基于静止气象卫星资料与双分支耦合网络的雷达组合反射率反演方法、系统

本发明涉及气象卫星遥感反演，尤其涉及一种基于静止气象卫星资料与双分支耦合网络的雷达组合反射率反演方法、系统。

背景技术：

1、受复杂多变的气候条件影响，我国极易遭受雷暴、短时强降雨等剧烈对流天气的侵袭。此类灾害往往突如其来且破坏力惊人，对国民经济发展构成了巨大隐患。因此，构建大范围、实时高效的灾害性天气监测体系，是防灾减灾的必然要求。目前，对流天气的监测手段主要包括地面气象雷达和气象卫星。与气象卫星相比，气象雷达拥有更优的时空分辨率和更强的垂直探测能力，是目前开展精准强对流天气监测和短临预报业务的基石。然而，受地形约束以及经济成本等因素的限制，气象雷达的站点分布呈现不均匀性，存在大量地形受限区域无法实现有效覆盖，导致该区域的强对流天气监测能力存在明显短板。相较而言，气象卫星具有观测范围广、分辨率高、成本低、可实现全天候、连续观测等显著优势，能够弥补传统雷达监测的不足，在对流天气的监测中发挥着越来越重要的作用。

2、风云四号（fengyun-4）气象卫星是中国新一代静止轨道气象卫星，其搭载的先进的辐射成像仪（agri）能够获取大气云顶信息，具有高时空分辨率，可连续大范围监测对流等气象要素的运动。近年来，随着深度学习技术在遥感反演领域的快速发展，大量研究者开始利用深度学习方法，尝试将静止气象卫星资料反演为雷达组合反射率（z）。现有的研究多采用卷积神经网络（cnn）或改进的cnn结构对卫星亮温资料进行处理。例如，通过构建多层卷积网络提取卫星资料的特征并进行反演，但该类方法受到卷积网络本身受限感受野的影响，通常难以同时兼顾大范围区域的上下文信息与小范围区域的细节特征，容易导致反演结果细节丢失，回波定位偏差大，最终影响反演精度。

3、目前，针对高时空分辨率的雷达组合反射率反演方法研究相对较少。因此，亟需一种能够有效融合卫星资料中全局与局部特征，实现高时空分辨率雷达组合反射率反演的深度学习方法，以满足实际业务应用的需求。

技术实现思路

1、本发明提供了一种基于静止气象卫星资料与双分支耦合网络的雷达组合反射率反演方法、系统，克服了上述现有技术之不足，其能有效解决现有雷达反射率反演方法，难以同时兼顾大范围上下文信息与局部回波细节特征，存在反演结果模糊、断裂的问题。

2、为解决上述问题，本发明所述的技术方案之一是通过以下方式实现的：一种基于静止气象卫星资料与双分支耦合网络的雷达组合反射率反演方法，包括以下步骤：

3、结合气象卫星，获取待检测区域气象要素，构建数据集，其中气象要素包括云层厚度、对流强度、云顶热力和微物理特征；

4、将数据集输入至引入自适应特征耦合模块的局部-全局双支特征提取网络模型进行特征提取，生成局部特征和全局特征，自适应特征耦合模块将局部特征和全局特征进行自适应的动态加权融合，并将其映射为雷达反射率。

5、上述局部-全局双支特征提取网络模型的构建过程，包括：

6、结合卫星和雷达观测资料，获取若干样本，具体收集风云四号fy-4a的l1级红外观测数据和l2级产品和地面雷达观测资料，并按比例将其划分为训练集和测试集；

7、利用训练集对局部-全局双支特征提取网络模型进行训练，训练时引入损失函数，在损失函数的值稳定时，结束训练，得到局部-全局双支特征提取网络模型，其中局部-全局双支特征提取网络模型包括局部分支、全局分支和自适应耦合模块，局部分支进行局部细节特征提取，全局分支进行全局上下文特征提取，自适应耦合模块将局部细节特征和全局上下文特征进行自适应的动态加权融合，并将其映射为雷达反射率；

8、利用测试集对训练后的局部-全局双支特征提取网络模型进行性能评估，评估局部-全局双支特征提取网络模型的具体反演性能。

9、上述结合气象卫星，获取待检测区域气象要素，构建数据集，包括：

10、卫星资料筛选：包括l1级红外观测数据中能够反映降水特征和对流发展状态的红外通道，以及l2级卫星产品云掩膜数据；其中红外通道包括第8通道，第10通道，第12通道；

11、空间匹配：按照研究区域裁剪收集的卫星和雷达资料，并统一数据的空间分辨率，具体操作是将1km分辨率的雷达数据使用最大池化方法采样到4km分辨率以匹配卫星资料；

12、时间匹配：以雷达观测时间为基准，在±3分钟的时间窗口内寻找最接近的卫星扫描数据且只匹配一次，构成一个样本；

13、样本筛选：计算每个样本中反射率大于10dbz的像元占比，并剔除占比低于5%的样本；

14、数据归一化：对于筛选后的样本，分别统计各输入红外通道的低分位数和99%分位数，并以其作为归一化上下限；

15、对超过该范围的像元值进行截断后，采用归一化公式进行尺度变换；其中，归一化公式如下：

16、，

17、其中，为第个输入通道中第个像元的原始值；为归一化后的像元值；为第个输入通道的最小值；为第个输入通道的99%分位数；

18、按8：2的比例，随机抽样训练集和测试集；每个样本的维度为5×440×448。

19、上述将数据集输入至引入自适应特征耦合模块的局部-全局双支特征提取网络模型进行特征提取，生成局部特征和全局特征，包括：进行局部细节特征提取的局部分支以及全局上下文特征提取的全局分支，其中：

20、（1）局部分支包括5个编码器模块和4个解码器模块：

21、每个编码器模块包括2个级联的cbr模块，每个cbr模块包括3×3卷积层、批量归一化层和relu激活函数，其中3×3卷积层是提取局部空间特征；批量归一化层将3×3卷积提取的特征值进行标准化处理；relu激活函数将标准化处理后的特征，负值全置0，正值保持不变，防止梯度消失；由编码器模块进行云团局部纹理和细节特征的提取，前4个编码器模块在完成特征提取后，其输出特征均需经过最大池化进行空间下采样，使得特征图的高宽分辨率依次减半，特征通道数逐级加宽；

22、解码器模块为4个逐步恢复分辨率的解码器模块，上一级的特征图首先经过双线性插值操作进行空间上采样，然后通过跳跃连接，将浅层网络中高分辨率特征跨层传递，并与上采样后的特征进行拼接，拼接融合后的特征通过cbr卷积模块进一步特征细化后，再传递到下一级，经过四次渐进式的上采样与特征重构，中间特征最终逐步恢复至原始分辨率，生成最终的局部特征；

23、（2）全局分支包括4个编码阶段和3阶段解码阶段：

24、编码阶段：每个编码阶段包括下采样模块和van模块，van模块主要由归一化层、注意力模块和前馈神经网络串联构成，其中，归一化层对输入特征进行标准化，稳定训练过程，加速收敛；注意力模块主要用于提取全局特征并赋予关键特征更高权重；前馈神经网络主要用于对特征进行局部的高维非线性变换，增强特征表征；下采样模块采用步长为2的2×2卷积操作来实现特征图的降采样，使其空间维度减半；

25、解码阶段：解码阶段包括3阶段渐进式解码结构；上一级的特征图首先执行双线性插值上采样，随后通过跳跃连接，将编码阶段中同层级的特征与上采样后的特征进行拼接融合，最后输出入至3×3卷积中进行特征细化，经过三次渐进式的上采样与特征重构，逐步恢复至原始分辨率，最终输出包含丰富宏观上下文信息的全局特征。

26、上述注意力模块是van的核心模块，注意力模块包括前1×1卷积、gelu函数、大核注意力模块lka和后1×1卷积，具体的：

27、（1）前1×1卷积：对特征进行通道融合；

28、（2）gelu函数：进行非线性激活，增强网络的表达能力；

29、（3）大核注意力模块lka：该模块的核心，通过大感受野捕获图像的全局空间依赖关系，聚焦重要目标区域；大核注意力模块lka将大感受野卷积分解为三个级联操作，计算过程如下：

