基于卫星数据模拟雷达组合反射率的方法、系统、设备及存储介质

本发明属于深度学习中的遥感，尤其涉及基于卫星数据模拟雷达组合反射率的方法、系统、设备及存储介质。

背景技术：

1、随着气候变化加剧，极端天气事件发生频率增加，对全球造成严重影响。因此，对极端天气进行准确监测对于防灾减灾至关重要。目前，高时空分辨率天气雷达是监测强对流天气的主要工具之一。天气雷达的雷达组合反射率因子（radar compositereflectivity, cref）可以指示气象目标的强度，因此在气象领域得到广泛应用。例如，当反射率大于35 dbz时，通常表明强对流的发生。反射率可以通过z-r关系转换为降雨量，用于监测降雨强度。此外，雷达反射率也被应用于数据同化、短期和未来天气预报等领域。然而，在复杂地形（例如山区）以及海洋地区部署和运行天气雷达极具挑战性。

2、随着深度学习技术的发展，基于卫星遥感数据反演或重建组合雷达反射率（composite radar reflectivity，cref）已成为气象遥感领域的重要研究方向之一。然而，现有基于卫星观测的组合雷达反射率重建方法存在强回波区域结构模糊、细节保持能力不足、多尺度云系适应性差以及损失函数对强回波约束不充分等问题。

技术实现思路

1、本发明的目的在于：提供基于卫星数据模拟雷达组合反射率的方法、系统、设备及存储介质，解决的技术问题为：现有基于卫星观测的组合雷达反射率重建方法存在强回波区域结构模糊、细节保持能力不足以及损失函数对强回波约束不充分等问题。

2、本技术实施例是这样实现的，提供基于卫星数据模拟雷达组合反射率的方法，包括：

3、s01、基于fy-4b中agri的l1级多通道数据和cref数据，获得数据集；

4、s02、构建雷达组合反射率重建模型；

5、s03、雷达组合反射率重建模型的训练和测试；

6、s04、将实时卫星agri的l1数据输入雷达组合反射率重建模型，获得模拟结果。

7、可选地，在本技术的一些实施例中，选取fy-4b中agri的l1级多通道数据和cref数据，进行时间上和空间上的匹配，获得数据集，将数据集划分为训练集80%、验证集10%和测试集10%。

8、可选地，在本技术的一些实施例中，以 u-net 网络结构为基础架构，将u-net 网络结构中的卷积模块替换为混合卷积层，所述混合卷积层包括标准卷积、深度可分离卷积及空洞卷积；和/或

9、在u-net 网络结构的编码器与解码器之间的第一层跳跃连接位置和第二层跳跃连接位置，引入通道—空间注意力模块。

10、可选地，在本技术的一些实施例中，在u-net 网络结构的解码阶段引入多尺度特征融合模块。

11、可选地，在本技术的一些实施例中，在解码阶段对来自多个解码层的不同空间尺度特征进行通道映射与空间对齐，得到，后将对齐后的多尺度特征进行求和并通过卷积非线性变换得到多尺度融合特征，公式如下：

12、；

13、式中，为多尺度输出解码模块结果，为卷积与激活组成的特征变换函数，为来自多个解码层的不同空间尺度特征，n。

14、可选地，在本技术的一些实施例中，将多尺度输出解码模块结果与主输出分支结果进行自适应加权组合，公式如下：

15、；

16、式中，是多尺度加权的输出结果，为自动学习的融合权重，为解码块的主分支输出结果，为多尺度输出解码模块结果；

17、通过把多尺度加权的输出结果解码块的主分支输出结果得到最终的雷达组合反射率的模拟结果，公式如下：

18、；

19、式中，为最终的雷达组合反射率的模拟结果，是多尺度加权的输出结果，解码块的主分支输出结果。

20、可选地，在本技术的一些实施例中，在模型训练过程中构建动态加权混合损失函数，表达式如下：

21、；

22、；

23、；

24、；

25、；

26、式中，为真值，为最终的雷达组合反射率的模拟结果，ssim为结构相似性的计算公式，为决定系数计算公式，表示第i个真实的雷达数据，表示模型输出来的第i个模拟雷达数据，表是第i个雷达真实数据的概论分布绝对值的倒数，n表示所有训练集的个数，α和都为0.5。

27、相应的，本技术实施例还提供基于卫星数据模拟雷达组合反射率的系统，包括：

28、数据集模块，基于fy-4b中agri的l1级多通道数据和cref数据，获得数据集；

29、重建模型模块，用于构建雷达组合反射率重建模型；

30、训练和测试模块，用于雷达组合反射率重建模型的训练和测试；

31、输出模块，用于将实时卫星agri的l1数据输入雷达组合反射率重建模型，获得模拟结果。

32、相应的，本技术实施例还提供计算机设备，包括储存器和处理器，所述储存器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述方法的步骤。

33、相应的，本技术实施例还提供计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。

34、综上所述，由于采用了上述技术方案，本发明的有益效果是：

35、本技术基于u-net 网络结构，不采用生成对抗或风格迁移机制，通过网络结构与损失函数的协同设计，提高强回波区域的结构一致性与空间连续性。将u-net 网络结构中的卷积模块替换为混合卷积层，在同一层级内联合建模局部细节与大尺度回波结构；在浅层跳跃连接处引入通道-空间注意力机制，增强强回波特征表达并抑制背景干扰；解码阶段采用尺度对齐的多尺度特征融合策略，提高回波边界连续性；训练阶段构建针对强回波区域的动态加权混合损失函数，自适应平衡数值精度与结构约束。本技术能够在保证整体反射率重建精度的同时，显著提升强回波区域的结构保持能力，适用于基于卫星观测的组合雷达反射率重建。

36、本技术并非简单叠加已有模块，而是通过模块功能分工、作用位置约束及训练目标协同设计，形成一套专门针对组合雷达反射率重建任务的技术方案。

37、与现有基于简单网络改进或损失函数单一优化的方法相比，本技术不依赖生成对抗、风格迁移等复杂机制，避免训练不稳定、模式崩溃及计算开销大等问题，模型更轻量、训练更稳定、推理速度更快，更适合工程化应用。

38、通过混合卷积、通道-空间注意力、尺度对齐融合、动态加权混合损失的协同设计，实现对强回波结构、边界轮廓、空间连续性的联合增强，有效解决传统方法在强对流回波区域易出现模糊、断裂、失真的问题。

39、针对卫星反演组合雷达反射率这一特定任务，实现网络结构、特征融合方式与损失函数的深度耦合，而非模块的简单叠加，具有明确的任务针对性与技术独创性。

40、在保证整体反射率重建精度的同时，大幅提升高反射率区域的探测与还原能力，能够为强对流天气监测、预警提供更可靠的观测依据，具有重要的实际应用价值。