基于卷积神经网络的云物理参数反演方法与流程

1.本发明涉及气象遥感技术领域，具体为一种基于卷积神经网络的云物理参数反演方法。


背景技术：

2.云是地球
‑
大气系统的重要成员，其物理参数对于地气辐射收支、气象预报、气候预测、人工增雨作业等领域的研究有重要作用，因此，基于太赫兹云雷达遥感数据，研究云物理参数的准确提取方法，具有重要意义。与常见的毫米波云雷达相比，太赫兹云雷达的波长更接近云粒子尺度，在理论上具有更高的探测能力和灵敏度，成为主动云遥感的新手段。
3.利用雷达观测所得的雷达反射率因子提取云物理参数的方法，被称为反演方法。目前常用的云参数反演方法来源于数据的统计特征，综合分析毫米波雷达和实测云物理参数，得出雷达反射率因子与云物理参数之间的经验关系。该方法计算简单，但算法适用性和扩展性差。国内外学者提出基于最优估计理论的反演方法，在代价函数最小值的情况下求得最优解，迭代求得云物理灿烂，算法适用性和扩展性明显提升，但关键参数的设置对统计结果仍有一定的依赖性。
4.因此，为了提升云物理参数的反演准确性，需要摆脱对于经验值的依赖，选择泛化性、自适应学习能力更强的算法。


