1.本发明涉及强对流天气预警
技术领域：
：，特别是涉及一种基于深度学习的对流初生预警方法。
背景技术：
：：2.强对流天气预警是灾害防御的第一道防线，也是最重要的一环。但是，目前各国对于强对流天气信息的掌握都还不够全面。在实际业务中通常应用雷达反射率(基于雷达数据的线性外推方法)进行强对流的辨别，但是高原、沙漠、海上等地没有雷达覆盖，所以很难做出时间地点精准的预报。3.由于天气系统有着发展复杂且快速变化的特点，准确判断并完成追踪等过程变成了薄弱环节。随着对强对流天气生成条件的不断了解，对流初生是强对流发生的重要发展阶段，对流初生是指气象雷达综合反射率图像上首次出现大于35dbz的回波。研究发现通过监测对流初生过程能够准确预警出强对流天气的出现，对能够提早预报预警起到重要作用。4.目前，国际上主要的对流初生算法有4种，分别为rdt(rapidlydevelopingthunderstorms)，fortracc(forecastingandtrackingtheevolutionofcloudclusters)，goes-r(thegeostationaryoperationalenvironmentsatelliter-seriesprogram)和uwci(theuniversityofwisconsinconvectiveinitiation)。在对流判识过程中，rdt算法更加关注垂直形态的峰值检测，并使用速度外推追踪对流，其业务算法结合多种资料如数值预报产品和卫星反演产品；fortracc算法对活跃对流更加关注，并综合考虑了对流合并与分裂的情况，能实现外推预报；goes-r算法使用多光谱判识技术监测对流云，主要针对静止气象卫星；uwci算法提出了块平均(boxaverage)概念，并使用云类型产品和单通道影像作为辅助数据，技术简单、快速。5.目前，针对强对流预警的研究中，中国气象卫星中心开发的对流初生产品由于算法不公开，产品发布具有滞后性(通常为15-20分钟)，无法在实际业务中服务，且还需要完成阈值优选、检验验证等大量工作。而中央气象台和清华大学联合开发了一种基于深度神经网络的雷达回波外推方法，预报准确率提高约40％，但其因雷达分布不均，无法满足海上等无雷达地区的强对流预警需求。同时，上述传统算法都只使用了近红外通道，由于近红外通道影像分辨率较低，导致难以实现精细化预警。技术实现要素：6.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于深度学习的对流初生预警方法，用于解决现有技术中对流初生预警滞后且精度低的问题。7.为实现上述目的及其他相关目的，本发明提供如下技术方案：8.一种基于深度学习的对流初生预警方法，包括：9.建立深度超分辨率模型以提取具备不同图像分辨率和时间分辨率的遥感影像中的有效信息，并对遥感影像进行训练以重构所述遥感影像的图像分辨率和时间分辨率；10.获取重构的遥感影像按照预定的对流云判识策略采用云顶亮温阈值法进行对流云的初判识；11.基于面积重叠法利用计算机视觉算法提取对流云以进行对流云追踪；12.基于goes-r算法对最终的对流云进行判识、依据预设的对流初生判定条件以判识对流初生；以及，13.结合高时空精度的卫星通道图像对卫星时空降尺度结果进行检验评估，并结合雷达数据对对流初生反演结果进行检验。14.作为发明的一种优选方案，所述建立深度超分辨率模型以提取具备不同图像分辨率和时间分辨率的遥感影像中的有效信息具体包括：15.利用深度学习的非线性映射能力和对栅格数据的信息提取能力建立深度超分辨率模型；16.利用深度超分辨率模型提取具备不同图像分辨率和时间分辨率的遥感影像中的有效信息；以及，17.利用获取的有效信息将时空低分辨率遥感影像重构为时空高分辨率遥感影像。18.作为发明的一种优选方案，所述对遥感影像进行训练以重构所述遥感影像的图像分辨率和时间分辨率具体包括：19.采用esrgan模型对不同图像分辨率的遥感影像进行训练以将所述遥感影像重构为高图像分辨率的遥感影像，所述高图像分辨率的遥感影像保留原遥感影像的图像分辨率的通道信息；以及，20.