[发明专利]基于机器学习的卫星雷达反演融合方法

说明书

本发明公开了一种基于机器学习的卫星雷达反演融合方法包括训练阶段和反演阶段；训练阶段包括卫星资料及处理：将葵花8号静止卫星的B08、B10、B13、B15共4个波段的圆盘投影数据进行投影换算并插值到0.02°×0.02°的空间网格点上；闪电资料及处理；雷达资料及雷达数据组网；土地使用类型资料及处理；模型训练。反演阶段包括：数据预处理：对实时观测得到的葵花8号静止卫星资料、闪电资料做和训练阶段相同的处理，土地使用类型资料使用训练阶段处理后的资料；雷达资料组网：将实时观测的雷达基数据资料按照训练阶段的组网步骤进行组网，计算组合发射率；雷达回波反演；卫星雷达数据融合。

技术领域

本发明涉及一种雷达回波的反演和融合算法，尤其涉及一种基于机器学习的卫星雷达反演融合方法。

背景技术

现有雷达观测范围有限，在雷达部署比较稀疏的西部地区，雷达组网直接存在很大的间隙。同时雷达在海上的观测范围有限，只能覆盖近海地区。为了弥补雷达组网间隙以及海上观测不足，而发展出来了一套基于卫星观测数据反演雷达组合反射率算法。目前这方面技术使用并不广泛，现有的算法可以大致分为两类：基于反向传播(BP)神经网络的机器学习算法和基于反演降水的雷达回波反演算法。然而这两种算法均有一定的局限性。

基于反向传播(BP)神经网络的机器学习算法以对应坐标的卫星和雷达组合反射率数据为样本，进行模型训练。反向传播(BP)神经网络是目前应用最广泛、成效显著、算法较成熟的一种。BP神经网络通过使用预测因子(卫星亮温数据)和预测对象(雷达组合反射率) 以前的历史资料，求解预测因子与预测对象之间的关系，从而构建预报模型。BP神经网络的输入层接收来自外界的输入信息，并传递给中间层各神经元；中间层负责信息变换；最后传递到输出层向外界输出信息处理结果；当实际输出与期望输出不符时，进入误差的反向传播阶段，修正各层权值，逐层反传，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。神经网络是非线性系统，具有自学习、容错性强等特点，适用于具有多因素性、不确定性、随机性特点的研究对象；然而该方法存在一些不足之处，首先该方法首先通过坐标换算，将卫星数据和雷达格点数据进行点对点的一一对应。然而实际上雷达观测可能会存在位置偏移，卫星数据进行投影转换时同样可能出现位置上的误差，可能会造成格点数据不能完全对应上，造成结果存在误差；其次由于该方法只是进行点对点的对应，不能够将对流云团看作一个整体；最后由于卫星观测的穿透能力有限，对深厚的对流云团容易出现探测能力不足，导致对强对流的雷达回波反演偏弱。

基于反演降水的雷达回波反演算法通过降水作为中间变量。首先根据卫星观测反演降水强度，然后根据降水强度和雷达回波直接的Z-I关系，计算伪雷达回波强度。使用卫星反演降水主要有可见光/红外(VIS/IR)降水反演法、被动微波(PMW)降水反演法。其中可见光/ 红外降水反演法主要使用静止卫星数据，计算降水指数GPI。该方法原理简单但结果误差较大，且可见光在夜晚无数据。而微波辐射计目前仅安装在极轨卫星上，极轨卫星的重复周期通常要1天，无法得到高时间分辨率的降水数据。并且该方法引入了降水强度作为中间变量，分别建立卫星观测和降水以及雷达回波和降水之间的关系式，增加了不确定性因素，导致结果准确度下降。

另外，以上两种算法均没有将陆地和海洋分开进行考虑，陆地和海洋上的气溶胶浓度以及水汽含量存在显著的差别，陆地和海上的云滴的浓度和直径均存在明显的差异，需要将其分开考虑。此外，上述的两张算法均将反演后的雷达回波作为单独的产品，没有结合雷达回波观测资料将反演后的雷达回波和实时观测的雷达回波进行数据融合。

发明内容

针对现有的雷达回波反演技术的缺点和不足，本发明基于静止卫星不同通道数据和闪电资料以及土地利用类型资料，使用卷积神经网络进行训练，并将使用卫星反演的雷达回波资料和观测的雷达组网资料进行融合，生成一套卫星、雷达融合组网组合反射率产品。

为了不引入降水强度作为中间变量，这里使用神经网络直接建立卫星不同通道数据和雷达回波数据之间的关系。由于卫星的可见光通道在夜晚无法获取数据，因此在进行通道选取时不考虑可见光通道，而是选取可见光和红外通道。