基于深度学习的风云卫星近地表空气温度反演方法技术

本发明专利技术涉及一种基于深度学习的风云卫星近地表空气温度反演方法，基于风云气象卫星遥感云图数据，采用Transformer网络和U型深度学习网络，利用Transformer网络多头注意力机制和U型深度学习网络将高阶与低阶特征融合的优势，通过Transformer对U形网络编码器学习到的低阶多尺度特征进行优化，然后融合到U形网络对应的高阶解码器特征中，在保持语义一致的同时，提高近地表空气温度重建结果的细节信息和精确性。本发明专利技术方法近实时地估计出对应的近地表空气温度，补足台站观测气象数据缺测地区的近地表空气温度的完整性和时效性，为天气预报预测等气象业务和研究提供基础数据支撑。预测等气象业务和研究提供基础数据支撑。预测等气象业务和研究提供基础数据支撑。

【技术实现步骤摘要】
基于深度学习的风云卫星近地表空气温度反演方法


[0001]本专利技术涉及卫星数据处理及反演领域，尤其涉及一种基于深度学习的风云卫星近地表空气温度反演方法。

技术介绍

[0002]近地表空气温度，即距离地面2米左右的空气温度，是与人类健康最相关的气象参数之一。精准高分辨率的近地面空气温度对于天气预报、气候预测、防灾减灾等具有重要作用。在目前最常用的三种气象观测系统中，地面台站分布稀疏，其观测资料无法反映近地表空气温度的真实空间分布，而且容易受地形和自然条件限制，部分偏远地区和地形复杂地区存在台站观测数据缺测的问题；天气雷达存在运行和维护成本较高，且其精度容易受地形、遮挡等因素的影响。卫星遥感具有全天候观测、覆盖范围广和时间精度高的优势，可以提供连续、全面观测、高分辨率的遥感资料，为地面台站、雷达观测提供了重要补充，已成为填补台站观测不足和空白的重要手段之一。
[0003]风云4A卫星是中国气象局（CMA）开发和发射的第二代地球静止气象卫星，于2016年12月11日在西昌卫星发射中心成功发射，2018年5月1日正式投入气象运行。风云4A卫星搭载的先进的地球同步辐射成像仪（AGRI）包含14个成像通道，光谱范围包括可见/近红外（0.45
∼
0.90
µ
m）、短波红外（1.36
∼
2.35
µ
m）、中波红外（3.5
∼
4.0
µ
m）、长波红外（8.0
∼
13.8
µ
m）和水蒸气（5.8
∼
7.3
µ
m）波段。其中，地表温度相关信息主要包含于第12和13通道图像。FY4A/AGRI捕获卫星亮度温度图像，全圆盘成像时间最低15分钟，空间分辨率为4公里。
[0004]卫星遥感具有全天候观测、覆盖范围广和时间精度高的优势，但其遥感资料是对大气运动状态的间接观测，需要通过一系列数学模型和算法（即反演算法）来推算出地球表面物理量参数。现有方法大多采用基于经验公式的方法，然而由于大气运动的动态和非线性复杂性、气象观测资料的时空高维特性，基于经验公式的方法难以精确分析出卫星遥感数据与地面物理参数间的真实关系。如何基于卫星遥感数据获取实时的高精度高分辨率的近地表空气温度仍然是一个有待深入研究和探索的问题。
[0005]最常用的气象缺失数据补全方法是空间和时间插值方法。空间插值方法根据相同时刻一定区域范围内其他台站的观测值来估计缺测的站点值，如反距离加权（Inverse Distance Weighted,IDW）插值方法、克里金插值法（Kriging）、最近邻空间插值方法、梯度距离平方反比法等。时间插值方法根据相同站点不同时刻观测到的序列数据来估算缺测值，如最近邻时间插值法是将同一站点最临近时刻的观测值赋值给缺测值，时间序列均值法是根据一定时间范围内该站点所有观测值的均值得到待插补值。这些方法虽然操作简单易计算，但其适应范围和效果非常有限，空间插值补全方法无法解决大区域范围的数据缺测问题，时间插值补全方法无法解决长时间数据缺测的问题。
[0006]卫星遥感具有全天候观测、覆盖范围广和时间精度高的优势，是获取全面连续气象观测资料的重要手段之一，为补足台站观测数据的完整性和时效性提供了重要支撑。卫星遥感近地表空气温度反演算法主要是基于卫星遥感红外光谱辐射数据，通过反演算法计
算出近地表空气温度。现有的近地表空气温度反演方法主要集是基于经验知识建立数学回归模型，然而由于大气运动的动态、非线性复杂性，基于经验公式的方法难以精确分析出卫星遥感红外光谱辐射数据与地面物理参数间的关系。此外，气象观测资料具有典型的时空大数据特性，基于深度学习的方法相对经验方法具有更强的数据处理能力和数据挖掘能力。虽然已有部分基于深度学习的卫星遥感近地表空气温度反演算法被提出，但基于风云卫星以及全球区域的研究工作还相对较少。因此，研究针对风云卫星遥感数据的近地表空气温度深度学习反演算法具有重要的意义和价值。

