一种卫星云图重建方法及系统

技术领域

本申请涉及云图数据重建技术领域，特别是涉及一种卫星云图重建方法及系统。

背景技术

卫星云图是指由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像。接收的云图主要有红外云图、可见光云图及水汽图等。利用卫星云图可以识别不同的天气系统，确定它们的位置，估计其强度和发展趋势，为天气分析和天气预报提供依据。

目前有些气象卫星搭载的成像仪部分通道的观测数据分辨率较低，不具备生成高分辨率云图的条件，因此使用技术手段将观测的低分辨率数据，生成高分辨率数据和云图有助于用户更好分析天气情况。

综上所述，本申请解决了现有技术中观测数据分辨率较低，不具备生成高分辨率云图条件的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够生成高分辨率数据和云图，有助于用户更好分析天气情况的一种卫星云图重建方法。

第一方面，本申请提供了一种卫星云图重建方法，所述方法包括：获取静止轨道辐射成像仪捕捉的新增云图源数据；执行所述新增云图源数据的分块预处理，获得云图分块图像集合，其中每一个云图分块图像均带有位置标识；基于增强深度残差网络构建云图重建模型；通过所述云图重建模型依次执行所述云图分块图像集合的图像重建，生成优化云图分块图像集合；基于所述位置标识，执行所述优化云图分块图像集合的分块图像拼接，生成云图重建数据。

第二方面，本申请提供了一种卫星云图重建系统，所述系统包括：新增云图源数据获取模块，所述新增云图源数据获取模块用于获取静止轨道辐射成像仪捕捉的新增云图源数据；云图分块图像获得模块，所述云图分块图像获得模块用于执行所述新增云图源数据的分块预处理，获得云图分块图像集合，其中每一个云图分块图像均带有位置标识；云图重建模型构建模块，所述云图重建模型构建模块用于基于增强深度残差网络构建云图重建模型；优化云图分块图像集合生成模块，所述优化云图分块图像集合生成模块用于通过所述云图重建模型依次执行所述云图分块图像集合的图像重建，生成优化云图分块图像集合；云图重建数据生成模块，所述云图重建数据生成模块用于基于所述位置标识，执行所述优化云图分块图像集合的分块图像拼接，生成云图重建数据。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

首先获取静止轨道辐射成像仪捕捉的新增云图源数据；其次执行所述新增云图源数据的分块预处理，获得云图分块图像集合，其中每一个云图分块图像均带有位置标识；再基于增强深度残差网络构建云图重建模型；然后通过所述云图重建模型依次执行所述云图分块图像集合的图像重建，生成优化云图分块图像集合；最后基于所述位置标识，执行所述优化云图分块图像集合的分块图像拼接，生成云图重建数据。本申请解决了现有技术中观测数据分辨率较低，不具备生成高分辨率云图条件的问题，达到了生成高分辨率数据和云图，有助于用户更好分析天气情况的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为一个实施例中一种卫星云图重建方法的流程示意图；

图2为一个实施例中一种卫星云图重建方法的云图重建模型生成的流程示意图；

图3为一个实施例中一种卫星云图重建系统的结构框图。

附图标记说明：新增云图源数据获取模块11，云图分块图像获得模块12，云图重建模型构建模块13，优化云图分块图像集合生成模块14，云图重建数据生成模块15。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在介绍了本申请基本原理后，下面，将参考附图对本申请中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。

如图1所示，本申请提供了一种卫星云图重建方法，所述方法包括：

获取静止轨道辐射成像仪捕捉的新增云图源数据；

本申请将风云卫星观测的低分辨率数据，基于深度学习的超分辨率重建算法生成高分辨率数据和云图；风云卫星云图是应用较为广泛的气象卫星观测产品，高分辨率的图像能够更好地观察各种细节，有助于更好地分析天气情况预计各类灾害预警，从而提供更好的服务。例如，目前风云四号A星成像仪部分通道的观测数据分辨率较低，不具备生成高分辨率云图的条件，因此使用技术手段将观测的低分辨率数据，生成高分辨率数据和云图有助于用户更好分析天气情况。

