[发明专利]一种卫星定量降水估计方法

说明书

本发明公开了一种卫星定量降水估计方法，包括如下步骤：采集待估计区域的气象卫星数据；将所述气象卫星数据输入至训练好的最佳降水强度估计模型中，获取降水强度预估结果；根据各区域的降水强度预估结果生成降水强度估计结果图；将所述降水强度估计结果图叠加到地形文件上，生成区域降水估计信息；其中，所述最佳降水强度估计模型是根据历史气象卫星数据、以及与所述历史气象卫星数据相对应的历史降水数据训练获取的。本发明基于历史气象卫星数据和深度学习模型，不需要增加额外的硬件设备，能够准确地识别出降水区，并且估计出相对应的降水量，有效地解决了雨量估计空间分布不均、传统天气雷达观测精度易受自然条件及设备维修保养影响地问题。

技术领域

本发明属于遥感信息处理技术领域，更具体地，涉及一种卫星定量降水估计方法。

背景技术

近年来，随着人工智能技术在各行各业大放异彩，机器学习技术开始广泛应用于传统遥感领域的降水预报、干旱检测等任务，并提高了气象监测与预警的准确率。目前，图像分割与目标检测技术能够将图像中单个像素进行准确的类别划分，这些技术可以用来解决目前卫星定量降水估计算法中存在的时间分辨率低、降水识别精度不高且所得降水产品无法实时发布等问题。利用这些技术，能够加强对强对流天气条件下降水的监测，具有广泛的应用前景和较高的使用价值。

雨量计作为一种点测量的方法，可用来直接测量该点实时降水量，但目前雨量计的布施存在空间分布严重不均，尤其在高原和海洋等复杂地形区域，根本无法通过地面雨量计直接进行降水量的测量。

天气雷达能够通过不同低仰角反射率因子间接估算出降水分布情况。然而，由于不同区域的降水情况并不相同，不能用简单的形式来表达地面降水量与雷达反射率之间的Z-R关系。并且天气雷达受限于地面杂波干扰、雷达波束异常和信号衰减。

人工神经网络为降水估计提供了更加准确、高效的方法。PERSIANN(Precipitation estimation from remotely sensed information using artificialneural networks)作为其中著名的降水产品，使用神经网络来计算静止卫星提供的红外亮温图像中每个0.25⁰×0.25⁰像素的降水率估计值。PERSIANN-CCS(PERSIANN-CloudClassification System)是一种近实时的降水估计算法，它提取红外卫星云图局部和区域的云特征来计算降水量，通过描述降水率和亮温之间关系的特定曲线来估算出云中每个像素的降水值。人工提取降水云团特征信息存在大量的漏判和误判的情况。手动提取特征的弊端影响了降水估计结果的准确率，因为人总是通过最直观的表面现象来判断是否存在降水，所以忽略了一些造成降水的隐藏特征信息。同时，使用浅层网络结构难以充分挖掘出降水量与卫星观测之间的复杂关系。

深度卷积神经网络的快速兴起使得模型可以通过堆叠多个卷积层来建立降水量与卫星观测之间的复杂关系，并且采用卷积核自动提取空间特征，也有助于在实现定量降水估计时考虑空间相关性。PERSIANN-CNN算法使用卷积神经网络建立了降水估计模型，使用双分支输入结构，分别输入红外和水汽数据，取得了有效的降水检测与估计的结果，但是该算法没有充分利用红外和水汽数据的高维特征信息，导致重要特征信息的丢失，并且在上采样过程中使用过大的卷积核，也会损失部分特征。