结合可变形卷积与金字塔池化的卫星云图序列预测方法技术

本发明专利技术公开了一种结合可变形卷积与金字塔池化的卫星云图序列预测方法，涉及深度学习领域。具体步骤：(1)、预处理卫星云图序列数据并划分训练集和测试集；(2)、搭建基本的编码器‑翻译器‑解码器结构的卫星云图序列预测模型；(3)、联合运动感知损失函数和L2损失函数来监督模型进行训练；(4)、预测卫星云图序列图像。本发明专利技术在在编码器和解码器中使用了一种基于动态稀疏的可变形卷子算子来替代了传统的卷积操作，能够使网络根据云图的空间结构自适应地选择合适的参数，并且去除了可变形卷积空间聚合中的softmax归一化，并优化内存访问用以加快运行速率；并且在翻译器中使用金字塔池化结构，不仅能够简化计算过程，还能捕捉云图序列中不同尺度的时空特征；同时将运动感知损失函数与传统的L2损失函数相结合来监督模型训练，可以进一步获取卫星云图序列相邻帧之间的运动信息。本发明专利技术不仅适用于所有的卫星云图序列图像，也可应用于其他一些复杂场景下的序列图像预测。

【技术实现步骤摘要】

本专利技术属于深度学习领域，具体涉及一种结合可变形卷积与金字塔池化的卫星云图序列预测方法。

技术介绍

1、卫星云图是气象卫星提供的关键数据，能够反映云层的形成、运动及变化，对天气预报和气象分析至关重要。然而，传统的卫星云图序列预测方法，如块匹配法和光流法，主要依赖线性预测，忽略了云团的非线性变化，如生成、消散及合并过程，且处理复杂云场和多尺度运动的能力有限。随着深度学习的迅猛发展，神经网络在高维数据处理和特征提取方面展现了强大优势，尤其在交通流量预测、天气预测等时空序列预测任务中取得了显著进展。利用深度学习技术对卫星云图序列进行预测，能够有效捕捉时空特征与演变规律，提升预测精度和实时性，克服传统方法的局限性，成为气象研究中的一个重要研究方向。

2、近年来，深度学习技术的飞速发展为时空序列预测提供了新的思路。深度学习模型，特别是基于卷积神经网络(cnn)和循环神经网络(rnn)的时空序列预测模型，已经在许多领域取得了显著成果。cnn和rnn能够有效地处理时空数据，提取隐藏的时空特征，逐渐成为时空序列预测领域的主流方法。常见的基于深度学习的时空序列本文档来自技高网...

【技术保护点】

1.一种结合可变形卷积与金字塔池化的卫星云图序列预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种结合可变形卷积与金字塔池化的卫星云图序列预测方法，其特征在于，所述步骤2的具体步骤为：

3.根据权利要求1所述的一种结合可变形卷积与金字塔池化的卫星云图序列预测方法，其特征在于，所述步骤3中，所采用的损失函数为：

4.根据权利要求1所述的一种结合可变形卷积与金字塔池化的卫星云图序列预测方法，其特征在于，所述步骤4中预测卫星云图序列的具体步骤如下：

【技术特征摘要】

1.一种结合可变形卷积与金字塔池化的卫星云图序列预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种结合可变形卷积与金字塔池化的卫星云图序列预测方法，其特征在于，所述步骤2的具体步骤为：

3.根据权利要求1所述的...

【专利技术属性】
技术研发人员：董静，谢奔，刘厂，成巍，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：