一种基于UNet++网络和SimAM注意力机制的大气边界层高度反演方法

本发明涉及一种基于UNet++网络和SimAM注意力机制的大气边界层高度反演方法，首先，根据获取的微脉冲激光雷达数据和微波辐射计数据，制作图像分割数据集，在该数据集中，原始图像为归一化相对后向散射信号的灰度图，标注图像则是根据微波辐射计数据反演得到的大气边界层高度的二值图，同时，原始图像与标注图像须在时空上进行匹配；然后，以UNet++作为基础框架，并在基础框架内部的跳跃连接中引入SimAM注意力机制，构建深度学习模型SimAM‑UNet++，再利用数据集训练深度学习模型；最后，由训练好的深度学习模型，就可以得到预测的大气边界层高度；本发明将SimAM注意力机制引入到UNet++中，实现了在复杂天气情况下对大气边界层高度的有效反演。