所述新增云图源数据可以由静止轨道辐射成像仪获得。所述静止轨道辐射成像仪是风云四号静止气象卫星的主要载荷之一，通过精密的双扫描镜机构实现精确和灵活的二维指向，可实现分钟级的区域快速扫描；采用离轴三反主光学系统，高频次获取超过多个波段的地球云图，并利用星上黑体进行高频次红外定标，以确保观测数据的精度；新增云图源数据是指所述静止轨道辐射成像仪采集到的新的卫星云图数据。通过静止轨道辐射成像仪，获取静止轨道辐射成像仪捕捉的新增云图源数据。通过获取新增云图源数据，为后续提升新增云图源数据的精准度作出贡献。

执行所述新增云图源数据的分块预处理，获得云图分块图像集合，其中每一个云图分块图像均带有位置标识；

分块预处理是将所述新增云图源数据划分为一些区间，预处理每一个区间，所述区间是指云图分块图像；云图分块图像集合是指所述区间进行组合得到的集合；位置标识是指所述云图分块图像在所述新增云图源数据中的位置坐标。对所述新增云图源数据的分块预处理，获得云图分块图像集合，其中每一个云图分块图像均带有位置标识通过获得云图分块图像集合，为后续重建云图图像做出了铺垫。

获取图像分块单位尺寸，其中图像分块单位尺寸为512×512；

根据所述图像分块单位尺寸执行所述新增云图源数据的分块预处理，并按照云图分块图像在所述新增云图源数据中的位置坐标对云图分块图像进行位置标识；

根据多个带有位置标识的云图分块图像生成所述云图分块图像集合。

图像分块单位尺寸为固定大小，图像分块单位尺寸是512×512；根据所述图像分块单位尺寸执行所述新增云图源数据的分块预处理，并按照云图分块图像在所述新增云图源数据中的位置坐标对云图分块图像进行位置标识；根据多个带有位置标识的云图分块图像生成所述云图分块图像集合。根据获取的云图分块图像集合，为后续云图分块图像集合的图像重建做出了铺垫。

基于增强深度残差网络构建云图重建模型；

增加深度网络的深度后，同时也会导致增加训练的难度。为了解决增加训练的难度，提出了残差的学习框架。通过这个框架可以简化网络训练，但又可以适合在更深层次的网络使用。通过研究和实验，这些残差网络更易于优化，且在增加深度的同时又可以获得其准确性。运用ImageNet的图像数据集，实现仅3.57％的误差。根据增强深度残差网络构建云图重建模型，为后续提升图像精度做出了铺垫。

基于增强深度残差网络构建初始云图重建模型，并将L1损失函数作为初始云图重建模型监督学习过程中的约束条件；

查询所述静止轨道辐射成像仪的云图数据捕捉记录，获取云图历史数据集合；

对所述云图历史数据集合进行影响因素分析，获得数据影响因子；

基于所述数据影响因子对所述云图历史数据集合进行筛选，通过筛选得到的云图历史数据构建所述云图重建模型的训练数据集；

通过所述训练数据集执行所述初始云图重建模型的监督学习，获得所述云图重建模型。

超分辨率重建就是将低分辨率图像序列恢复为原始的高分辨率图像，为选取更好实现这一目的，尝试使用如下三种技术选型：OpenCV插值算法、基于深度学习的拉普拉斯金字塔超分辨率网络(LAPSRN)、单图像超分辨率的增强深度残差网络(EDSR)，经过三类算法测试，发现深度学习超分辨率重建算法明显优于OpenCV插值算法，而单图像超分辨率的增强深度残差网络(EDSR)略优于基于深度学习的拉普拉斯金字塔超分辨率网络(LAPSRN)，所以选定增强深度残差网络构建初始云图重建模型；L2 loss是用于一般图像恢复的最广泛使用的损失函数，在实验中发现L1 loss比L2提供了更好的收敛性，L2会带来结果有些失真，从结果来看L1 loss略好于L2，所以采用L1损失函数作为约束条件；云图历史数据集合是指在过去时间段内所述静止轨道辐射成像仪的云图数据捕捉记录；数据影响因子是指影响云图数据的因素，本申请中包括月份和一天内不同时刻；筛选是指根据不同的影响因素挑选不同的数据集；训练数据集中，数据集挑选目标：在数据集选择时，尽可能选择中午时次数据，数据选用FY4A静止轨道辐射成像仪(AGRI)NOMChannel02可见光500M和2000M数据，构成样本集500对，训练集360对、测试集140对；500M数据作为HR(高分辨率图像)，2000M数据作为LR(低分辨率图像)；监督学习是指利用一组已知类别的样本调整参数，使其达到所要求性能的过程，监督学习是从标记的训练数据来推断一个功能的机器学习任务。

