基于葵花8号卫星数据的气象雷达组合反射率反演方法

1.本发明属于智慧气象领域，具体涉及一种基于葵花8号卫星数据的气象雷达组合反射率反演方法。


背景技术：

2.强对流天气是一种突发性，且破坏性较强的天气气象，是具有重大杀伤性的灾害性天气，强对流天气来临时，经常伴随着电闪雷鸣、风大雨急等恶劣天气，致使房屋倒毁，庄稼树木受到摧残，电信交通受损，甚至造成人员伤亡等，世界上把它列为仅次于热带的气旋、地震、洪涝之后第四位具有杀伤性的灾害性天气。快速有效的应对强对流天气对减少人民群众生命财产安全威胁具有重要意义，多普勒天气雷达已成为分析和预报中、小尺度天气系统的最有效工具之一。迄今为止，基于雷达回波数据，许多成熟而可靠的天气监测、跟踪和外推方法得到了广泛的发展和应用。
3.尽管目前我国天气雷达总数较多，但天气雷达分布并不是很均匀，东部地区雷达分布较密集，雷达组网产品能够覆盖绝大部分陆地地区。然而中西部地区雷达分布比较稀疏，雷达组网产品仍存在很大的间隙，无法实现中西部地区以及远海区域的全覆盖。而卫星观测是一种能够进行大范围气象要素观测的重要手段，通过传统的阈值法提取天气要素并判断天气现象，但存在着精度不准的缺点。然而人工判断的提取速度慢，难以从海量气象数据中快速提取有效的天气信息，因而无法满足快速天气预警的需求。近年来基于机器学习和深度学习的资料分类、目标识别、未来预测等方法发展迅速，人工智能可以从海量的数据中挖掘出更好的映射关系，因此可以通过数据挖掘，寻找出卫星观测和雷达回波之间的相互关系，构建卫星资料和雷达回波直接的映射关系。但现有的模型很难准确提取卫星数据中的关键信息从而进行反演，导致反演产品存在着质量不高的问题，如何在复杂的卫星数据中剔除干扰特征，进而更有效的提取与雷达回波直接相关的数据特征，使反演产品能够具备更高的精度是关键性问题。
4.早在1984年，美国、加拿大气象部门的科研人员就开始尝试将人工智能技术应用到灾害天气识别中来，研制强对流预报中的专家系统。20世纪80年代末到90年代初，人工智能方法在美、加、英、法等国家天气预报中的应用掀起了一场热潮。1989年就已有许多人工智能预报系统研发，仅灾害性天气预报系统就有kassp、gorad、convex、oci、willard、wx1等。这些预报系统大多基于专家系统和自然语言处理来研制，预报对象以强对流灾害性天气为主，如雷暴、冰雹、雾、海雾、闪电等。也有不少系统基于人工神经网络系统来做强降水预报、河流预报、龙卷风预报、闪电预报等。这些技术方案主要依赖人工的经验，人工智能仅能起一定的辅助作用。
5.随着人工智能技术的发展，尤其是深度学习的引入，使得计算机视觉得到了飞速的发展。机器在图像识别和跟踪能力上有了显著的提高，基于全卷积神经网络的语义分割技术更是能够实现图像的像素级分类，并指引汽车自动驾驶。美国海军科研实验室(naval research lab.)曾使用新一代静止卫星goes数据，通过机器学习算法，实现云分类、大雾识
别、台风强度判断等功能，显著地提高了云分类的准确率。
6.现有的雷达组合反射率因子反演工作通常是恢复高分辨率表征学习，如u-net等，这类网络通过一系列下采样使表征的空间分辨率从大逐渐变小，为了弥补空间精度的损失，通过一系列上采样来提升表征的分辨率，在这类网络中，低分辨率表征通过上采样得到高分辨率表征，其本身虽然拥有很好的语义表达能力，但是上采样本身并不能完整地弥补空间分辨率的损失导致，最终输出的高分辨率表征所具有的空间敏感度并不高。且这类网络没有考虑到高层非降水云团给反演模型带来的影响，导致反演精度并不高。
7.

