CN119495032A 一种基于时空编码引导的卫星遥感影像云分类方法 （南京航空航天大学）

一种基于时空编码引导的卫星遥感影像云本发明公开了一种基于时空编码引导的卫止气象卫星和CloudSat卫星原始数据分别进行静止气象卫星数据和CloudSat数据进行时空匹据输入网络进行训练，最终得到用于云分类的2S1：将CloudSat卫星数据和地球静止气象卫星数据进行B1：应用时间和地理编码技术来扩充输入数据的维度和信息量：类型在时间和空间上的分布关系;具体而言，采用正弦和余弦函数对一年中的日期进行周;;;;;i表示特征图B中的通道索引，j表示特征图C中的通道索引；随后对A进行卷积处理得到特征图D并空间注意力特征图S进行矩阵乘法，再乘以尺度系数α,最后经过维度重排后与初始特征图A进行加和操作最终得到空间注意力特征图E,3;B3：对于输入的9x9图像，将多头自注意力机制MHSA中的re;;;;其中，W"eR"为线性投影矩阵，将拼接后的输出重新映射回原始的特征维度;S3：使用划分好的训练集对GTCCT模型进行训练，并2.根据权利要求1所述的一种基于时空编码引导的卫星遥感影像云分类方法，其特征4后从潜在匹配点中选取与CPR点距离最小的点作为匹配点，并以匹配点为中心选取9x9的3.根据权利要求1所述的一种基于时空编码引导的卫星遥感影像云分类方法，其特征C1：训练和测试数据集涵盖了某年地球静止气象卫星的全面观测集以batchx25x9x9的维度输入GTCCT模型进行训练；;;;4.根据权利要求1所述的一种基于时空编码引导的卫星遥感影像云分类方法，其特征5[0002]云在气候和天气系统中起着至关重要的作用，不同种类的云具有不同的辐射特已被用于云分类任务，并取得了显著的分类效果。但是SVM对训练时间和计算资源要求太差异有待进一步综合讨论;其次，现有的云分类研究并未对云类型随时间和空间上的分布6捉云类型在时间和空间上的分布关系;具体而言，采用正弦和余弦函数对一年中的日期进;;其中，和分别表示日期的正弦和余弦编码值;地理编码;;[0007]B2：使用通道注意力模块CAM建立通道之间的联系，增强通道下特定语义响应能;i表示特征图B中的通道索引，j表示特征图C中的通道索引。[0008]随后对A进行卷积处理得到特征图D并空间注意力特征图S进行矩阵乘法，再乘以尺度系数α,最后经过维度重排后与初始特征图A进行加和操作最终得到空间注意力特征7;;;;;其中，W"eR"为线性投影矩阵，将拼接后的输出重新映射回原始的特征维8C1：训练和测试数据集涵盖了某年地球静止气象卫星的全面观测数据以及的训练数据集以batch×25×9×9的维度输入G;;;编码模块有效整合多时相数据，从而提升对复杂云系统的分类能力。与传统方法不同，9入轻量化的特征提取和融合机制，使其能够在保证高分类精度的同时显著降低计算开销。[0018]本实施例提供一种基于时空编码引导的风云4号卫星影像云分类方法，如图1所例采用正弦和余弦函数对一年中的日期进行周期性编码，设一年中的第天，其中de[1,365]（以非闰年为例使用以下公式对日期进行编;;;;通道注意力模块的结构如图5所示。通道注意力模块能够对图像数据中的不同通道进行分;随后对A进行卷积处理得到特征图D并空间注意力特征图S进行矩阵乘法，再乘以尺度系数，最后经过维度重排后与初始特征图A进行加和操作最终得到空间注意力特征;Transformer编码器的主要结构如图6所示，传统的Transformer主要关注序列数意力机制，增强了模型的特征提取能力，共包含4个Transformer编码器。本发明的;第二个残差链接包含前馈神经网络（FeedForwardNetwork,FFN）。本发明的个ReLU激活函数组成。其具体作用是通过扩展和压缩维度来提取更加复杂的通道内特征，;1）训练和测试数据集涵盖了2019年全年地球静止气象卫星的全面观测数据以及;;