一种基于深度学习的卫星降水预测方法技术

本发明专利技术公开了一种基于深度学习的卫星降水预测方法，属于气象技术领域；具体包括：首先，使用历史卫星观测数据和历史降水量网格数据构建卫星降水预测数据集；然后，构建基于深度学习的卫星降水预测模型；利用卫星降水预测数据集对搭建的卫星降水预测模型进行训练，得到卫星降水预测模型的最优参数；将实时的卫星观测数据输入训练好最优参数的卫星降水预测模型中，输出未来时刻的降水量数据，从而实现实时的卫星降水预测。本发明专利技术具有较好的区域扩展能力，仅需要获得卫星观测资料，即可扩展至其他地区进行降水预测。其他地区进行降水预测。其他地区进行降水预测。

【技术实现步骤摘要】
一种基于深度学习的卫星降水预测方法


[0001]本专利技术属于气象
，具体涉及一种基于深度学习的卫星降水预测方法。

技术介绍

[0002]气象卫星是大气科学领域中的一种重要的观测手段，同时也是应用最为广泛的卫星种类。尤其是地球同步气象卫星，在气象领域中具有十分重要的作用。
[0003]地球同步气象卫星具有如下的优点：范围观测大、观测间隔短且不受地理条件限制。凭借这些优点使其具有巨大的应用前景，各国也在积极的开发本国的地球同步气象卫星。
[0004]常见的地球同步气象卫星的应用场景包括：台风监测、森林火灾监测以及降水估测等方面，由于同步卫星的观测具有持续性的特点，其观测数据能够被实时的获得。因此，利用同步卫星进行短期降水预测将具有重要的意义。
[0005]利用同步卫星高频次的持续观测能力，开展基于同步卫星的短期降水预测将会极大的改善降水预报的覆盖范围，为山区和海洋等缺乏观测的地区提供短期降水预测，进一步提升降水预报的适用范围。

