一种卫星定量降水估计方法技术

本发明专利技术公开了一种卫星定量降水估计方法，包括如下步骤：采集待估计区域的气象卫星数据；将所述气象卫星数据输入至训练好的最佳降水强度估计模型中，获取降水强度预估结果；根据各区域的降水强度预估结果生成降水强度估计结果图；将所述降水强度估计结果图叠加到地形文件上，生成区域降水估计信息；其中，所述最佳降水强度估计模型是根据历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据训练获取的。本发明专利技术基于历史气象卫星数据和深度学习模型，不需要增加额外的硬件设备，能够准确地识别出降水区，并且估计出相对应的降水量，有效地解决了雨量估计空间分布不均、传统天气雷达观测精度易受自然条件及设备维修保养影响地问题。维修保养影响地问题。维修保养影响地问题。

【技术实现步骤摘要】
一种卫星定量降水估计方法


[0001]本专利技术属于遥感信息处理
，更具体地，涉及一种卫星定量降水估计方法。

技术介绍

[0002]近年来，随着人工智能技术在各行各业大放异彩，机器学习技术开始广泛应用于传统遥感领域的降水预报、干旱检测等任务，并提高了气象监测与预警的准确率。目前，图像分割与目标检测技术能够将图像中单个像素进行准确的类别划分，这些技术可以用来解决目前卫星定量降水估计算法中存在的时间分辨率低、降水识别精度不高且所得降水产品无法实时发布等问题。利用这些技术，能够加强对强对流天气条件下降水的监测，具有广泛的应用前景和较高的使用价值。
[0003]雨量计作为一种点测量的方法，可用来直接测量该点实时降水量，但目前雨量计的布施存在空间分布严重不均，尤其在高原和海洋等复杂地形区域，根本无法通过地面雨量计直接进行降水量的测量。
[0004]天气雷达能够通过不同低仰角反射率因子间接估算出降水分布情况。然而，由于不同区域的降水情况并不相同，不能用简单的形式来表达地面降水量与雷达反射率之间的Z
‑
R关系。并且天气雷达受限于地面杂波干扰、雷达波束异常和信号衰减。
[0005]人工神经网络为降水估计提供了更加准确、高效的方法。PERSIANN(Precipitation estimation from remotely sensed information using artificial neural networks)作为其中著名的降水产品，使用神经网络来计算静止卫星提供的红外亮温图像中每个0.250×
0.250像素的降水率估计值。PERSIANN
‑
CCS(PERSIANN
‑
Cloud Classification System)是一种近实时的降水估计算法，它提取红外卫星云图局部和区域的云特征来计算降水量，通过描述降水率和亮温之间关系的特定曲线来估算出云中每个像素的降水值。人工提取降水云团特征信息存在大量的漏判和误判的情况。手动提取特征的弊端影响了降水估计结果的准确率，因为人总是通过最直观的表面现象来判断是否存在降水，所以忽略了一些造成降水的隐藏特征信息。同时，使用浅层网络结构难以充分挖掘出降水量与卫星观测之间的复杂关系。
[0006]深度卷积神经网络的快速兴起使得模型可以通过堆叠多个卷积层来建立降水量与卫星观测之间的复杂关系，并且采用卷积核自动提取空间特征，也有助于在实现定量降水估计时考虑空间相关性。PERSIANN
‑
CNN算法使用卷积神经网络建立了降水估计模型，使用双分支输入结构，分别输入红外和水汽数据，取得了有效的降水检测与估计的结果，但是该算法没有充分利用红外和水汽数据的高维特征信息，导致重要特征信息的丢失，并且在上采样过程中使用过大的卷积核，也会损失部分特征。
[0007]目前大部分的降水估计研究的时间分辨率为1小时，通常以雷达观测的数据或者地面站作为真值，实现近实时降水监测的效果不佳，同时因为卫星与雷达的拍摄角度存在差异，导致最终的结果存在一定的误差。当前大多数深度学习算法选择卫星中所有的红外波段信息进行降水估计时存在细小降水区识别精度不高，定量降水准确率低等问题，通过
选取与降水密切相关的云顶亮温、云相、水汽等波段信息能有效降低模型参数量并提升定量降水估计精度。近年来，随着人工智能技术在各行各业大放异彩，机器学习技术开始广泛应用于传统遥感领域的降水预报、干旱检测等任务，并提高了气象监测与预警的准确率。目前，图像分割与目标检测技术能够将图像中单个像素进行准确的类别划分，这些技术可以用来解决目前卫星定量降水估计算法中存在的时间分辨率低、降水识别精度不高且所得降水产品无法实时发布等问题。