技术实现要素：

8.为了解决上述背景技术提到的技术问题，本发明提出了一种基于葵花8号卫星数据的气象雷达组合反射率反演方法，目的在于克服现有反演模型中空间敏感度不高，以及减弱非降水云团给反演模型带来的干扰，建立起具有高精度，高空间分辨率的雷达组合反射率反演模型。
9.为了实现上述技术目的，本发明的技术方案为：
10.一种基于葵花8号卫星数据的气象雷达组合反射率反演方法，包括以下步骤：s1、分别获取卫星与雷达组合反射率的历史数据，计算卫星数据与雷达组合反射率之间的pearson相关系数；并根据相关系数选取卫星成像仪通道数据
11.s2、将步骤s1获取的卫星历史数据与雷达组合反射率数据进行预处理，并划分为训练集、验证集以及测试集；
12.s3、搭建基于注意力机制优化的多分辨率卷积神经网络，并使用步骤s2划分的训练集训练模型参数；
13.s4、使用验证集验证模型反演效果，调整模型超参数后保存模型参数；
14.s5、将待反演的的卫星通道数据并输入到步骤s4中训练好的反演模型中，得到反演结果。
15.优选地，步骤s1包括以下步骤：
16.s11、选取18年-22年中时间以及区域一致的卫星与雷达组合反射率样本；
17.s12、将二维的卫星数据以及雷达数据展平成一维；
18.s13、计算展平后的卫星数据中每一个通道数据与相对应的雷达组合反射率的pearson相关系数ρ(x,y)，计算公式如下：
[0019][0020]
式中，x为卫星通道数据，y为雷达组合反射率数据，e[(x-μ
x
)(y-μy)]为x与y的协方差，μ
x
为x的均值，μy为y的均值，σ
x
为x的标准差，σy为y的标准差；
[0021]
s14、将所选取数据的每一通道的与雷达组合反射率的相关系数取平均值，选取相关程度最高的四个通道数据，并加入波长为10.4μm与12.3μm的通道数据差值，消除数据中的卷云影响。
[0022]
优选地，步骤s2包括以下步骤：
[0023]
s21、读取雷达数据，截取雷达组合反射率数据，雷达组合反射率数据满足下式：
[0024]
(slatr,wlonr)＝(slats,wlons)
[0025]
(nlatr,elonr)＝(nlats,elons)
[0026]
式中，(slatr,wlonr)代表雷达组合反射率数据的西南角坐标，(slats,wlons)代表卫星数据的西南角坐标，(nlatr,elonr)代表雷达组合反射率数据的东北角坐标，(nlats,elons)代表卫星数据的东北角坐标；
[0027]
s22、计算雷达数据所有大于5dbz的格点数，保留满足条件的格点数占总格点数1/20的雷达数据；
[0028]
s23、对雷达数据进行数据删筛选，设置阈值为0-75，将小于0的格点值设置为0，大于75的格点值设置为75，并将数据中含有nan值的样本删除；
[0029]
s24、将雷达组合反射率数据与卫星数据进行时间对齐，对齐后的数据满足下式：
[0030]
tr＝ts
±2[0031]
式中，tr代表雷达组合反射率数据的获取时间，ts代表为卫星数据的拍摄时间；
[0032]
s25、将时空对齐之后的雷达组合反射率反演数据集划分为训练集、测试集、验证集。
[0033]
优选地，其特征在于，步骤s3包括以下步骤：
[0034]
s31、搭建基于多分辨率卷积神经网络的主干网络用于提取卫星数据的深层特征，包括以下五个阶段：
[0035]
第一阶段：通过使用两个卷积层将卫星数据下采样4倍，大小为[c,h,w]，使用四个瓶颈层模块将通道数变为256，得到第一阶段的输出，大小为[h/4,w/4,256]；
[0036]
第二阶段：使用两个卷积将256通道特征降维成两个特征分支，然后每个分支使用四个残差块进一步的提取特征，最后将使用多分辨率融合模块得到第三阶段的输入，大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192]；
[0037]
第三阶段：使用一个卷积层将输入的第二分支扩展为更低分辨率的分支三，然后通过4个多分辨率融合模块得到第四阶段的输入，大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192]；
[0038]
第四阶段：使用一个卷积层将输入的第三分支扩展为更低分辨率的分支四，然后通过3个多分辨率融合模块得到第五阶段的输入，大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192],[h/32,w/32,384]；
[0039]
第五阶段：将二、三、四分支的特征图分别进行上采样，与分支一的特征图分辨率统一，将四个分支的特征图相加，再经过两个1*1卷积，以及上采样，得到初步的卫星特征[c,h,w]；
[0040]
其中，通过瓶颈层模块为1
×
1的卷积，压缩大卷积层输入特征图的通道数目；
[0041]
残差块的数学表达式满足下式：
[0042]
y＝σ(f(x,w)+x)
[0043]
式中，y表示残差块的输出，σ表示relu激活函数，x表示残差块的输入，w表示残差块内所有的权重，f表示残差函数并满足f(x)＝h(x)+x，其中h(x)为卷积神经网络；
[0044]
多分辨率的融合方式满足下式：
[0045][0046]
式中，n表示数据所处阶段，x表示数据所处分支，d表示下采样，u表示上采样
[0047]
s32、将由主干网络得到的卫星特征x使用三个1
×
1的卷积层得到三个矩阵和然后将q、k、v三个矩阵重塑为其中n＝h
×
w，并通过k、q两个矩阵得到注意力权重矩阵a1，计算公式如下：
[0048]
a1＝softmax(k
t
q)
[0049]
式中，softmax函数满足下式：
[0050][0051]
式中，x为输入向量，t为向量中的元素总和；
[0052]
s33、将由主干网络得到的卫星特征输入到平均池化层以及最大池化层中，将得到的输出矩阵合并，并将合并后的矩阵通过sigmoid激活函数得到注意力权重矩阵a2，计算公式如下：
[0053]
a2＝σ(f7×7(concat(avgpool(x),maxpool(x))))
[0054]
式中，f7×7为7
×
7的卷积层，concat为合并操作，avgpool为平均池化层，maxpool为最大池化层；
[0055]
s34、将上述两步中得到的注意力权重分别与v、x相乘并加权求和得到反演模型的雷达组合反射率反演结果，计算公式如下：
[0056][0057]
式中，δ作为模型计算反演数值的第一超参数初始化为0.01，作为模型计算反演数值的第二超参数初始化为0.01；；
[0058]
s35、将反演模型得到的模型反演值与训练样本集当中的真实样本计算损失值，并通过反向传播优化模型参数，损失值计算公式如下：
[0059][0060]
式中，y为训练样本集当中的真实样本值，f(x)为反演模型的反演值，λ作为损失值计算函数的第一超参数初始化为10.16，ψ作为损失值计算函数的第二超参数初始化为15.14，τ作为损失值计算函数的第三超参数初始化为5.56；
[0061]
s36、初始化反演模型的参数，并将批处理量batch_size设置为32，学习率lr为0.00001，经过200轮训练后保存模型参数。
[0062]
优选地，其特征在于，步骤s4包括以下步骤：
[0063]
s41、加载步骤s3得到的模型参数；
[0064]
s42、加载步骤s2划分的验证集，并将验证集输入到反演模型得到反演结果；
[0065]
s43、调整超参数，并重复步骤s3与步骤s4直到模型反演值相当平稳的状态并保存最终模型参数。
[0066]
优选地，其特征在于，步骤s5包括以下步骤：
[0067]
s51、加载步骤s4保存的模型参数；
[0068]
s52、接收实时卫星通道数据；
[0069]
s53将卫星通道数据以及波长为10.4μm与12.3μm的通道数据差值输入到反演模型，得到雷达组合反射率。
[0070]
采用上述技术方案带来的有益效果：
[0071]
1.通过数据挖掘的手段有效的获取了复杂的卫星数据中与雷达组合反射率数据最为相关的通道数据，避免了冗余的数据对反演模型带来不必要的干扰，以及给训练时带来不必要的计算开支。
[0072]
2.数据预处理中保留包含更多对流活动的数据，并对异常值都进行了有效的处理，极大的提高了数据集的质量。
[0073]
3.使用多分辨率卷积神经网络作为反演模型的主干网络，使反演模型在提取深层次的卫星数据特征时能够具备更多的空间细节。
[0074]
