(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211339180.7 (22)申请日 2022.10.28 (71)申请人 北京环境特性研究所 地址 100854 北京市海淀区永定路5 0号 (72)发明人 陈峰　翟佳　张子恺　谢晓丹　 (74)专利代理 机构 北京格允知识产权代理有限 公司 11609 专利代理师 周娇娇 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种卫星多通道辐亮度图像外推方法、 装置 及存储介质 (57)摘要 本发明提供了一种卫星多通道辐亮度图像 外推方法、 装置及存储介质， 该方法包括： 接收图 像外推请求； 获取目标区域在不同时刻下的卫星 多通道辐亮度图像； 利用不同时刻下的卫星多通 道辐亮度图像， 训练得到图像外推模型； 图像外 推模型包括卷积循环神经网络与生成对抗网络； 卷积循环神经网络还包括： 将上一个时间步的最 后一个ConvGRU单元的输 出结果输入至 下一个时 间步的第一个ConvGRU单元中； 将不同时刻下的 卫星多通道辐亮度图像输入图像外推模型中， 并 根据图像外推请求输出在未来时刻 的目标外推 图像。 本方案提供的外推方法能够有效、 准确地 获取较长时间范围内的卫星多通道辐亮度外推 图像， 同时提高了该外 推图像的质量。 权利要求书3页 说明书10页 附图4页 CN 115512185 A 2022.12.23 CN 115512185 A 1.一种卫星 多通道辐亮度图像外推方法， 其特 征在于， 包括： 接收到目标区域对于未来时刻的图像外推请求； 获取所述目标区域在不同时刻下的卫星 多通道辐亮度图像； 利用所述不同时刻下的卫星多通道辐亮度图像， 训练得到图像外推模型； 其中， 所述图 像外推模型包括卷积循环神经网络与生成对抗网络； 所述卷积循环神经网络还包括： 将上 一个时间步的最后一个ConvGRU单元的输出结果输入至下一个时间步的第一个ConvGRU单 元中； 将所述不同时刻下的卫星多通道辐亮度图像输入所述图像外推模型中， 并根据 所述图 像外推请求输出在所述未来时刻的目标外推图像。 2.根据权利要求1所述的方法， 其特征在于， 所述利用所述不同时刻下的卫星多通道辐 亮度图像， 训练得到图像外推模型， 包括： 根据所述卫星多通道辐亮度图像， 确定至少两组样本集； 其中， 每一组样本集中包括作 为输入的历史时刻的卫星多通道辐亮度图像以及作为输出的当前时刻的卫星多通道辐亮 度图像； 所述样本集包括： 训练集、 验证集； 基于所述卷积循环神经网络与 所述生成对抗网络， 构建初始图像外推模型； 其中， 所述 卷积循环神经网络的每个时间步中， 每一层编码ConvGRU单元的输出均拼接到对应层的解 码ConvGRU单元的输入中； 利用所述至少两组所述训练集对所述初始图像外推模型进行训练， 得到所述图像外推 模型。 3.根据权利要求1或2所述的方法， 其特征在于， 所述利用所述不同时刻下的卫星多通 道辐亮度图像， 训练得到图像外推模型， 包括： 在训练时引入损 失函数； 所述损 失函数由平均绝对误差损 失函数、 均方误差损 失函数 和FocalLoss损失函数组成； 当所述损失函数的值低于预设损失阈值时， 结束训练； 所述损失函数表示如下： L＝ λl*MAE+λ2+MSE+λ3*Focal Loss 其中， L用于表征所述损失函数； MAE用于表征所述平均绝对误差损失函数； λ1用于表征 所述MAE的权重系数； MSE用于表征所述均方误差损失函数； λ2用于表征所述MSE的权重系 数； Focal Loss用于表征 所述Focal Loss损失函数； λ3用于表征 所述Focal Loss的权重系数。 