【技术实现步骤摘要】
一种卫星多通道辐亮度图像外推方法、装置及存储介质
[0001]本专利技术实施例涉及图像外推
，特别涉及一种卫星多通道辐亮度图像外推方法、装置及存储介质。
技术介绍
[0002]卫星多通道辐亮度图像数据的有效外推对有效、准确获取未来时刻气象参数数据具有非常重要的意义。卫星多通道辐亮度图像外推的本质是完成图像数据在时间、空间序列的特征提取、分析、总结，并预测生成未来时刻图像数据。
[0003]当前，卫星多通道辐亮度图像外推生成的方法主要为光流法，如多尺度光流模型、半拉格朗日光流模型等。然而光流法的亮度恒定假设在卫星多通道辐亮度图像外推中不适用；光流运动场的估计只能利用给定的相邻两张卫星多通道辐亮度图像。随着人工智能技术的发展，基于卷积循环神经网络的外推方法也被广泛用于外推生成未来时刻预测数据，但现有网络模型仍存在难以有效外推时间较短、长时间外推时生成的图像数据质量差的问题。
技术实现思路
[0004]本专利技术提供了一种卫星多通道辐亮度图像外推方法、装置及存储介质，该外推方法能够有效、准确地获取较长...
【技术保护点】
【技术特征摘要】
1.一种卫星多通道辐亮度图像外推方法，其特征在于，包括：接收到目标区域对于未来时刻的图像外推请求；获取所述目标区域在不同时刻下的卫星多通道辐亮度图像；利用所述不同时刻下的卫星多通道辐亮度图像，训练得到图像外推模型；其中，所述图像外推模型包括卷积循环神经网络与生成对抗网络；所述卷积循环神经网络还包括：将上一个时间步的最后一个ConvGRU单元的输出结果输入至下一个时间步的第一个ConvGRU单元中；将所述不同时刻下的卫星多通道辐亮度图像输入所述图像外推模型中，并根据所述图像外推请求输出在所述未来时刻的目标外推图像。2.根据权利要求1所述的方法，其特征在于，所述利用所述不同时刻下的卫星多通道辐亮度图像，训练得到图像外推模型，包括：根据所述卫星多通道辐亮度图像，确定至少两组样本集；其中，每一组样本集中包括作为输入的历史时刻的卫星多通道辐亮度图像以及作为输出的当前时刻的卫星多通道辐亮度图像；所述样本集包括：训练集、验证集；基于所述卷积循环神经网络与所述生成对抗网络，构建初始图像外推模型；其中，所述卷积循环神经网络的每个时间步中，每一层编码ConvGRU单元的输出均拼接到对应层的解码ConvGRU单元的输入中；利用所述至少两组所述训练集对所述初始图像外推模型进行训练，得到所述图像外推模型。3.根据权利要求1或2所述的方法，其特征在于，所述利用所述不同时刻下的卫星多通道辐亮度图像，训练得到图像外推模型，包括：在训练时引入损失函数；所述损失函数由平均绝对误差损失函数、均方误差损失函数和FocalLoss损失函数组成；当所述损失函数的值低于预设损失阈值时，结束训练；所述损失函数表示如下：L＝λ
l
*MAE+λ2+MSE+λ3*Focal Loss其中，L用于表征所述损失函数；MAE用于表征所述平均绝对误差损失函数；λ1用于表征所述MAE的权重系数；MSE用于表征所述均方误差损失函数；λ2用于表征所述MSE的权重系数；FocalLoss用于表征所述FocalLoss损失函数；λ3用于表征所述FocalLoss的权重系数。4.根据权利要求2所述的方法，其特征在于，所述利用所述至少两组训练集对所述初始图像外推模型进行训练，得到所述图像外推模型，包括：在所述利用所述至少两组训练集对所述初始图像外推模型进行训练之后，得到第一图像外推模型；将所述验证集输入所述第一图像外推模型中，得到预测的当前时刻的卫星多通道辐亮度图像；根据所述预测的当前时刻的卫星多通道辐亮度图像与所述验证集中的当前时刻的卫星多通道辐亮度图像，确定均方根误差、临界成功指数和HSS评分；判断所述均方根误差是否大于第一预设阈值、所述临界成功指数是否小于第二预设阈值以及所述HSS评分是否小于第三预设阈值；
若判断均...
【专利技术属性】
技术研发人员：陈峰，翟佳，张子恺，谢晓丹，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。