【技术实现步骤摘要】
本申请实施例涉及降水数据重建，尤其涉及一种降水场空间降尺度方法、系统、设备及存储介质。
技术介绍
1、天气预报和气候模拟活动是为各方利益相关者提供气候服务的基础，通常在大多数情况下表现良好。然而，在实际应用中，准确地降水预报仍然存在问题。主要原因是影响降水分布和强度的关键过程大多发生在次网格级别的空间分辨率。低空间分辨率的观测数据限制了探索这一过程。
2、在气象学界，降尺度是一个提高大气场的空间分辨率的概念，这与单幅图像超分辨率(sisr)方法密切相关。降水降尺度旨在为特定区域生成准确的降水估计。通过降尺度重构高分辨率(hr)降水数据对于改善极端降水预报具有重要意义。
3、计算机视觉领域已经证明生成对抗网络(gans)在解决超分辨率问题方面非常成功。gans提供了一个强大的框架来生成详细的信息。同时，受到增强视觉感知相似性的思想启发，感知损失函数在超分辨率工作中得到了扩展。例如，srgan使用感知损失模块在vgg网络的特征图上计算损失，以确保高纹理细节的重建。为了进一步提高视觉质量，esrgan改进了srgan的鉴别器，并使用预激活特征增强了感知损失。这种改进导致鉴别器对真实性的预测更加准确，并为亮度一致性和纹理恢复提供了更强的监督。
4、尽管gans在超分辨率任务中取得了巨大的成功，但在降尺度非高斯的降水数据方面仍然非常困难。其中一个主要原因是上述方法使用均方误差损失函数进行模型优化，这不适用于处理非高斯数据。
技术实现思路
1、以下是对本文详
2、本公开实施例的主要目的在于提出一种降水场空间降尺度方法、系统、设备及存储介质，能够提升重建数据的真实性。
3、第一方面，本公开实施例提出一种降水场空间降尺度方法，所述降水场空间降尺度方法包括以下步骤：
4、获取降水观测图像；
5、通过预设的生成对抗网络将所述降水观测图像进行降尺度重建；其中所述生成对抗网络包括生成器和判别器，所述生成对抗网络通过如下方式进行训练：
6、选取降水样本图像以及真实降水图像；
7、将所述降水样本图像输入至所述生成器中，得到降尺度重建的第一图像，将所述第一图像和所述真实降水图像输入至所述判别器中进行判别，根据判别结果和预设的损失函数以交替的方式对所述生成器和所述判别器进行对抗性的最小-最大优化；其中所述损失函数包括对抗损失函数和孪生高斯感知损失函数，所述孪生高斯感知损失函数通过如下方式计算：
8、通过预设的所述孪生高斯感知模块将所述第一图像和所述真实降水图像分别映射至高斯隐空间，并在所述高斯隐空间中计算所述第一图像和所述真实降水图像之间的差异，根据所述差异构建所述孪生高斯感知损失函数。
9、本申请的一些实施例中，所述将所述真实降水图像或所述第一图像映射至高斯隐空间包括：
10、采用预设神经网络拟合出所述第一图像或所述真实降水图像的像素的均值μ和方差σ；
11、根据所述均值μ和方差σ近似计算所述第一图像或所述真实降水图像的遵循标准正态分布的后验概率；
12、从所述后验概率中采样得到高斯隐空间z，z＝μ+σ⊙ε，ε～n(0,1)。
13、本申请的一些实施例中，所述孪生高斯感知损失函数包括：
14、
15、其中lsgp为孪生高斯感知损失函数，ihr为真实降水图像，φh(ihr)i,j为孪生高斯感知模块对真实降水图像的输出结果，ilr为降水样本图像，为生成器生成的第一图像，为孪生高斯感知模块对降水样本图像的输出结果，wg,hg为特征图的宽度和高度。
16、本申请的一些实施例中，所述损失函数还包括：物理约束内容损失函数，所述物理约束内容损失函数包括：
17、
18、其中，whr,hhr为特征图的宽度和高度，ωi,j为适应降水强度的惩罚因子，为真实降水图像在宽度i，高度j时的像素点，ilr为输入的降水样本图像，为生成器生成的第一图像在宽度i，高度j时的像素点，lwc为物理约束内容损失函数。
19、本申请的一些实施例中，ωi,j的取值包括：
20、
21、其中，ωi,j为适应降水强度的惩罚因子。
22、本申请的一些实施例中，所述生成器包括第一卷积块至第四卷积块、生成模块和上采样层；所述第一卷积块至第三卷积块的结构相同，所述第一卷积块依次包括有填充层、卷积层和激活层，所述第四卷积块包括填充层和卷积层，生成模型包括m个堆叠的残差密集块；所述生成器通过如下方式将所述降水样本图像降尺度重建为第一图像：
23、将所述降水观测图像样本输入至所述第一卷积块中，得到所述第一卷积块的输出特征；
