[发明专利]基于气象预报和机器学习的卫星红外成像效果预测方法

权利要求书

1.一种基于气象预报和机器学习的卫星红外成像效果预测方法，其特征在于，包括以下步骤：

步骤1，选择气象预报产品中与云量云属关系紧密的特征，包括总云量、低云量、不同气压下的湿度和温度；进行特征分量分析，计算特征属性{总云量，低云量，不同气压下的湿度和温度}构成的多维样本数据集合中每个特征向量的方差值占总方差值的比例，将特征向量按照对应比例从大到小排列成矩阵，若需要降K维，则只需取前K列主成分分量；

步骤2，选择降维后的云层属性值矩阵和对应影像的目标结果标示作为样本集，记为{(X_i,y_i),i＝1,2,...,N}，其中X_i和y_i分别为输入向量和输出量，表示云层属性值和目标类别标示，根据影像中的云雨是否影像判读和处理，目标结果分别用数字0、1、2标示厚云遮蔽、无云清晰和薄云降质；利用最小二乘支持向量机进行样本集的分类训练和测试，获得红外卫星成像效果分类模型；

步骤3，根据目标经纬度信息，利用预报模型获得气象预报信息中的主要信息，即步骤1中前K列主成分分量的特征属性值；将特征属性值作为输入向量，输入效果红外卫星成像效果分类模型，模型输出的结果即为预测的结果标示。

2.根据权利要求1所述的基于气象预报和机器学习的卫星红外成像效果预测方法，其特征在于，所述的步骤1中云量取值为[0,10]，湿度取值范围[0,100％]，500hpa温度取值范围[-50℃,0℃]，700hpa温度范围[-50℃,25℃]，850hpa温度取值范围[-40℃,35℃]。

3.根据权利要求1所述的基于气象预报和机器学习的卫星红外成像效果预测方法，其特征在于，所述的步骤1在特征分量分析之前对历史气象数据进行完整性检查，对特征属性缺失3个值以上的数据直接丢弃；采用Z-score规范化将各维度的特征数据调整为正态分布。

4.根据权利要求1所述的基于气象预报和机器学习的卫星红外成像效果预测方法，其特征在于，所述的步骤2将样本集随机区分为训练集和测试集；根据训练集的分类超平面约束式为式中，φ(X_i)为输入量在高维空间R^D的映射，为超平面的法线方向ε_i为松弛向量，常数b∈R；建立拉格朗日函数，引入惩罚因子c得到式中，α为拉格朗日因子，优化求解得到K(X,X_i)为核函数，是低维空间到高维空间的映射；采用交叉验证和网格搜索法结合确定核宽度γ和惩罚系数c以训练分类模型；利用测试集对模型进行测试，其准确率记为历史数据分类预测的精度。

5.根据权利要求4所述的基于气象预报和机器学习的卫星红外成像效果预测方法，其特征在于，所述的步骤2确定核宽度γ和惩罚系数c的具体步骤如下：将训练集数据分为n份，并初始化参数(c，γ)，其范围均设为[2-10,210]，搜索步长设为0.5；选取第一组参数，用其中n-1份作为训练样本输入LSSVM，将剩余1份验证样本的原标示结果进行比较，得到预测结果的准确率；然后将验证样本换为另1份子集，其余n-1份为训练样本来重复验证；选取下一组参数，获得该组参数的预测准确率，与之前的最佳参数预测准确率进行比较，取最高准确率的参；重复本步骤直至遍历网格中所有点，最终输出最佳模型参数(c,σ)，将参数输入支持向量机训练，获得分类模型。

6.根据权利要求4所述的基于气象预报和机器学习的卫星红外成像效果预测方法，其特征在于，所述的步骤2选择径向基函数为核函数，式中，γ是核宽度。