真彩云图生成方法、装置、电子设备及存储介质与流程

1.本发明涉及气象技术领域，尤其涉及一种真彩云图生成方法、装置、电子设备及存储介质。


背景技术：

2.fy-4a卫星(风云4号卫星)装载有先进的静止轨道辐射成像仪 agri，其观测波段覆盖可见光至长波红外，其中可见光及近红外波段的云图分辨率高、信息丰富，对于台风等天气过程的观测十分重要，且其能量来自地表和大气反射的太阳能量，可以根据不同物体具有不同的反射率来区分目标。但由于夜间缺少太阳辐射，agri在夜间无法观测到这部分信息。加之夜间地表辐射特性、温度与白天有差异，夜间云预测的难度大幅增加，导致实时的天气监测、卫星遥感在夜间受到严重限制。故夜间可见光真彩云图(以下简称真彩云图)的仿真生成，能够弥补agri可见光通道数据在夜间的缺失。
3.在夜间可见光真彩云图的仿真生成领域，已有学者取得了一定的研究进展。仿真生成夜间真彩云图的主要思路是利用在夜间能够探测到的同时次、同区域的卫星红外云图等气象产品，建立映射关系，生成对应的真彩云图。上述方法不需要模型提取时间维度的信息，可以实现夜间任意时刻的真彩云图仿真生成。2021年，程文聪等人提出了一种基于生成对抗网络(generative adversarial networks，gan) 和数值模式产品的卫星云图仿真生成方法。该方法实现了fy-4a卫星红外12通道云图仿真、白天及夜间可见光1、2、3通道融合云图仿真。同年，程文聪等人进一步提出了基于生成对抗网络的夜间气象卫星真彩云图仿真生成方法，将同时次、同区域的卫星红外通道云图数据和数值模式产品共同输入gan模型中，生成夜间的仿真真彩云图。
4.但上述基于gan模型的真彩云图生成方法，不能方便地切换仿真云图的尺寸，一旦仿真云图尺寸变化，就需要重新设计判别器网络结构，模型不能灵活应用于任意地理范围的仿真云图生成，不具备拓展能力。


技术实现要素：

5.本发明提供一种真彩云图生成方法、装置、电子设备及存储介质，用以解决现有技术中模型不能灵活应用于任意地理范围的仿真云图生成的缺陷，具有良好的拓展能力，可针对大范围内移动的台风或多个台风天气系统的相互作用进行全天候真彩云图监视。
6.第一方面，本发明提供一种真彩云图生成方法，包括：
7.获取目标区域在同一时次的红外云图数据和数值模式产品数据；
8.对所述红外云图数据进行地理定位、辐射定标以及数据归一化处理，并对所述数值模式产品数据进行归一化处理；
9.将处理后的所述红外云图数据和处理后的所述数值模式产品数据，输入至真彩云图生成模型，以获取由所述真彩云图生成模型输出的对应时次的真彩云图；
10.所述真彩云图生成模型是利用预先构建的数据训练集对改进后的pix2pix网络进
行训练后生成的。
11.根据本发明提供的一种真彩云图生成方法，所述改进后的 pix2pix网络，具体包括：
12.在原pix2pix网络的生成器和判别器的输入端均加入针对所述数值模式产品数据的一上采样模块，该上采样模块由多个转置卷积层构成；
13.将所述判别器的结构设置为包含一下采样模块和一上采样模块的u-net结构；
14.在所述生成器中加入卷积注意力模块；
15.将改进后的pix2pix网络的所有卷积层设置为深度可分离卷积层。
16.根据本发明提供的一种真彩云图生成方法，利用预先构建的数据训练集对改进后的pix2pix网络进行训练，包括：
17.获取多个训练样本；每个所述训练样本的样本数据包括同一时次、同一区域的红外云图数据和数值模式产品数据，每个所述训练样本的标签是对应时次、对应区域的真彩云图；
18.对每个所述样本数据中的红外云图数据和对应标签中的真彩云图依次进行地理定位、辐射定标、可见光通道反射率订正和数据归一化处理，并对每个所述样本数据中的数值模式产品数据进行数据归一化处理；
19.对所有训练样本进行数据清洗，并利用清洗后的所有训练样本构建所述数据训练集，以利用所述数据训练集对改进后的pix2pix网络进行训练；
20.所述对所有训练样本进行数据清洗，包括删除所有训练样本中存在缺失值或无效填充值的部分训练样本后，筛选出所有位于预设白天时段内的训练样本；
21.利用数据清洗后的所有训练样本，以及每个训练样本所对应的标签，迭代对改进后的pix2pix网络进行训练。
