[发明专利]并行气象要素降尺度方法、装置、电子设备及存储介质

权利要求书

1.一种并行气象要素降尺度方法，其特征在于，包括：

获取原始气象要素数据，所述原始气象要素数据包括目标气象要素的目标图像数据和辅助气象要素的辅助图像数据；

通过降尺度模型中的融合网络模块对所述原始气象要素数据进行特征提取，获得特征数据；

利用所述降尺度模型中的多个超分辨率网络模块分别对所述特征数据进行处理，获得每个超分辨率网络模块对应的高分辨率数据；

通过所述降尺度模型中的集成网络模块将多个高分辨率数据进行融合，获得所述目标图像数据对应的目标降尺度数据；

所述利用所述降尺度模型中的多个超分辨率网络模块分别对所述特征数据进行处理，获得每个超分辨率网络模块的高分辨率数据，包括；

利用子像素卷积操作对所述特征数据进行上采样，获得初始高分辨率数据；

通过所述降尺度模型中的多个超分辨率网络模块分别对所述初始高分辨率数据进行上采样，获得每个超分辨率网络模块对应的高分辨率数据；

所述融合网络模块包括密集连接块，所述密集连接块包括五个卷积块，这五个卷积块依次连接，并且第一个卷积块分别与第三个、第四个和第五个卷积块短接，第二个卷积块分别与第四个和第五个卷积块短接；所述超分辨率网络模块中的三个卷积块依次连接，并且第一卷积块还与第三个卷积块短接；所述集成网络模块包括一个卷积块，用于将多个超分辨率网络模块分别获得的高分辨率数据进行融合。

2.根据权利要求1所述的方法，其特征在于，所述通过所述降尺度模型中的集成网络模块将多个高分辨率数据进行融合，获得所述目标图像数据对应的目标降尺度数据，包括：

通过所述集成网络模块将多个高分辨率数据进行融合，获得融合后图像数据；

利用上下文融合方法对所述融合后图像数据进行处理，获得所述目标图像数据对应的目标降尺度数据。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

构建预设数量的训练网络，并获取所述预设数量的训练数据集；其中，每个训练网络包括融合网络模块、超分辨率网络模块和集成网络模块，每份训练数据集包括多个训练数据；

利用每份训练数据集对应的训练网络进行并行迭代训练，每次迭代训练后获得各个训练网络中的参数；

根据预设规则对各个训练网络中的融合网络模块的参数进行更新；

在到达预设迭代次数或训练网络的损失函数小于预设值时停止训练，获得预设数量的训练后网络；

根据所述预设数量的训练后网络获得所述降尺度模型。

4.根据权利要求3所述的方法，其特征在于，所述预设数量为n，且n个训练网络中包括1个主网络和n-1个子网络，所述根据预设规则对各个训练网络中的融合网络模块的参数进行更新，包括：

根据公式计算获得所述主网络中融合网络模块的更新后参数；其中，W_new为一次迭代训练后所述主网络的融合网络模块的更新后参数，W为一次迭代训练后主网络中融合网络模块的参数，W_i为第i个子网络在一次迭代训练后的融合网络模型的参数，W'为在该次迭代训练之前所述主网络的融合网络模块的参数，i≤n-1，且i为正整数；

利用所述主网络的融合网络模块的更新后参数同步更新各个子网络的融合网络模块的参数。

5.根据权利要求1所述的方法，其特征在于，所述融合网络模块包括密集连接块，所述密集连接块包括短接的多个卷积块。

6.根据权利要求1-5任一项所述的方法，其特征在于，每个超分辨率网络包括多个卷积块，且卷积块之间通过短接连接。