技术实现思路

[0006]本专利技术提供了一种基于深度学习的卫星降水预测方法，能够实现实时的卫星降水预测。具体是利用了深度学习的时间和空间特征提取能力，以及模型的信息融合能力。从历史卫星观测数据和历史降水量网格数据中提取降水变化特征，训练卫星降水预测模型，能够将实时卫星云图观测数据中的信息进行提取并对未来时刻的降水进行预测，克服了现有技术不足。
[0007]所述基于深度学习的卫星降水预测方法，具体步骤如下：
[0008]步骤一、使用历史卫星观测数据和历史降水量网格数据构建卫星降水预测数据集；
[0009]首先，针对选中卫星和GPM
‑
IMERG产品，将卫星的历史观测数据和GPM
‑
IMERG产品的历史降水量网格数据进行预处理；
[0010]预处理过程具体为：
[0011]针对选中卫星，利用行列号经纬度转换公式，将该卫星的历史观测数据的行列号转换为经纬度。按照经纬度选定卫星降水预测数据集所需的区域范围，通过剪裁得到所选区域的历史卫星观测数据。在经过预处理后的历史卫星观测数据中选择与卫星降水预测任务相关的观测通道，得到历史卫星观测数据的通道集合C＝{C1,C2,...,C
n
}。
[0012]针对GPM
‑
IMERG产品的历史降水量网格数据，进行空间剪裁，使历史降水量网格数据与历史卫星观测数据所覆盖区域保持一致，得到所需的历史降水量网格数据P。
[0013]然后，将GPM
‑
IMERG产品的历史降水量网格数据P，经过投影，获得与卫星历史观测数据同样的分辨率。
[0014]最后，将历史卫星观测数据的通道集合C和历史降水量网格数据P按时间序列分别进行划分，构建时间序列训练集，作为卫星降水预测数据集的构建。
[0015]步骤二、构建基于编码
‑
解码结构的深度学习的卫星降水预测模型；
[0016]卫星降水预测模型包括：4个编码单元，4个解码单元，一个过渡单元和4个跳跃连接。
[0017]数据首先依次输入到4个编码单元中，每个编码单元中输入的数据均逐次通过三维卷积层、池化层和残差连接进行编码，最后一个编码单元的输出数据被输入到过渡单元中；同时，每个编码单元的输出分别经过一个跳跃连接直接复制到对应的解码单元；
[0018]经过过渡单元后的过渡数据与复制到4个解码单元的编码数据合并后，依次经过4个解码单元，每个解码单元中输入的数据均逐次通过三维卷积层、上采样层和残差连接进行解码，还原数据；经过最后一个解码单元输出的数据即为卫星降水预测结果。
[0019]步骤三、利用预测数据集对搭建的卫星降水预测模型进行训练；
[0020]将预测数据集中的通道集合C构成的时间序列输入卫星降水预测模型，将历史降水量网格数据P构成的时间序列作为卫星降水预测模型的标签数据；
[0021]在训练过程中使用均方误差作为损失函数，用于计算模型的预测结果与标签数据之间的误差；
[0022]均方根误差的公式如下：
[0023][0024]m代表预测结果中包含的像素点的个数；x
i
代表模型预测的结果；y
i
代表真值。
[0025]然后，将误差通过反向传播算法优化卫星降水预测模型的参数，直至达到迭代次数为止；
[0026]优化器选取Adam优化器；
[0027]步骤四、将实时的卫星观测数据输入训练好的卫星降水预测模型中，输出未来时刻的卫星降水量数据，从而实现降水预测；
[0028]针对实时的卫星观测数据，首先预处理并构建实时卫星观测数据的通道集合，按时间序列将多时次的实时卫星观测数据通道集合构建为时间序列数据，并输入到训练好的模型中，输出卫星降水的预测结果。
[0029]本专利技术的优点在于
[0030]1)、本专利技术一种基于深度学习的卫星降水预测方法，直接使用卫星观测资料作为模型的输入，改善了基于天气雷达的短期降水预测存在的观测范围较小，且容易受到电磁干扰的问题。
[0031]2)、本专利技术一种基于深度学习的卫星降水预测方法，具有较好的区域扩展能力，仅需要获得卫星观测资料，即可扩展至其他地区进行降水预测。
附图说明
[0032]图1是本专利技术一种基于深度学习的卫星降水预测方法的流程图；
[0033]图2是本专利技术将历史数据进行时间匹配构建降水预测数据集示意图；
[0034]图3是本专利技术搭建的卫星降水预测模型示意图；
[0035]图4是本专利技术采用的残差单元结构示意图。
具体实施方式
[0036]为了清晰、完整地呈现本专利技术的优势，技术特征及专利技术目的，以下将结合附图和实施例对本专利技术的技术细节进行详细、完整地描述。需要说明的是，所列举的实施例属于本专利技术的一部分，而不是专利技术的全部内容，本领域其他人员在没有做出创新突破的前提下所获得的其他实施例，都属于本专利技术保护的范围。
[0037]针对现有卫星降水任务均来自实时的观测产品取得的定量降水估测产品，本专利技术公开了一种基于深度学习的卫星降水预测方法，包括：使用历史卫星观测数据和历史降水量网格数据构建卫星降水预测数据集；构建基于深度学习的卫星降水预测模型；利用卫星降水预测数据集对搭建的卫星降水预测模型进行训练，得到卫星降水预测模型；将实时的卫星观测数据输入卫星降水预测模型，模型输出未来时刻的降水量数据，从而实现实时的卫星降水预测。
[0038]所述基于深度学习的卫星降水预测方法，如图1所示，具体步骤如下：
[0039]步骤一、使用历史卫星观测数据和历史降水量网格数据构建卫星降水预测数据集；
[0040]首先，针对选中卫星和GPM
‑
IMERG产品，将卫星的历史观测数据和GPM
‑
IMERG产品的历史降水量网格数据进行预处理；
[0041]预处理过程具体为：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的卫星降水预测方法，其特征在于，具体步骤如下：步骤一、使用历史卫星观测数据和历史降水量网格数据构建卫星降水预测数据集；步骤二、构建基于编码
‑
解码结构的深度学习的卫星降水预测模型；卫星降水预测模型包括：4个编码单元，4个解码单元，一个过渡单元和4个跳跃连接；数据首先依次输入到4个编码单元中，每个编码单元中输入的数据均逐次通过三维卷积层、池化层和残差连接进行编码，最后一个编码单元的输出数据被输入到过渡单元中；同时，每个编码单元的输出分别经过一个跳跃连接直接复制到对应的解码单元；经过过渡单元后的过渡数据与复制到4个解码单元的编码数据合并后，依次经过4个解码单元，每个解码单元中输入的数据均逐次通过三维卷积层、上采样层和残差连接进行解码，还原数据；经过最后一个解码单元输出的数据即为卫星降水预测结果；步骤三、利用预测数据集对搭建的卫星降水预测模型进行训练；将预测数据集中的通道集合C构成的时间序列输入卫星降水预测模型，将历史降水量网格数据P构成的时间序列作为卫星降水预测模型的标签数据；在训练过程中使用均方误差作为损失函数，用于计算模型的预测结果与标签数据之间的误差；然后，将误差通过反向传播算法优化卫星降水预测模型的参数，直至达到迭代次数为止；步骤四、将实时的卫星观测数据输入训练好的卫星降水预测模型中，输出未来时刻的卫星降水量数据，从而实现降水预测。2.如权利要求1所述的一种基于深度学习的卫星降水预测方法，其特征在于，所述步骤一具体为：首先，针对选中卫星和GPM
‑
IMERG产品，将卫星的历史观测数据和GPM
‑
IMERG产品的历史降水量网格数据进行预处...

【专利技术属性】
技术研发人员：高峰，姜宇航，刘厂，成巍，张绍晴，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：