(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 20221081086 6.3 (22)申请日 2022.07.11 (71)申请人 航天宏图信息技 术股份有限公司 地址 100094 北京市海淀区翠湖北环路2号 院4号楼 (72)发明人 吕梦霞　王宇翔　彭亮　王新　 宋毅　闫建忠　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 张萍 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06T 7/73(2017.01) G06V 10/774(2022.01)G06V 10/776(2022.01) G06V 10/28(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于遥感数据的台风定位定强方法及 装置 (57)摘要 本申请提供了一种基于遥感数据的台风定 位定强方法及装置， 涉及遥感图像处理技术领 域， 具体为： 获取遥感影像， 对遥感影像进行预处 理得到台风区域图像； 利用预先训练完成的台风 预报模型对台风区域图像进行处理， 得到台风中 心位置和台风强度； 所述台风预报模 型的网络结 构为融合Inc eptionNet网络结构的ResNet。 本申 请提高了台风中心位置和 台风强度信息的预报 精度。 权利要求书3页 说明书7页 附图6页 CN 115115946 A 2022.09.27 CN 115115946 A 1.一种基于 遥感数据的台风定位定强方法， 其特 征在于， 包括： 获取遥感影 像， 对遥感影 像进行预处理得到台风区域图像； 利用预先训练完成的台风预报模型对台风 区域图像进行处理， 得到 台风中心位置和台 风强度； 所述台风预报模型的网络结构为融合 InceptionNet网络结构的ResNet。 2.根据权利要求1所述的基于遥感数据的台风定位定强方法， 其特征在于， 对遥感影像 进行预处理得到台风区域图像， 包括： 将遥感影 像转换成灰度图； 从灰度图中截取 预设大小的初始台风区域图像； 将初始台风区域图像按照最长边扩充为 正方形图像， 并将扩展区域 填充黑色； 对扩展后的正方 形图像进行旋转、 增 加噪声、 位移和改变亮度， 得到台风区域图像。 3.根据权利要求1所述的基于遥感数据的台风定位定强方法， 其特征在于， 所述台风预 报模型包括依 次连接的第一处理模块、 第二处理模块、 第三处理模块、 第四处理模块、 最大 池化层和线性层； 所述第一处理模块， 用于对输入的台风区域图像进行降维处理和特征提取， 输出第一 特征图； 所述第二处 理模块， 用于对第一特 征图进行处 理， 输出第二特 征图； 所述第三处 理模块， 用于对第二特 征图进行处 理， 输出第三特 征图； 所述第四处 理模块， 用于对第三特 征图进行处 理， 输出第四特 征图； 所述最大池化层， 用于第四特 征图进行最大池化操作， 输出第五特 征图； 所述线性层， 用于将第五特征图进行线性变换， 输出台风信 息三维向量， 所述台风信 息 三维向量包括： 台风中心位置的经度、 台风中心位置的纬度和强度信息 。 4.根据权利要求3所述的基于遥感数据的台风定位定强方法， 其特征在于， 所述第 一处 理模块依次包括： 第一单元、 第二单元、 第三单元和第四单元； 其中， 第二单元和 第四单元结 构相同； 第一单元包括串联的一个3x3卷积层和一个5x5卷积层； 第二单元包括： 并联的3x3的平均池化层和3x3卷积层， 以及将两路输出结果进行合成 的过滤连接层； 第三单元包括三个分支和将三个分支输出结果进行合成的过滤连接层， 其中， 第一分 支为直接输出， 第二分支包括串 联的3x3卷积层和1x1卷积层， 第三分支包括串 联的1x1卷积 层、 5x1卷积层、 1x5卷积层和5x5卷积层。 5.根据权利要求3所述的基于遥感数据的台风定位定强方法， 其特征在于， 第 二处理模 块包括： 3个串联ResNet ‑A模块和1个Reducti on‑1模块； 所述ResNet ‑A模块包括： 第一激活函数层、 第五单 元和第二激活函数层； 第五单元包括第一分支、 第二分支、 第三分支、 第四分支、 第五分支、 1x1卷积层和加法 器； 1x1卷积层 对第三分支、 第四分支和第五分支的输出进 行处理， 加法器对第一分支、 第二 分支和1x1卷积层的输出进行累加， 输出至第二激活函数层； 第一分支包括串联的1x7卷积 层和7x1卷积层； 第二分支为直接输出； 第三分支包括1x1卷积层； 第四分支包括串联的1x1 卷积层和3x3卷积层； 第五分支包括串联的1x1的卷积层、 3x3卷积层和3x3卷积层； Reduction‑1模块包括： 过 滤连接层、 第六 单元和过滤连接层；权　利　要　求　书 1/3 页 2 CN 115115946 A 2第六单元包括三个分支， 其中第一分支包括5x5最大池化层； 第二分支包括3x3卷积层； 第三分支包括串联的1x1卷积层和3x3卷积层。 6.根据权利要求3所述的基于遥感数据的台风定位定强方法， 其特征在于， 第 三处理模 块包括5个串联的ResNet ‑B模块和1个Reducti on‑2模块； ResNet‑B模块包括第三激活函数层、 第七单 元和第四激活函数层； 第七单元包括第一分支、 第二分支、 第三分支、 第四分支、 1x1卷积层和加法器， 1x1卷积 层对第三分支和第四分支的输出进 行处理； 加法器将第一分支、 第二分支以及1x1卷积层的 输出进行累加， 输入第四激活函数层； 其中， 第一分支包括串联的1x5卷积层和 5x1卷积层； 为未经处理直接输出； 第三分支包括1x1卷积层； 第三分支包括串 联的1x1的卷积层和3x3卷 积层； Reduction ‑2包括： 过滤连接层、 4个分支和过滤连接层； 其 中， 第一分支包括5x5最大池 化层， 第二分支包括串 联的1x1卷积层和3x3卷积层； 第三分支包括1x1卷积层和3x3卷积层； 第四分支包括串联的1x1卷积层、 3x3卷积层和3x3卷积层。 7.根据权利 要求3所述的基于遥感数据的台风定位定强方法， 其特征在于， ResNet ‑C模 块包括第五激活函数层、 第七单 元和第六激活函数层； 第七单元包括第一分支、 第一分支、 第三分支、 1x1卷积层和加法器； 1x1卷积层对第二 分支和第三分支的输出进 行处理； 加法器将第一分支以及1x1卷积层的输出进 行累加， 输入 第六激活函数层； 第一分支为未经处理直接输出； 第二分支包括1x1卷积层； 第三分支包括 1x1卷积层和3x3卷积层。 8.根据权利要求3所述的基于遥感数据的台风定位定强方法， 其特征在于， 所述台风预 报模型的训练过程包括： 获取台风最佳路径数据集中的所有台风时刻的遥感数据， 将遥感数据转化成灰度图， 保持固有分辨 率， 从灰度图中截取 预设大小的台风区域样本图像； 对所有台风区域样本图像进行 预处理， 并标注台风中心位置和台风强度信息； 利用台风预报模型对每个台风 区域样本图像进行处理， 得到预测的台风中心位置和台 风强度信息； 根据预测的台风中心位置和台风强度信息和标注的台风中心位置和台风强度信息计 算损失函数 其中， 向量y＝(y1,y2,y3)， 其中(y1,y2)为预测的台风中心位置的经纬度， y3为预测的台 风强度信息； 向量 其中 为标注的台风中心位置的经纬度， 为标注的台风强度信息； 基于损失函数值和批梯度下降法， 更新台风预测模型的模型参数。 9.一种基于 遥感数据的台风定位定强装置， 其特 征在于， 包括： 获取单元， 用于获取遥感影 像， 对遥感影 像进行预处理得到台风区域图像； 处理单元， 用于利用预先训练完成的台风预报模型对台风区域图像进行处理， 得到台 风中心位置和台风强度； 所述台风预报模型的网络结构为融合InceptionNet网络结构 的权　利　要　求　书 2/3 页 3 CN 115115946 A 3