22.根据本发明提供的一种真彩云图生成方法，所述利用所述数据训练集对改进后的pix2pix网络进行训练，包括基于利用每个训练样本迭代执行以下步骤，直至利用验证集确定的平均绝对误差小于预设阈值：
23.固定所述生成器的参数，根据所述判别器输入的标签、所述生成器基于所述标签对应的样本数据生成的真彩云图，利用判别器损失函数通过反向传播的方式更新所述判别器的参数；
24.固定所述判别器的参数，根据所述生成器输入的样本数据、与所述样本数据对应的标签，利用生成器损失函数通过反向传播的方式更新所述生成器的参数。
25.根据本发明提供的一种真彩云图生成方法，所述判别器损失函数，是基于改进前的pix2pix网络的判别器的损失函数和所述u-net结构的损失函数共同确定的；所述生成器损失函数，是基于改进前的 pix2pix网络的生成器的损失函数和所述u-net结构的判别器共同确定的。
26.根据本发明提供的一种真彩云图生成方法，所述红外云图数据包括fy-4a卫星agri的全圆盘数据；所述数值模式产品数据包括 era5数据。
27.根据本发明提供的一种真彩云图生成方法，对云图数据进行地理定位，包括：将所述云图数据投影到等经纬度网格，以根据所述云图数据对应区域的经纬度信息，从所述等经纬度网格提取出对应的数据；
28.对云图数据进行辐射定标，包括：将所述云图数据中的每个通道的云图中每个像元的数字量化值作为索引；在定标表中提取出每个像元的索引对应的辐射亮温或反射率，以赋值给每个像元；
29.在所述云图数据包括fy-4a卫星agri的1至3通道的可见光云图数据和7至14通道的红外云图数据的情况下，对云图数据进行可见光通道反射率订正，包括：将所述1至3通道的可见光云图数据进行辐射定标后的反射率订正为表观反射率；
30.数据归一化的计算公式为：
[0031][0032]
其中，x为归一化前的数据值；x
*
为归一化后的数据值；对于1 至3通道的可见光云图数据，max取值为1，min取值为0；对于7至 14通道的红外云图数据，max取值为350，min取值为0；对于era5 数据中的任一层次数据，max取值为所述层次数据的最大值，min取值为所述层次数据的最小值。
[0033]
第二方面，本发明还提供一种真彩云图生成装置，包括：
[0034]
数据采集单元，用于获取目标区域在同一时次的红外云图数据和数值模式产品数据；
[0035]
数据预处理单元，用于对所述红外云图数据进行地理定位、辐射定标以及数据归一化处理，并对所述数值模式产品数据进行归一化处理；
[0036]
云图生成单元，用于将归一化处理后的所述红外云图数据和归一化处理后的所述数值模式产品数据，输入至真彩云图生成模型，以获取由所述真彩云图生成模型输出的对应时次的真彩云图；
[0037]
所述真彩云图生成模型是利用预先构建的数据训练集对改进后的pix2pix网络进行训练后生成的。
[0038]
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述真彩云图生成方法。
[0039]
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述真彩云图生成方法。
[0040]
本发明提供的真彩云图生成方法、装置、电子设备及存储介质，经过合理的模型结构设计，提出了基于改进的pix2pix网络的真彩云图生成模型，在模型整体结构保持不变的情况下，适用于任意尺寸的真彩云图生成，解决了夜间可见光通道数据缺失的问题，经实验验证以及量化指标评估，其mae、rmse指标均优于现有的仿真云图生成方法。
附图说明
[0041]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1是本发明提供的真彩云图生成方法的流程示意图；
[0043]
图2是原始pix2pix网络的真彩云图生成模型的结构示意图；
[0044]
图3是本发明提供的基于改进的pix2pix网络的真彩云图生成模型的结构示意图；
[0045]
图4是本发明提供的生成全天候台风真彩云图的流程示意图；
[0046]
图5是本发明提供的真彩云图生成装置的结构示意图；
[0047]
图6是本发明提供的电子设备的结构示意图。
具体实施方式