采用superslomo模型对不同时间分辨率的遥感影像进行训练以将所述遥感影像重构为高时间分辨率的遥感影像，所述高时间分辨率的遥感影像与雷达数据的时间分辨率保持一致。21.作为发明的一种优选方案，所述预定的对流云判识策略具体为：对流云体的最冷温度阀值达到-55℃、对流云体的最暖温度阀值达到-10-5℃、对流云体在垂直方向上的温度等值线间隔达到1℃、对流云体极值达到3℃、且对流判识的最小面积阀值达到一个红外像元大小。22.作为发明的一种优选方案，所述采用云顶亮温阈值法进行对流云的初判识时利用rdt算法，并采用自适应阈值选取长波红外通道阈值。23.作为发明的一种优选方案，所述预设的对流初生判定条件具体为：10.7μm亮温≤0℃、10.7μm亮温时间变化率≤[-4℃(15min)-1]、-35℃＜6.5和10.7μm亮温差＜-10℃、-25℃＜13.3和10.7μm亮温差＜-5℃、6.5和10.7μm亮温时间变化率》[3℃(15min)-1]、且13.3和10.7μm亮温时间变化率》[3℃(15min)-1]。[0024]作为发明的一种优选方案，所述结合高时空精度的卫星通道图像对卫星时空降尺度结果进行检验评估具体包括：[0025]采用峰值信噪比和结够相似性参数评价时空降尺度的准确性；其中，[0026]所述峰值信噪比其中，表示图像点颜色的最大数值；[0027]所述结构相似性其中μx、μy为均值，σx、σy为标准差，σxy为协方差，c1＝(0.01l)2，c2＝(0.03l)2，l对于8bit灰度图取值为255。[0028]作为发明的一种优选方案，所述结合高时空精度的卫星通道图像对卫星时空降尺度结果进行检验评估还包括：[0029]采用均方根误差和空间相关系数判断预测结果的精度；其中，[0030]所述均方根误差[0031]所述空间相关系数[0032]其中，n是像素数，oi和si为观测值和预测值，和分别为相应的平均值。[0033]作为发明的一种优选方案，所述结合高时空精度的卫星通道图像对卫星时空降尺度结果进行检验评估之后，还包括：[0034]根据检验评估结果优化对流初生判识的参数和阈值。[0035]如上所述，本发明的基于深度学习的对流初生预警方法，具有以下有益效果：[0036]本发明采用深度学习技术对风云卫星影像进行时空降尺度，空间降尺度是在空间范围内将影像的低分辨率降尺度为高分辨率，提高地物信息的分辨能力，反映出更细节的地面信息，时间降尺度是将粗时间分辨率的影像降尺度成更细时间分辨率的影像。由于风云卫星主要用于天气监测与预报、防灾减灾、气候变化、生态环境监测、服务“一带一路”建设等领域，因此，通过深度学习提高风云卫星的空间分辨率和时间分辨率，可为后续的降水预报、天气监测等提供更加精细化的数据；并且解决了多源数据时空分辨率不匹配问题，对气象的模式预报和提供时空分辨率统一的高精度降水服务具有深远的意义；而且时空降尺度得到更高时空分辨率的遥感影像，可以提升中小尺度云团连续快速监测能力，对强对流天气监测预警，尤其对突发性中小尺度天气系统监测具有重要意义。[0037]本发明采用时空降尺度方式进行资料融合，实现云图细节信息有效利用，解决小尺度漏报和大尺度延迟的问题，大大提高了预报准确性。其中，确定空间尺度从4km降至1km，时间尺度从15min降至6min。同时，在实际的对流初生反演过程中，涉及到很多气象参数和阈值的设定，如对流云的识别，通过云顶温度的经验值(～241k)判别，本发明通过深度学习的方法，结合rdt算法和goes-r算法，不断优化算法在目标判识、目标追踪、对流初生判识的各个过程中判别条件权重和阈值的优化，对不同地区有针对性的改变阈值，提高对流初生的精度；同时，本发明结合如面积重叠法、交叉相关法、计算机视觉等多种云团追踪技术，其在处理线性运动目标跟踪方面有独到的优势。附图说明[0038]图1显示为本发明实施例一的方法流程图。[0039]图2显示为本发明实施例一中esrgan模型结构示意图。[0040]图3显示为本发明实施例一中superslomo模型结构示意图。[0041]图4显示为本发明实施例一中应用rdt算法得到的云团识别图。