[发明专利]一种基于深度学习的云层变化趋势预测方法

说明书

本发明公开了一种基于深度学习的云层变化趋势预测方法，将从地面站采集的云图序列做数据预处理；按地面站上空的云层状况将云图序列数据分类，并确定训练集、验证集和测试集。基于卷积‑长短期记忆网络搭建深度预测网络模型，深度预测网络模型包括预测网络层、时间切片全连接层和全连接层，对深度预测网络模型训练，将训练集喂入深度预测网络模型进行模型的线下训练。本发明减小了计算开销，增加模型与待预测云层图像序列的时间相关性，使预测未来一段时间内地面站上空的云层变化趋势的准确度更高，从而为实现星地激光通信的不间断传输提供重要保障。

技术领域

本发明应用于星地激光通信不间断传输系统，基于深度学习模型实现了一种用于云层变化趋势预测的方法。

背景技术

相较于星间激光链路，星地激光链路由于需要经过大气层，会受到云层的吸收和散射，使激光传输信号严重衰减，因此进行星地激光通信时必须考虑云层对激光链路的影响。提前获知地面站上空云层状态与运动信息，可为星地之间是否适合激光建链以及建链后预计的链路质量提供重要的先验信息，从而为实现星地激光通信不间断传输提供重要保障。

目前，获取指定区域上空云层图像的方法主要是通过卫星云图，但该方法时间和空间分辨率低(空间像素点通常在1公里以上，时间分辨率15分钟左右)，如果地面站上空的云小于气象卫星探测分辨率，是无法在卫星图像中辨认出来的，对于星地激光不间断传输的场景，无法满足时间和空间的精度要求。对云层变化和运动趋势预测的方法主要是外推法和交叉相关法，此类方法均需要对云层和云层变化和运动轨迹进行数学建模，满足特定假设的条件下进行预测，建模过程复杂，预测时计算量大，并且同一模型可能不适用于不同地区，对于星地激光通信不间断传输的场景，无法满足预测准确率的要求。

发明内容

发明目的：为了解决卫星云图预测结果时空分辨率低和实现成本高的问题，克服传统预测方法需要对云层及云层运动变化趋势建模和计算复杂度高的不足，本发明提供一种基于深度学习的云层变化趋势预测方法，使预测结果可靠可信，为实现星地激光通信不间断传输提供重要保障。本发明可以为星地激光建链提供先验判断信息。本发明利用从地面站上空采集大量历史云层变化和运动的序列图像，结合云层光学深度参数，在深度学习方法基础上增加滑动窗口的方法预测一段时间后的星地激光链路周围的云层信息，预测结果为星地之间是否适合激光建链以及建链后预计的链路质量提供重要的先验信息，从而为实现星地间不间断激光通信提供重要保障。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于深度学习的云层变化趋势预测方法，包括以下步骤：

步骤(1)，将从地面站采集的云图序列做数据预处理。按地面站上空的云层状况将云图序列数据分为晴空、少云和多云三类，并确定训练集、验证集和测试集。

步骤(2)，基于卷积-长短期记忆网络搭建深度预测网络模型，深度预测网络模型包括预测网络层、时间切片全连接层和全连接层，其中，预测网络层由四个模块组成，分别是输入卷积层，卷积-长短期记忆网络层，预测层和误差表示层，具体的更新规则如下：

其中，表示输入卷积层，x_t表示输入云层图像，t表示当前时刻，l表示当前模型网络层，MAXPOOL表示最大池化函数，RELU表示激活函数，CONV表示卷积函数，表示误差网络层，表示预测层，表示卷积长短期记忆网络表示层，CONVLSTM表示卷积长短期记忆函数，UPSAMPLE表示上采样函数，λ_t表示t时刻的误差权重，n_l表示l层的误差权重，L_train是总损失函数，定义为各层、各时刻预测误差的加权和；