【技术实现步骤摘要】
本专利技术涉及气象监测，尤其涉及一种基于unet模型和气象数据的雷达反射率反演方法及系统。
技术介绍
1、目前，具有高时空分辨率且可以全天候工作的气象雷达正在全国逐步部署，通过气象雷达数据可以有效的监测到对流天气，其中大于35dbz的雷达反射率通常预示着强对流天气的存在。但是受到地形以及经济的制约，气象雷达分布呈现不均匀的特点。静止气象卫星则不受地形约束且观测范围更广，因此可以进行更广泛的持续的气象监测。并且随着技术的发展，静止气象卫星在时间和空间分辨率上不断提高。但是卫星探测由于自身的限制，仅能探测到对流顶部，无法精细获取对流尺度的结构信息，对降水估计也较差。
2、因此，为提供范围更广精度更高的气象监测，将气象卫星数据转化为雷达数据成为切实可行的路线。但是，基于传统方法预测的雷达反射率难以识别出强对流天气，实用性不强。而现有技术中，基于深度学习的雷达反射率反演使用的仅仅是简单模型，导致反演精确度低，预测的雷达反射率误差较大。
技术实现思路
1、本专利技术提供一种基于unet模型和气象数据的雷达反射率反演方法及系统，提高了雷达反射率的反演精确度。
2、为了解决上述技术问题，本专利技术提供了一种基于深度学习和静止气象卫星数据的雷达组合反射率反演方法及系统，包括：
3、获取目标时刻的第一气象数据；
4、将所述第一气象数据输入到预设的雷达反射率反演模型中，使所述雷达反射率反演模型对所述第一气象数据进行混合卷积和下采样后，提取所述第一气象数据
5、其中，所述雷达反射率反演模型是通过输入气象样本数据，输出雷达反射率来进行训练后得到的基于unet模型的雷达反射率反演模型。
6、本专利技术实施例构建基于unet模型的雷达反射率反演模型，将相关气象数据输入至该雷达反射率反演模型中，即可输出反演的雷达反射率。相较于传统unet模型，雷达反射率反演模型的混合卷积和下采样过程能够提取更多数据特征信息，因此雷达反射率的反演精确度更高。结合气象大数据的应用，得以实现大范围的无间断的雷达反射率数据的反演，从而对全天候气象进行监测。
7、进一步的，所述雷达反射率反演模型对所述第一气象数据进行混合卷积和下采样后，提取所述第一气象数据的多尺度特征，具体为：
8、将所述第一气象数据输入到所述雷达反射率反演模型的编码器中；
9、通过编码器的混合卷积模块对所述第一气象数据进行特征提取，输出卷积特征；
10、将卷积特征输入到编码器的池化增强模块中进行下采样，输出下采样特征；
11、将卷积特征和下采样特征进行连接，输出编码器提取的多尺度特征。
12、进一步的，所述通过编码器的混合卷积模块进行特征提取，输出卷积特征，具体为：
13、将所述第一气象数据输入到混合卷积模块中；
14、通过混合卷积模块的普通卷积分支提取数据的小尺度细节特征；
15、将数据的小尺度细节特征输入到混合卷积模块的深度可分离卷积分支中，将深度可分离卷积分支的输出结果输入到混合卷积模块的空洞卷积分支中，将深度可分离卷积和空洞卷积分支的输出结果进行特征相加得到数据的大尺度整体特征；
16、通过残差连接的方式将所述第一气象数据从编码器输入端直接传送至输出端，输出所述第一气象数据；
17、通过特征重用的方式将数据的小尺度细节特征、数据的大尺度整体特征和残差连接输出的气象数据进行特征融合，输出混合卷积模块提取的卷积特征。
18、进一步的，所述将卷积特征输入到编码器的池化增强模块中进行下采样，输出下采样特征，具体为：
19、将混合卷积模块输出的卷积特征输入到池化增强模块中；
20、通过池化增强模块的离散小波变化分支对卷积特征进行噪声过滤和尺寸压缩处理，获得小波变化信息；
21、通过池化增强模块的最大池化分支对卷积特征进行池化采样，按预设的尺寸对卷积特征进行分割得到各分割特征块，在各分割特征块中选取数值最大的数据进行组合，获得最大池化信息；
22、使用通道注意力机制将小波变化信息和最大池化信息进行融合，获得池化增强模块输出的下采样特征。
23、本专利技术实施例中，选用混合卷积模块代替普通卷积块，改善了传统卷积模块提取特征信息能力不足的缺点，以使本专利技术实施例中的改进unet模型能够在运行阶段提取更多更高层次的数据特征信息。将池化增强模块加入到下采样过程中，利用离散小波变化增强数据特征，改善了下采样的传输信息过程中丢失数据特征的问题，使得unet模型可自适应选取数据特征，弥补信息丢失。
24、进一步的，所述雷达反射率反演模型是通过输入气象样本数据，输出雷达反射率来进行训练后得到的基于unet模型的雷达反射率反演模型，具体为：
25、获取气象样本数据，所述气象样本数据包括卫星数据和雷达数据；
26、将获取的气象样本数据输入到数据集生成器中构建训练数据集和测试数据集；