4.引入了注意力机制模块，改善了反演模型中非降水云团干扰问题，提高了反演精度。
附图说明
[0075]
图1是本发明的方法流程图；
[0076]
图2是本发明中注意力机制模块图；
[0077]
图3是本发明中反演模型的输出组合反射率灰度图；
[0078]
图4是本发明中反演模型的输出组合反射率的具体数值图。
具体实施方式
[0079]
以下将结合附图，对本发明的技术方案进行详细说明。
[0080]
本发明公开了基于葵花8号卫星数据的气象雷达组合反射率反演方法。包括以下步骤：
[0081]
选取18年-22年中时间以及区域一致的卫星与雷达组合反射率样本。
[0082]
将二维的卫星数据以及雷达数据展平到一维。
[0083]
计算展平后的卫星数据中每一个通道数据与相对应的雷达组合反射率的pearson相关系数ρ(x,y)，计算公式如下：
[0084][0085]
其中x为卫星通道数据，y为雷达组合反射率数据，e[(x-μ
x
)(y-μy)]为x与y的协方差，μ
x
为x的均值，μy为y的均值，σ
x
为x的标准差，σy为y的标准差。
[0086]
将所选取数据的每一通道的与雷达组合反射率的相关系数取平均值，并选取相关程度最高的四个通道，选取通道如下表所示：
[0087]
序号通道物理含义1通道7下层云雾观测2通道9中层水汽观测3通道13云顶图像观测4通道16云顶高度观测5通道13与通道15差值消除卷云影响
[0088]
读取雷达数据，截取雷达组合反射率数据，使雷达组合反射率数据满足于下式：
[0089]
(slatr,wlonr)＝(slats,wlons)
[0090]
(nlatr,elonr)＝(nlats,elons)
[0091]
式中(slatr,wlonr)代表雷达组合反射率数据的西南角坐标，(slats,wlons)代表卫星数据的西南角坐标，(nlatr,elonr)代表雷达组合反射率数据的东北角坐标，(nlats,elons)代表卫星数据的东北角坐标。
[0092]
计算雷达数据所有大于5dbz的格点数，保留满足条件的格点数占总格点数1/20的雷达数据。
[0093]
对雷达数据进行数据清洗，设置阈值为0-75，将小于0的格点值设置为0，大于75的格点值设置为75，并将数据中含有nan值的样本删除。
[0094]
将雷达组合反射率数据与卫星数据进行时间对齐，对齐后的数据满足：
[0095]
tr＝ts±2[0096]
式中tr代表雷达组合反射率数据的获取时间，ts代表为卫星数据的拍摄时间。
[0097]
将时空对齐之后的雷达组合反射率反演数据集划分为训练集、测试集、验证集。
[0098]
搭建基于多分辨率卷积神经网络的主干网络用于提取卫星数据的深层特征，包括以下四个阶段：
[0099]
第一阶段：通过使用两个卷积层将卫星数据(大小为[c,h,w])下采样4倍，然后使用四个瓶颈层模块将通道数变为256，得到第一阶段的输出(大小为[h/4,w/4,256])；
[0100]
第二阶段：使用两个卷积将256通道特征降维成两个特征分支，然后每个分支使用四个残差块进一步的提取特征，最后将使用多分辨率融合模块得到第三阶段的输入(大小分别为[h/4,w/4,48],[h/8,w/8,96])；
[0101]
第三阶段：使用一个卷积层将输入的第二分支扩展为更低分辨率的分支三，然后通过4个多分辨率融合模块得到第四阶段的输入(大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192])；
[0102]
第四阶段：使用一个卷积层将输入的第三分支扩展为更低分辨率的分支四，然后通过3个多分辨率融合模块得到第五阶段的输入(大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192],[h/32,w/32,384])；
[0103]
第五阶段：将二、三、四分支的特征图分别进行上采样，与分支一的特征图分辨率统一。将四个分支的特征图相加，再经过两个1*1卷积，以及上采样，得到初步的卫星特征[c,h,w]。
[0104]
其中瓶颈层模块为1
×
1的卷积，用来压缩大卷积层输入特征图的通道数目，从而
减少计算量；
[0105]
残差块的数学表达式满足下式：
[0106]
y＝σ(f(x,w)+x)