[0048]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0050]
本技术中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
[0051]
在夜间的可见光真彩云图(也称作真彩云图)的仿真生成领域，已有学者取得了一定的研究进展。仿真生成夜间的真彩云图的主要思路是利用在夜间能够探测到的同时次、同区域的卫星红外云图等气象产品，建立映射关系，生成对应的真彩云图。这种方法不需要模型提取时间维度的信息，可以实现夜间任意时刻的真彩云图仿真生成。
[0052]
2021年，程文聪等人提出了一种基于生成对抗网络(generativeadversarial networks，gan)和数值模式产品的卫星云图仿真生成方法。该方法实现了fy-4a卫星红外12通道云图的仿真、白天及夜间可见光1、2、3通道融合云图仿真。
[0053]
同年，程文聪进一步提出了基于gan的夜间气象卫星真彩云图仿真生成方法，将同时次、同区域的卫星红外通道云图数据和数值模式产品(era5数据)共同输入gan模型中，生成夜间的可见光仿真云图。
[0054]
但是现有的gan模型中的判别器是一个典型的卷积分类网络，其会输出一个代表图像全局真假信息的标量，判别器网络的卷积层设置与图像整体的尺寸相关，这就导致该方法不能方便地切换仿真云图的尺寸，一旦仿真云图尺寸变化，就需要重新设计判别器网络结构，模型不能灵活应用于任意地理范围的仿真云图生成，不具备拓展能力。
[0055]
为完全或者部分克服现有方法的不足，本发明在现有技术上作出改进，提供了一
种新的真彩云图生成方法。
[0056]
下面结合图1-图6描述本发明实施例所提供的真彩云图生成方法、装置、电子设备及存储介质。
[0057]
图1是本发明提供的真彩云图生成方法的流程示意图，如图1所示，包括但不限于以下步骤：
[0058]
步骤101：获取目标区域在同一时次的红外云图数据和数值模式产品数据。
[0059]
作为一种可选实施例，所述红外云图数据，主要包括fy-4a卫星agri的全圆盘数据，具体可以是fy-4a卫星agri的4km分辨率全圆盘数据，尤其是其中的7-14通道的红外云图数据。所述数值模式产品数据，主要包括era5数据。
[0060]
具体地，agri是fy-4a卫星的主要载荷之一，本发明主要利用其4km分辨率全圆盘云图数据。
[0061]
agri共有14个探测波段，其中1、2、3通道为可见光通道，仅白天可探测到真彩云图，在预先构建数据训练集的时候，可以将其作为对应时次的标签数据。7至14通道为中、长波红外通道，昼夜均可探测到红外云图数据，在预先构建数据训练集的时候，可以将其作为对应时次的样本数据之一。
[0062]
具体地，在进行数据训练集的构建时，可以将某个时次采集到的任一7至14通道的红外云图数据和该时次的数值模式产品数据一起作为样本数据之一，将该时次采集到的1、2、3通道的真彩云图作为标签，生成一个训练样本。
[0063]
采用上述方式，通过采集某一研究区域内不同时次的上述数据，就可以生成多个训练样本，组建数据训练集。
[0064]
所采用的agri的全圆盘数据详细信息，如表1所示：
[0065]
表1 agri数据列表
[0066][0067]
[0068]
进一步地，本发明所使用的era5数据，是指欧洲中期天气预报中心(european center for medium-range weather forecasts，ecmwf) 的第五代全球大气再分析数据(ecmwf reanalysis v5，era5)，是目前最广泛使用的数值天气预报(numerical weather prediction，nwp) 产品。
[0069]
作为一种可选实施例，本发明综合考虑在进行真彩云图仿真时所需要采用的era5数据的种类及层次的特点，选择如表2所示的era5 数据与同一时次的红外云图数据一起作为真彩云图生成模型的输入数据：
[0070]
表2 era5数据列表
[0071][0072][0073]
需要说明的是，本发明在进行真彩云图生成时，可针对全天候的任一时次的红外云图数据和数值模式产品数据进行分析，以获取每一时次的真彩云图，最后通过将所有时次的真彩云图在时序上进行拼接，就可以获取到全天候的真彩云图。
