【技术实现步骤摘要】
本专利技术属于空间模型领域，更具体地，涉及一种基于扩散模型的tec分布重构方法和设备。
技术介绍
1、总电子含量(tec)是地球电离层研究中的一个重要参数，直接影响到gps导航和通信系统的准确性。目前，全球tec的监测主要依赖于以下几种技术手段：(1)全球导航卫星系统(gnss)观测：gnss是获取tec数据的主要来源之一。通过测量gnss信号的延迟，可以计算出沿路径的tec值。这种方法的优点是覆盖范围广，但在海洋和极地等地区，地面接收站稀少，导致数据不完整。(2)电离层探测仪：电离层探测仪(如掩星技术)通过监测卫星信号穿过电离层时的变化来获取tec数据。这种方法具有较高的精度，但受限于观测条件和设备的布置。(3)地基雷达：高频雷达可以通过反射信号来测量电离层的特性，间接推算出tec值。然而，这种方法需要复杂的设备和固定的观测站，导致数据覆盖范围有限。
2、尽管上述技术在全球tec监测中发挥了重要作用，但仍存在一些不足。(1)数据覆盖不完整。在海洋、极地和一些偏远地区，缺乏足够的观测数据。(2)依赖于固定设备。许多测量方法需要昂贵的固定设备，无法灵活应对不同地理区域的需求。因此，一些研究者尝试通过数据插值和同化技术来填补观测数据的空白，但这些方法通常受限于模型假设，难以准确反映实际的电离层变化。近年，机器学习方法被应用于tec数据的预测和补全。例如，通过训练神经网络模型，尝试从已有数据中推断未知区域的tec值。这些方法在一定程度上提高了数据的空间覆盖率，但仍然存在精度和可靠性的问题。
3、综上所述，现有的
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于扩散模型的tec分布重构方法和设备，其目的在于解决现有技术在时空覆盖范围上的不足以及依赖固定设备的技术问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于扩散模型的tec分布重构方法，所述方法包括：
3、预处理tec数据，构建扩散模型，将所述tec数据输入至所述扩散模型进行前向扩散和反向去噪的训练；
4、训练完成后，将随机噪声输入至所述扩散模型进行反向去噪得到未知区域图像，将存在缺失的tec观测数据输入至所述扩散模型进行前向扩散添加随机噪声得到已知区域图像，将所述未知区域图像和所述已知区域图像结合，得到第一中间图像；
5、将所述第一中间图像和所述存在缺失的tec观测数据分别输入至所述扩散模型中再次进行前向扩散和反向去噪，循环结合未知区域图像和已知区域图像，经过有限次数的迭代，得到tec重构数据。
6、作为对上述方案进一步的完善和补充，本专利技术还包括以下附加技术特征。
7、优选地，如权利要求1所述的基于扩散模型的tec分布重构方法，其特征在于，所述预处理tec数据包括：将没有缺失且分辨率为64*64的tec数据运用线性插值法将数据分辨率扩充到180*360。
8、优选地，将所述tec数据输入至所述扩散模型进行前向扩散和反向去噪的训练的方法包括：
9、将所述tec数据输入所述扩散模型中分别进行前向扩散和反向去噪，前向加噪将输入的tec数据转化为纯噪声；反向去噪将随机噪声转化为tec数据；
10、利用加噪噪声和对应时刻去噪噪声之间的差异进行对比，加噪噪声和去噪噪声的噪声差异达到预设阈值后停止所述扩散模型的训练。
11、优选地，所述前向加噪通过马尔科夫链和贝叶斯公式，推导出从原始tec数据到加入任意次噪声后的加噪tec数据。
12、优选地，所述反向去噪利用u-net神经网络预测并去除噪声。
13、优选地，所述将存在缺失的tec观测数据输入至所述扩散模型进行前向扩散添加随机噪声得到已知区域图像的方法包括：
14、将存在缺失的tec观测数据输入至所述扩散模型，进行前向加噪，噪声为随机噪声，得到第一图像；
15、所述第一图像与掩码结合得到已知区域的图像。
16、优选地，所述将随机噪声输入至所述扩散模型进行反向去噪得到未知区域图像的方法包括：
17、通过将已知区域的图像与反掩码结合，标记为未知区域，并保留已知区域信息作为条件循环迭代地指导未知区域数据的生成。
18、按照本专利技术的另一方面，提供了一种基于扩散模型的tec分布重构设备，设备包括：
19、一个或多个处理器；
20、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于扩散模型的tec分布重构方法。
21、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有如下有益效果：
22、本专利技术通过应用扩散生成技术实现以下目标：(1)提高数据覆盖率，利用扩散模型学习已知tec数据分布，生成未知区域的高精度数据，实现全球范围内的全面覆盖。(2)提升数据生成精度和可靠性，提供更高精度的数据生成方法，准确重构缺失的tec分布，提高整体数据质量。
23、本专利技术提供的基于扩散模型的tec分布重构方法解决了现有技术在时空覆盖范围上的不足，除了能够提供连续的高时间分辨率数据，准确捕捉电离层的动态变化之外，扩散模型大大降低了对昂贵设备的依赖，使技术更具灵活性和可扩展性。通过条件输入和模型优化，生成数据的精度和可靠性显著提升，确保了对复杂数据分布的精准建模，这些优势使得该方法在实际应用中更为高效和可靠。
本文档来自技高网...【技术保护点】
1.一种基于扩散模型的TEC分布重构方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于扩散模型的TEC分布重构方法，其特征在于，所述预处理TEC数据包括：将没有缺失且分辨率为64*64的TEC数据运用线性插值法将数据分辨率扩充到180*360。
3.如权利要求1所述的基于扩散模型的TEC分布重构方法，其特征在于，将所述TEC数据输入至所述扩散模型进行前向扩散和反向去噪的训练的方法包括：
4.如权利要求3所述的基于扩散模型的TEC分布重构方法，其特征在于，所述前向加噪通过马尔科夫链和贝叶斯公式，推导出从原始TEC数据到加入任意次噪声后的加噪TEC数据。
5.如权利要求3所述的基于扩散模型的TEC分布重构方法，其特征在于，所述反向去噪利用U-net神经网络预测并去除噪声。
6.如权利要求3所述的基于扩散模型的TEC分布重构方法，其特征在于，所述将存在缺失的TEC观测数据输入至所述扩散模型进行前向扩散添加随机噪声得到已知区域图像的方法包括：
7.如权利要求3所述的基于扩散模型的TEC分布重构方法，其特征在
8.一种基于扩散模型的TEC分布重构设备，其特征在于，设备包括：
...【技术特征摘要】
1.一种基于扩散模型的tec分布重构方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于扩散模型的tec分布重构方法，其特征在于，所述预处理tec数据包括：将没有缺失且分辨率为64*64的tec数据运用线性插值法将数据分辨率扩充到180*360。
3.如权利要求1所述的基于扩散模型的tec分布重构方法，其特征在于，将所述tec数据输入至所述扩散模型进行前向扩散和反向去噪的训练的方法包括：
4.如权利要求3所述的基于扩散模型的tec分布重构方法，其特征在于，所述前向加噪通过马尔科夫链和贝叶斯公式，推导出从原始tec数据到加入任...
【专利技术属性】
技术研发人员：陈洲，郭燕，范存群，王劲松，毛冬艳，宋健，古新语，谢廷锋，张佳梁，张可宁，曾嘉豪，张健翔，王云冈，宗位国，毛田，
申请(专利权)人：国家卫星气象中心国家空间天气监测预警中心，
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。