技术实现要素：

5.本发明提供了一种基于卷积神经网络的云物理参数反演方法，该方法提升了云物理参数的反演准确性，并且摆脱对于经验值的依赖，是一种泛化性、自适应学习能力更强的算法。
6.为实现上述目的和其它相关目的，本发明提供了一种基于卷积神经网络的云物理参数反演方法，包括如下步骤：
7.s1、计算太赫兹频段云粒子散射特性，结合粒子谱分布，模拟计算太赫兹雷达等效反射率因子与云物理特征参数的函数关系，建立前向物理模型，所述云物理特征参数包括云粒子尺度、云粒子数浓度和分布参数；
8.s2、对太赫兹云雷达的实测数据和微物理参数产品进行预处理，整理得到训练数据库，所述训练数据库的输入数据为实测的太赫兹雷达等效反射率因子，输出数据为所述云物理特征参数；
9.s3、建立卷积神经网络的结构，将所述前向物理模型作为约束条件，基于雷达回波的预测值与实际值的偏差，自适应调整学习速率，实现对云遥感特征和输出云参数结果之间复杂非线性函数的精确表示；
10.s4、利用所述训练数据库，对所述卷积神经网络进行反复训练，由所述太赫兹雷达等效反射率因子反演计算得到所述云物理特征参数。
11.优选地，所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，所述
输入层的数据为所述输入数据，所述卷积神经网络通过所述卷积层和所述池化层对所述输入数据进行特征提取，得到所述输入层的局部特征，再经所述全连接层产生所述云物理特征参数，进入所述输出层。
12.优选地，所述卷积神经网络的计算具体包括如下步骤：
13.s3.1、前向计算：将单个训练样本输入所述卷积神经网络，从前向后逐步计算每次神经元的值，获得训练样本的预测结果x
out
；
14.s3.2、反向计算：首先建立预测结果x
out
与真实反演结果x之间的损失函数e，采用平方误差，所述输出层的损失函数e计算如下：
[0015][0016]
其中，n为雷达探测廓线的距离总库数，然后向后逐层计算网络参数关于所述损失函数e的导数，即局域梯度δ，用梯度下降法优化各层的w和b，进行网络参数迭代更新，迭代运算直到收敛，计算公式如下：
[0017]
w
l 1
＝w
l
‑
δw
l
[0018][0019]
b
l 1
＝b
l
‑
δb
l
[0020][0021]
其中，η表示学习速率，l表示训练时的循环次数；
[0022]
s3.3、采用自适应学习速率的方案，计算根据实际预测的反演结果x
out
，根据所述前向物理模型，计算雷达回波的预测值z
sim
，计算预测值z
sim
与实测值z的偏差，利用该参数来修正学习速率η，确保学习速率η随准确性增加而逐步减小，计算公式如下：
[0023][0024]
其中，η0表示学习速率η的初值。
[0025]
优选地，所述卷积神经网络计算时，每一层的动作如下：
[0026]
所述输入层将输入数据传递给所述卷积层；
[0027]
所述卷积层设置三个卷积核，计算得到预激活值，通过激活函数f得到第一特征图，所述第一特征图的元素值c
outk
(k＝1,2,
…
,n 2)为：
[0028][0029]
其中，w和b分别为每个第一特征图对应的乘性和加性偏置，f表示激活函数，y表示所述输入数据；
[0030]
所述池化层保留有用信息的同时，减小所述卷积层输入的所述第一特征图的大小，采用相邻矩阵区域平均值汇聚的方法，对所述第一特征图进行下采样，完成特征参数的筛选和降纬，得到第二特征图，所述第二特征图的元素值p
outk
(k＝1,2,
…
,n 2)为：
[0031]
p
outk
＝down
k
(c
outk
)；
[0032]
在所述全连接层中，将得到的所述第二特征图依次连接成向量，输入全连接网络，经加权和偏置运算后，利用激活函数f，得到所述云物理特征参数的预测结果，送给所述输出层。
[0033]
优选地，激活函数f为relu函数。
[0034]
优选地，雷达回波的预测值z
sim
的计算依赖于所述前向物理模型，具体步骤为：计算太赫兹频段的冰晶粒子复折射指数；采用离散偶极子近似法进行太赫兹频段云粒子散射特性计算，得到后向散射截面σ
bk
表；通过所述后向散射截面σ
bk
表，并结合粒子谱分布，得到太赫兹雷达等效反射率因子与云物理特征参数的函数关系。
[0035]
优选地，所述对太赫兹云雷达的实测数据和微物理参数产品进行预处理包括：剔除降雨个例，去掉地面杂波影响较大的数据。
[0036]
综上所述，本发明提供了一种基于卷积神经网络的云物理参数反演方法，通过设计的训练数据库和构建的卷积神经网络结构，利用训练数据库反复对卷积神经网络进行训练，实现基于卷积神经网络的云物理参数反演，根据太赫兹云雷达的雷达反射率因子，输入网络后可得到粒子尺度、粒子数浓度以及分布参数，即云粒子谱分布特征参数。该方法提升了云物理参数的反演准确性，并且摆脱对于经验值的依赖，是一种泛化性、自适应学习能力更强的算法。
附图说明
[0037]
图1为本发明一实施例提供的基于卷积神经网络的云物理参数反演方法示意图；
[0038]
图2为本发明一实施例提供的基于卷积神经网络的云物理参数反演方法具体实施流程示意图；
[0039]
图3为本发明一实施例提供的基于卷积神经网络的云物理参数反演方法中卷积神经网络结构示意图。
具体实施方式
[0040]
以下结合附图1
‑
3和具体实施方式对本发明基于卷积神经网络的云物理参数反演方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[0041]
参阅图1，本发明提供了一种基于卷积神经网络的云物理参数反演方法，包括如下步骤：
[0042]
s1、计算太赫兹频段云粒子散射特性，结合粒子谱分布，模拟计算太赫兹雷达等效反射率因子与云物理特征参数的函数关系，建立前向物理模型，所述云物理特征参数包括云粒子尺度、云粒子数浓度和分布参数；
[0043]
s2、对太赫兹云雷达的实测数据和微物理参数产品进行预处理，整理得到训练数据库，所述训练数据库的输入数据为实测的太赫兹雷达等效反射率因子，可表示为：
[0044]
y＝[z(z1)
…
z(z
n
)]
t
[0045]
其中，z
i
(i＝1,2,
…
,n)代表距离库i处的高度，n为雷达探测的距离库数，z1为云底，z
n
为云顶。
[0046]
输出数据为云物理特征参数，所述云物理特征可表示为：
[0047]
x＝[lgd
g
(z1)
…
lgd
g
(z
n
)lgn0(z1)
…
lgn0(z
n
)α(z1)
…
α(z
n
)]
t
[0048]
其中，lg表示取以10为底的对数。
[0049]
s3、建立卷积神经网络的结构，将所述前向物理模型作为约束条件，基于雷达回波的预测值与实际值的偏差，自适应调整学习速率，实现对云遥感特征和输出云参数结果之间复杂非线性函数的精确表示；
[0050]
s4、利用所述训练数据库，对所述卷积神经网络进行反复训练，由所述太赫兹雷达等效反射率因子反演计算得到所述云物理特征参数。
[0051]
对于卷积神经网络的解释如下：
[0052]
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为平移不变人工神经网络。
[0053]
在本实施例中，所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，所述输入层的数据为所述输入数据，所述卷积神经网络通过所述卷积层和所述池化层对所述输入数据进行特征提取，得到所述输入层的局部特征，再经所述全连接层产生所述云物理特征参数，进入所述输出层。
[0054]
其中，输入层和输出层用于输入输出数据，可以处理多维数据；卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元；在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤；卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层，全连接层位于卷积神经网络的最后部分，并只向其它全连接层传递信号，特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数。
[0055]
在本实施例中，参阅图2，所述卷积神经网络的计算包括如下步骤：
[0056]
s3.1、前向计算：将单个训练样本输入所述卷积神经网络，从前向后逐步计算每次神经元的值，获得训练样本的预测结果x
out
；
[0057]
s3.2、反向计算：首先建立预测结果x
out
与真实反演结果x之间的损失函数e，采用平方误差，所述输出层的损失函数e计算如下：
[0058][0059]
其中，n为雷达探测廓线的距离总库数，然后向后逐层计算网络参数关于所述损失函数e的导数，即局域梯度δ，用梯度下降法优化各层的w和b，进行网络参数迭代更新，迭代运算直到收敛，计算公式如下：
[0060]
w
l 1
＝w
l
‑
δw
l
[0061][0062]
b
l 1
＝b
l
‑
δb
l
[0063][0064]
其中，η表示学习速率，l表示训练时的循环次数；
[0065]
s3.3、采用自适应学习速率的方案，计算根据实际预测的反演结果x
out
，根据所述前向物理模型，计算雷达回波的预测值z
sim
，计算预测值z
sim
与实测值z的偏差，利用该参数来修正学习速率η，确保学习速率η随准确性增加而逐步减小，计算公式如下：
[0066][0067]
其中，η0表示学习速率η的初值。
[0068]
在本实施例中，参阅图3，所述卷积神经网络计算时，每一层的动作如下：
[0069]
所述输入层将输入数据传递给所述卷积层；
[0070]
所述卷积层设置三个卷积核，计算得到预激活值，通过激活函数f得到第一特征图，所述第一特征图的元素值c
outk
(k＝1,2,
…
,n 2)为：
[0071][0072]
其中，w和b分别为每个第一特征图对应的乘性和加性偏置，f表示激活函数，y表示所述输入数据；
[0073]
所述池化层保留有用信息的同时，减小所述卷积层输入的所述第一特征图的大小，采用相邻矩阵区域平均值汇聚的方法，对所述第一特征图进行下采样，完成特征参数的筛选和降纬，得到第二特征图，所述第二特征图的元素值p
outk
(k＝1,2,
…
,n 2)为：
[0074]
p
outk
＝down
k
(c
outk
)；
[0075]
在所述全连接层中，将得到的所述第二特征图依次连接成向量，输入全连接网络，经加权和偏置运算后，利用激活函数f，得到所述云物理特征参数的预测结果，送给所述输出层。
[0076]
在本实施例汇总，激活函数f为relu函数。
[0077]
优选地，雷达回波的预测值z
sim
的计算依赖于所述前向物理模型，具体步骤为：计算太赫兹频段的冰晶粒子复折射指数；采用离散偶极子近似法进行太赫兹频段云粒子散射特性计算，得到后向散射截面σ
bk
表；通过所述后向散射截面σ
bk
表，并结合粒子谱分布，得到太赫兹雷达等效反射率因子与云物理特征参数的函数关系。
[0078]
在本实施例中，激活函数f为relu函数。
[0079]
在本实施例中，所述太赫兹雷达等效反射率因子的计算方法如s1所述。具体步骤如下：
[0080]
根据云滴谱特征的调研结果，将云粒子的尺寸范围设定为2
‑
2000μm，计算太赫兹频段的典型冰晶粒子复折射指数，采用离散偶极子近似法进行太赫兹频段云粒子散射特性计算，得到后向散射截面表；根据所述后向散射截面表，并结合粒子谱分布，得到太赫兹雷
达等效反射率因子与云物理特征参数的函数关系。
[0081]
云粒子数浓度是值单位体积中云滴的个数，其随尺度的变化被成为云粒子谱，假设云粒子谱满足伽马分布，公式如下：
[0082]
n(d)＝n0e
α
(d/d
g
)
α
exp[
‑
αd/d
g
]
[0083]
式中：n0是云粒子数浓度；d是云粒子直径；d
g
是中值长度；α是伽马分布参数。太赫兹云雷达反射率因子的定义如下所示：
[0084][0085]
式中：σ
bk
表示粒子直径d的球形粒子的后向散射截面，k由粒子负折射指数m计算得到，k＝(m2‑
1)/(m2 2)。
[0086]
由此，可实现基于卷积神经网络的云物理参数反演，根据太赫兹云雷达的雷达反射率因子，输入网络后可得到粒子尺度、粒子数浓度以及分布参数，即云粒子谱分布特征参数。
[0087]
本发明的优点在于提升了云物理参数的反演准确性，并且摆脱对于经验值的依赖，是一种泛化性、自适应学习能力更强的算法。
[0088]
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。