1.一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,包括:
2.根据权利要求1所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,所述无监督气象降尺度模型至少包括上采样生成模块、下采样生成模块和下采样判别模块。
3.根据权利要求2所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,所述训练样本包括样本待降尺度的气象数据及所述样本待降尺度的气象数据的样本辅助气象数据;
4.根据权利要求3所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行前向循环训练,包括:
5.根据权利要求4所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,所述通过所述上采样生成模块基于所述第一样本待降尺度图片块和所述第一样本辅助图片块,生成第一降尺度结果,包括:
6.根据权利要求4所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,所述对所述第一样本待降尺度图片块进行插值,得到第一插值结果,包括:
7.根据权利要求6所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,基于以下公式计算所述前向循环一致性损失及所述插值损失:
8.根据权利要求4所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,基于以下公式计算所述生成损失:
9.根据权利要求5-8中任意一项所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,所述基于所述样本待降尺度图片和所述样本辅助图片对所述无监督气象降尺度模型进行后向循环训练,包括:
10.根据权利要求9所述的一种基于对偶学习和辅助信息的无监督气象降尺度方法,其特征在于,基于以下公式计算所述第二样本待降尺度图片块与所述第二降尺度结果之间的后向循环一致性损失: