基于时序红外卫星图像的热带气旋尺度多任务估测方法

本发明涉及图像处理，更具体的说是涉及一种基于时序红外卫星图像的热带气旋尺度多任务估测方法。

背景技术：

1、目前，目前使用卫星资料进行tc尺度特征分析的研究工作多基于直接散射计观测或红外观测反演开展。但是，由于据散射计观测所获得的洋面风场资料时空分辨率低且在风速超过30ms-1时传感器反演精度不能得到保证，因此基于高时空分辨率的静止卫星观测成为业务应用的首选。同时静止气象卫星具有针对某特定tc提供完整全面的覆盖捕捉能力，能更好地为tc精细结构特征分析提供支撑。

2、近年来，深度学习作为一种功能强大且复杂的机器学习算法，在气象科学领域取得了初步成功的应用。它能像气象学家一样从卫星图像中提取与任务相关的基本特征，然后使用这些特征来对tc尺度进行估测。但目前大多数研究没有考虑到tc是一个随时间不断演化的动态系统，tc红外卫星遥感图像之间包含着丰富的动态变化时序信息，即对tc的尺度估测没有考虑到前一段时间红外卫星图像的信息。而且大多数研究采用单任务学习的方式，并没有考虑到tc估测多个尺度任务之间的相关性。

3、因此，如何提高热带气旋尺度的估测精度和效率是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，共享层能够提取多尺度信息和各个尺度中的时序信息，有助于实现多任务学习，提高估测精度。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，包括以下步骤：

4、获取时序红外卫星图像，并输入至训练好的tcmse模型中，所述tcmse模型通过共享层提取时序红外卫星遥感图像的上下文信息，并通过回归网络输出对应时刻的热带气旋尺度的估测值；所述共享层包括依次连接的金字塔卷积网络、三维卷积网络和cbam注意力网络。

5、优选的，所述共享层还包括残差网络，所述残差网络获取金字塔卷积网络中提取的特征与三维卷积网络输出的特征共同输入至所述cbam注意力网络。

6、优选的，其特征在于：

7、所述金字塔卷积网络包括：

8、第一金字塔卷积层，参数为(4,(3,5,7,11),(1,1,1,1))，表示金字塔卷积核个数为4，金字塔内部卷积核大小为3×3,5×5,7×7,11×11,卷积核个数分别为1,1,1,1；

9、第一最大池化层，参数为(1,3,3)，表示按照1×3×3的像素选取最大值替代该单元；

10、第二金字塔卷积层，参数为(8,(3,5,7),(2,2,4))，表示金字塔卷积核个数为8，金字塔内部卷积核大小为3×3,5×5,7×7,卷积核个数分别为2,2,4；

11、第二最大池化层，参数为(1,3,3)，表示按照1×3×3的像素选取最大值替代该单元；

12、第三金字塔卷积层，参数为(16,(3,5),(8,8))，表示金字塔卷积核个数为16，金字塔内部卷积核大小为3×3,5×5,卷积核个数分别为8,8；

13、第三最大池化层，参数为(1,3,3)，表示按照1×3×3的像素选取最大值替代该单元；

14、所述三维卷积网络包括：

15、第一三维卷积层，参数为(32,(3,3,3))，表示卷积核个数为32，金字塔卷积核大小为3×3×3；

16、第二三维卷积层，参数为(32,(3,3,3))，表示卷积核个数为32，金字塔卷积核大小为3×3×3；

17、第四最大池化层，参数为(1,3,3)，表示按照1×3×3的像素选取最大值替代该单元；

18、所述cbam注意力网络包括：

19、注意力机制层，参数为(32,32)，表示通道为32，通道缩放比例为32；

20、所述残差网络包括：

21、残差卷积层，参数为(32,(3,3,3))，表示卷积核个数为32，金字塔卷积核大小为3×3×3；

22、残差最大池化层12，参数为(1,3,3)，表示按照1×3×3的像素选取最大值替代该单元。

23、优选的，所述残差网络的输入输出端分别连接所述第二最大池化层和所述注意力机制层。

24、优选的，所述回归网络包括多个并列的全连接单元，每个全连接单元包括第一全连接层和第二全连接层。

25、优选的，所述tcmse模型的训练步骤包括：

26、通过光流法构建训练数据集；根据所述训练数据集构建红外卫星遥感图像序列；

27、使用经过数据增强操作后的红外卫星遥感图像序列作为输入，对应尺度作为输出，采用多任务学习并结合物理辅助任务的方式训练tcmse热带气旋尺度估测模型。

28、优选的，所述构建红外卫星遥感图像序列，包括：

29、确认当前时刻，并提取当前时刻以及之前的多个时间跨度的图像，生成红外卫星遥感图像序列。

30、优选的，所述尺度包括大风、暴风、飓风、风半径以及最大风半径。

31、经由上述的技术方案可知，与现有技术相比，本本发明公开提供了一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，该方法针对热带气旋的红外卫星遥感图像进行尺度估测的问题，首先参考光流法构建热带气旋序列数据集，再通过金字塔卷积神经网络，三维卷积神经网络等组成的共享层提取时序红外卫星遥感图像的上下文信息，并通过多个全连接层继续学习回归多个特征，同时，设计残差网络以缓解网络深度加深所带来的梯度消失，优化能力退化的问题。该方法得到的热带气旋尺度估测的结果准确可靠，且估测精度也大大提高。

技术特征：

1.一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，其特征在于，所述共享层还包括残差网络，所述残差网络获取金字塔卷积网络中提取的特征与三维卷积网络输出的特征共同输入至所述cbam注意力网络。

3.根据权利要求2所述的一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，其特征在于：

4.根据权利要求3所述的一种基于时序卫星图像的热带气旋尺度多任务估测方法，其特征在于，所述残差网络的输入输出端分别连接所述第二最大池化层和所述注意力机制层。

5.根据权利要求1所述的一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，其特征在于，每个所述全连接单元包括第一全连接层和第二全连接层。

6.根据权利要求1所述的一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，其特征在于，所述tcmse模型的训练步骤包括：

7.根据权利要求6所述的一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，其特征在于，所述构建红外卫星遥感图像序列，包括：

8.根据权利要求6所述的一种基于时序红外卫星图像的热带气旋尺度多任务估测方，其特征在于，所述尺度包括大风、暴风、飓风、风半径以及最大风半径。

技术总结
本发明公开了一种基于时序红外卫星图像的热带气旋尺度多任务估测方法，步骤包括：获取时序红外卫星图像，并输入至训练好的TCMSE模型中，所述TCMSE模型通过共享层提取时序红外卫星遥感图像的上下文信息，并通过回归网络输出对应时刻的热带气旋尺度的估测值；所述共享层包括依次连接的金字塔卷积网络、三维卷积网络和CBAM注意力网络；所述回归网络包括多个并列的全连接单元；本发明中的共享层能够提取多尺度信息和各个尺度中的时序信息，有助于结合多个并列的全连接单元实现多任务学习，提高估测精度。

技术研发人员：张长江,耿秉凡
受保护的技术使用者：台州学院
技术研发日：
技术公布日：2024/8/20