【技術實現步驟摘要】
本專利技術涉及云圖超分處理，具體為基于像素卷積網絡的氣象衛星云圖超分處理方法及系統。
技術介紹
1、在申請號為cn202110251986.x的中國專利中公開了圖像超分處理方法、圖像超分處理裝置及存儲介質，其中，圖像超分處理方法應用于終端，包括：確定待處理圖像；基于終端的電量運行狀態，以及待處理圖像的圖像分辨率，確定圖像超分模型，并基于圖像超分模型對所述待處理圖像進行圖像超分處理。
2、現有技術可以在進行圖像超分處理過程中，更好地平衡超分處理效果與終端系統耗電量，給用戶帶來良好的使用體驗，然而應用在氣象衛星云圖中，云圖在提取處理時效率不夠高，無法快速響應新的云圖數據，若想準確預測氣象變化，特別是地理范圍在鄉鎮級別精細化預報，則需要通過提高云圖的分辨率以及更新云圖的時間頻次達到超分處理的良好效果，這個過程難以保持優良的精細程度和高清晰度，因此精細化預警預報成為難點。
技術實現思路
1、本專利技術的目的在于提供基于像素卷積網絡的氣象衛星云圖超分處理方法及系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：基于像素卷積網絡的氣象衛星云圖超分處理方法，包括以下步驟：
3、s1、從氣象大數據云平臺獲取低分辨率的衛星云圖，且每15分鐘更新一次的衛星云圖，收集后對低分辨率的衛星云圖進行處理；
4、s2、采用基于cgms規范的網格計算方法對指定區域進行氣象衛星云圖定位與配準后，轉換為墨卡托投影，最后將衛星云圖解析為
5、s3、構建基于像素卷積網絡的氣象衛星云圖超分處理模型，選取涵蓋白天、黑夜、晴天、雨天多種天氣特征的氣象衛星云圖，壓縮后作為訓練數據集，并從未壓縮的原始氣象衛星云圖中選取10%作為驗證數據集，利用上述數據集對氣象衛星云圖超分處理模型進行超分訓練，使氣象衛星云圖精細程度和清晰度明顯提升；
6、s4、將氣象衛星云圖超分處理模型部署于氣象大數據云平臺，實時對輸入的低分辨率氣象衛星云圖做特征提取，直接通過像素卷積計算輸出高分辨率衛星云圖。
7、優選的，所述基于cgms規范的網格計算方法公式為：
8、
9、式中，表示氣象衛星指向觀測目標物的地心，此處觀測目標物為已知量，表示氣象衛星自旋矢量，表示與之間的夾角，該角可通過觀測云圖中地球中心的行序號量出，表示余弦函數。
10、優選的，所述步驟s3中，像素卷積網絡的構建包括以下步驟：
11、s301、對原始低分辨率氣象衛星云圖經過3個不同尺寸的卷積層，所采用的卷積核尺寸大小分別為，，，每層輸出的衛星云圖所提取的特征映射區域大小不同，將不同尺寸的特征通過拼接進行合并，用于提取失真特征和消除壓縮偽影及噪聲；
12、s302、構建三層卷積來提取氣象衛星云圖中的主干特征，在第一層卷積中，濾波器數量為64個，卷積核大小為，在第二層卷積中，濾波器數量為32個，卷積核大小為，在第三層卷積中，濾波器數量為16個，卷積核大小為；
13、s303、對合并后的特征和提取到的主干特征進行融合，之后通過采用殘差密集模塊提取豐富的局部特征作為輸出特征，殘差密集模塊由三個殘差稠密塊構成。
14、優選的，所述步驟s303中，殘差密集模塊表示為：
15、
16、式中，表示輸入特征，表示輸出特征，表示殘差稠密塊，表示殘差縮放系數，表示第一個殘差稠密塊提取的局部特征，表示第二個殘差稠密塊提取的局部特征，表示第三個殘差稠密塊提取的局部特征。
17、優選的，所述像素卷積網絡的構建還包括以下步驟：
18、s304、第一層卷積和第二層卷積的激活函數采用relu函數，第三層卷積的激活函數采用tanh函數，得到與輸入氣象衛星云圖尺寸一致以及特征通道數為的特征圖，其中為縮放倍數；
19、s305、將特征圖中個特征通道重新排列成為的區域，此區域對應高分辨率氣象衛星云圖中一個的子塊，該操作在像素層面將原始寬為、高為以及通道數為的特征圖直接轉換成寬為、高為以及通道數為的特征圖。
20、優選的，所述氣象衛星云圖超分處理模型為：
21、
22、式中，表示基于像素卷積網絡的操作，和分別表示第層的參數，表示第層的卷積操作，和分別表示低分辨率氣象衛星云圖和高分辨率氣象衛星云圖，表示卷積層。
23、優選的，所述步驟s3中，采用損失函數不斷調整參數來訓練氣象衛星超分處理模型，損失函數表示為：
24、
25、式中，表示損失函數，表示卷積核、偏置等待學習的參數，表示生成分數像素的神經網絡，和分別表示低分辨率氣象衛星云圖和高分辨率氣象衛星云圖，表示參數調整次數，，表示取絕對值。
