【技术实现步骤摘要】
本专利技术涉及降雨量反演领域，具体涉及一种gnss pwv辅助气象卫星遥感的降雨量反演方法及装置。
技术介绍
1、目前主要的降雨监测手段主要有三种，包括：（1）基于雨量站观测；（2）基于地面天气雷达反演；（3）基于气象卫星反演。其中，雨量站观测的缺点是代表性差、观测范围有限；地面天气雷达的缺点是覆盖范围小、成本较高，受干扰因素大；气象卫星反演的方法具有覆盖范围广、可以连续观测的优点，但缺点是精度有限。
2、气象卫星通过对云层进行观测，可以获得降雨云的亮温信息，通过云顶亮温、亮温差可以进行降雨量反演。然而，水汽是降雨的重要来源，由于红外通道难以穿透云层的缺点，难以获得大气水汽含量信息。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供一种gnss pwv辅助气象卫星遥感的降雨量反演方法及装置，其基于gnss计算大气水汽含量（即可降水量pwv），辅助卫星遥感方法实现高精度实时降雨量反演。
2、根据本专利技术说明书的一方面，提供一种gnss pwv辅助气象卫星遥感的降雨量反演方法，包括：
3、获取降雨时段的pwv数据、云顶亮温数据和亮温差数据；
4、将所述降雨时段的pwv数据、云顶亮温数据和亮温差数据输入训练后的多层神经网络模型，输出对应时段的降雨量；其中，所述多层神经网络模型的训练，包括：
5、获取长时间序列的实测降雨量和多通道云顶亮温数据，并计算红外通道与水汽通道的亮温差；
6、获取相同时段的gnss观
7、根据获取的实测降雨量、云顶亮温数据、亮温差及大气可降水量pwv，构建样本数据集；
8、构建多层神经网络模型，所述多层神经网络模型的输入层为时间窗口内的pwv序列、亮温图像序列、亮温差图像序列，输出层为对应时间段的降雨量；
9、利用所述样本数据集对构建的多层神经网络模型进行训练，得到训练好的模型。
10、作为进一步的技术方案，构建样本数据集，包括：
11、按预设时间窗口，获取时间窗口内的pwv序列、亮温图像序列、亮温差图像序列和降雨量序列，得到样本数据集。
12、作为进一步的技术方案，所述方法还包括：
13、将所述样本数据集随机选取训练集和验证集，利用所述训练集对构建的多层神经网络模型进行训练，利用所述验证集对训练后的多层神经网络模型进行验证。
14、作为进一步的技术方案，所述多层神经网络模型为包含三层隐含层的后向传播神经网络模型。
15、根据本专利技术说明书的一方面，提供一种gnss pwv辅助气象卫星遥感的降雨量反演装置，包括：
16、数据获取模块，用于获取降雨时段的pwv数据、云顶亮温数据和亮温差数据；
17、降雨量反演模块，用于将所述降雨时段的pwv数据、云顶亮温数据和亮温差数据输入训练后的多层神经网络模型，输出对应时段的降雨量；其中，所述多层神经网络模型的训练，包括：
18、获取长时间序列的实测降雨量和多通道云顶亮温数据，并计算红外通道与水汽通道的亮温差；
19、获取相同时段的gnss观测数据，并基于gnss观测数据计算大气可降水量pwv；
20、根据获取的实测降雨量、云顶亮温数据、亮温差及大气可降水量pwv，构建样本数据集；
21、构建多层神经网络模型，所述多层神经网络模型的输入层为时间窗口内的pwv序列、亮温图像序列、亮温差图像序列，输出层为对应时间段的降雨量；
22、利用所述样本数据集对构建的多层神经网络模型进行训练，得到训练好的模型。
23、根据本专利技术说明书的一方面，提供一种计算设备，包括处理器和存储器，所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行所述的gnss pwv辅助气象卫星遥感的降雨量反演方法的步骤。
24、根据本专利技术说明书的一方面，提供一种非暂态计算机读存储介质，所述非暂态计算机读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述的gnss pwv辅助气象卫星遥感的降雨量反演方法的步骤。
25、根据本专利技术说明书的一方面，提供一种计算机程序产品，包括计算机程序指令，所述计算机程序指令使得所述计算机执行所述的gnss pwv辅助气象卫星遥感的降雨量反演方法的步骤。
26、与现有技术相比，本专利技术的有益效果在于：
27、（1）本专利技术结合gnss可以实时解算的大气水汽含量信息，补充了卫星遥感在云底水汽观测上的不足，将gnss与气象卫星数据进行融合，可以提高降水量反演的准确性。
28、（2）本专利技术通过引入深度学习技术，能够自动提取复杂数据中的特征，优化降水估计过程，实现实时高精度的降雨量反演，满足降雨监测的需求。
本文档来自技高网...【技术保护点】
1.GNSS PWV辅助气象卫星遥感的降雨量反演方法，其特征在于，包括：
2.根据权利要求1所述GNSS PWV辅助气象卫星遥感的降雨量反演方法，其特征在于，构建样本数据集，包括：
3.根据权利要求2所述GNSS PWV辅助气象卫星遥感的降雨量反演方法，其特征在于，所述方法还包括：
4.根据权利要求1所述GNSS PWV辅助气象卫星遥感的降雨量反演方法，其特征在于，所述多层神经网络模型为包含三层隐含层的后向传播神经网络模型。
5.GNSS PWV辅助气象卫星遥感的降雨量反演装置，其特征在于，包括：
6.一种计算设备，其特征在于，包括处理器和存储器，所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至4任一项权利要求所述的GNSS PWV辅助气象卫星遥感的降雨量反演方法的步骤。
7.一种非暂态计算机读存储介质，其特征在于，所述非暂态计算机读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至4中任一项权利要求所述的GNSSPWV辅助气象卫星遥感的降雨量反演方法
8.一种计算机程序产品，其特征在于，包括计算机程序指令，所述计算机程序指令使得所述计算机执行如权利要求1至4中任一项权利要求所述的GNSS PWV辅助气象卫星遥感的降雨量反演方法的步骤。
...【技术特征摘要】
1.gnss pwv辅助气象卫星遥感的降雨量反演方法，其特征在于，包括：
2.根据权利要求1所述gnss pwv辅助气象卫星遥感的降雨量反演方法，其特征在于，构建样本数据集，包括：
3.根据权利要求2所述gnss pwv辅助气象卫星遥感的降雨量反演方法，其特征在于，所述方法还包括：
4.根据权利要求1所述gnss pwv辅助气象卫星遥感的降雨量反演方法，其特征在于，所述多层神经网络模型为包含三层隐含层的后向传播神经网络模型。
5.gnss pwv辅助气象卫星遥感的降雨量反演装置，其特征在于，包括：
6.一种计算设备，其特征在于，包括处理...
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。