技术特征：
1.一种基于深度学习的对流初生预警方法，其特征在于，包括：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；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；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；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，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。2.根据权利要求1所述的基于深度学习的对流初生预警方法，其特征在于，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：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；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，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。3.根据权利要求1或2所述的基于深度学习的对流初生预警方法，其特征在于，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：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，采用super slomo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。4.根据权利要求1所述的基于深度学习的对流初生预警方法，其特征在于，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。5.根据权利要求1所述的基于深度学习的对流初生预警方法，其特征在于，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。6.根据权利要求1所述的基于深度学习的对流初生预警方法，其特征在于，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
]。7.根据权利要求1所述的基于深度学习的对流初生预警方法，其特征在于，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：
采用峰值信噪比和结构相似性参数评价时空降尺度的准确性；其中，所述峰值信噪比其中，表示图像点颜色的最大数值；所述结构相似性其中μ
x
、μ
y
为均值，σ
x
、σ
y
为标准差，σ
xy
为协方差，c1＝(0.01l)，c2＝(0.03l)，l对于8bit灰度图取值为255。8.根据权利要求7所述的基于深度学习的对流初生预警方法，其特征在于，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：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，所述均方根误差所述空间相关系数其中，n是像素数，o
i
和s
i
为观测值和预测值，和分别为相应的平均值。9.根据权利要求8所述的基于深度学习的对流初生预警方法，其特征在于，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：根据检验评估结果优化对流初生判识的参数和阈值。
技术总结
本发明涉及一种基于深度学习的对流初生预警方法，包括：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；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；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；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；以及，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。本发明能够实现强对流天气监测预警，提高对流初生的判识精度。初生的判识精度。初生的判识精度。
技术研发人员：杨春蕾 谢梦
受保护的技术使用者：中科技术物理苏州研究院
技术研发日：2022.09.02
技术公布日：2023/2/2