技术实现思路

[0007]针对现有技术之不足，本专利技术提出基于深度学习的风云卫星近地表空气温度反演方法，基于风云卫星遥感云图数据，通过Transformer网络结合U型深度学习网络，利用Transformer网络的多头注意力机制和U型深度学习网络将高阶与低阶特征融合的优势，将低阶有用的细节信息优化后融合到高阶特征中，提高近地表空气温度反演结果的空间细节信息和精准性，具体包括：步骤1：建立标准数据库，构成训练集和测试集：步骤11：收集全圆盘风云四号A星卫星数据、全球再分析数据ERA5的近地表空气温度数据，将所述卫星数据的第12和第13光谱通道数据及其所选研究区域的经纬度辅助数据用作输入，所选研究区域的全球再分析数据ERA5的近地表空气温度数据作为真值；步骤12：对上述步骤11收集到的数据中可能存在的缺失值和异常值进行处理；步骤13：将卫星数据和全球再分析ERA5近地表空气温度数据进行时空匹配处理；步骤14：按约定比例将上述步骤13处理好的数据划分为训练集和测试集。
[0008]步骤2：构建卫星反演深度神经网络并进行初始化，所述深度神经网络模型包括编码器、解码器和Transformer模块，其中，所述编码器和解码器构成U形网络，所述Transformer模块对低阶的编码特征进行优化后融合到对应层的高阶解码特征中；步骤3：将所述卫星数据的第12和13光谱通道数据和所选研究区域的经纬度辅助数据沿通道维度拼接，并进行[0,1]标准化处理后输入所述卫星反演深度神经网络进行训练，反演出所述研究区域的近地表空气温度，具体过程如下：步骤31：所述编码器由k个特征提取层组成，依次从输入的卫星数据中提取出与近地表空气温度相关的特征信息，得到k个多尺度特征信息f
i
，i=1，2，3
…
k，并将最后一层特征提取层提取的特征传递到解码器中，其余特征输入所述Transformer模块；步骤32：所述Transformer模块首先采用不同大小的卷积核，分别对上述编码器的前k
‑
1特征提取层提取得到的多尺度特征信息f
i
进行卷积处理，得到序列长度相同、大小不同的多尺度信息；然后将所述多尺度信息进行拼接，得到融合特征F；最后通过一个交叉注意力子模块，计算多尺度信息与融合特征F之间的交叉注意力，最终得到优化后的多尺度信息O
j
，j=1,2,3，
…
，k
‑
1，其中，所述交叉注意力子模块包含多个结构相同的交叉注意力网络层；步骤33：所述解码器模块由k
‑
1个特征重建层和一个卷积层组成，每个特征重建层重建的特征记为D
j
，当前特征重建层接收解码器后一层网络重建的特征D
j+1
和对应层优化后的多尺度信息O
j
，进行特征重建后将其传递给解码器前一层网络，具体过程如下：
步骤331：第j特征重建层接收后一个特征重建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的风云卫星近地表空气温度反演方法，其特征在于，所述反演方法基于风云卫星遥感云图数据，通过Transformer网络结合U型深度学习网络，利用Transformer网络的多头注意力机制和U型深度学习网络将高阶与低阶特征融合的优势，将低阶有用的细节信息优化后融合到高阶特征中，提高近地表空气温度反演结果的空间细节信息和精准性，具体包括：步骤1：建立标准数据库，构成训练集和测试集：步骤11：收集全圆盘风云四号A星卫星数据、全球再分析数据ERA5的近地表空气温度数据，将所述卫星数据的第12和第13光谱通道数据及其所选研究区域的经纬度辅助数据用作输入，所选研究区域的全球再分析数据ERA5的近地表空气温度数据作为真值；步骤12：对上述步骤11收集到的数据中可能存在的缺失值和异常值进行处理；步骤13：将卫星数据和全球再分析ERA5近地表空气温度数据进行时空匹配处理；步骤14：按约定比例将上述步骤13处理好的数据划分为训练集和测试集；步骤2：构建卫星反演深度神经网络并进行初始化，所述深度神经网络模型包括编码器、解码器和Transformer模块，其中，所述编码器和解码器构成U形网络，所述Transformer模块对低阶的编码特征进行优化后融合到对应层的高阶解码特征中；步骤3：将所述卫星数据的第12和13光谱通道数据和所选研究区域的经纬度辅助数据沿通道维度拼接，并进行[0,1]标准化处理后输入所述卫星反演深度神经网络进行训练，反演出所述研究区域的近地表空气温度，具体过程如下：步骤31：所述编码器由k个特征提取层组成，依次从输入的卫星数据中提取出与近地表空气温度相关的特征信息，得到k个多尺度特征信息f
i
，i=1，2，3
…
k，并将最后一层特征提取层提取的特征信息传递到解码器中，其余特征信息输入所述Transformer模块；步骤32：所述Transformer模块首先采用不同大小的卷积核，分别对上述编码器的前k
‑
1特征提取层提取得到的多尺度特征信息f
i
进行卷积处理，得到序列长度相同、大小不同的多尺度信息；然后将所述多尺度信息...

【专利技术属性】
技术研发人员：杨善敏，任青，吴锡，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：