基于增强深度残差网络构建初始云图重建模型，并将L1损失函数作为初始云图重建模型监督学习过程中的约束条件；获取云图历史数据集合；对所述云图历史数据集合的影响因素进行分析，获得数据影响因子；所述数据影响因子对所述云图历史数据集合进行筛选，通过筛选得到的云图历史数据构建所述云图重建模型的训练数据集；根据所述训练数据集执行所述初始云图重建模型的监督学习，获得所述云图重建模型。根据训练数据集训练出来的云图重建模型具有更准确的输出数据。

获取预设数据影响因素，所述预设数据影响因素包括数据捕捉月份和数据捕捉时段；

根据所述数据捕捉月份对所述云图历史数据集合进行影响程度分析，获得月份影响偏差；

根据所述数据捕捉时段对所述云图历史数据集合进行影响程度分析，获得时段影响偏差；

设置偏差阈值，根据所述偏差阈值对所述月份影响偏差和所述时段影响偏差进行判断；

当所述月份影响偏差大于所述偏差阈值时，将月份设为数据影响因子；

当所述时段影响偏差大于所述偏差阈值时，将时段设为数据影响因子。

预设数据影响因素是指根据前文所述对云图数据的影响分析，设置的影响云图的因素，包括月份和一天内不同时刻，即数据捕捉月份和数据捕捉时段；影响程度分析是指所述数据影响因素对云图数据的影响高低；月份影响偏差是指月份影响云图数据的情况，例如，随机从某一月份抽取5天数据，约500对训练集，其他月份根据对应的日期取出数据构成训练集；对12个月数据使用相同参数分别训练生成12个模型，取每天同一时刻数据约350个数据做测试集，分别计算12个模型在测试集的PSNR(峰值信噪比)，查看不同月份对模型的影响，若PSNR相差约0.1，可以忽略月份变化的影响；时段影响偏差是指一天之内不同时刻影响云图数据的情况，例如在悲观准则(最差时次的最佳算法)中，对每天各个时次的模型训练效果进行比较，发现UTC 04:30前后时次数据最适合用于训练集(中国区正午光照充分，云图细节最丰富)；偏差阈值由工作人员根据经验自行设定的数据，用来分析所述月份影响偏差和所述时段影响偏差的情况；根据所述月份影响偏差和时段影响偏差与所述偏差阈值的对比，分析所述数据影响因子。

获取预设数据影响因素，所述预设数据影响因素包括数据捕捉月份和数据捕捉时段；根据所述数据捕捉月份对所述云图历史数据集合进行影响程度分析，获得月份影响偏差；根据所述数据捕捉时段对所述云图历史数据集合进行影响程度分析，获得时段影响偏差；设置偏差阈值，根据所述偏差阈值对所述月份影响偏差和所述时段影响偏差进行判断；当所述月份影响偏差大于所述偏差阈值时，将月份设为数据影响因子；当所述时段影响偏差大于所述偏差阈值时，将时段设为数据影响因子。根据分析比对得到所述数据影响因子，为后续模型训练做出了铺垫。

