一种基于maskrcnn深度学习的热带气旋中心定位与定强方法技术

本公开的实施例提供了一种基于maskrcnn深度学习的热带气旋中心定位与定强方法，应用于卫星遥感监测灾害技术领域。所述方法包括对采集的静止卫星大气窗区通道遥感图像、水汽吸收带通道遥感图像和多源卫星融合的海面风场图像进行预处理，制作训练样本标签；输入训练样本标签，调参，迭代训练直至模型收敛且无过拟合，构建基于maskrcnn深度学习的训练模型；热带气旋中心定位定强预测；根据前一时刻的热带气旋历史路径订正有多个热带气旋云系的预测结果，或者剔除错误识别的非热带气旋云系，并进行精度评价。以此方式，可以一次实现对热带气旋云系识别及中心定位预测与热带气旋定强预测，并提高无眼热带气旋云系整个发展阶段的中心定位与定强的准确率。的中心定位与定强的准确率。的中心定位与定强的准确率。

【技术实现步骤摘要】
一种基于maskrcnn深度学习的热带气旋中心定位与定强方法


[0001]本公开涉及卫星遥感监测灾害
，尤其涉及一种基于maskrcnn深度学习的热带气旋中心定位与定强方法


技术介绍

[0002]热带气旋(Tropical Cyclone，TC)是一种气旋性环流，体量巨大，直径小的有300
‑
400km，大的可达1000
‑
2000km，往往发生在热带和亚热带的海面上，包括生成发展期，成熟期以及消亡期，在不同发展阶段表现出不同的纹理、形状特征，由于传统图像分割技术本身的局限性，基于云系单一特征的识别方法，难以对整个发展阶段的热带气旋进行高准确率的识别，且不同形态的热带气旋中心定位需采用不同的定位方法。现有关于深度学习实现热带气旋中心定位定强的技术，大部分都采用CNN(深度卷积神经网络)结构、Faster rcnn结构，很少采用Mask rcnn结构。并且大部分方法仅针对具有明显风眼的台风进行中心定位定强。目前基于maskrcnn(Region Convolutional Neural Network，区域卷积神经网络)深度学习的热带气旋中心定位方法主要是基于静止卫星单通道的红外图像，但静止卫星红外通道无法获得低层的TC云系信息，且热带气旋中心定位和定强是基于不同的深度学习方法分开处理的。

