基于深度神经网络的多波段多源协同大气可降水量反演方法、介质及设备

本发明属于大气遥感，具体涉及一种基于深度神经网络的多波段多源协同大气可降水量反演方法、介质及设备。

背景技术：

1、大气可降水量（precipitable water vapor, pwv）是表征单位面积柱内水蒸气总量的关键参数，在全球能量平衡、水循环及气候演变中发挥着核心作用。在天文学领域，水汽是微波和红外波段信号衰减与噪声的主要来源，因此，高精度的大气可降水量反演对于毫米波干涉成像及太赫兹谱线探测等高精度天文观测同样至关重要。目前大气可降水量数据的获取手段主要涵盖了从地基探测到卫星遥感探测的多种技术体系。

2、地基探测手段主要包括探空站探测、全球导航卫星系统遥感以及地面微波辐射计。探空站通过释放气象气球直接测量大气各层参数，是获取水汽垂直廓线最权威的手段，但其观测成本高昂且台站分布极不平衡。相比之下，基于全球导航卫星系统信号在对流层的延迟信息反演的大气可降水量具有高精度和高时间分辨率的优势，是验证其他反演结果准确性的基准。地面微波辐射计则利用大气在特定微波频段的吸收特性，通过被动接收下行的热辐射亮温，实现近实时的水汽柱总量及低层大气垂直廓线反演。然而，地基探测手段共同的局限性在于，测量有效范围仅限于天线或站点附近区域，难以实现大面积的空间连续覆盖。

3、卫星遥感通过大气水汽在近红外、热红外和被动微波等不同波段的吸收机制进行测量，是获取大范围空间连续覆盖大气可降水量产品的主要手段。近红外波段的反演虽然可提供千米甚至米级的高空间分辨率产品，但是极度依赖地表反射的太阳辐射，仅限于昼间晴空条件下工作。热红外波段的反演虽具备昼夜观测能力，但依然无法穿透云层，且极易受到地面发射率和大气廓线的干扰。微波波段的反演虽能穿透云层实现全天气反演，但受到物理天线衍射极限的限制，其空间分辨率通常仅为数十千米级，复杂地形背景下会产生较大的误差。同时，不同波段的传统大气可降水量反演高度依赖于基于人工先验知识构建固定的物理或数值反演模型。这些反演模型通常需要通过复杂的辐射转移方程进行迭代求解。而地表类型的差异和大气温度廓线的实时变化都会导致微波物理反演算法的整体精度和稳定性不够高。

4、综上，现有的单一波段观测数据反演在空间分辨率、观测频次、全天气准确性及最重要的反演模型精度这四个维度上存在明显的限制。如何构建一种既能发挥卫星广域覆盖优势，又能达到地面高精度基准，全天气条件可靠且高空间分辨率的大气可降水量反演框架，是当前大气遥感领域亟待解决的问题。

技术实现思路

1、本发明针对现有技术中的不足，提供一种基于深度神经网络的多波段多源协同大气可降水量反演方法、介质及设备，该方法无需依赖传统反演方法中复杂的先验物理反演模型或预设的参数化方案，直接将深度神经网络的多维尺度特征提取能力与多波段多源原始卫星载荷观测数据相结合。将多波段观测特征输入深度神经网络后，以高精度的地面全球导航卫星系统实测真值作为目标函数进行约束，通过反向传播优化由预测结果与地面基准计算的目标函数，使网络直接学习从原始载荷观测数据空间到高分辨率大气可降水量数据空间的非线性映射，避免了传统基于先验物理模型反演过程带来的精度损失。最终，本发明实现了高精度、高空间分辨率以及全天气条件可靠的大气可降水量反演。

2、为实现上述目的，本发明采用以下技术方案：

3、第一方面，本发明提供了一种基于深度神经网络的多波段多源协同大气可降水量反演方法，包括如下步骤：

4、步骤1：采集多源卫星观测特征，以实测大气可降水量记录为时空锚点，对多源卫星观测特征进行时空协同匹配；

5、步骤2：构建由多源卫星观测特征与实测大气可降水量时空对齐后组成的原始数据集；

6、步骤3：构建u-net深度神经网络及其目标损失函数，网络的输入为多源卫星观测特征，输出为大气可降水量；

7、步骤4：对原始数据集中的多源卫星观测特征和大气可降水量进行预处理，并基于全球导航卫星系统站点划分训练集、验证集和测试集；

8、步骤5：采用训练集对u-net深度神经网络进行训练，在训练集上迭代优化网络参数，在验证集上监测性能指标，在测试集上进行对比展示网络最终性能；

9、步骤6：利用训练后得到的u-net深度神经网络对大气可降水量进行预测。

10、可选地，步骤1中，所述多源卫星观测特征包括微波亮温度、红外与可见光的辐射亮温度及反射率；所述原始数据集中，每一行样本均代表特定时空位置下多源卫星观测特征与大气可降水量的映射。

11、可选地，步骤2中，所述时空协同匹配具体为：

12、在时间维度上，将微波亮温度与实测大气可降水量的时间差限制在±5分钟窗口内，并以此协同匹配±5分钟容差内的红外与可见光的辐射亮温度及反射率；

13、在空间维度上，采用最近邻映射策略，以0.1°为距离阈值，提取与实测大气可降水量位置最邻近像素处的多源卫星观测特征。

14、可选地，步骤3中，所述u-net深度神经网络使用了编码器与解码器对称结构；网络输入为维的张量，通过置0填充至维；在编码器部分，维张量经过卷积块并且下采样，重复操作4次，最终变换为瓶颈层的维张量；在解码器部分，瓶颈层的张量经过上采样，再与相应层级的编码器卷积块的张量拼接，继续经过卷积块提取特征，同样重复4次，最终在输出层经过全连接网络计算出大气可降水量。

15、可选地，步骤3中，所述目标损失函数为：

16、

17、其中，和分别为网络预测与全球导航卫星系统站点实测的大气可降水量，为当前参与计算的样本总数。

18、可选地，步骤4中，所述预处理包括：对原始数据集中的多源卫星观测特征执行归一化处理；对大气可降水量进行的数值调整，表示调整后的大气可降水量，再对进行归一化处理。

19、可选地，步骤4中，所述训练集、验证集和测试集按照8:1:1的比例划分。

20、第二方面，本发明提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如第一方面所述的基于深度神经网络的多波段多源协同大气可降水量反演方法。

21、第三方面，本发明提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如第一方面所述的基于深度神经网络的多波段多源协同大气可降水量反演方法。

22、本发明的有益效果是：

23、（1）本发明通过深度学习直接建立卫星载荷特征到大气可降水量的非线性映射，规避了对物理辐射传输模型及实时大气廓线数据的强依赖。这极大降低了反演模型的复杂度，显著提升了模型在不同地理区域及复杂气象环境下的反演精度与鲁棒性。

24、（2）本发明利用特殊设计的深度神经网络结构，实现了反演结果与目标高分辨率网格的直接对齐。相较于传统方法需经过“低分辨率反演与空间插值”，本架构通过高效的一次性前向运算从根本上避免了空间重采样带来的精度损失。

1.一种基于深度神经网络的多波段多源协同大气可降水量反演方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种基于深度神经网络的多波段多源协同大气可降水量反演方法，其特征在于：步骤1中，所述多源卫星观测特征包括微波亮温度、红外与可见光的辐射亮温度及反射率；所述原始数据集中，每一行样本均代表特定时空位置下多源卫星观测特征与大气可降水量的映射。

3.如权利要求2所述的一种基于深度神经网络的多波段多源协同大气可降水量反演方法，其特征在于：步骤2中，所述时空协同匹配具体为：

4.如权利要求1所述的一种基于深度神经网络的多波段多源协同大气可降水量反演方法，其特征在于：步骤3中，所述u-net深度神经网络使用了编码器与解码器对称结构；网络输入为维的张量，通过置0填充至维；在编码器部分，维张量经过卷积块并且下采样，重复操作4次，最终变换为瓶颈层的维张量；在解码器部分，瓶颈层的张量经过上采样，再与相应层级的编码器卷积块的张量拼接，继续经过卷积块提取特征，同样重复4次，最终在输出层经过全连接网络计算出大气可降水量。

5.如权利要求1所述的一种基于深度神经网络的多波段多源协同大气可降水量反演方法，其特征在于：步骤3中，所述目标损失函数为：

6.如权利要求1所述的一种基于深度神经网络的多波段多源协同大气可降水量反演方法，其特征在于：步骤4中，所述预处理包括：对原始数据集中的多源卫星观测特征执行归一化处理；对大气可降水量进行的数值调整，表示调整后的大气可降水量，再对进行归一化处理。

7.如权利要求1所述的一种基于深度神经网络的多波段多源协同大气可降水量反演方法，其特征在于：步骤4中，所述训练集、验证集和测试集按照8:1:1的比例划分。

8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-7任一项所述的基于深度神经网络的多波段多源协同大气可降水量反演方法。

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-7任一项所述的基于深度神经网络的多波段多源协同大气可降水量反演方法。