[0042]图5a显示为本发明实施例二中4km×4km的低分辨率影像。[0043]图5b显示为本发明实施例二中双三次插值得到的高分辨率影像。[0044]图5c显示为本发明实施例二中基于esrgan模型使用预训练权重到的高分辨率影像。[0045]图5d显示为本发明实施例二中基于esrgan模型迁移学习到的高分辨率影像。[0046]图5e显示为本发明实施例二中1km×1km的实际高分辨率影像。[0047]图6a显示为本发明实施例三中基于superslomo模型预测的影像。[0048]图6b显示为本发明实施例三中真实遥感影像。[0049]图7显示为本发明实施例四中对流初生预警的影像。具体实施方式[0050]为了使本
技术领域：
：的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。[0051]在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。[0052]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0053]实施例一[0054]请参阅图1，本发明提供一种基于深度学习的对流初生预警方法，包括：[0055]s100、建立深度超分辨率模型以提取具备不同图像分辨率和时间分辨率的遥感影像中的有效信息，并对遥感影像进行训练以重构所述遥感影像的图像分辨率和时间分辨率。[0056]具体的，建立深度超分辨率模型以提取具备不同图像分辨率和时间分辨率的遥感影像中的有效信息具体包括：[0057]s101、利用深度学习的非线性映射能力和对栅格数据的信息提取能力建立深度超分辨率模型；[0058]s102、利用深度超分辨率模型提取具备不同图像分辨率和时间分辨率的遥感影像中的有效信息；以及，[0059]s103、利用获取的有效信息将时空低分辨率遥感影像重构为时空高分辨率遥感影像。[0060]对遥感影像进行训练以重构所述遥感影像的图像分辨率和时间分辨率具体包括：[0061]s104、采用esrgan模型对不同图像分辨率的遥感影像进行训练以将所述遥感影像重构为高图像分辨率的遥感影像，所述高图像分辨率的遥感影像保留原遥感影像的图像分辨率的通道信息，本实施例中，通过采用esrgan模型将遥感影像的图像分辨率从重构到1km，并且能保留4km图像分辨率的通道信息。[0062]如图2所示，图2示出了esrgan模型的具体网络模型结构示意图。本实施例中采用esrgan的生成器实现图像超分辨率重建，esrgan(enhancedsuper-resolutiongenerativeadversarialnetworks)模型是超分辨率生成对抗网络，能够在单幅图像超分辨率期间生成真实感纹理。其基于srgan改进，主要体现在以下三个方面：(1)使用对抗损失和感知损失；(2)引入residual-in-residudenseblock(rrdb)，结合多层残差网络和密集连接，该结构更易训练；(3)使用激活前的vgg特征来优化感知损失，可以提供对亮度一致性和纹理恢复更强的监督力。[0063]s105、采用superslomo模型对不同时间分辨率的遥感影像进行训练以将所述遥感影像重构为高时间分辨率的遥感影像，所述高时间分辨率的遥感影像与雷达数据的时间分辨率保持一致，本实施例中，通过采用superslomo模型将遥感影像的时间分辨率从15min重构到6min。[0064]如图3所示，图3示出了superslomo模型结构示意图。superslomo模型是一种端到端的卷积神经网络，能在两个输入图像之间生成任意多的中间视频帧，其整个框架是由两个全卷积神经网络u-net组成。首先，用一个u-net计算相邻输入图像之间的双向光流；再在每个时间步长上来线性拟合光流，进而逼近中间帧的双向光流，为解决运动边界出现伪影的问题，使用另一个u-net来优化近似的光流；最后，将输入的两张图像进行扭曲和线性融合，从而形成中间帧。此外，superslomo模型的光流计算网络和插值网络的参数，都不依赖于被插值帧的特定时间步长(时间步长被为网络的输入)，因此，可以并行地在两帧之间的任意时间步长上插帧，从而突破了很多单帧插值方法的局限性。