[发明专利]基于深度学习的静止轨道气象卫星雷达反射率因子反演方法

权利要求书

1.一种基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，所述方法包括：

根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；

接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果。

2.根据权利要求1所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述敏感性通道包括：

10.8μm通道亮温，用于获取云顶温度；

10.8-6.2μm通道亮温差，用于获取相对于对流层的云顶高；

12.3+8.6-2*10.8μm三通道亮温差，用于获取云顶冻结或云顶的相态；

修正的0.65μm反照率因子，用于获取云的光学厚度；和

0.65μm与1.61μm通道比值，用于获取云顶冻结或云顶的相态。

3.根据权利要求1所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述雷达反射率因子反演模型基于U-net，包括收缩的金字塔多尺度结构，膨胀的倒金字塔结构以及最终的全连接层；其中，

所述收缩的金字塔多尺度结构包括五层，自上而下的层与层之间为一个下采样步骤，每一层包括两个重复3×3的卷积层，每个卷积后依次连接一个批标准化模块、一个为校正线性单元的激活函数和一个2×2最大池化操作；下采样步长为2，在每个下采样步骤中，特征通道的数量加倍；

所述膨胀的倒金字塔结构包括五层，自下而上的层与层之间为一个上采样步骤，最上一层，用于将每个16分量特征向量映射到所需的回归映射，最上一层包括一个全连接层和一个校正线性单元的激活函数；其他每一层包括两个重复3×3的卷积层，每个卷积后依次连接一个批标准化模块和一个校正线性单元。

4.根据权利要求3所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述方法还包括雷达反射率因子反演模型的训练步骤；具体包括：

步骤1)从相关网站获取雷达反射率因子以及静止轨道气象卫星成像仪的历史数据；

步骤2)对历史数据进行预处理建立样本集；

步骤3)选取样本集中部分数据建立训练集，选取样本集中另一部分数据建立验证集；

步骤4)将训练集数据输入雷达反射率因子反演模型，优化方式为自适应矩估计，学习率设置为0.00016，调整模型的参数；

步骤5)将验证集数据输入该模型，以雷达覆盖区域的均方根误差为损失函数；判读均方根误差是否达到阈值要求，判断为否，转至步骤4)，否则，转至步骤6)；

步骤6)得到训练好的雷达反射率因子反演模型。

5.根据权利要求4所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述步骤2)具体包括：

对历史数据按照时间间隔小于3分钟进行时间匹配；

对不同分辨率或不同投影方式的历史数据进行空间匹配，将分辨率高的历史雷达反射率因子数据通过加权平均的投影方式匹配到分辨率低的卫星网格；

对时空匹配后的历史数据进行质控操作，丢弃存在丢线或丢帧的历史数据；

根据卫星资料云产品对于晴空区域进行置零操作。

6.根据权利要求4所述的基于深度学习的静止轨道气象卫星雷达反射率因子反演方法，其特征在于，所述雷达覆盖区域的均方根误差RMSE满足下式：

其中，y_i为像素索引号为i的实际像素的雷达反射率因子，y_pred,i为像素索引号为i的反演的雷达反射率因子，N为一帧图像像素点数。

7.一种基于深度学习的静止轨道气象卫星雷达反射率因子反演系统，其特征在于，所述系统包括：雷达反射率因子反演模型、敏感性通道选取模块和反演结果输出模块；其中，

所述敏感性通道选取模块，用于根据随机森林的方法选取静止轨道气象卫星成像仪的敏感性通道；所述敏感性通道为与雷达反射率因子相关性强的通道；

所述反演结果输出模块，用于接收静止轨道气象卫星成像仪下传的敏感性通道数据，输入预先建立和训练好的雷达反射率因子反演模型，得到反演结果。