30、，

31、式中，为输入特征，为深度卷积，为深度空洞卷积，为1×1逐点卷积，为生成的空间注意力图；

32、随后，生成的注意力图与原始特征进行哈达玛积运算，得到最终的输出特征xout，计算方式如下：

33、，

34、式中，表示哈达玛积运算；

35、（4）后1×1卷积：恢复特征的通道维度，以便后续进行残差相加。

36、上述前馈神经网络包括前1×1卷积、深度卷积、gelu函数和后1×1卷积，具体的：

37、（1）前1×1卷积：将特征图通道数升维，扩展特征空间。

38、（2）深度卷积：在升维后的空间内独立提取各个通道的局部空间特征。

39、（3）gelu函数：进行高维非线性激活。

40、（4）后1×1卷积：将特征通道数降维，恢复至原始维度并输出。

41、上述自适应特征耦合模块将局部特征和全局特征进行自适应的动态加权融合，并将其映射为雷达反射率，包括：

42、融合特征计算公式如下：

43、，

44、式中，f为最终融合特征；l为局部特征；g为全局特征；w为局部特征l的权重；（1-w）为全局特征g的权重；表示哈达玛积运算；

45、将得到的最终融合特征f输入至1×1卷积层中，通过逐点卷积操作，网络沿着通道维度进行信息整合，将特征的通道数从32维降维至1维，输出维度为1×440×448的单通道特征图，该特征图即为局部-全局双支特征提取网络模型反演生成的雷达组合反射率结果。

46、上述利用训练集对局部-全局双支特征提取网络模型进行训练，训练时引入损失函数，在损失函数的值稳定时，结束训练，得到局部-全局双支特征提取网络模型，包括：

47、以均值误差作为损失函数，损失函数表达式如下：

48、，

49、其中，表示第i个训练集样本的真实雷达反射率值，表示对应的局部-全局双支特征提取网络模型反演得到的雷达反射率，n表示训练集样本总数，为利用损失函数计算得到的训练集样本的误差值；

50、当的数值连续10次不再减小，则保存局部-全局双支特征提取网络模型参数，结束训练。

51、上述利用测试集对训练后的局部-全局双支特征提取网络模型进行性能评估，评估局部-全局双支特征提取网络模型的具体反演性能，包括：

52、将全部测试集样本输入到训练后的局部-全局双支特征提取网络模型，得到由卫星观测资料反演得到的雷达反射率数据，将雷达反射率数据和对应的真实的雷达反射率一起输入到rmse、mae、pod、far和csi中，评估局部-全局双支特征提取网络模型性能，具体如下：

53、rmse、mae计算公式分别为：

54、 ，

55、式中，表示第j个测试集样本的真实雷达反射率值，表示对应的局部-全局双支特征提取网络模型反演得到的雷达反射率，m表示测试集样本总数，mae表示测试集样本的平均绝对误差；

56、 ，

57、式中，表示第j个测试集样本的真实雷达反射率值，表示对应的局部-全局双支特征提取网络模型反演得到的雷达反射率，m表示测试集样本总数，rmse表示测试集样本的均方根误差；

58、设定强回波判断阈值，当局部-全局双支特征提取网络模型反演得到的雷达反射率大于或等于强回波判断阈值时，判定为强回波事件；当局部-全局双支特征提取网络模型反演得到的雷达反射率小于强回波判断阈值时，判定为非强回波事件；统计测试集样本中的命中样本数tp、漏报样本数fn和空报样本数fp，计算整个测试集的pod、far和csi，计算方式如下：

59、，

60、，

61、，

62、式中， pod、far和csi分别表示测试集样本的命中率、误报率和临界成功指数。

63、本发明技术方案之二是通过以下方式实现的：一种基于静止气象卫星资料与双分支耦合网络的雷达组合反射率反演系统，包括：

64、数据集构建单元，结合气象卫星，获取待检测区域气象要素，构建数据集，其中气象要素包括云层厚度、对流强度、云顶热力和微物理特征；

65、雷达反射率映射单元，将数据集输入至引入自适应特征耦合模块的局部-全局双支特征提取网络模型进行特征提取，生成局部特征和全局特征，自适应特征耦合模块将局部特征和全局特征进行自适应的动态加权融合，并将其映射为雷达反射率。

66、本发明与现有技术相比具有以下优点：

67、1、通过全局分支捕获大范围的上下文信息，局部分支提取细节特征，克服了单一网络无法兼顾二者的缺点，显著提高了反演结果的空间连续性，解决了现有雷达反射率反演方法，难以同时兼顾大范围上下文信息与局部回波细节特征，存在反演结果模糊、断裂的问题。

68、2、自适应融合机制能够有效结合全局与局部特征的优势，进一步提升了复杂对流天气下的反演精度。

69、3、训练好的模型可无延迟地对风云四号卫星资料进行处理，快速生成大范围、高时空分辨率的雷达组合反射率，弥补地形受限区域雷达盲区的短板，尤其是为山区和近海地区提供及时的雷达观测资料，提高气象监测能力，做好防灾减灾工作。