[0065]s200、获取重构的遥感影像按照预定的对流云判识策略采用云顶亮温阈值法进行对流云的初判识。[0066]具体的，采用云顶亮温阈值法进行对流云的初判识时利用rdt算法，考虑对流云体在垂直方向上的高度变化，采用自适应阈值选取长波红外通道阈值，rdt算法由欧洲气象卫星开发组织eumetsatsaf开发；预定的对流云判识策略具体为：对流云体的最冷温度阀值达到-55℃、对流云体的最暖温度阀值达到-10-5℃、对流云体在垂直方向上的温度等值线间隔达到1℃、对流云体极值达到3℃、且对流判识的最小面积阀值达到一个红外像元大小，同时满足上述条件即可判定位对流云。如图4所示，图4示出了应用rdt算法得到的云团识别图。[0067]s300、基于面积重叠法利用计算机视觉算法提取对流云以进行对流云追踪，其中，计算机视觉算法具体采用boosting算法，通过选取重叠区域值，考虑相关值，利用boosting算法可从一系列的图像中自动提取，进行分析和理解，实现对对流云的追踪。[0068]s400、基于goes-r算法对最终的对流云遥感影像进行判识、依据预设的对流初生判定条件以判识对流初生。[0069]本实施例中具体参考当前goes卫星业务ci算法采用的判据，并使用goes-rabi(advancedbaselineimager)仪器的3个通道数据，对流初生判定条件具体图下表所示：[0070][0071]s500、结合高时空精度的卫星通道图像对卫星时空降尺度结果进行检验评估，并结合雷达数据对对流初生反演结果进行检验。[0072]具体的，所述结合高时空精度的卫星通道图像对卫星时空降尺度结果进行检验评估具体包括：[0073]s501、采用峰值信噪比(peaksignaltonoiseratio，psnr)和结构相似性(structuresimilarityindexmeasure，ssim)参数评价时空降尺度的准确性；其中，[0074]所述峰值信噪比其中，表示图像点颜色的最大数值，若每个采样点用8位表示，则为255；[0075]所述结构相似性其中μx、μy为均值，σx、σy为标准差，σxy为协方差，c1＝(0.01l)2，c2＝(0.03l)2，l对于8bit灰度图取值为255。[0076]通常情况下，psnr的数值越高，表示重建图像与原始图像越接近。为更加准确评价图像质量，再使用结构相似性(ssim)评价图像质量，结构相似性是超分辨图像与实际高分辨率图像的结构相似程度，取值不大于1，其值越接近1则表明两者结构越相似，影像重建效果越好。[0077]s502、采用均方根误差(rootmeansquareerror，rmse)和空间相关系数(correlationcoefficient，cc)判断预测结果的精度；其中，[0078]所述均方根误差[0079]所述空间相关系数[0080]其中，n是像素数，oi和si为观测值和预测值，和分别为相应的平均值。[0081]rmse是衡量预测值与实测值之间的偏差，rmse值越小，偏差越小，代表模型精度越高；cc值越接近1则说明它们相关性越高。[0082]所述结合高时空精度的卫星通道图像对卫星时空降尺度结果进行检验评估之后，还包括：[0083]s503、根据检验评估结果优化对流初生判识的参数和阈值。[0084]本发明使用四种评分标准对对流初生反演结果的预报能力进行评估，分别为公正预报率(equitablethreatscore，ets)、频率偏差frequencybias、命中率(probabilityofdetection，pod)和假警率(falsealarmratio，far)公正预报率ets是指评估去掉随机因素的发生的事件被正确预报出的比率，频率偏差frequencybias是指评估预报发生的事件和实际发生的事件的比率(大于1表示高估了事件发生的频率，小于1代表低估)，命中率pod是指评估发生的事件被正确预报出的比率，假警率far是指评估实际没发生但预报有的事件的比率，它们的最优值分别是1、1、1、0，变化范围分别为-1/3～1、0～1、0～1、0～∞，其计算公式具体如下：[0085][0086][0087][0088][0089]其中，h表示正确预报的格点数，m表示漏报格点数，f表示空报格点数，c表示正确预报出未存在对流初生事件格点数，具体如下表所示。