如图2所示，执行所述训练数据集的数据预处理，所述数据预处理包括数据清洗、格式转换、图像分块、边缘平滑；

并对数据预处理完成的训练数据集进行增强处理，获得增强训练数据集；

将L1损失函数作为模型训练过程中的约束条件，基于ADAM优化器，通过所述增强训练数据集执行模型训练，生成所述云图重建模型。

数据预处理是指在用各种方法对数据进行变换、加工，以便使它适于存储、管理及进一步分析和应用；数据清洗是指在数据文件中发现和纠正可识别错误的最后一个程序，包括检查数据一致性、处理无效值和缺失值；格式转换是指将数据从一种格式或结构转换为另一种格式或结构的过程；图像分块是指将图像分成若干语义目标的过程，当需要处理的图像分辨率太大而资源受限(比如显存、算力等)时，就可以将图像划分成一个个小块；边缘平滑是指对原始数据做出拟合，生成更平滑的数据，一般是为了使数据更具有可读性和可解释性；增强处理是指训练数据集在进行理想数据分布的模拟采样。训练前进行数据清洗(去除填充值/无效值、归一化)，根据不同卫星类型分别训练；训练直接采用HDF数据代替JPG图像作为样本，减少特征损失；在训练过程中，使用低分辨率图像中大小为32×32的输入块和相应的高分辨率图像128*128的输入块，并对图像围绕其中心点随机翻转和90°旋转来增强训练数据，训练直接采用HDF数据代替JPG图像作为样本，减少特征损失；在训练过程中，使用低分辨率图像中大小为32×32的输入块和相应的高分辨率图像128*128的输入块，并对图像围绕其中心点随机翻转和90°旋转来增强训练数据；

所述云图重建模型训练中，设置batch_size为4,学习率初始化为1e-4，使用ADAM优化器训练模型；在NVIDIA Tesla M60 8G GPU上进行了训练，受限于服务器性能，100epoch需要3天时间，部分参数做了一定程度的限制；在将低分辨率数据恢复到高分辨率数据的过程中，由于服务器性能限制，无法将完整数据直接进行超分，需要将数据拆分成小块处理，再将结果拼接起来，生成所需的增强训练数据集。通过所述增强训练数据集进行模型训练，生成所述云图重建模型，为后续重建卫星云图提供了便利。

通过所述云图重建模型依次执行所述云图分块图像集合的图像重建，生成优化云图分块图像集合；

图像重建是指将所述云图分块图像根据图像每块的前后顺序依次进行拼接，可以是一个或多个序列，比如分为多个子区域图像，多个时候分为多层次拼接；通过所述云图重建模型依次执行所述云图分块图像集合的图像重建，生成优化云图分块图像集合。通过生成优化云图分块图像集合，为后续生成云图重建数据进行了铺垫。

基于所述位置标识，执行所述优化云图分块图像集合的分块图像拼接，生成云图重建数据。

根据所述优化云图分块图像集合的位置标识，将所述优化云图分块图像集合的分块图像进行拼接，获得云图重建数据。云图重建数据是指使用技术手段将观测的低分辨率数据，生成高分辨率数据和云图，帮助用户更好分析天气情况。

构建分块图像拼接序列，所述分块图像拼接序列为一个或多个；

基于所述位置标识，按照所述分块图像拼接序列将所述优化云图分块图像集合中的分块图像进行排列，获得优化云图分块图像拼接序列；

根据所述优化云图分块图像拼接序列执行分块图像拼接，生成所述云图重建数据。

可以按照图像每块的前后顺序依次进行拼接，可以是一个或多个序列，比如分为多个子区域图像，多个时候分为多层次拼接，基于所述位置标识，按照所述分块图像拼接序列将所述优化云图分块图像集合中的分块图像进行排列，获得优化云图分块图像拼接序列；根据所述优化云图分块图像拼接序列执行分块图像拼接，生成所述云图重建数据。本申请解决了现有技术中观测数据分辨率较低，不具备生成高分辨率云图条件的问题，达到了生成高分辨率数据和云图，有助于用户更好分析天气情况的技术效果。