[0107]
式中y表示残差块的输出，σ表示relu激活函数，x表示残差块的输入，w表示残差块内所有的权重，f表示残差函数并满足f(x)＝h(x)+x，其中h(x)为卷积神经网络。
[0108]
多分辨率融合模块作用是将不同分辨率的特征融合，多分辨率的融合方式满足下式：
[0109][0110]
式中n表示数据所处阶段，x表示数据所处分支，d表示下采样，u表示上采样。
[0111]
将由主干网络得到的卫星特征x使用三个1
×
1的卷积层得到三个矩阵然后将q、k、v三个矩阵重塑为其中n＝h
×
w，并通过k、q两个矩阵得到注意力权重矩阵a1，计算公式如下：
[0112]
a1＝softmax(k
t
q)
[0113]
其中softmax函数满足下式：
[0114][0115]
其中x为输入向量，t为向量中的元素总和。
[0116]
将由主干网络得到的卫星特征输入到平均池化层以及最大池化层中，将得到的输出矩阵合并，并将合并后的矩阵通过sigmoid激活函数得到注意力权重矩阵a2，计算公式如下：
[0117]
a2＝σ(f7×7(concat(avgpool(x),maxpool(x))))
[0118]
其中f7×7为7
×
7的卷积层，concat为合并操作，avgpool为平均池化层，maxpool为最大池化层。
[0119]
将上述两步中得到的注意力权重分别与v、x相乘并加权求和得到反演模型的雷达组合反射率反演结果，计算公式如下：
[0120][0121]
其中δ、作为模型的超参数，起初被设置为0.01，随后会在训练中优化。
[0122]
将反演模型得到的模型反演值与训练样本集当中的真实样本计算损失值，并通过反向传播优化模型参数，损失值计算公式如下：
[0123]
[0124]
其中y为训练样本集当中的真实样本值，f(x)为反演模型的反演值，λ、ψ、τ作为模型的超参数分别设置为10.16、15、5.5。
[0125]
初始化反演模型的参数，并将批处理量batch_size设置为32，学习率lr为0.00001。经过200轮训练后保存模型参数。
[0126]
加载上述步骤得到的模型参数；
[0127]
加载验证集，并将验证集输入到反演模型得到反演结果；
[0128]
调整超参数，并重复步骤3.6与步骤4直到模型反演值相当平稳的状态并保存最终模型参数。
[0129]
加载优化过后保存的模型参数。
[0130]
接收实时卫星通道数据。
[0131]
将卫星7、9、13、16通道数据以及13、15通道数据差值输入到反演模型，得到雷达组合反射率。
[0132]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0133]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0134]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0135]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0136]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0137]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
式中，t
r
代表雷达组合反射率数据的获取时间，t
s
代表为卫星数据的拍摄时间；s25、将时空对齐之后的雷达组合反射率反演数据集划分为训练集、测试集、验证集。4.根据权利要求1所述一种基于葵花8号卫星数据的气象雷达组合反射率反演方法，其特征在于，步骤s3包括以下步骤：s31、搭建基于多分辨率卷积神经网络的主干网络用于提取卫星数据的深层特征，包括以下五个阶段：第一阶段：通过使用两个卷积层将卫星数据下采样4倍，大小为[c,h,w]，使用四个瓶颈层模块将通道数变为256，得到第一阶段的输出，大小为[h/4,w/4,256]；第二阶段：使用两个卷积将256通道特征降维成两个特征分支，然后每个分支使用四个残差块进一步的提取特征，最后将使用多分辨率融合模块得到第三阶段的输入，大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