利用生成对抗网络从地球静止卫星图像中反演大气运动矢量

IF 0.9 4区物理与天体物理 Q4 ENGINEERING, ELECTRICAL & ELECTRONIC

激光与光电子学进展 Pub Date : 2023-01-01 DOI:10.3788/lop221036

李孝涌 Li Xiaoyong, 陈科艺 Chen Keyi

{"title":"利用生成对抗网络从地球静止卫星图像中反演大气运动矢量","authors":"李孝涌 Li Xiaoyong, 陈科艺 Chen Keyi","doi":"10.3788/lop221036","DOIUrl":null,"url":null,"abstract":"深度学习技术中的生成对抗网络（GAN）方法由于能够从输入的大量数据中抽取变量特征，生成更为真实的气象图像预测，在遥感领域有较为广泛的应用。但目前该算法在大气运动矢量（AMVs）的反演中应用较少，而AMVs是数值天气预报资料同化系统所需的重要产品资料。基于此，本文提出了利用生成对抗网络pix2pix从静止气象卫星图像反演AMVs的方法，由pix2pix模型将遥感影像转换为200 hPa和850 hPa的矢量风场。在最佳的资料和模型架构条件下，该方法反演得到的AMVs与传统算法所得产品资料质量相当，且克服了传统算法高度订正困难、无法获得某一层面完整风场和低层样本数偏低等缺点。个例分析亦表明，该方法针对具体的天气系统也有良好的表现。","PeriodicalId":51502,"journal":{"name":"激光与光电子学进展","volume":"52 1","pages":"0"},"PeriodicalIF":0.9000,"publicationDate":"2023-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"利用生成对抗网络从地球静止卫星图像中反演大气运动矢量\",\"authors\":\"李孝涌 Li Xiaoyong, 陈科艺 Chen Keyi\",\"doi\":\"10.3788/lop221036\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"深度学习技术中的生成对抗网络（GAN）方法由于能够从输入的大量数据中抽取变量特征，生成更为真实的气象图像预测，在遥感领域有较为广泛的应用。但目前该算法在大气运动矢量（AMVs）的反演中应用较少，而AMVs是数值天气预报资料同化系统所需的重要产品资料。基于此，本文提出了利用生成对抗网络pix2pix从静止气象卫星图像反演AMVs的方法，由pix2pix模型将遥感影像转换为200 hPa和850 hPa的矢量风场。在最佳的资料和模型架构条件下，该方法反演得到的AMVs与传统算法所得产品资料质量相当，且克服了传统算法高度订正困难、无法获得某一层面完整风场和低层样本数偏低等缺点。个例分析亦表明，该方法针对具体的天气系统也有良好的表现。\",\"PeriodicalId\":51502,\"journal\":{\"name\":\"激光与光电子学进展\",\"volume\":\"52 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.9000,\"publicationDate\":\"2023-01-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"激光与光电子学进展\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.3788/lop221036\",\"RegionNum\":4,\"RegionCategory\":\"物理与天体物理\",\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q4\",\"JCRName\":\"ENGINEERING, ELECTRICAL & ELECTRONIC\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"激光与光电子学进展","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.3788/lop221036","RegionNum":4,"RegionCategory":"物理与天体物理","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"ENGINEERING, ELECTRICAL & ELECTRONIC","Score":null,"Total":0}

引用次数: 0

摘要

深度学习技术中的生成对抗网络（GAN）方法由于能够从输入的大量数据中抽取变量特征，生成更为真实的气象图像预测，在遥感领域有较为广泛的应用。但目前该算法在大气运动矢量（AMVs）的反演中应用较少，而AMVs是数值天气预报资料同化系统所需的重要产品资料。基于此，本文提出了利用生成对抗网络pix2pix从静止气象卫星图像反演AMVs的方法，由pix2pix模型将遥感影像转换为200 hPa和850 hPa的矢量风场。在最佳的资料和模型架构条件下，该方法反演得到的AMVs与传统算法所得产品资料质量相当，且克服了传统算法高度订正困难、无法获得某一层面完整风场和低层样本数偏低等缺点。个例分析亦表明，该方法针对具体的天气系统也有良好的表现。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

利用生成对抗网络从地球静止卫星图像中反演大气运动矢量

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

激光与光电子学进展 Multiple-

CiteScore

1.60

自引率

50.00%

发文量

18006

期刊介绍： Laser & Optoelectronics Progress, the first laser and optoelectronics journal published in China. The main columns include general, lasers and laser optics, fiber optics and optical communications, optical design and fabrication, materials, image processing, imaging systems, optical devices, remote sensing and sensors, atmospheric optics and oceanic optics, diffraction and gratings, atomic and molecular physics, detectors, thin films, ultrafast optics, etc. The journal is included in ESCI, INSPEC, Scopus, CSCD, Chinese Core Journals, Chinese Science and Technology Core Journals, and T2 level of the Classified Catalogue of High Quality Science and Technology Journals in Optical Engineering and Optical Fields, and other databases.