4.根据权利要求2所述的方法， 其特征在于， 所述利用所述至少两组训练集对所述初始 图像外推模型进行训练， 得到所述图像外推模型， 包括： 在所述利用所述至少两组训练集对所述初始图像外推模型进行训练之后， 得到第 一图 像外推模型； 将所述验证集输入所述第 一图像外推模型中， 得到预测的当前时刻的卫星多通道辐亮 度图像； 根据所述预测的当前时刻的卫星多通道辐亮度图像与所述验证集中的当前时刻的卫 星多通道辐亮度图像， 确定均方根 误差、 临界成功指数和HS S评分； 判断所述均 方根误差是否大于第 一预设阈值、 所述临界成功指数是否小于第 二预设阈 值以及所述HS S评分是否小于第三预设阈值；权　利　要　求　书 1/3 页 2 CN 115512185 A 2若判断均为否， 则确定所述第 一图像外推模型为所述图像外推模型； 否则， 则对所述第 一图像外推模型进行优化调整。 5.根据权利要求2所述的方法， 其特征在于， 所述利用所述至少两组训练集对所述初始 图像外推模型进行训练， 得到所述图像外推模型， 包括： 在所述利用所述至少两组训练集对所述初始图像外推模型进行训练之后， 得到第 一图 像外推模型； 将所述验证集输入所述第 一图像外推模型中， 得到预测的当前时刻的卫星多通道辐亮 度图像； 根据所述预测的当前时刻的卫星多通道辐亮度图像与所述验证集中的当前时刻的卫 星多通道辐亮度图像， 得到均方根 误差、 临界成功指数和HS S评分； 判断连续得到的5个均方根误差之间的差值是否均 大于第四预设阈值、 连续得到的5个 临界成功指数之间的差值是否均大于第五预设阈值以及连续得到的5个HSS评分之间的差 值是否均大于第六 预设阈值； 若判断均为否， 则确定所述第 一图像外推模型为所述图像外推模型； 否则， 则对所述第 一图像外推模型进行优化调整。 6.根据权利要求1所述的方法， 其特 征在于， 所述图像外推请求包括未来时刻的时间范围、 时间粒度； 和/或， 所述不同时刻下的卫星多通道辐亮度图像为按时间序列排列的至少两张卫星多通道 辐亮度图像； 所述目标外推图像为在所述未来时刻内的至少两张按时间序列排列的卫星多通道辐 亮度外推图像。 7.根据权利要求1所述的方法， 其特征在于， 所述获取所述目标区域在不同时刻下的卫 星多通道辐亮度图像， 包括： 获取不同时刻下的云图多通道辐亮度图像数据； 将所述云图多通道辐亮度图像数据转换为JPG格式的卫星 多通道辐亮度图像； 根据所述目标区域对所述卫星多通道辐亮度图像进行选取， 得到所述不同时刻下的卫 星多通道辐亮度图像。 8.一种卫星 多通道辐亮度图像外推装置， 其特 征在于， 包括： 接收模块， 用于 接收到目标区域对于未来时刻的图像外推请求； 获取模块， 用于获取 所述目标区域在不同时刻下的卫星 多通道辐亮度图像； 训练生成模块， 用于利用所述不同时刻下的卫星多通道辐亮度图像， 训练得到 图像外 推模型； 其中， 所述图像外推模 型包括卷积 循环神经网络与生成对抗网络； 所述卷积 循环神 经网络还包括： 将上一个时间步的最后一个ConvGRU单元的输出结果输入至下一个时间步 的第一个Co nvGRU单元中； 外推模块， 用于将所述不同时刻下的卫星多通道辐亮度图像输入所述图像外推模型 中， 并根据所述图像外推请求输出在所述未来时刻的目标外推图像。 9.一种计算设备， 包括存储器和处理器， 所述存储器中存储有计算机程序， 所述处理器 执行所述计算机程序时， 实现如权利要求1 ‑7中任一项所述的方法。权　利　要　求　书 2/3 页 3 CN 115512185 A 3