技术实现思路

[0003]本公开提供了一种基于maskrcnn深度学习的热带气旋中心定位与定强方法。该方法包括：
[0004]卫星图像处理及训练样本标签制作：对采集的静止卫星大气窗区通道遥感图像、水汽吸收带通道遥感图像和多源卫星融合的海面风场图像进行预处理，制作热带气旋中心定位定强训练样本标签；
[0005]深度学习训练模型构建：输入训练样本标签，调参，迭代训练直至模型收敛且无过拟合，构建基于maskrcnn深度学习的热带气旋中心定位定强训练模型；
[0006]热带气旋中心定位定强预测：将多通道的待预测卫星遥感图像输入到预先训练好的热带气旋中心定位定强模型，生成热带气旋定位定强结果；
[0007]预测结果订正及精度评价：根据前一时刻的热带气旋历史路径订正有多个热带气旋云系的预测结果，或者剔除错误识别的非热带气旋云系，并进行精度评价。
[0008]进一步地，所述卫星图像处理及训练样本标签制作过程包括：
[0009]采集历史图像，所述历史图像包括大气窗区通道遥感图像、水汽吸收带通道遥感图像和海面风场图像；
[0010]对所述历史图像进行匹配处理；
[0011]根据热带气旋中心定位点及预设的裁剪尺寸规则，对匹配处理后的图像进行裁剪，生成热带气旋样本集；所述中心定位点是根据热带气旋最佳路径数据集对应时刻的热带气旋个例确定；
[0012]对裁剪后的图像进行热带气旋中心和不同等级热带气旋强度的自动标注，生成热带气旋标签集；
[0013]进行数据分割，生成热带气旋中心定位定强模型的训练数据集。
[0014]进一步地，所述对裁剪后的图像进行热带气旋中心和不同等级热带气旋强度的自动标注包括：
[0015]通过修改标注框和图像属性，实现自动标注生成标签。
[0016]进一步地，所述根据热带气旋中心定位点及预设的裁剪尺寸规则，对匹配处理后的图像进行裁剪，生成热带气旋样本集，还包括：
[0017]对裁剪后得到的图像进行改变亮度、加噪声、加随机点、图像模糊、平移、旋转、镜像处理。
[0018]进一步地，所述深度学习训练模型构建过程，包括：
[0019]预先设置热带气旋中心定位定强目标检测卷积网络结构的初始化参数；
[0020]模型训练过程中，对热带气旋中心定位定强卷积网络结构的参数进行调整；
[0021]改造优化热带气旋中心定位定强目标检测maskrcnn网络结构；将训练样本标签输入到热带气旋中心定位定强卷积网络结构进行模型训练和验证；计算对训练集的预测结果和真实标签之间的焦点损失，得到拟合误差，利用Adam优化器最小化误差；
[0022]不断迭代重复上述过程，直至模型训练和验证误差收敛，训练集和验证集的损失值趋于稳定，且训练集和验证集的准确率大于等于预设阈值时，完成热带气旋中心定位定强模型的样本学习，构建基于maskrcnn深度学习的热带气旋中心定位定强训练模型。
[0023]进一步地，对热带气旋中心定位定强卷积网络结构进行模型训练和验证的过程包括：
[0024]采用Adam优化器最小化误差，与批量归一化层结合，遍历训练集迭代地更新神经网络权重直至收敛，遍历1轮训练集上的所有最小批作为1个训练轮数，Adam优化计算公式和参数设置如下：
[0025][0026]m
t
＝β1m
t
‑1+(1
‑
β1)g
t
[0027][0028][0029][0030][0031]其中，表示损失函数的导数，即梯度；t表示训练集最小批的个数；超参数α表示学习率，随着训练轮数(epoch)而衰减；β1表示一阶矩估计的指数衰减率，β2表示二阶矩估计的指数衰减率；ε参数表示在训练中除数为零时添加的非常小的值；f
t
(θ)表示随机目标函数；其他参数分别为初始化参数向量θ、一阶矩向量m
t
‑1、二阶矩向量v
t
‑1；
[0032]g
t
表示求取随机目标函数的梯度，m
t
表示更新梯度的一阶矩估计(均值)，v
t
表示更新梯度的二阶原始矩估计(有偏方差)，表示计算偏差修正的一阶矩估计，表示计算偏差修正的二阶原始矩估计，θ
t
表示用上述值循环迭代更新参数向量θ直至θ收敛；
[0033]采用focal loss损失函数对样本进行均衡处理，其中，多分类目标检测中的focal loss损失函数定义如下：
[0034]FL(p
t
)＝
‑
α
t
(1
‑
p
t
)
γ
log(p
t
)
[0035]p
t
是Softmax激活函数输出结果中样本属于真实类别第t类的概率，表示区分样本难易分类的程度，引入调制参数γ，表示对第t类样本的交叉熵衰减程度，调制参数α
t
，表示第t类样本的权重。
[0036]进一步地，对热带气旋中心定位定强卷积网络结构的参数调整过程包括：
[0037]选择合适的深度残差网络结构提取原始图像的特征图；
[0038]设置锚框的尺寸和长宽比；
[0039]设置正负样本比例；
[0040]调节生成区域候选框的相应参数；
[0041]调节剔除重叠区域候选框的相应参数。
[0042]进一步地，所述预测结果订正及精度评价，包括：
[0043]计算热本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于maskrcnn深度学习的热带气旋中心定位与定强方法，其特征在于，包括：卫星图像处理及训练样本标签制作：对采集的静止卫星大气窗区通道遥感图像、水汽吸收带通道遥感图像和多源卫星融合的海面风场图像进行预处理，制作热带气旋中心定位定强训练样本标签；深度学习训练模型构建：输入训练样本标签，调参，迭代训练直至模型收敛且无过拟合，构建基于maskrcnn深度学习的热带气旋中心定位定强训练模型；热带气旋中心定位定强预测：将多通道的待预测卫星遥感图像输入到预先训练好的热带气旋中心定位定强模型，生成热带气旋定位定强结果；预测结果订正及精度评价：根据前一时刻的热带气旋历史路径订正有多个热带气旋云系的预测结果，或者剔除错误识别的非热带气旋云系，并进行精度评价。2.根据权利要求1所述的方法，其特征在于，所述卫星图像处理及训练样本标签制作过程包括：采集历史图像，所述历史图像包括大气窗区通道遥感图像、水汽吸收带通道遥感图像和海面风场图像；对所述历史图像进行匹配处理；根据热带气旋中心定位点及预设的裁剪尺寸规则，对匹配处理后的图像进行裁剪，生成热带气旋样本集；所述中心定位点是根据热带气旋最佳路径数据集对应时刻的热带气旋个例确定；对裁剪后的图像进行热带气旋中心和不同等级热带气旋强度的自动标注，生成热带气旋标签集；进行数据分割，生成热带气旋中心定位定强模型的训练数据集。3.根据权利要求2所述的方法，其特征在于，所述对裁剪后的图像进行热带气旋中心和不同等级热带气旋强度的自动标注包括：通过修改标注框和图像属性，实现自动标注生成标签。4.根据权利要求2所述的方法，其特征在于，所述根据热带气旋中心定位点及预设的裁剪尺寸规则，对匹配处理后的图像进行裁剪，生成热带气旋样本集，还包括：对裁剪后得到的图像进行改变亮度、加噪声、加随机点、图像模糊、平移、旋转、镜像处理。5.根据权利要求1所述的方法，其特征在于，所述深度学习训练模型构建过程，包括：预先设置热带气旋中心定位定强目标检测卷积网络结构的初始化参数；模型训练过程中，对热带气旋中心定位定强卷积网络结构的参数进行调整；改造优化热带气旋中心定位定强目标检测maskrcnn网络结构；将训练样本标签输入到热带气旋中心定位定强卷积网络结构进行模型训练和验证；计算对训练集的预测结果和真实标签之间的焦点损失，得到拟合误差，利用Adam优化器最小化误差；不断迭代重复上述过程，直至模型训练和验证误差收敛，训练集和验证集的损失值趋于稳定，且训练集和验证集的准确率大于等于预设阈值时，完成热带气旋中心定位定强模型的样本学习，构建基于maskrcnn深度学习的热带气旋中心定位定强训练模型。6.根据权利要求5所述的方法，其特征在于，对热带气旋中心定位...

【专利技术属性】
技术研发人员：姬伟，冯德财，葛锡志，马新野，
申请(专利权)人：中科星图维天信北京科技有限公司，
类型：发明
国别省市：