27、构建unet模型，将训练数据集和测试数据集输入到所述unet模型中进行训练，使用adam优化法对所述unet模型进行参数优化，根据早停法设置训练停止标准，训练停止后更新unet模型参数，得到基于unet模型的雷达反射率反演模型。
28、进一步的，所述将获取的气象样本数据输入到数据集生成器中构建训练数据集和测试数据集，具体为：
29、将获取的气象样本数据输入到数据集生成器中；
30、数据集生成器使用最近邻插值方法将气象数据的分辨率转换为预设值，得到分辨率统一的气象数据；对分辨率统一的气象数据进行时空匹配，包括空间匹配和时间匹配；对时空匹配后的气象数据进行质控和归一化处理；将质控和归一化处理后的气象数据按照数据时间划分为日间数据集和夜间数据集，并对两个数据集分别按照预设的比例划分为训练数据集和测试数据集。
31、本专利技术实施例中，首先，根据数据特性分别构建日间数据集和夜间数据集，用于不同通道的雷达反射率反演，以区别气象的时间特性，并增强数据精确性。其次，对数据执行时空匹配处理，使得采样间隔和采样区域不一致的气象数据和卫星数据实现配对。然后，再执行质控和归一化处理，删去采集数据中偏差较大以及内容丢失的数据，以提高数据准确性，并对数据进行归一化处理，便于后续深度学习模型的训练和测试。
32、在上述方法项实施例的基础上，本专利技术对应提供了系统项实施例，提供了一种基于unet模型和气象数据的雷达反射率反演系统，包括：数据获取模块和反演模块；
33、所述数据获取模块，用于获取目标时刻的第一气象数据；
34、所述反演模块，包括：多尺度特征提取子模块、空间特征提取子模块和跳跃连接子模块；
35、其中，所述本文档来自技高网...
【技术保护点】
1.一种基于UNet模型和气象数据的雷达反射率反演方法，其特征在于，包括：
2.如权利要求1所述的一种基于UNet模型和气象数据的雷达反射率反演方法，其特征在于，所述雷达反射率反演模型对所述第一气象数据进行混合卷积和下采样后，提取所述第一气象数据的多尺度特征，具体为：
3.如权利要求2所述的一种基于UNet模型和气象数据的雷达反射率反演方法，其特征在于，所述通过编码器的混合卷积模块进行特征提取，输出卷积特征，具体为：
4.如权利要求2所述的一种基于UNet模型和气象数据的雷达反射率反演方法，其特征在于，所述将卷积特征输入到编码器的池化增强模块中进行下采样，输出下采样特征，具体为：
5.如权利要求1所述的一种基于UNet模型和气象数据的雷达反射率反演方法，其特征在于，所述雷达反射率反演模型是通过输入气象样本数据，输出雷达反射率来进行训练后得到的基于UNet模型的雷达反射率反演模型，具体为：
6.如权利要求5所述的一种基于UNet模型和气象数据的雷达反射率反演方法，其特征在于，所述将获取的气象样本数据输入到数据集生成器中构建
7.一种基于UNet模型和气象数据的雷达反射率反演系统，其特征在于，包括：数据获取模块和反演模块；
8.如权利要求7所述的一种基于UNet模型和气象数据的雷达反射率反演系统，其特征在于，所述多尺度特征提取子模块，包括：混合卷积单元、池化增强单元和特征级联单元；
9.如权利要求8所述的一种基于UNet模型和气象数据的雷达反射率反演系统，其特征在于，所述混合卷积单元，包括：小尺度特征子单元、大尺度特征子单元、残差连接子单元和特征融合子单元；
10.如权利要求8所述的一种基于UNet模型和气象数据的雷达反射率反演系统，其特征在于，所述池化增强单元，包括：小波变化子单元、最大池化子单元和下采样子单元；
...【技术特征摘要】
1.一种基于unet模型和气象数据的雷达反射率反演方法，其特征在于，包括：
2.如权利要求1所述的一种基于unet模型和气象数据的雷达反射率反演方法，其特征在于，所述雷达反射率反演模型对所述第一气象数据进行混合卷积和下采样后，提取所述第一气象数据的多尺度特征，具体为：
3.如权利要求2所述的一种基于unet模型和气象数据的雷达反射率反演方法，其特征在于，所述通过编码器的混合卷积模块进行特征提取，输出卷积特征，具体为：
4.如权利要求2所述的一种基于unet模型和气象数据的雷达反射率反演方法，其特征在于，所述将卷积特征输入到编码器的池化增强模块中进行下采样，输出下采样特征，具体为：
5.如权利要求1所述的一种基于unet模型和气象数据的雷达反射率反演方法，其特征在于，所述雷达反射率反演模型是通过输入气象样本数据，输出雷达反射率来进行训练后得到的基于unet模型的雷达反射率反演模型，...
【专利技术属性】
技术研发人员：陈生，赵建宇，黄启桥，胡俊俊，
申请(专利权)人：中国科学院西北生态环境资源研究院，
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。