[0090][0091]本发明在传统对流初生反演算法的基础上，基于国产风云卫星进行算法研发及改进，为满足灾害性预警的精细化需求，重点处理了风云卫星数据部分，采用深度学习技术对风云卫星影像进行时空降尺度，空间降尺度是在空间范围内将影像的低分辨率降尺度为高分辨率，提高地物信息的分辨能力，反映出更细节的地面信息，时间降尺度是将粗时间分辨率的影像降尺度成更细时间分辨率的影像。由于风云卫星主要用于天气监测与预报、防灾减灾、气候变化、生态环境监测等领域，因此，通过深度学习提高风云卫星的空间分辨率和时间分辨率，可为后续的降水预报、天气监测等提供更加精细化的数据；并且解决了多源数据时空分辨率不匹配问题，对气象的模式预报和提供时空分辨率统一的高精度降水服务具有深远的意义；而且时空降尺度得到更高时空分辨率的遥感影像，可以提升中小尺度云团连续快速监测能力，对强对流天气监测预警，尤其对突发性中小尺度天气系统监测具有重要意义。[0092]本发明采用时空降尺度方式进行资料融合，实现云图细节信息有效利用，解决小尺度漏报和大尺度延迟的问题，大大提高了预报准确性。其中，确定空间尺度从4km降至1km，时间尺度从15min降至6min。同时，在实际的对流初生反演过程中，涉及到很多气象参数和阈值的设定，如对流云的识别，通过云顶温度的经验值(～241k)判别，本发明通过深度学习的方法，结合rdt算法，不断优化算法在目标判识、目标追踪、对流初生判识的各个过程0.001，说明迁移方法有效地学习了风云4a号遥感影像的空间特征。[0103]图5a～图5e为选取的2018年7月16日8点19分影像空间降尺度的效果，其中图5a为4km×4km的低分辨率影像，图5b为双三次插值得到的高分辨率影像，图5c为基于esrgan模型使用预训练权重到的高分辨率影像，图5d为基于esrgan模型迁移学习到的高分辨率影像，图5e为1km×1km的实际高分辨率影像。由图5a～图5e可明显看出相对比双三次插值方法，在4倍分辨率提升场景下基于深度学习的方法也能够更准确地重构出较高分辨率的遥感影像，并且基于esrgan模型使用迁移方法得到的高分辨率影像边缘清晰，总体效果上与真实高分辨率影像更接近。[0104]实施例三[0105]本实施例公开了一时间降尺度实例，具体为：根据风云4a影像2018年7月16日8点15分和8点30分的影像，设置时间步长，输入模型，测试出在该时间段任意的影像。图6a和图6b是深度学习预测出的8点23分影像，其中，图6a为(a.基于superslomo模型预测的影像，图6b为真实遥感影像。superslomo模型预测的结果与实际影像的精度计算结果如下表所示：[0106][0107]由上表可知，基于superslomo模型进行预训练测试出的遥感影像与真实的遥感影像计算的rmse为0.211、cc为0.9815、psnr为33.508、ssim为0.7815，并且在总体效果上与真实高分辨率影像更接近，且云的运动方向保持一致，时间分辨率实现从间隔15min变成6min。[0108]实施例四[0109]本实施例以一个具体实例为例进行说明，本实施例提供一次北京对流初生预警个例研究，如图7所示。北京2018.7.16暴雨强度仅次于2011年“6.23暴雨”，为北京市极端暴雨事件，持续约58小时，此次由强对流引起的暴雨发生于在7.15，在7.16达到最大。本实施例利用卫星数据进行实时检测，在11:30识别到对流云，在11:40对对流云进行追踪和条件判识时，发现其满足了6个判识条件中的5个条件，具体信息如下表。因此判定该处有对流初生，即将发生强对流。并通过雷达图像进行检验发现，雷达在12:30才监测到强对流，因此通过该对流初生的追踪和判识，可实现提前50分钟预警强对流。[0110][0111]应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。当前第1页12当前第1页12