24、将所述第一卷积块的输出特征输入至所述生成模块中以提取和合并各层级特征信息，得到所述生成模块的输出特征，将所述生成模块的输出特征与所述第一卷积块的输出特征进行跳跃连接，得到连接后的特征；
25、将所述连接后的特征输入至所述上采样层中，得到所述上采样层的输出特征；
26、将所述上采样层的输出特征输入至级联的第二卷积块至所述第四卷积块中，得到所述第四卷积块输出的第一图像。
27、本申请的一些实施例中，所述判别器包括判别模块和第五卷积块；判别模块包括n个堆叠的判别卷积块，所述第五卷积块包括填充层和卷积层；所述判别器通过如下方式对所述第一图像和所述真实降水图像进行判别：
28、将所述第一图像和所述真实图像输入至所述判别模块中，得到所述判别模块的输出特征；
29、将所述判别模块的输出特征输入至所述第五卷积块，得到所述第五卷积块输出的判别结果。
30、第二方面，本公开实施例提出一种降水场空间降尺度系统，所述降水场空间降尺度系统包括：
31、图像获取单元，用于获取降水观测图像；
32、降尺度重建单元，用于通过预设的生成对抗网络将所述降水观测图像进行降尺度重建；其中所述生成对抗网络包括生成器和判别器，所述生成对抗网络通过如下方式进行训练：
33、选取降水样本图像以及真实降水图像；
34、将所述降水样本图像输入至所述生成器中，得到降尺度重建的第一图像，将所述第一图像和所述真实降水图像输入至所述判别器中进行判别，根据判别结果和预设的损失函数以交替的方式对所述生成器和所述判别器进行对抗性的最小-最大优化；其中所述损失函数包括对抗损失函数和孪生高斯感知损失函数，所述孪生高斯感知损失函数通过如下方式计算：
35、通过预设的所述孪生高斯感知模块将所述第一图像和所述真实降水图像分别映射至高斯隐空间，并在所述高斯隐空间中计算所述第一图像和所述真实降水图像之间的差异，根据所述差异构建所述孪生高斯感知损失函数。
36、第三方面，本公开实施例提出一种电子设备，包括至少一个存储器；
37、至少一个本文档来自技高网...
【技术保护点】
1.一种降水场空间降尺度方法，其特征在于，所述降水场空间降尺度方法包括以下步骤：
2.根据权利要求1所述的降水场空间降尺度方法，其特征在于，所述将所述真实降水图像或所述第一图像映射至高斯隐空间包括：
3.根据权利要求2所述的降水场空间降尺度方法，其特征在于，所述孪生高斯感知损失函数包括：
4.根据权利要求1或3所述的降水场空间降尺度方法，其特征在于，所述损失函数还包括：物理约束内容损失函数，所述物理约束内容损失函数包括：
5.根据权利要求4所述的降水场空间降尺度方法，其特征在于，ωi,j的取值包括：
6.根据权利要求1所述的降水场空间降尺度方法，其特征在于，所述生成器包括第一卷积块至第四卷积块、生成模块和上采样层；所述第一卷积块至第三卷积块的结构相同，所述第一卷积块依次包括有填充层、卷积层和激活层，所述第四卷积块包括填充层和卷积层，生成模型包括M个堆叠的残差密集块；所述生成器通过如下方式将所述降水样本图像降尺度重建为第一图像：
7.根据权利要求6所述的降水场空间降尺度方法，其特征在于，所述判别器包括判别模块和
8.一种降水场空间降尺度系统，其特征在于，所述降水场空间降尺度系统包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
...【技术特征摘要】
1.一种降水场空间降尺度方法，其特征在于，所述降水场空间降尺度方法包括以下步骤：
2.根据权利要求1所述的降水场空间降尺度方法，其特征在于，所述将所述真实降水图像或所述第一图像映射至高斯隐空间包括：
3.根据权利要求2所述的降水场空间降尺度方法，其特征在于，所述孪生高斯感知损失函数包括：
4.根据权利要求1或3所述的降水场空间降尺度方法，其特征在于，所述损失函数还包括：物理约束内容损失函数，所述物理约束内容损失函数包括：
5.根据权利要求4所述的降水场空间降尺度方法，其特征在于，ωi,j的取值包括：
6.根据权利要求1所述的降水场空间降尺度方法，其特征在于，所述生成器包括第一卷积块至第四卷积块、生成模块和上采样层；所述第一卷积块至第三卷积块...
【专利技术属性】
技术研发人员：任开军，苏庆国，邓科峰，史鑫杰，张荻，王悟信，李小勇，
申请(专利权)人：中国人民解放军国防科技大学，
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。