如图3所示，本申请还提供了一种卫星云图重建系统，其特征在于，所述系统包括：

新增云图源数据获取模块11，所述新增云图源数据获取模块11用于获取静止轨道辐射成像仪捕捉的新增云图源数据；

云图分块图像获得模块12，所述云图分块图像获得模块12用于执行所述新增云图源数据的分块预处理，获得云图分块图像集合，其中每一个云图分块图像均带有位置标识；

云图重建模型构建模块13，所述云图重建模型构建模块13用于基于增强深度残差网络构建云图重建模型；

优化云图分块图像集合生成模块14，所述优化云图分块图像集合生成模块14用于通过所述云图重建模型依次执行所述云图分块图像集合的图像重建，生成优化云图分块图像集合；

云图重建数据生成模块15，所述云图重建数据生成模块15用于基于所述位置标识，执行所述优化云图分块图像集合的分块图像拼接，生成云图重建数据。

进一步地，本申请实施例还包括：

图像分块单位尺寸获取模块，所述图像分块单位尺寸获取模块用于获取图像分块单位尺寸，其中图像分块单位尺寸为512×512；

位置标识模块，所述位置标识模块用于根据所述图像分块单位尺寸执行所述新增云图源数据的分块预处理，并按照云图分块图像在所述新增云图源数据中的位置坐标对云图分块图像进行位置标识；

云图分块图像集合生成模块，所述云图分块图像集合生成模块用于根据多个带有位置标识的云图分块图像生成所述云图分块图像集合。

进一步地，本申请实施例还包括：

初始云图重建模型构建模块，所述初始云图重建模型构建模块用于基于增强深度残差网络构建初始云图重建模型，并将L1损失函数作为初始云图重建模型监督学习过程中的约束条件；

云图历史数据集合获取模块，所述云图历史数据集合获取模块用于查询所述静止轨道辐射成像仪的云图数据捕捉记录，获取云图历史数据集合；

数据影响因子获取模块，所述数据影响因子获取模块用于对所述云图历史数据集合进行影响因素分析，获得数据影响因子；

云图重建模型训练数据集获得模块，所述云图重建模型训练数据集获得模块用于基于所述数据影响因子对所述云图历史数据集合进行筛选，通过筛选得到的云图历史数据构建所述云图重建模型的训练数据集；

云图重建模型获得模块，所述云图重建模型获得模块用于通过所述训练数据集执行所述初始云图重建模型的监督学习，获得所述云图重建模型。

进一步地，本申请实施例还包括：

预设数据影响因素获取模块，所述预设数据影响因素获取模块用于获取预设数据影响因素，所述预设数据影响因素包括数据捕捉月份和数据捕捉时段；

月份影响偏差获取模块，所述月份影响偏差获取模块用于根据所述数据捕捉月份对所述云图历史数据集合进行影响程度分析，获得月份影响偏差；

时段影响偏差获取模块，所述时段影响偏差获取模块用于根据所述数据捕捉时段对所述云图历史数据集合进行影响程度分析，获得时段影响偏差；

偏差阈值影响判断模块，所述偏差阈值影响判断模块用于设置偏差阈值，根据所述偏差阈值对所述月份影响偏差和所述时段影响偏差进行判断；

月份数据影响因子设置条件模块，所述月份数据影响因子设置条件模块用于当所述月份影响偏差大于所述偏差阈值时，将月份设为数据影响因子；

时段数据影响因子设置条件模块，所述时段数据影响因子设置条件模块用于当所述时段影响偏差大于所述偏差阈值时，将时段设为数据影响因子。

进一步地，本申请实施例还包括：

执行所述训练数据集的数据预处理，所述数据预处理包括数据清洗、格式转换、图像分块、边缘平滑；

并对数据预处理完成的训练数据集进行增强处理，获得增强训练数据集；

将L1损失函数作为模型训练过程中的约束条件，基于ADAM优化器，通过所述增强训练数据集执行模型训练，生成所述云图重建模型。

进一步地，本申请实施例还包括：

分块图像拼接序列构建模块，所述分块图像拼接序列构建模块用于构建分块图像拼接序列，所述分块图像拼接序列为一个或多个；

优化云图分块图像拼接序列获得模块，所述优化云图分块图像拼接序列获得模块用于基于所述位置标识，按照所述分块图像拼接序列将所述优化云图分块图像集合中的分块图像进行排列，获得优化云图分块图像拼接序列；

云图重建数据生成模块，所述云图重建数据生成模块用于根据所述优化云图分块图像拼接序列执行分块图像拼接，生成所述云图重建数据。

关于一种卫星云图重建系统的具体实施例可以参见上文中对于一种卫星云图重建方法的实施例，在此不再赘述。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。