192]；第三阶段：使用一个卷积层将输入的第二分支扩展为更低分辨率的分支三，然后通过4个多分辨率融合模块得到第四阶段的输入，大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192]；第四阶段：使用一个卷积层将输入的第三分支扩展为更低分辨率的分支四，然后通过3个多分辨率融合模块得到第五阶段的输入，大小分别为[h/4,w/4,48],[h/8,w/8,96],[h/16,w/16,192],[h/32,w/32,384]；第五阶段：将二、三、四分支的特征图分别进行上采样，与分支一的特征图分辨率统一，将四个分支的特征图相加，再经过两个1*1卷积，以及上采样，得到初步的卫星特征[c,h,w]；其中，通过瓶颈层模块为1
×
1的卷积，压缩大卷积层输入特征图的通道数目；残差块的数学表达式满足下式：y＝σ(f(x,w)+x)式中，y表示残差块的输出，σ表示relu激活函数，x表示残差块的输入，w表示残差块内所有的权重，f表示残差函数并满足f(x)＝h(x)+x，其中h(x)为卷积神经网络；多分辨率的融合方式满足下式：式中，n表示数据所处阶段，x表示数据所处分支，d表示下采样，u表示上采样s32、将由主干网络得到的卫星特征x使用三个1
×
1的卷积层得到三个矩阵和然后将q、k、v三个矩阵重塑为其中n＝h
×
w，并通过k、q两个矩阵得到注意力权重矩阵a1，计算公式如下：a1＝softmax(k
t
q)式中，softmax函数满足下式：
式中，x为输入向量，t为向量中的元素总和；s33、将由主干网络得到的卫星特征输入到平均池化层以及最大池化层中，将得到的输出矩阵合并，并将合并后的矩阵通过sigmoid激活函数得到注意力权重矩阵a2，计算公式如下：a2＝σ(f7×7(concat(avgpool(x),maxpool(x))))式中，f7×7为7
×
7的卷积层，concat为合并操作，avgpool为平均池化层，maxpool为最大池化层；s34、将上述两步中得到的注意力权重分别与v、x相乘并加权求和得到反演模型的雷达组合反射率反演结果，计算公式如下：式中，δ作为模型计算反演数值的第一超参数初始化为0.01，作为模型计算反演数值的第二超参数初始化为0.01；；s35、将反演模型得到的模型反演值与训练样本集当中的真实样本计算损失值，并通过反向传播优化模型参数，损失值计算公式如下：式中，y为训练样本集当中的真实样本值，f(x)为反演模型的反演值，λ作为损失值计算函数的第一超参数初始化为10.16，ψ作为损失值计算函数的第二超参数初始化为15.14，τ作为损失值计算函数的第三超参数初始化为5.56；s36、初始化反演模型的参数，并将批处理量batch_size设置为32，学习率lr为0.00001，经过200轮训练后保存模型参数。5.根据权利要求1所述一种基于葵花8号卫星数据的气象雷达组合反射率反演方法，其特征在于，步骤s4包括以下步骤：s41、加载步骤s3得到的模型参数；s42、加载步骤s2划分的验证集，并将验证集输入到反演模型得到反演结果；s43、调整超参数，并重复步骤s3与步骤s4直到模型反演值相当平稳的状态并保存最终模型参数。6.根据权利要求1所述一种基于葵花8号卫星数据的气象雷达组合反射率反演方法，其特征在于，步骤s5包括以下步骤：s51、加载步骤s4保存的模型参数；s52、接收实时卫星通道数据；s53将卫星通道数据以及波长为10.4μm与12.3μm的通道数据差值输入到反演模型，得到雷达组合反射率。

技术总结
本发明公开了一种基于葵花8号卫星数据的气象雷达组合反射率反演方法，使用多分辨率卷积神经网络作为反演模型的主干网络有效的提取复杂的卫星数据中深层次的信息特征，并使用注意力机制弱化非降水云团给反演模型带来的干扰，从而为雷达未覆盖地区提供了可靠的雷达回波数据反演方法，为气象部门实际短临预报能力的提升提供数据支撑，为强对流灾害及时识别、预警和灾后重建发挥重要作用。预警和灾后重建发挥重要作用。预警和灾后重建发挥重要作用。


技术研发人员：林慧超 许小龙 程勇 刘琦 崔萌萌
受保护的技术使用者：南京信息工程大学
技术研发日：2023.02.28
技术公布日：2023/7/21