技术实现思路

[0008]本专利技术的目的是针对以上不足，提供一种卫星定量降水估计方法，通过深度学习回归模型，识别出气象卫星云图中降水云，最终获取较为准确的区域降水强度信息，解决现有卫星定量降水方法精度不高的问题。
[0009]为实现上述目的，本专利技术是通过以下技术方案实现的：
[0010]一种卫星定量降水估计方法，包括以下步骤：
[0011]采集待估计区域的气象卫星数据；
[0012]将所述气象卫星数据输入至训练好的最佳降水强度估计模型中，获取降水强度预估结果；
[0013]根据各区域的降水强度预估结果生成降水强度估计结果图；
[0014]将所述降水强度估计结果图叠加到地形文件上，生成区域降水估计信息；
[0015]其中，所述最佳降水强度估计模型是根据历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据训练获取的。
[0016]进一步地，所述最佳降水强度估计模型的训练获取方法包括:
[0017]采集所述历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据；
[0018]分别对所述历史气象卫星数据及历史降水数据进行预处理；
[0019]将预处理后的气象卫星数据和降水数据进行时空匹配，生成多组训练样本；
[0020]根据所述训练样本对预构建的卫星定量降水估计模型中进行深度学习训练，直至获取所述最佳降水强度估计模型。
[0021]进一步地，所述历史气象卫星数据可以在风云卫星遥感数据服务网获取风云四号气象卫星数据；所述历史降水数据可以在NASA官网上获取参考观测降水数据。
[0022]进一步地，对所述历史气象卫星数据进行预处理包括:
[0023]根据获取的历史气象卫星数据，将所需要的研究区域裁剪出来，并将其进行几何校正，然后保存为数组的形式。
[0024]进一步地，对所述历史降水数据进行预处理包括:
[0025]根据获取的历史降水数据，利用重采样函数将其重采样至所需要的空间分辨率下，对数据进行筛选，剔除出现过多缺失值和异常值的数据，获得降水强度标签。
[0026]进一步地，所述预构建的卫星定量降水估计模型包括顺次连接的编码层、中间层、解码层，其中，所述编码层包括六个卷积核为3*3的深度可分离卷积层、三个卷积核为2*2最大池化层和三个残差模块，其中，每两个卷积核为3*3的深度可分离卷积层和一个卷积核为2*2的最大池化层顺次连接为一组，对不同分辨率的特征图进行特征提取，将最大池化前的
特征图通过一个残差模块与解码层中相同分辨率的特征图进行合并操作；中间层包括并联的空间金字塔模块和通道空间注意力模块；解码层包括三个卷积核为2*2的反卷积层、六个卷积核为3*3的深度可分离卷积层和一个卷积核为1*1的卷积层，其中，每一个卷积核为2*2的反卷积层和两个卷积核为3*3的深度可分离卷积层顺次连接为一组，对不同分辨率的特征图进行升维并提取特征，最后顺次连接一个卷积核为1*1的卷积层进行通道的压缩，生成最终降水估计结果图。
[0027]进一步地，所述空间金字塔模块包括并联的一个1*1的卷积层、三个空洞率分别为1、2、3的3*3卷积层和一个1*1的平均池化层，分别对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫星定量降水估计方法，其特征在于，包括以下步骤：采集待估计区域的气象卫星数据；将所述气象卫星数据输入至训练好的最佳降水强度估计模型中，获取降水强度预估结果；根据各区域的降水强度预估结果生成降水强度估计结果图；将所述降水强度估计结果图叠加到地形文件上，生成区域降水估计信息；其中，所述最佳降水强度估计模型是根据历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据训练获取的。2.根据权利要求1所述的卫星定量降水估计方法，其特征在于，所述最佳降水强度估计模型的训练获取方法包括:采集所述历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据；分别对所述历史气象卫星数据及历史降水数据进行预处理；将预处理后的气象卫星数据和降水数据进行时空匹配，生成多组训练样本；根据所述训练样本对预构建的卫星定量降水估计模型中进行深度学习训练，直至获取所述最佳降水强度估计模型。3.根据权利要求2所述的卫星定量降水估计方法，其特征在于，对所述历史气象卫星数据进行预处理包括:根据获取的历史气象卫星数据，将所需要的研究区域裁剪出来，并将其进行几何校正，然后保存为数组的形式。4.根据权利要求2所述的卫星定量降水估计方法，其特征在于，对所述历史降水数据进行预处理包括:根据获取的历史降水数据，利用重采样函数将其重采样至所需要的空间分辨率下，对数据进行筛选，剔除出现过多缺失值和异常值的数据，获得降水强度标签。5.根据权利要求2所述的卫星定量降水估计方法，其特征在于，所述预构建的卫星定量降水估计模型包括顺次连接的编码层、中间层、解码层，其中，所述编码层包括六个卷积核为3*3的深度可分离卷积层、三个卷积核为2*2最大池化层和三个残差模块，其中，每两个卷积核为3*3的深度可分离卷积层和一个卷积核为2*2的最大池化层顺次连接为一组，对不同分辨率的特征图进行特征提取，将最大池化前的特征图通过一个残差模块与解码层中相同分辨率的特征图进行合并操作；中间层包括并联的空间金字塔模块和通道空间注意力模块；解码层包括三个卷积核为2*2的反卷积层、六个卷...

【专利技术属性】
技术研发人员：黄杰，张永宏，田丰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：