[发明专利]一种基于深度学习的卫星定量降水估计方法

说明书

本发明了一种基于深度学习的卫星定量降水估计方法，属于气象卫星的技术领域。首先收集降水量待估计区域的历史卫星观测数据和使用GPM‑IMERG逐半小时测量的历史区域降水数据，构建训练数据集。然后构建深度学习网络模型，并使用训练数据集对深度学习网络模型进行训练，得到卫星定量降水估计模型。最后将某一时刻的新的卫星观测数据进行处理后得到一份区域数据，并将此区域数据作为卫星定量降水估计模型的输入数据，经过卫星定量降水估计模型输出区域定量降水估计结果，并将该结果可视化为一张降雨强度分布图。本发明利用深度学习的非线性映射能力，提高了降水估计的准确性。

技术领域

本发明属于气象卫星的技术领域，尤其是涉及一种基于深度学习的卫星定量降水估计方法。

背景技术

降水是全球水循环的基本组成部分，它是气象学、气候学和水文学中水循环的关键水文变量。准确估计降水及其区域和全球分布长期以来一直是一个具有挑战性的科学目标。降水作为水循环的一部分，通过其生命过程，将水分源源不断地从海洋向陆地输送，使得水资源不断更新，促进了区域间的物质能量交换，在塑造地表形态多样性和生物多样性中起着至关重要的作用。同时，降水的发生还伴随着潜热的吸收和释放，对区域间以及大气各层结的能量输送也有着至关重要的影响。此外，准确获取区域降水分布对于流域水文分析、水资源规划与管理、水利工程设计与调度、洪涝干旱监测和地质灾害预警等均具有重要意义。

随着大量卫星的成功发射以及遥感技术的飞速发展，人们对于遥感资料的获取变得越发的简单，使用卫星多通道联合观测云和降水已经成为当前大气遥感和气候变化领域的研究热点。因具有范围广、周期短、信息量大和成本低等显著优势，卫星观测已被应用到了生活的方方面面，在天气的监测以及灾害性天气预警中扮演着十分重要的角色。

卫星遥感是目前能够实现全球范围降水观测的唯一手段，气象卫星在地球的上空观测地球，不受地理和自然条件限制，可实现大范围全过程监测云系的发展演变，能有效克服观测站网观测降水的缺陷，利用卫星所搭载的探测器对云团进行监测和反演，可以得到卫星反演降水结果。

各国气象部门积极研发属于自己的定量降水产品，具有代表性的基于卫星观测的全球降水产品PERSIANN、PERSIANN-CCS、CHIRPS、TRMM、CMORPH GPM-IMERG以及中国气象卫星的定量降水估计产品。

现有的的卫星定量降水估计产品存在较多错估漏估现象，导致所得降水区域失准，降水命中率表现较差，可信度低，并且在涉及到具体降水量的估计时精度不高，估计结果不准确。

发明内容

本发明的目的在于解决区域降水量估计不准确的问题，提供了一种基于深度学习的卫星定量降水估计方法，利用卫星观测数据，估计出降水区域和降水强度，做出可视化降水分布图。

所述的基于深度学习的卫星定量降水估计方法，具体技术方案如下：

步骤一，收集降水量待估计区域的历史卫星观测数据和使用GPM-IMERG逐半小时测量的历史降水数据，构建训练数据集；

构建训练数据集的详细步骤如下：

步骤101，根据国家卫星气象中心给出的转换关系，对历史卫星观测数据进行行列号和经纬度的相互转换，得到基于经纬度的卫星观测数据。

历史卫星观测数据的静止轨道标称投影采用CGMSLRIT/HRIT全球规范定义，基于WGS84参考椭球计算地理坐标得到行列号转换为经纬度的公式，通过该公式将行列号转换为经纬度；

经纬度坐标(lat，lon)转换公式为：

其中，λ_D为卫星星下点所在经度，ea表示地球长半轴距离，eb表示地球短半轴距离；R₁、R₂和R₃均为中间变量，表示为：