1.基于语义损失的卫星云图反演雷达数据方法,其特征在于,包括如下步骤:S1、建立数据集,对所述数据集进行匹配处理,然后将数据集划分训练集、验证集和测试集;
S2、建立网络结构,对数据集进行特征提取,然后根据相应卷积层的特征计算损失;所述网络结构包括三部分:特征提取网络、抗模糊损失函数和深度卷积神经网络;
S3、使用训练集对深度卷积神经网络进行迭代训练,训练好后,使用验证集对训练后的模型进行验证,然后保存在验证集上抗模糊损失函数最小的模型;
S4、使用测试集对抗模糊损失函数最小的模型进行测试,判断是否符合要求,若不符合,继续进行步骤S3,进行迭代训练,直到测试结果符合要求,输出正式模型;
S5、使用正式模型对卫星云图反演雷达数据,输出反演结果。
2.根据权利要求1所述的基于语义损失的卫星云图反演雷达数据方法,其特征在于,所述数据集包括第一数据和第二数据,所述第一数据为风云四号卫星拍摄的卫星云图,拍摄的时间间隔为4分钟,图片大小为1500*1750;
所述第二数据为雷达获取的图像,获取的时间间隔为6分钟,图片大小为700*800。
3.根据权利要求2所述的基于语义损失的卫星云图反演雷达数据方法,其特征在于,所述匹配处理如下步骤:S101、对所述第一数据和所述第二数据进行时间上的匹配;
S102、参照所述第二数据的经纬度,对所述第一数据进行等经纬度投影;
S103、从所述第一数据中截取350*400的图像作为输入图像,相对应的从所述第二数据中截取350*400的图像作为标签图像。
4.根据权利要求3所述的基于语义损失的卫星云图反演雷达数据方法,其特征在于,所述第一数据为风云四号卫星中多个通道获取的数据进行的叠加,所述多个通道包括:NOMChannel09通道、NOMChannel10通道、NOMChannel11通道、NOMChannel12通道、NOMChannel13通道和NOMChannel14通道;
所述训练集为5000对所述第一数据和所述第二数据,所述验证集为744对所述第一数据和所述第二数据,所述测试集为744对所述第一数据和所述第二数据。
5.根据权利要求4所述的基于语义损失的卫星云图反演雷达数据方法,其特征在于,所述步骤S2具体包括如下步骤:S201、将所述第一数据扩展为三维,然后输入到深度卷积神经网络获得初步图像;
S202、将所述第一数据和所述第二数据复制为RGB通道;
S203、将所述第一数据、所述初步图像和所述第二数据送入VGG19网络进行特征提取;
所述VGG19网络为通过ImageNet进行预先训练好的模型,具体包括保留所述VGG19网络的16个卷积层作为特征提取部分,将所述VGG19的3个全连接层去掉;每一个卷积层都是使用的是3×3的卷积和2×2的池化的交替。
6.根据权利要求5所述的基于语义损失的卫星云图反演雷达数据方法,其特征在于,在所述步骤S2中,所述抗模糊损失函数的表达式为:L(G)=LCX(G(s),s,ls)+λ·LCX(G(s),t,lt)式中,G为17层CNN网络,s为第一数据,G(s)为初步图像,t为第一数据的标签;ls为获取第一数据的内容特征,lt为获取第二数据的风格特征,λ=5;损失LCX(G(s),t,l)表示生成图像与目标图像的相似程度,损失LCX(G(s),s,l)测量生成图像和源图像的相似性。
7.根据权利要求6所述的基于语义损失的卫星云图反演雷达数据方法,其特征在于,在所述步骤S3中,学习率设置为1e-4,迭代次数为300,步长为2。