[0074]
步骤102：对所述红外云图数据进行地理定位、辐射定标以及数据归一化处理，并对所述数值模式产品数据进行归一化处理。
[0075]
作为一种可选实施例，对红外云图数据进行地理定位，主要包括：将所述红外云图数据投影到等经纬度网格，以根据所述红外云图数据对应区域的经纬度信息，从所述等经纬度网格提取出对应的数据。
[0076]
可选地，对红外云图数据进行辐射定标，包括：将所述红外云图数据中的每个通道的红外云图中每个像元的数字量化值(dn值)作为索引；在定标表中提取出每个像元的索引对应的辐射亮温，以赋值给每个像元。
[0077]
可选地，上述数据归一化的计算公式为：
[0078][0079]
其中，x为归一化前的数据值；x
*
为归一化后的数据值；对于1 至3通道的可见光云图数据，max取值为1，min取值为0；对于7至 14通道的红外云图数据，max取值为350，min取值为0；对于era5 数据中的任一层次数据，max取值为所述层次数据的最大值，min取值为所
述层次数据的最小值。
[0080]
本发明在利用真彩云图生成模型对红外云图数据以及数值模式产品数据进行识别之前，需要根据模型的识别需要对输入的数据进行预处理，主要包括：
[0081]
(1)地理定位
[0082]
可以利用国家卫星气象中心官方网站所提供的行列号与经纬度之间的转换公式，将全圆盘数据投影到等经纬度网格中。然后，根据目标区域的经纬度范围，提取经纬度网格上对应的数据，实现对于 agri每个通道的云图数据的地理定位。
[0083]
(2)辐射定标
[0084]
将agri每个通道的云图数据(nomchannel xx，xx为通道名称)) 中的数字量化值(dn值)作为索引，在定标表(calchannel xx， xx为通道名称)中提取出此索引位置对应的辐射亮温或反射率赋给云图数据的相应位置。
[0085]
需要说明的是，本发明是将agri云图数据中的可见光1、2、3 通道数据定标为反射率，将红外7～14通道数据定标为辐射亮温。
[0086]
(3)可见光通道反射率订正
[0087]
对于地球上的一个固定地理区域，在不同时刻由于日地距离及太阳天顶角的不同，会有一定的明暗差异，这对于真彩云图生成模型的训练进程会造成干扰，也会导致正常云图仿真时的时间概念、物理意义模糊，在夜间产生本不该存在的明暗变化。
[0088]
为消除模型训练时的标签数据即真彩云图在不同时刻的明暗差异，将agri云图数据1、2、3通道定标后的反射率订正为表观反射率，其计算公式为：
[0089][0090]
其中，ref为1、2、3通道辐射定标后反射率，ρ为对应的表观反射率，d
es
为日地距离，u为太阳天顶角。
[0091]
经过反射率订正后，作为标签的真彩云图和仿真获取到的真彩云图中各个像素点的亮度等价于正午时刻太阳直射情况下的亮度，图像更为明亮、对比度更高、信息更丰富。
[0092]
需要说明的是，本发明仅仅需要对用作改进后的pix2pix网络训练标签的真彩云图进行可见光通道反射率订正。
[0093]
(4)数据归一化
[0094]
本发明用于真彩云图生成的数据主要包括agri云图数据以及 era5数据等，上述数据包括各种不同的物理量，具有不同的取值范围，为防止数据间的范围差异对改进后的pix2pix网络训练过程造成影响，本发明在数据预处理阶段对agri云图数据和era5数据进行归一化操作，计算方法如下：
[0095][0096]
其中，x为归一化前的数据值；x
*
为归一化后的数据值；对于agri 云图数据中的1至3通道的可见光云图数据下，max取值为1，min取值为0；对于7至14通道的红外云图数据，max取值为350，min取值为0；对于era5数据中的任一层次数据，max取值为所述层次数据的最大值，min取值为所述层次数据的最小值。经过归一化后，所有数据均被映射到[0,1]范围内。
[0097]
作为一种可选实施例，在进行数据训练集的构建过程中，对所有训练样本相关的agri云图数据以及era5数据进行归一化之后，还可以进一步对归一化后的数据进行清洗，主要是为了从中筛选出可以用于模型训练的数据。具体的筛选条件主要有两点：其一、各样本数据中不包含缺失值或无效填充值，以避免这些存在残缺的数据对模型训练的干扰；其二、样本数据需为其所在地理区域的白天数据。
[0098]
其中，筛选出白天数据的方法为：
[0099]
根据获取agri云图数据以及era5数据所在的采样区域的经度所处的时区，并从所有样本数据中筛选提取出该时区10:00至15:00 的逐小时样本数据，并由所有筛选提取出样本数据构建出数据训练集。
[0100]
本发明提供的真彩云图生成方法，通过在数据预处理阶段对用于标签数据(称作标签真彩云图)的可见光通道反射率进行订正，并缩短训练数据集所提取的白天时间区间，消除了标签真彩云图在不同时刻的明暗差异，使得模型输出的真彩云图和标签真彩云图中各个像素点亮度等价于正午时刻太阳直射情况下的亮度，统一了云图的时间概念，防止在夜间仿真云图中出现本不该存在的云图变化。尤其是，所输出的夜间真彩云图的图像明亮、对比度高、信息丰富、陆地信息完整、陆地的边际清晰。
[0101]
步骤103：将归一化处理后的所述红外云图数据和归一化处理后的所述数值模式产品数据，输入至真彩云图生成模型，以获取由所述真彩云图生成模型输出的对应时次的真彩云图。
[0102]
所述真彩云图生成模型是利用预先构建的数据训练集对改进后的pix2pix网络进行训练后生成的。
[0103]
原始pix2pix网络作为gan网络的一种重要变体，是类似于 cyclegan网络的另一种image-to-image translation，也称作图片翻译(转换)网络。
[0104]
图2是原始pix2pix网络的真彩云图生成模型的结构示意图，在利用原始pix2pix网络进行仿真云图生成时，主要存在如下缺陷：
[0105]
首先，era5数据较云图数据分辨率低，无法将era5数据与红外云图数据直接共同作为原始pix2pix网络的输入。
[0106]
其次，现有pix2pix网络是对输入数据的各个通道特征、空间特征无区别地进行提取与学习，当输入数据通道数量增多或空间尺寸增大时，无法确保模型能够准确提取重要特征而抑制冗余特征，不利于模型收敛。
[0107]
另外，现有pix2pix网络的判别器虽可对图像局部块进行真假鉴别，但对于云图的细节来说精度仍然不足，不能实现对生成图像逐像素的真假鉴别。
[0108]
为克服现有技术的不足，本发明所提供的真彩云图生成方法，对原始pix2pix网络进行改进，并通过对改进后的pix2pix网络进行训练后，获取到真彩云图生成模型，以利用真彩云图生成模型对输入的经预处理的红外云图数据和数值模式产品数据进行特征提取，输出对应的真彩云图。
[0109]
图3是本发明提供的基于改进的pix2pix网络的真彩云图生成模型的结构示意图，作为一种可选实施例，本发明所提供的改进后的 pix2pix网络，具体包括：
[0110]
在原pix2pix网络的生成器和判别器的输入端均加入针对所述数值模式产品数据的一上采样模块；
[0111]
将所述判别器的结构设置为包含一下采样模块和一上采样模块的u-net结构；
[0112]
在所述生成器中加入卷积注意力模块；
[0113]
将改进后的pix2pix网络的所有卷积层设置为深度可分离卷积层。
[0114]
本发明提供的真彩云图生成方法，是采用pix2pix网络作为基础框架，通过对原始pix2pix网络进行改进并预训练之后，获取到真彩云图生成模型。在预训练时，输入至真彩云图生成模型的样本数据可以是同一时次的agri的7至14通道红外云图和75通道的era5数据，标签为对应时次的agri的1至3通道的可见光云图(即真彩云图)。
[0115]
具体来说，本申发明对原始pix2pix网络进行改进的内容，主要包括但不限于以下4个方面：
[0116]
(1)在生成器和判别器的输入端，引入针对era5数据的上采样模块；
[0117]
(2)参考u-net gan的结构，将判别器改进为u-net结构，以同时提升仿真云图全局和细节的生成效果；
[0118]
(3)在生成器中引入卷积注意力模块(convolutional block attention module，cbam)，使模型能够捕捉到重要的通道及空间特征；
[0119]
(4)将模型中所有的传统卷积层更换为深度可分离卷积层 (depthwise separable convolution，dsc)，以减少模型的参数量，提升训练速度，防止过拟合。
