至雷达反演模型获得反演结果，处理输出的反演结果得到覆盖全球的雷达反演结果。2.根据权利要求1所述的全球雷达反演方法，其特征在于，处理亮温数据，包括：筛选亮温数据和/或对亮温数据进行预处理。3.根据权利要求2所述的全球雷达反演方法，其特征在于，筛选亮温数据，包括：判断原始区域是否满足分割的条件，如果满足，则分割原始区域内的亮温数据和地表高程数据得到局部区域的亮温数据和地表高程数据；如果不满足，则保留亮温数据不进行分割；将所有局部区域的亮温数据按比例分为训练集和验证集,训练集用于训练模型，验证集用于验证雷达反演结果。4.根据权利要求2所述的全球雷达反演方法，其特征在于，对亮温数据进行预处理，包括：对读取的数据进行重投影，将地理坐标投影转换至地理等经纬投影；对重投影后的数据进行输入模型前的预处理，包括：判断历史观测的亮温数据和卫星观测获取的亮温数据是否存有异常的亮温数据和NaN数据；若存有异常的亮温数据和NaN数据，获取其掩码；对重投影后的非异常亮温数据进行归一化处理，归一化处理的公式为：x
i
′
＝(x
i
‑
x
min
)/(x
max
‑
x
min
)；其中，x
i
为亮温数据归一化前的值，x
max
为当前和历史观测亮温数据的最大值，x
min
为当前和历史观测亮温数据的最小值，x
i
′
为亮温数据归一化后的值，i为不小于1的整数。5.根据权利要求1所述的全球雷达反演方法，其特征在于，处理地表高程数据，包括：对重投影后的地表高程数据进行归一化处理，归一化处理的公式为：y
j
′
＝(y
j
‑
y
min
)/(y
max
‑
y
min
)；其中，y
j
为地表高程数据归一化前的值，y
max
为地表高程数据的最大值，y
min
为地表高程数据的最小值，y
j
′
为地表高程数据归一化后的值，j为不小于1的整数。6.根据权利要求1所述的全球雷达反演方法，其特征在于，...

【专利技术属性】
技术研发人员：梁红丽，孟庆业，
申请(专利权)人：广州彩彻区明科技有限公司，
类型：发明
国别省市：