[发明专利]一种基于深度学习的云图内插预测方法及系统

说明书

本发明涉及一种基于深度学习的云图内插预测方法及系统，属于云图内插预测领域，首先获取起始时次云图和结束时次云图；采用光流法生成双向光流；根据双向光流进行中间光流预测，得到双向近似中间光流；再进行后向光流翘曲计算，得到预测时次到起始时次、结束时次的预测时次预估云图；将数据输入至SuperSlomo模型中，输出预测像素阻塞映射和预测中间光流误差；然后进行中间光流误差校正，得到校正后的中间时次光流；再次进行后向光流翘曲计算，得到预测时次到起始时次、结束时次的校正云图；根据预测时次到起始时次、结束时次的校正云图和预测像素阻塞映射，生成最终预测的中间云图，使时次云图间保持时间连续性，时间间隔短且均匀。

技术领域

本发明涉及云图内插预测领域，特别是涉及一种基于深度学习的云图内插 预测方法及系统。

背景技术

随着有关遥感图像研究的逐渐探索，遥感图像在气象、地质以及资源调查 等领域中都有着广泛的应用，尤其是在气象方面，遥感卫星云图对于对流云团 识别、追踪以及云团行动轨迹预测等研究来说都是必不可少的。由于全天候气 象遥感卫星的探测以及卫星云图分辨率的不断提高，卫星云图的质量已经可以 满足气象研究的需求。

然而，现有的卫星云图中经常会出现相邻时次云图时间间隔过长或每个云 图间时间不等的情况，从而使得这些云图无法保持时间连续性，进而使得卫星 云图合成的视频具有强烈顿挫感，不仅不利于观察和研究，还会对流云轨迹预 测和云图外推等研究有很大影响。因此，如何使卫星云图间的时间间隔更短、 更均匀，提升相邻时次云图间的时间连续性，这是气象预报中一个亟待解决的 问题。

发明内容

本发明的目的是提供一种基于深度学习的云图内插预测方法及系统，在起 始时次云图和结束时次云图的基础上，准确地预测出中间云图并将其插入到起 始时次云图和结束时次云图之间，使卫星云图间的时间间隔更短、更均匀，提 升相邻时次云图间的时间连续性，降低甚至消除卫星云图合成视频后的顿挫感。

为实现上述目的，本发明提供了如下方案：

一方面，本发明提供了一种基于深度学习的云图内插预测方法，包括：

获取起始时次云图和结束时次云图；

采用光流法，根据所述起始时次云图和所述结束时次云图生成双向光流；

根据所述双向光流，对中间光流进行预测，得到双向近似中间光流；

根据所述双向近似中间光流、所述起始时次云图和所述结束时次云图进行 后向光流翘曲计算，分别得到由预测时次到起始时次的近似中间光流和起始时 次云图推算得到的预测时次预估云图以及由预测时次到结束时次的近似中间 光流和结束时次云图推算得到的预测时次预估云图；

将所述由预测时次到起始时次的近似中间光流和起始时次云图推算得到 的预测时次预估云图、所述由预测时次到结束时次的近似中间光流和结束时次 云图推算得到的预测时次预估云图、所述起始时次云图、所述结束时次云图以 及所述双向近似中间光流输入至基于深度学习的SuperSlomo模型中，输出预 测像素阻塞映射和预测中间光流误差；

根据所述预测中间光流误差和所述双向近似中间光流进行中间光流误差 校正，得到校正后的中间时次光流；

根据所述校正后的中间时次光流、所述起始时次云图和所述结束时次云图 进行后向光流翘曲计算，分别得到预测时次到起始时次的校正云图以及预测时 次到结束时次的校正云图；

根据所述预测时次到起始时次的校正云图、所述预测时次到结束时次的校 正云图和所述预测像素阻塞映射进行云图预测，生成最终预测的中间云图。

可选的，根据所述起始时次云图和所述结束时次云图生成双向光流，具体 包括：