[0120]
原始pix2pix网络使用patchgan作为判别器，其好处之一是模型可以处理任意尺寸的图像。这是因为与传统gan模型的判别器输出一个代表图像全局真假信息的标量不同，patchgan的输出是一个矩阵，该矩阵中每一个元素代表图像中每个小区域的局部真假信息，与图像整体的尺寸无关。这为pix2pix网络带来极大的灵活性，在算力资源充足的情况下，其可以进行任意尺寸的图像生成。
[0121]
本发明使用pix2pix网络作为基础模型，在原始pix2pix网络的基础上进行改进。改进后，基于u-net结构的判别器和增加了卷积注意力模块cbam的生成器均可作用于任意尺寸的云图，在进行不同尺寸的真彩云图的生成时，模型的整体结构无需变化，唯一需要根据真彩云图的实际尺寸进行调整的是针对era5数据的上采样模块(根据输入的era5数据尺寸以及红外云图尺寸，与输出的真彩云图之间的关系进行对应调整)。
[0122]
本发明提供了一种针对输出对应尺寸真彩云图尺寸需求，调整 era5数据的上采样模块的方法：
[0123]
由于era5数据上采样模块由若干层转置卷积层组成，所以需要根据转置卷积输出图像与输入图像尺寸间的关系对era5上采样模块中转置卷积层的卷积核及层数进行合理设计，具体计算公式为：
[0124]hout
＝(h
in-1)
×
stride-2
×
padding+dilation
×
(kernel_size-1)+output_padding+1；
[0125]
其中h
in
为上采样前era5数据的尺寸；h
out
为云图数据的尺寸，也即希望通过上采样操作得到的era5数据的目标尺寸；stride、 padding、dilation、kernel_size、output_padding均为转置卷积参数。
[0126]
将模型中生成器和判别器前端的era5上采样模块进行替换，即完成了可生成其他尺寸云图的改进pix2pix网络的部分构建。
[0127]
综上所述，本发明提供的改进后的pix2pix网络能够适用于任意尺寸的真彩云图
生成。
[0128]
图4是本发明提供的生成全天候台风真彩云图的流程示意图，如图4所示，本发明提供的真彩云图生成方法，可运用于全天候卫星真彩云图的仿真生成。通过将可参与模型训练的era5上采样模块、 u-net结构的判别器、卷积注意力机制、深度可分离卷积与原始 pix2pix网络进行融合，经过合理的模型结构设计，提出了基于改进的pix2pix网络，然后通过对改进的pix2pix网络的充分预训练，获取真彩云图生成模型。所构建的真彩云图生成模型，能较好地实现全天真彩云图的仿真生成，解决了agri夜间可见光通道数据缺失的问题。经实验验证以及量化指标评估，本发明的仿真生成的真彩云图的 mae、rmse指标均优于当前的主流仿真方法。
[0129]
如图4所示，本发明所提供的用于实现全天候台风真彩云图生成方法，要获取到真彩云图生成模型，首先需要构建数据训练集，并对所构建的数据训练集对改进的pix2pix网络进行预训练，包括：
[0130]
首先，根据所关注的地理区域范围，选择要进行全天候台风真彩云图监视的目标区域；
[0131]
然后，采集样本数据，包括fy-4a卫星agri的4km分辨率全圆盘数据和欧洲中期天气预报中心第五代再分析场产品era5数据。
[0132]
进一步地，采用上述实施例所提供的方法，依次对所采集到的数据进行预处理，包括对agri云图数据的地理定位、辐射定标、可见光通道反射率订正，以及对agri云图数据以及era5数据的归一化操作。
[0133]
由于真彩云图生成模型是采用有监督训练方式进行预训练的，需要真实的真彩云图作为训练真值(标签)。由于夜间没有真彩云图，只有白天有真彩云图，所以只能用白天数据构建数据训练集进行训练。因此，还需对归一化后的agri云图数据以及era5数据进行数据清洗，主要是删除包含缺失值或无效填充值的部分数据，以及筛选出其所在目标区域的白天数据(如10:00～15:00的逐小时数据)，这样就可以获取到用于模型训练的所有训练样本以及每个训练样本所对应的标签。利用这些训练样本对改进后的pix2pix网络进行迭代训练，直至模型训练的结果收敛为止(即利用验证集确定的平均绝对误差小于预设阈值)。
