一种基于GAN与xLSTM自学习门控的卫星云图红外数据外推预测方法与流程

摘要: 本发明涉及气象卫星数据处理,更具体的说是涉及一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法。背景技术:1、卫星红外云图是短临预报、灾害监测的...
一种基于GAN与xLSTM自学习门控的卫星云图红外数据外推预测方法与流程

本发明涉及气象卫星数据处理,更具体的说是涉及一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法。

背景技术:

1、卫星红外云图是短临预报、灾害监测的关键基础数据,云图时序预测可提前预判云团演变,支撑气象预警、航空气象保障等业务,是智能气象预报的核心技术手段。

2、但是,现有卫星红外云图预测方法存在以下问题:传统lstm网络在长时序云图预测中易出现梯度消失,对云团的时序建模能力不足;而普通gan网络生成的预测云图存在云图模糊、边缘失真、易模式崩溃等缺陷,无法满足气象定量判读需求。现有算法大多仅提供模型推理,缺少从原始数据预处理、模型训练、模型预测到结果可视化输出的完整业务流程;多数研究未配套可视化操作界面,难以实现批量数据处理与预测结果直观对比;同时现有模型普遍仅支持单一时长预测,不支持多时长分级预测(10min/30min/1h/2h/3h),难以满足业务需求。

3、因此,如何提供一套从数据预处理到训练、再到可视化预测的,具备高清晰度、时序稳定、操作简单、可批量处理的卫星云图红外数据外推预测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此,本发明提供了一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,包含完整数据预处理、模型训练、多时长预测、gui可视化系统。

2、为了实现上述目的,本发明采用如下技术方案:

3、本发明公开了一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,包括:

4、获取卫星红外云图原始数据并进行预处理,构建训练集和测试集;

5、构建由生成器与判别器组成的生成对抗网络;所述生成器包括依次串联的融合特征提取模块、xlstm自学习门控模块、分离重建模块;

6、利用所述训练集对所述生成器与所述判别器进行交替对抗训练;

7、通过图形界面提供样本模式与数据模式,利用训练好的生成对抗网络对待预测云图序列进行红外数据外推预测,输出预测云图结果。

8、进一步的,所述预处理具体包括:

9、从卫星红外云图原始数据中提取最长连续时间段数据;

10、将所述最长连续时间段数据,由npy文件转为png图像;

11、将png图像按8:2划分为训练集与测试集;

12、所述训练集与测试集中,构建以6张连续云图为一组的输入序列;

13、对输入序列进行检测并填充缺失数据。

14、进一步的,所述融合特征提取模块由五级二维卷积层堆叠构成,对输入序列中的每一帧云图独立进行空间特征提取,通过多级卷积的层次化表征能力,逐级捕获云图的边缘纹理、亮温梯度及云团空间结构多尺度特征,将原始单通道云图映射为高维特征空间中的语义表示;

15、各卷积层均设置3×3卷积核并进行归一化填充;

16、各卷积层的通道数依次为32、64、128、256和隐藏通道数;

17、各卷积层均设置leakyrelu激活函数进行非线性变换。

18、进一步的,所述xlstm自学习门控模块由若干相同的xlstmcell单元级联构成;

19、每个xlstmcell单元在标准convlstm(卷积长短期记忆网络单元)基础上引入可学习的门控缩放参数,对输入门、遗忘门、输出门的激活值进行通道级自适应缩放;xlstmcell单元通过卷积操作对状态更新的空间局部进行约束,使细胞状态和隐藏状态在空间维度上保持二维结构,同时建模时间序列依赖性和空间上下文关联性,学习云团随时间演变的运动轨迹、形态变化及亮温演化特征。

20、进一步的,所述分离重建模块由五级二维转置卷积层堆叠构成,各层通道映射分别为:第一层、隐藏通道数→256,第二层、256→128,第三层、128→64,第四层、64→32,第五层、32→1;所述分离重建模块将xlstmcell单元输出的高维时空特征逐步解码重建,通过反卷积操作进行特征空间到图像空间的映射,最终输出与输入云图尺寸一致的预测云图。

21、进一步的,所述判别器由5层卷积层和3层全连接层串联构成,其中5层卷积层用于逐层提取云图真伪特征,3层全连接层根据所述云图真伪特征输出最终判别概率。

22、进一步的,所述进行交替对抗训练的过程中:采用由mae及ssim构成的混合损失函数;生成器采用adam优化器,判别器采用sgd优化器;并且采用自适应学习率调度,对生成器和判别器的学习率进行动态调整;同时,对抗训练过程中引入早停机制,验证集损失20轮不改善则停止训练。

23、进一步的,所述进行交替对抗训练还包括:针对不同的云图预测时间需求,分别训练五个独立的生成器模型,对应预测时间范围分别为10分钟、30分钟、1小时、2小时、3小时。

24、进一步的,所述样本模式包括:加载单组序列,可视化对比原始云图与预测云图,支持动画播放;

25、所述数据模式包括:批量读取输入文件夹,自动批量预测并按时间分类保存结果。

26、进一步的,所述输出预测云图结果支持:灰度云图自动转为彩色映射云图;多帧预测结果合成gif动图;结果按预测时长自动分类存入子文件夹。

27、经由上述的技术方案可知,与现有技术相比,本发明提供了一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,具有以下有益效果:

28、本发明针对卫星云图时序预测任务,构建由fusionmodule空间特征提取、xlstm自学习门控时序建模、separationmodule图像重建组成的生成器,并配合多层卷积判别器形成对抗学习架构;系统支持10分钟、30分钟、1小时、2小时、3小时五档时长预测,配套完整预处理流程、gui可视化界面与批量预测功能。本发明通过mae+ssim混合损失保证云图结构保真,采用自适应学习率与早停机制提升训练稳定性,可直接输入png/jpg/npy格式云图序列,输出高清晰度预测云图并支持gif动画展示。与传统方法相比,本发明云图预测更清晰、时序一致性更强、操作更贴近业务使用,适用于气象短临预报、卫星数据实时分析与灾害天气监测。

1.一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,包括:

2.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述预处理具体包括:

3.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述融合特征提取模块由五级二维卷积层堆叠构成,对输入序列中的每一帧云图独立进行空间特征提取,通过多级卷积的层次化表征能力,逐级捕获云图的边缘纹理、亮温梯度及云团空间结构多尺度特征,将原始单通道云图映射为高维特征空间中的语义表示;

4.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述xlstm自学习门控模块由若干相同的xlstmcell单元级联构成;

5.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述分离重建模块由五级二维转置卷积层堆叠构成,各层通道映射分别为:第一层、隐藏通道数→256,第二层、256→128,第三层、128→64,第四层、64→32,第五层、32→1;所述分离重建模块将xlstmcell单元输出的高维时空特征逐步解码重建,通过反卷积操作进行特征空间到图像空间的映射,最终输出与输入云图尺寸一致的预测云图。

6.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述判别器由5层卷积层和3层全连接层串联构成,其中5层卷积层用于逐层提取云图真伪特征,3层全连接层根据所述云图真伪特征输出最终判别概率。

7.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述进行交替对抗训练的过程中:采用由mae及ssim构成的混合损失函数;生成器采用adam优化器,判别器采用sgd优化器;并且采用自适应学习率调度,对生成器和判别器的学习率进行动态调整;同时,对抗训练过程中引入早停机制,验证集损失20轮不改善则停止训练。

8.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述进行交替对抗训练还包括:针对不同的云图预测时间需求,分别训练五个独立的生成器模型,对应预测时间范围分别为10分钟、30分钟、1小时、2小时、3小时。

9.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述样本模式包括:加载单组序列,可视化对比原始云图与预测云图,支持动画播放;

10.根据权利要求1所述的一种基于gan与xlstm自学习门控的卫星云图红外数据外推预测方法,其特征在于,所述输出预测云图结果支持:灰度云图自动转为彩色映射云图;多帧预测结果合成gif动图;结果按预测时长自动分类存入子文件夹。