本發(fā)明涉及氣象識別，尤其涉及一種基于深度學習的高分辨率雷暴云識別方法、裝置、電子設備及存儲介質(zhì)。

背景技術(shù)：

1、雷暴具有突發(fā)性強、強度大且持續(xù)時間短的特點，并且在發(fā)生同時伴隨有閃電、強風和降水，具有較強的破壞性。若不能及時預知雷暴的來臨，那么可能會面臨巨大的損失，對人們的生產(chǎn)生活也具有較大的威脅。衛(wèi)星云圖的分辨率不斷增強，間隔時間不斷縮短，同時可以得到雷暴云團的物理邊界，適合對雷暴云團進行辨識。然而，針對雷暴云衛(wèi)星識別的數(shù)據(jù)大多是白天成像的氣象衛(wèi)星，使用可見光和熱紅外數(shù)據(jù)通過復雜的物理計算得到雷暴云區(qū)域。夜間缺乏可見光通道，適用于白天的算法不能直接應用在微光遙感數(shù)據(jù)中，此外現(xiàn)階段，對衛(wèi)星云圖中云團的識別過程需要擁有非常豐富的專業(yè)知識。依靠統(tǒng)計或者主觀提取特征物理量和閾值范圍難以完全發(fā)現(xiàn)數(shù)據(jù)中有價值的細節(jié)信息或者細微差別，無法準確地定位雷暴云團的位置。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供了一種基于深度學習的高分辨率雷暴云識別方法、裝置、電子設備及存儲介質(zhì)。本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實現(xiàn)：

2、本發(fā)明實施例第一方面提供一種基于深度學習的高分辨率雷暴云識別方法，包括以下步驟：

3、獲取實時衛(wèi)星微光數(shù)據(jù)、相應的紅外數(shù)據(jù)和gnss-r數(shù)據(jù)；

4、對所述實時衛(wèi)星微光數(shù)據(jù)、所述紅外數(shù)據(jù)和所述gnss-r數(shù)據(jù)分別進行輻射標定、亮度溫度反演和風速反演，得到待識別數(shù)據(jù)；

5、將所述待識別數(shù)據(jù)輸入至訓練完成的雷暴云識別模型中進行識別，得到雷暴云標注數(shù)據(jù)；其中，所述訓練完成的雷暴云識別模型包括：多個深度可分離卷積層、池化層、池化操作層、卷積層、上采樣堆疊層和分割層；所述深度可分離卷積層，包括：depthwiseconv層、第一bn層、第一relu層、pointwiseconv層、第二bn層和第二relu層；所述池化操作層，包括：四個并行的大小不同的池化窗口；所述池化層的池化窗口小于所述池化操作層的最小的池化窗口；所述卷積層，包括：conv層、第三bn層和第三relu層。

6、在本發(fā)明的一個實施例中，訓練前的雷暴云識別模型，包括：多個初始深度可分離卷積層、初始池化層、初始池化操作層、初始卷積層、初始上采樣堆疊層和初始分割層；

7、所述雷暴云識別模型的訓練方法包括：

8、構(gòu)建訓練數(shù)據(jù)集；其中，所述訓練數(shù)據(jù)集包括：基于樣本衛(wèi)星微光數(shù)據(jù)、對應的樣本紅外數(shù)據(jù)和樣本gnss-r數(shù)據(jù)構(gòu)建的訓練樣本，以及基于樣本對流初生落點數(shù)據(jù)、樣本降水數(shù)據(jù)和樣本氣象雷達反射率數(shù)據(jù)構(gòu)建的所述訓練樣本對應的雷暴落區(qū)真實標簽；

9、將所述訓練樣本輸入初始深度可分離卷積層進行特征提取，輸出特征圖；

10、將所述特征圖輸入初始池化層提取所述特征圖的區(qū)域信息，得到第一池化數(shù)據(jù)；

11、將所述第一池化數(shù)據(jù)輸入初始池化操作層提取所述第一池化數(shù)據(jù)的區(qū)域信息，得到第二池化數(shù)據(jù)；

12、將所述第二池化數(shù)據(jù)輸入初始卷積層進行特征提取，輸出關(guān)鍵特征圖；

13、對所述關(guān)鍵特征圖進行上采樣，輸出全局特征數(shù)據(jù)；

14、將所述全局特征數(shù)據(jù)輸入初始分割層進行分割，得到雷暴云訓練標注數(shù)據(jù)；

15、根據(jù)所述雷暴落區(qū)真實標簽計算交叉熵損失函數(shù)的值；

16、重復執(zhí)行所述雷暴云識別模型的訓練方法，采用隨機梯度下降對每一次訓練的學習率進行優(yōu)化并更新雷暴云識別模型的權(quán)重，直至滿足預設條件得到訓練完成的雷暴云識別模型；其中，所述預設條件包括：雷暴云識別模型的學習率小于閾值、或所述交叉熵損失函數(shù)最小或達到預設迭代次數(shù)。

17、在本發(fā)明的一個實施例中，所述構(gòu)建訓練數(shù)據(jù)集，包括：

18、獲取樣本衛(wèi)星微光數(shù)據(jù)、對應的樣本紅外數(shù)據(jù)和樣本gnss-r數(shù)據(jù)；

19、對所述樣本衛(wèi)星微光數(shù)據(jù)進行輻射標定，得到樣本輻射標定數(shù)據(jù)；

20、對所述樣本紅外數(shù)據(jù)進行亮度溫度反演，得到樣本亮度溫度反演數(shù)據(jù)；

21、對所述樣本gnss-r數(shù)據(jù)進行風速反演，得到樣本風速反演數(shù)據(jù)；其中，所述樣本輻射標定數(shù)據(jù)、所述樣本亮度溫度反演數(shù)據(jù)和所述樣本風速反演數(shù)據(jù)構(gòu)成所述訓練樣本；

22、獲取樣本對流初生落點數(shù)據(jù)、樣本降水數(shù)據(jù)和樣本氣象雷達反射率數(shù)據(jù)；

23、根據(jù)所述樣本對流初生落點數(shù)據(jù)、所述樣本降水數(shù)據(jù)和所述樣本氣象雷達反射率數(shù)據(jù)，確定樣本雷暴落區(qū)；其中，所述樣本雷暴落區(qū)作為雷暴落區(qū)真實標簽。

24、在本發(fā)明的一個實施例中，所述根據(jù)所述樣本對流初生落點數(shù)據(jù)、所述樣本降水數(shù)據(jù)和所述樣本氣象雷達反射率數(shù)據(jù)，確定樣本雷暴落區(qū)，包括：

25、根據(jù)所述樣本對流初生落點數(shù)據(jù)，確定初生對流區(qū)域及其值；

26、根據(jù)所述樣本降水數(shù)據(jù)，確定降水區(qū)域及對應的降水量；

27、根據(jù)所述樣本氣象雷達反射率數(shù)據(jù)，確定雷達反射率因子大于反射率閾值的潛在雷暴區(qū)域；

28、判斷所述初生對流區(qū)域的值是否為1；

29、若為1，則判斷所述降水量大于降水閾值的降水區(qū)域與值為1的初生對流區(qū)域是否存在第一重疊區(qū)域；

30、若存在第一重疊區(qū)域，則判斷所述第一重疊區(qū)域與所述潛在雷暴區(qū)域是否存在第二重疊區(qū)域；

31、若存在第二重疊，則所述第二重疊區(qū)域為樣本雷暴落區(qū)。

32、在本發(fā)明的一個實施例中，所述樣本輻射標定數(shù)據(jù)為輻亮度；

33、所述輻亮度的計算公式為：

34、r＝dn*gain+bias

35、其中，r為輻亮度(單位：w/(m2·sr·μm))，gain和bias為從樣本衛(wèi)星微光數(shù)據(jù)的元數(shù)據(jù)中獲取的定標系數(shù)，dn為樣本衛(wèi)星微光數(shù)據(jù)中每個像元代表地面光譜反射率的相對大小。

36、在本發(fā)明的一個實施例中，所述樣本亮度溫度反演數(shù)據(jù)為亮度溫度值；

37、所述亮度溫度值計算公式為：

38、tbb＝(c2/(wavel*log(c1/(wavel5*r)+1)))

39、c1＝2*h*c2

40、c2＝h*c/kb

41、其中，tbb為亮度溫度值，單位為k，wavel為衛(wèi)星通道的中心波長，單位為m，c為光速，值為2.99792458×108m/s，h為普朗克常數(shù)，值為6.62606876×10-34js，kb為玻爾茲曼常數(shù)，值為1.3806503×10-23j/k，r為所述輻亮度。

42、在本發(fā)明的一個實施例中，所述初始池化操作層的四個并行的池化窗口的大小分別為3×3、5×5、7×7、10×10；所述初始池化層的池化窗口的大小為2×2。

43、本發(fā)明實施例第二方面提供一種基于深度學習的高分辨率雷暴云識別裝置，包括：

44、獲取模塊，用于獲取實時衛(wèi)星微光數(shù)據(jù)、相應的紅外數(shù)據(jù)和gnss-r數(shù)據(jù)；

45、數(shù)據(jù)預處理模塊，用于對所述實時衛(wèi)星微光數(shù)據(jù)、所述紅外數(shù)據(jù)和所述gnss-r數(shù)據(jù)分別進行輻射標定、亮度溫度反演和風速反演，得到待識別數(shù)據(jù)；

46、訓練完成的雷暴云識別模型，用于將所述待識別數(shù)據(jù)輸入至訓練完成的雷暴云識別模型中，得到雷暴云標注數(shù)據(jù)；其中，所述訓練完成的雷暴云識別模型包括：多個深度可分離卷積層、池化層、池化操作層、卷積層、上采樣堆疊層和分割層；所述深度可分離卷積層，包括：depthwiseconv層、第一bn層、第一relu層、pointwiseconv層、第二bn層和第二relu層；所述池化操作層，包括：四個并行的大小不同的池化窗口；所述池化層的池化窗口小于所述池化操作層的最小的池化窗口；所述卷積層，包括：conv層、第三bn層和第三relu層。

47、本發(fā)明實施例的第三方面提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)本發(fā)明實施例的第一方面提供的一種基于深度學習的高分辨率雷暴云識別方法。

48、本發(fā)明實施例的第四方面提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)本發(fā)明實施例的第一方面提供的一種基于深度學習的高分辨率雷暴云識別方法。

49、本發(fā)明的有益效果：

50、本發(fā)明通過使用訓練過的神經(jīng)網(wǎng)絡模型進行雷暴云區(qū)域的識別，提高了識別效率和識別精度，同時，可以滿足在夜間微光條件下識別雷暴云，擴展了使用場景，且提高了識別空間分辨率，能夠識別更豐富的細節(jié)信息，進一步提高了夜間微光條件下識別的準確性。

51、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

52、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。