[0134]
由于改进后的pix2pix网络的包括生成器和判别器，在模型预训练时，包括基于利用每个训练样本迭代执行以下步骤，直至利用验证集确定的平均绝对误差小于预设阈值：
[0135]
固定所述生成器的参数，根据所述判别器输入的标签、所述生成器基于所述生成的标签对应的样本数据生成的真彩云图，利用判别器损失函数通过反向传播的方式更新所述判别器的参数；
[0136]
固定所述判别器的参数，根据所述生成器输入的样本数据、与所述样本数据对应的标签，利用生成器损失函数通过反向传播的方式更新所述生成器的参数。
[0137]
具体地，模型预训练时采用adam优化器，可以采用对生成器和判别器参数进行交替更新的方式，将学习率设为0.0002，设动量参量β1＝0.5，β2＝0.999。
[0138]
需要强调的是，对判别器进行参数更新时需固定住生成器的参数，利用判别器的损失函数计算梯度并进行反向传播；对生成器进行参数更新时固定住判别器的参数，利用生成器的损失函数计算梯度并进行反向传播。
[0139]
设置每次参数更新输入的数据批量大小(batch size)为16。训练过程以验证集上
的平均绝对误差(mae)作为指示，保存验证集上mae最小的一轮训练所得模型作为最终的真彩云图生成模型。
[0140]
最后，通过采集目标区域内出现台风期间的连续时次的红外云图数据以及era5数据，对其进行数据预处理后输入至训练完成的真彩云图生成模型，即可实现任意大小的地理范围内台风全天候真彩云图监视。
[0141]
本发明将原始pix2pix网络的损失函数与u-net gan网络的损失函数相结合，用于梯度计算及参数更新。
[0142]
基于上述实施例的内容，作为一种可选实施例，在本发明提供的真彩云图生成方法中所采用的改进后pix2pix网络，其判别器损失函数，是基于改进前的pix2pix网络的判别器的损失函数和所述u-net 结构的损失函数共同确定的；所述生成器损失函数，是基于改进前的 pix2pix网络的生成器的损失函数和所述u-net结构判别器共同确定的。
[0143]
具体地，将原始pix2pix网络的损失函数与u-net gan网络的损失函数相结合，以符号du代表基于u-net结构的判别器，其中判别器的编码器部分表示为d
encu
，解码器部分表示为d
decu
，如下所示，本判别器损失函数设为编码器与解码器的损失函数之和：
[0144][0145]
其中，编码器和解码器的损失函数分别如下所示：
[0146][0147][0148]
生成器的损失函数为：
[0149][0150]
其中，和表示判别器对于输入图像每个像素点(i,j)的真假判断，生成器所生成的真彩云图与对应标签真彩云图真值的l1距离。
[0151]
可选地，上述公式中的λ可以取值为100。
[0152]
本发明提供的真彩云图生成方法，将真彩云图生成模型应用于台风全天候监视，实现了台风的全天连续观测，体现了夜间真彩云图仿真生成对于天气系统实时监测、天气预报、防灾减灾方面的应用价值。由于所采用的真彩云图生成模型是基于改进后的pix2pix网络构建的，因此其适用于任意尺寸的云图生成，在模型整体结构保持不变的情况下实现了更大区域的仿真真彩云图生成，可针对大范围内移动的台风或多个台风天气系统的相互作用进行全天候真彩云图监视，为全圆盘的可见光遥感图像昼夜实时观测提供了思路。
[0153]
经观察，改进后的真彩云图生成模型的云图的仿真效果较原始 pix2pix模型的生成效果有较大的改善，其中白天仿真云图的云细节失真现象得到解决；夜间仿真云图的陆地区域信息完整、与海洋区域的对比度提升，云的细节也更为丰富，量化指标对比如表3所示：
[0154]
表3量化对比表
[0155]
指标msermsemaepsnr(db)真彩云图生成模型0.0050.06830.045423.6677原始pix2pix0.00720.07680.051622.9864
[0156]
相较于基于原始pix2pix网络的云图生成模型，本发明所提供的真彩云图生成模型的各项指标均有明显提升，其中mse、rmse、mae分别下降了30.56％、11.07％、12.02％，psnr提升了0.6813db。
[0157]
