申请/专利权人：江苏省气象服务中心

申请日：2020-11-27

公开（公告）日：2024-04-16

公开（公告）号：CN112487718B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/045;G06N3/082;G06F17/14;G06N3/044;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.03.30#实质审查的生效;2021.03.12#公开

摘要：本发明公开了一种基于深度学习的卫星图像反演雷达组合反射率方法，包括构建数据库、对数据库中的数据进行预处理、构建模型训练的数据集以及对数据集进行训练和优化后输出结果，本发明结构科学合理，使用安全方便，通过对深度循环神经网络模型进行修改，并在Stacking算法为主体的集成模型框架下与深度卷积神经网络模型串行连接，构建RNN‑CNN模型对卫星图像所有通道的数据进行处理，降低结果误差，提高准确度，同时利用XGboost集成算法进行优化处理，提高模型的性能，加快数据处理的效率。

主权项：1.一种基于深度学习的卫星图像反演雷达组合反射率方法，其特征在于，包括如下步骤：S1、构建数据库：包括过去至少一年的气象卫星图像数据和卫星图像的实时数据；S2、预处理：对数据库中的卫星图像进行平滑型图像修正；预处理包括采用具有负旁瓣的正尖峰函数作为滤波函数来卷积原卫星图像，其中空域表达式为：f～x,y＝gx,y*hx,y，得到处理后图像的傅里叶表达为：F～u,v＝Gu,v*Hu,v，其中，u和v为频域变量，Gu,v表示待处理的卫星图像gx,y的傅里叶变换，F～u,v是趋近于原图像的f～x,y的傅里叶变换；S3、构建模型训练的数据集：利用ENVI软件对卫星图像的实时数据进行若干个通道像素点的提取，并将提取出的像素点的值进行保存；其中，利用ENVI软件对卫星图像实时数据进行Q个通道像素点的提取，将像素点与对应卫星图片的长M和宽N进行结合，保存为M*N*Q的npy文件；S4、数据训练：构建RNN-CNN模型对数据集中的数据进行训练，具体为：a、构建一个深度循环神经网络模型和一个深度卷积神经网络模型，其中，在构建深度循环神经网络模型时，直接通过Dense层进行输出，且输出的结果直接作为深度卷积神经网络的输入；b、构建以Stacking算法为主体的集成模型框架；c、在步骤b的框架下将深度循环神经网络模型和深度卷积神经网络模型通过串行连接得到一个集成模型，即为RNN-CNN模型；d、在RNN-CNN模型中利用Stacking算法中的n折交叉验证法对数据集进行迭代处理，将迭代结果的平均值输出；利用RNN-CNN模型对数据集进行迭代处理具体为：利用Stacking算法中的n折交叉验证法，将数据集分成n份，分别进行n次迭代，且每次迭代将其中1份数据作为测试集，剩余的n-1份作为训练集，并输入给集成模型进行训练，将得到的n个结果取平均，即得到该集成模型RNN-CNN的输出结果；S5、利用XGboost集成算法对RNN-CNN模型的训练数据进行优化后输出。

全文数据：

权利要求：

百度查询： 江苏省气象服务中心 一种基于深度学习的卫星图像反演雷达组合反射率方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD