本发明涉及雷达回波反演技术领域，具体为一种基于深度学习的卫星图像反演雷达组合反射率方法。
背景技术：
气象卫星可以实现对全球和大范围的观测，如地球静止气象卫星在约36000km高空对地球某一固定区域的观测面积达1.7×108km2，约为地球表面积的三分之一；气象卫星的大范围观测，使得占地球五分之四的海洋、荒漠和高原等地区都可以从卫星探测获取气象资料，从而深入了解全球大气活动。
卫星图像数据量大、内容丰富、特征繁多，但同时也存在噪声多的特点，目前的雷达观测的范围有限，在雷达部署比较稀疏的地区，如西部地区，雷达组网之间存在着很大的间隙。
现有雷达回波反演技术中，采用基于某一物理气象要素的雷达回波反演方法，主要原理时将该物理气象要素与雷达回波之间建立关系，原理简单，当结果误差较大，准确度不高且不确定因素增加，所以急需一种基于深度学习的卫星图像反演雷达组合反射率方法来解决上述问题。
技术实现要素：
本发明提供一种基于深度学习的卫星图像反演雷达组合反射率方法，可以有效解决上述背景技术中提出的现有雷达回波反演技术结果误差大，准确度不高且不确定因素增加的问题。
为实现上述目的，本发明提供如下技术方案：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；
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；
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；
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。
优选的，在步骤s1中，将一年的数据分为春季训练样本、夏季训练样本、秋季训练样本和冬季训练样本的四个季节样本。
优选的，在步骤s2中，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：
优选的，在步骤s3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。
优选的，在步骤s4中，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。
优选的，在步骤s5中，利用xgboost集成算法优化时，将xgboost集成算法输出npy数组值文件保存为图片格式。
与现有技术相比，本发明的有益效果：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，利用卫星图像反演雷达组合反射率，其中，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。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本本发明方法的流程示意图；
图2是本发明基于卫星图像反演的雷达组合反射率样图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1-2所示，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，其中，将一年的数据分为春季训练样本、夏季训练样本、秋季训练样本和冬季训练样本的四个季节样本；
s2、预处理：对数据库中的卫星图像进行平滑型图像修正；
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：
s3、构建模型训练的数据集：利用envi(theenvironmentforvisualizingimages)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，本实施例中，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，这些保存的npy文件即为模型训练的数据集；
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，深度循环神经网络(recurrentneuralnetwork，rnn)，是一种节点定向连接成环的人工神经网络，其内部状态可以展示动态时序行为，也可以利用它内部的记忆来处理任意时序的输入序列，从而容易处理如不分段的手写识别、语音识别等；
卷积神经网络(convolutionalneuralnetworks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一，且卷积神经网络具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)；
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；
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，提高集成模型输出的反演雷达组合反射率的准确度，优化后输出npy数组值文件，得到最终的雷达组合反射率样图，将得出的结果保存为图片格式。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
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；
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；
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；
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。
2.根据权利要求1所述的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：在步骤s1中，将一年的数据分为春季训练样本、夏季训练样本、秋季训练样本和冬季训练样本的四个季节样本。
3.根据权利要求1所述的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：在步骤s2中，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：
4.根据权利要求1所述的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：在步骤s3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。
5.根据权利要求1所述的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：在步骤s4中，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。
6.根据权利要求1所述的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：在步骤s5中，利用xgboost集成算法优化时，将xgboost集成算法输出npy数组值文件保存为图片格式。
技术总结