【技术实现步骤摘要】
本专利技术涉及数据处理领域，特别涉及一种基于对偶学习和辅助信息的无监督气象降尺度方法。
技术介绍
1、为了减缓气候变化和降低气象灾害相关损失，科学家们设计了各种全球气候模式(gcms)，用于模拟全球气候状态和预测未来气候参数。然而，gcms生成的数据往往具有较低的空间分辨率，使得其难以支撑小尺度的气象研究。为了解决这一问题，人们通常使用气象降尺度技术将粗分辨率的数据转换为更精细分辨率的数据。
2、当前的降尺度方法主要分为两类：统计降尺度和动态降尺度。动态降尺度方法主要是将gcms的输出作为边界/初始条件，将其输入一个与gcms具有相同物理规律的区域气候模式(rcms)中，以获取更高分辨率的模拟结果，其优势在于降尺度的过程和结果都拥有明确的物理因果关系。而统计降尺度的逻辑更加简单，通过统计方法在不同尺度的天气和气候特征之间建立起经验关系，从而避免了更为复杂的运算过程。随着深度学习的快速发展，许多研究者尝试通过深度学习的方法进行降尺度工作，以拟合不同尺度气象数据之间复杂的非线性映射关系，这些方法表现出了巨大的潜力。
3、现有的各种降尺度方法依然存在着明显的不足：(1) 现有的动力降尺度方法通常计算成本太高。随着分辨率的提高，其计算量往往激增，通常需要几天的时间才能完成降尺度计算。并且动力降尺度方法需要使用gcms的输出作为rcms的初始条件，这会导致原本在gcms中出现的误差结果被rcms进一步放大，从而降低了降尺度结果的准确性。(2) 现有的统计降尺度方法虽然逻辑更为简单，但其通常使用的线性回归方法往往难以
4、因此，需要提供一种基于对偶学习和辅助信息的无监督气象降尺度方法，用于提高气象降尺度效率及准确度。
技术实现思路
1、本专利技术提供一种基于对偶学习和辅助信息的无监督气象降尺度方法，包括：建立无监督气象降尺度模型；获取训练样本，基于所述训练样本对所述无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型；获取待降尺度的气象数据；获取所述待降尺度的气象数据的辅助气象数据，其中，所述辅助气象数据的分辨率高于所述待降尺度的气象数据的分辨率；通过所述训练后的无监督气象降尺度模型基于所述待降尺度的气象数据及所述辅助气象数据，生成所述待降尺度的气象数据对应的降尺度的气象数据。
2、进一步地，所述无监督气象降尺度模型至少包括上采样生成模块、下采样生成模块和下采样判别模块。
3、进一步地，所述训练样本包括样本待降尺度的气象数据及所述样本待降尺度的气象数据的样本辅助气象数据；所述基于所述训练样本对所述无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型，包括：将所述样本待降尺度的气象数据转化为样本待降尺度图片；将所述样本待降尺度的气象数据的样本辅助气象数据转化为样本辅助图片；基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行前向循环训练；基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行后向循环训练。
4、进一步地，所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行前向循环训练，包括：从所述样本待降尺度图片中截取第一样本待降尺度图片块；从所述样本辅助图片中截取所述第一样本待降尺度图片块对应的第一样本辅助图片块；通过所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块，生成第一降尺度结果；对所述第一样本待降尺度图片块进行插值，得到第一插值结果，其中，所述第一插值结果的分辨率与所述降尺度结果的分辨率一致；通过所述下采样生成模块对所述第一降尺度结果进行下采样，得到第一升尺度结果，其中，所述第一升尺度结果的分辨率与所述第一样本待降尺度图片块的分辨率一致；计算所述第一样本待降尺度图片块和所述第一升尺度结果之间的前向循环一致性损失，基于所述前向循环一致性损失对所述上采样生成模块和所述下采样生成模块进行优化；计算所述第一插值结果与所述第一降尺度结果之间的插值损失，基于所述插值损失对所述上采样生成模块进行优化；将所述第一样本待降尺度图片块和所述第一升尺度结果输入至所述下采样判别模块，基于所述下采样判别模块的第一判别结果，计算第一生成损失，基于所述第一生成损失优化所述下采样生成模块和所述下采样判别模块。
5、进一步地，所述通过所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块，生成第一降尺度结果，包括：所述上采样生成模块对所述第一样本待降尺度图片进行双线性插值，得到第二插值结果，其中，所述第二插值结果的分辨率与所述第一样本辅助图片块的分辨率一致；通过卷积对所述第二插值结果与所述第一样本辅助图片块进行特征提取；对提取的所述第二插值结果的特征和所述第一样本辅助图片块的特征进行融合，获取融合后的特征；所述融合后的特征经过残差、多层的卷积和注意力分配后，生成所述第一降尺度结果。
6、进一步地，所述对所述第一样本待降尺度图片块进行插值，得到第一插值结果，包括：利用双三次插值算法对所述第一样本待降尺度图片块进行插值，得到所述第一插值结果。
7、进一步地，基于以下公式计算所述前向循环一致性损失及所述插值损失：
8、；；；其中，a为第一样本待降尺度图片块，b为第一样本辅助图片块，为所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块，生成第一降尺度结果的过程，为下采样生成模块对所述第一降尺度结果进行下采样的过程，为绝对值误差，sobel为通过sobel算法进行边缘检测过程， bicubic为双三次插值算法，为对a插值后得到的低频掩模，用来增强低频信息，为插值损失，为前向循环的循环损失。
9、进一步地，基于以下公式计算所述生成损失：
10、；其中，为均方误差，r为预设参数，c为第一降尺度结果，为下采样判别模块对第一升尺度结果进行判别的过程。
11、进一步地，所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行后向循环训练，包括：从所述样本待降尺度图片中截取第二样本待降尺度图片块；从所述样本辅助图片中截取所述第二样本待降尺度图片块对应的第二样本辅助图片块；对所述第二样本辅助图片块进行下采样，生成下采样辅助图片块；通过所述下采样生成模块对所述第二样本待降尺度图片块进行下采样，生成第二升尺度结果；通过所述上采样生成模块基于所述第二升尺度结果和所述下采样辅助图片块，生成第二降尺度结果，其中，所述第二降尺度结果的分辨率与所述第二样本待降尺度图片块的分辨率一致；计算所述第二样本待降本文档来自技高网...
【技术保护点】
1.一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述无监督气象降尺度模型至少包括上采样生成模块、下采样生成模块和下采样判别模块。
3.根据权利要求2所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述训练样本包括样本待降尺度的气象数据及所述样本待降尺度的气象数据的样本辅助气象数据；
4.根据权利要求3所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行前向循环训练，包括：
5.根据权利要求4所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述通过所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块，生成第一降尺度结果，包括：
6.根据权利要求4所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述对所述第一样本待降尺度图片块进行插值，得到第一插
7.根据权利要求6所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，基于以下公式计算所述前向循环一致性损失及所述插值损失：
8.根据权利要求4所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，基于以下公式计算所述生成损失：
9.根据权利要求5-8中任意一项所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行后向循环训练，包括：
10.根据权利要求9所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，基于以下公式计算所述第二样本待降尺度图片块与所述第二降尺度结果之间的后向循环一致性损失：
...【技术特征摘要】
1.一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述无监督气象降尺度模型至少包括上采样生成模块、下采样生成模块和下采样判别模块。
3.根据权利要求2所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述训练样本包括样本待降尺度的气象数据及所述样本待降尺度的气象数据的样本辅助气象数据；
4.根据权利要求3所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行前向循环训练，包括：
5.根据权利要求4所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法，其特征在于，所述通过所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块，生成第一降尺度结果，包括：
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。