26、基于像素卷積網絡的氣象衛星云圖超分處理系統，包括云圖獲取單元、云圖處理單元、模型構建單元和超分處理單元；
27、所述云圖獲取單元用于收集并處理低分辨率的氣象衛星云圖，從氣象大數據云平臺獲取低分辨率的衛星云圖，且每15分鐘更新一次的衛星云圖，收集后對低分辨率的衛星云圖進行處理；
28、所述云圖處理單元將衛星云圖解析為像素數據，便于在像素級層面進行超分處理；
29、所述模型構建單元構建基于像素卷積網絡的氣象衛星云圖超分處理模型，選取涵蓋白天、黑夜、晴天、雨天多種天氣特征的氣象衛星云圖，壓縮后作為訓練數據集，并從未壓縮的原始氣象衛星云圖中選取10%作為驗證數據集，利用上述數據集對氣象衛星云圖超分處理模型進行超分訓練，使氣象衛星云圖精細程度和清晰度明顯提升；
30、所述超分處理單元實時對輸入的低分辨率氣象衛星云圖做特征提取，直接通過像素卷積計算輸出高分辨率衛星云圖。
31、與現有技術相比，本專利技術的有益效果是：
32、本專利技術實時獲取并預處理低分辨率的fy4b氣象衛星云圖，解析氣象衛星云圖為像素數據，便于在像素級層面進行超分處理，構建基于像素卷積網絡的氣象衛星云圖超分處理模型，處理一幅氣象衛星云圖的時間小于1秒，極大提升了計算效率，快速響應新的氣象衛星云圖數據，采用損失函數不斷調整參數來訓練氣象衛星云圖超分處理模型，提升超分效果，優化后超分氣象衛星云圖psnr最高達45.56db，模型訓練后對原始fy4b衛星云圖進行超分的結果，使精細程度和清晰度明顯提升，解決氣象衛星云圖處理速度不夠、精細程度不足等難題；
33、本專利技術通過選取涵蓋白天、黑夜、晴天、雨天多種天氣特征的氣象衛星云圖的數據集對氣象衛星云圖超分處理模型進行訓練，模型訓練精度提高，氣象衛星云圖超分處理模型對fy4b衛星云圖進行4倍超分處理，提高超分處理速度，超分處理后的氣象衛星云圖相比直接倍數放大的氣象衛星云圖更清晰，超分處理效果更好，超分后的氣象衛星云圖服務于短臨氣象災害預警，便于提前識別初生強對流天氣，為城市內澇、中小河流洪水、山洪地質災害防治提供有力支撐。
本文檔來自技高網...【技術保護點】
1.基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述基于CGMS規范的網格計算方法公式為：
3.根據權利要求1所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述步驟S3中，像素卷積網絡的構建包括以下步驟：
4.根據權利要求3所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述步驟S303中，殘差密集模塊表示為：
5.根據權利要求4所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述像素卷積網絡的構建還包括以下步驟：
6.根據權利要求5所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述氣象衛星云圖超分處理模型為：
7.根據權利要求1所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述步驟S3中，采用損失函數不斷調整參數來訓練氣象衛星云圖超分處理模型，損失函數表示為：
8.基于像素卷積網絡的氣象衛星云圖超分處理系統
...【技術特征摘要】
1.基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述基于cgms規范的網格計算方法公式為：
3.根據權利要求1所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述步驟s3中，像素卷積網絡的構建包括以下步驟：
4.根據權利要求3所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述步驟s303中，殘差密集模塊表示為：
5.根據權利要求4所述的基于像素卷積網絡的氣象衛星云圖超分處理方法，其特征在于：所述像素卷積...
【專利技術屬性】
技術研發人員：馮冼，方昆，施佳馳，羅林艷，文立恒，劉曉波，鄭秋生，羅紅梅，崔巍，
申請(專利權)人：湖南省氣象信息中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。