以上实验现象充分验证了改进的真彩云图生成模型较原始 pix2pix网络在真彩云图仿真生成方面具有更优的性能。
[0158]
图5是本发明提供的真彩云图生成装置的结构示意图，如图5所示，主要包括数据采集单元51、数据预处理单元52和云图生成单元 53，其中：
[0159]
数据采集单元51，主要用于获取目标区域在同一时次的红外云图数据和数值模式产品数据；
[0160]
数据预处理单元52，主要用于对所述红外云图数据进行地理定位、辐射定标以及数据归一化处理，并对所述数值模式产品数据进行归一化处理；
[0161]
云图生成单元53，主要用于将归一化处理后的所述红外云图数据和归一化处理后的所述数值模式产品数据，输入至真彩云图生成模型，以获取由所述真彩云图生成模型输出的对应时次的真彩云图。
[0162]
其中，所述真彩云图生成模型是利用预先构建的数据训练集对改进后的pix2pix网络进行训练后生成的。
[0163]
需要说明的是，本发明实施例提供的真彩云图生成装置，在具体运行时，可以执行上述任一实施例所述的真彩云图生成方法，对此本实施例不作赘述。
[0164]
本发明提供的真彩云图生成方法，经过合理的模型结构设计，提出了基于改进的pix2pix网络的真彩云图生成模型，在模型整体结构保持不变的情况下，适用于任意尺寸的真彩云图生成，解决了夜间可见光通道数据缺失的问题，经实验验证以及量化指标评估，其mae、 rmse指标均优于现有的仿真云图生成方法。
[0165]
图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communicationsinterface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行真彩云图生成方法，该方法包括：获取目标区域在同一时次的红外云图数据和数值模式产品数据；对所述红外云图数据进行地理定位、辐射定标以及数据归一化处理，并对所述数值模式产品数据进行归一化处理；将归一化处理后的所述红外云图数据和归一化处理后的所述数值模式产品数据，输入至真彩云图生成模型，以获取由所述真彩云图生成模型输出的对应时次的真彩云图；所述真彩云图生成模型是利用预先构建的数据训练集对改进后的pix2pix网络进行训练后生成的。
[0166]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施
例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0167]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的真彩云图生成方法，该方法包括：获取目标区域在同一时次的红外云图数据和数值模式产品数据；对所述红外云图数据进行地理定位、辐射定标以及数据归一化处理，并对所述数值模式产品数据进行归一化处理；将归一化处理后的所述红外云图数据和归一化处理后的所述数值模式产品数据，输入至真彩云图生成模型，以获取由所述真彩云图生成模型输出的对应时次的真彩云图；所述真彩云图生成模型是利用预先构建的数据训练集对改进后的 pix2pix网络进行训练后生成的。
[0168]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的真彩云图生成方法，该方法包括：获取目标区域在同一时次的红外云图数据和数值模式产品数据；对所述红外云图数据进行地理定位、辐射定标以及数据归一化处理，并对所述数值模式产品数据进行归一化处理；将归一化处理后的所述红外云图数据和归一化处理后的所述数值模式产品数据，输入至真彩云图生成模型，以获取由所述真彩云图生成模型输出的对应时次的真彩云图；所述真彩云图生成模型是利用预先构建的数据训练集对改进后的pix2pix网络进行训练后生成的。
[0169]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0170]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0171]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。