[发明专利]基于背景场资料和机器学习的静止轨道卫星对流初生预警方法

权利要求书

1.一种基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，所述方法包括：

对静止轨道气象卫星连续采集的两帧卫星云图进行预处理；

对预处理后的两帧图像分别进行对流快速粗判别得到对应的对流目标；

计算预处理后的两帧图像间的光流，根据光流对对流目标进行位置的订正，再采用面积重叠的方法进行判别跟踪，确定对流目标；

根据判别跟踪确定的对流目标的多光谱响应，结合数值预报背景场，构造敏感因子；

将敏感因子输入预先建立和训练好的基于随机森林方法的对流初生预警模型，得到分类结果，从而实现对流初生预警。

2.根据权利要求1所述的基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，其特征在于，所述对静止轨道气象卫星连续采集的两帧卫星云图进行预处理；具体包括：

对每帧卫星云图进行通道分离处理，将卫星云图中不同通道的测值分离，每一个通道形成一幅圆盘图；再进行定位，定标以及质量控制处理得到该卫星云图预处理后的图像数据。

3.根据权利要求1所述的基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，其特征在于，所述对预处理后的两帧图像分别进行对流快速粗判别得到对应的对流目标；具体包括：对预处理后的每帧图像均进行以下处理：

根据10.8μm亮温的云类型阈值选择目标，然后进行图像分割，对连通区域进行连续编号，形成标号图像；

对于标号图像，进行尺度检测，剔除小于预设的最小面积阈值的目标，再进行最小峰值检测，使得在目标区内的最小值与周围象元的温差在预设的温差阈值以上，得到检测后的标号图像；

对于检测后的标号图像，采用单时刻多光谱阈值法剔除其中的非对流单元，从而得到对流目标。

4.根据利要求1所述的基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，其特征在于，所述计算预处理后的两帧图像间的光流，根据光流对对流目标进行位置的订正，再采用面积重叠的方法进行判别跟踪，确定对流目标；具体包括：

计算两帧图像光流，根据光流对对流目标的位置进行订正，订正后计算对流目标前后时刻的重合面积，并结合前一时刻对流目标面积计算比值得到重合率，判断重合率是否大于预设比值，判断为是，则后一帧的对流目标是前一帧的后续目标。

5.根据利要求1所述的基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，其特征在于，所述敏感因子具体包括：

10.8μm亮温，用于表示云顶高；

10.8-6.2μm亮温差，用于表示云顶相对于上层对流层的高度；

10.8-12.0μm亮温差，用于表示分裂窗云顶相态；

8.5-10.8μm亮温差，用于表示云顶相态；

2*10.8-12.0-8.5μm，用于表示云顶相态；

10.8μm亮温时间变化率，用于表示云的抬升；

10.8-6.2μm亮温差时间变化率，用于表示云的抬升；

10.8-12.0μm亮温差时间变化率，用于表示云顶相态变化；

8.5-10.8μm亮温差时间变化率，用于表示云顶冻结变化；

0.64μm反照率，用于表示有效粒子半径或光学厚度；

0.64与1.6μm通道比值，用于表示云顶相态；

BLI指数，用于表示对流抬升趋势；和

CAPE对流有效位能，用于表示对流抬升的势能。

6.根据利要求1所述的基于背景场资料和机器学习的静止轨道卫星对流初生预警方法，其特征在于，所述方法还包括对流初生预警模型的训练步骤；具体包括：

获取卫星资料、数值预报场背景资料和地基雷达资料建立训练集；

将训练集输入基于随机森林方法建立的对流初生预警模型，调整分类树数和预测变量总数，使用袋外数据样本计算估计误差，当估计误差符合预设的阈值要求时，确定预测变量数，得到训练好的对流初生预警模型。