CN101936877A - 从modis数据反演大气水汽含量方法 - Google Patents

Abstract

本发明涉及一种从MODIS数据反演大气水汽含量方法的方法，能够应用在气象、环境监测、土地管理、农情监测、以及灾害监测等遥感应用部门。该方法，包含三个步骤：第一步骤是利用大气辐射传输模拟软件MODTRAN4针对所获得遥感数据MODIS第2、5、17、18、19近红外波段在给定的区域和季节以及大气模式进行正向模拟，建立训练和测试数据库。第二个步骤是利用神经网络对训练和测试数据集反复训练和测试。第三步骤是对MODIS实际影像数据进行反演计算，并进行实际地表验证和应用分析。本发明得到的大气水汽反演产品精度高，实用性强，操作相对简单。可以用于气象预报、环境监测、农情监测和灾情监测等部门。

Description

从MODIS数据反演大气水汽含量方法

技术领域

本发明涉及一种利用对地观测卫星上MODIS传感器获得的地面反射信息反演大气水汽含量的方法。该方法克服了以往反演方法中在大气水汽低和高时，精度估算不稳定的缺点。能够应用在气象、农业、环境监测和旱情监测等遥感部门。

背景技术

大气水汽含量是大气层中一种非常重要的温室气体，也是能量平衡和全球气候变化研究中需要考虑的一个非常重要的因素[Manabe S.and Wetherald R.T.，Thermal equilibrium of atmosphere with a given distribution of relative humidity，Journal of the Atmospheric Sciences，1967，24，241-259；Kaufman Y.J.and Gao B.C.，Remote sensing of water vapor in the near-IR from EOS/MODIS，IEEE Trans.Geosci.Remote Sensing，1992，30，871-884.]。近红外波段(1μm附近)对大气水汽含量非常敏感[Carrere V.and Conel J.E.，Recovery of atmospheric water vaportotal column abundance from imaging spectrometer data around 940nm-sensitivityanalysis and application to airborne visible/infrared imaging spectrometer(AVIRIS)data，Remote Sensing Environment，1993，44，179-204.].Kaufman and Gao(1992)，Gao and Kaufman(2003)，Sobrino et al(2003)[Kaufman Y.J.and Gao B.C.，Remotesensing of water vapor in the near-IR from EOS/MODIS，IEEE Trans.Geosci.Remote Sensing，1992，30，871-884；Gao B.C.and Kaufman Y.J.，Water vaporretrievals using Moderate Resolution Imaging Spectrometer(MODIS)near-IRchannels，Journal Geophysical Research，2003，108(D13)，4389，doi：10.1029；Sobrino J.A.，Kharraz J.E.，and Li Z.L.，Surface temperature and water vapourretrieval from MODIS data，International Journal of Remote Sensing，2003，24(24)，5161-5182.]提出利用MODIS卫星传感器的水汽吸收通道17，18和19(波长中心分别为0.905，0.936，和0.94μm)与MODIS传感器的大气窗口波段2和5(中心波长分别0.865和1.24μm)比值从MODIS卫星数据估算大气水汽含量[King M.D.，Kaufman Y.J.，Menzel W.P.，and Tanre D.，Remote sensing of cloud，aerosol，and water vapor properties from the Moderate Resolution ImagingSpectrometer(MODIS)，IEEE Trans.Geosci.Remote Sensing，1992，30，1-27.]。这个比值方法消除了地表发射率随波长变化的影响并近似计算得到了大气水汽透过率。这个方法主要受地表不同地物反射率的影响，大气含量的估算精度大约±13％[Kaufman Y.J.and Gao B.C.，Remote sensing of water vapor in the near-IR fromEOS/MODIS，IEEE Trans.Geosci.Remote Sensing，1992，30，871-884；Gao B.andKaufman Y.J.，The MODIS Near-IR water vapor algorithm：product ID：MOD05-total precipitable water，algorithm technical background document，RemoteSensing Division，Code 7212，Naval Research Laboratory，4555 Overlook Avenue，SW，Washington，DC 20375，1998.]。国内许多研究者针对MODIS传感器的大气水汽含量反演做过一些研究，比如毛克彪和覃志豪等[毛克彪，覃志豪，用MODIS影像反演环渤海地区的大气水汽含量，遥感信息，2004，4，47-49；毛克彪，覃志豪，王建明，武胜利，针对MODIS数据的大气水汽含量及31和32波段透过率计算，国土资源摇感，2005，1，26-30；姜立鹏，覃志豪，谢雯，针对MOD IS近红外数据反演大气水汽含量研究，国土资源遥感，2006，3(69)；李红林，李万彪，MODIS近红外资料反演大气水汽总含量，北京大学学报(自然科学版)，2008/01.]。虽然MODIS卫星传感器搭载在美国卫星上，但我国MODIS数据地面接收站比较多，比如农业部资源遥感与数字农业重点室，中国气象局卫星气象中心，中国科学院地理所等都有接收站点。虽然美国宇航局向全球发布MODIS大气水汽含量产品，但在可见光波段大气校正和地表温度反演等应用研究中，大气水汽含量反演精度需要进一步提高[Mao K.，Shi J.，Li Z.，and Tang H.，An RM-NN algorithmfor retrieving land surface temperature and emissivity from EOS/MODIS data，Journal Geophysical Research，2007，112，D21102，doi：10.1029；Mao K.，Qin Z.，ShiJ.，and Gong P.，A practical split-window algorithm for retrieving land surfacetemperature from MODIS data，International Journal of Remote Sensing，2005，26(15)，3181-3204.]。需要我们根据世界各地本地的实际情况，进一步研究新算法或者做进一步的校正，以提高精度。图1是MODIS传感器，表1是MODIS传感器的技术参数。

表1  MODIS遥感器技术参数

[MODIS Level 1B Product User’s Guide，For Level 1B Version 4.2.0(Terra)and Version 4.2.1(Aqua).]

发明内容

本发明的目的在于提供一种从遥感数据MODIS反演大气水汽含量的方法，以克服现有大气水汽含量反演方法复杂，且难以满足科研人员个人开发使用的需要，以及充实国内研究人员针对热红外遥感器开发的产品算法，为我国2020之前计划发射100颗卫星上热红外传感器提供大气水汽含量反演方法参考，而且还能进一步提高目前农业部和气象局业务运行中大气水汽含量反演精度，提高气象预报和旱情监测精度[拟定将作为农业部农情监测中的大气水汽反演方法选择的方法之一]。

为实现上述目的，本发明提供的从MODIS数据反演大气水汽含量方法步骤为：

第一步、建立对地观测卫星上MODIS传感器第2、5、17、18、19波段星上辐射强度的模拟数据库

1-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；

1-2)选择常见地物在MODIS数据第2、5、17、18和19波段的反射率分别作为输入参数；

1-3)输入所获得影像时间在所在地区温度变化范围的可能最低值，并限定最高值，模拟过程中地表温度变化；

1-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；

1-5)输入对地观测卫星MODIS传感器位置参数(角度和高度等)，并默认大气气溶胶、二氧化碳等其它参数；

1-6)根据MODIS数据第2、5、17、18和19波段的波长范围执行模拟，并输出MODIS数据第2、5、17、18和19波段模拟星上辐射强度L_i(i表示波段)；

1-7)将每次模拟得到星上辐射强度和每次模拟输入的大气水汽含量一起建立相应的数据库。

第二步、神经网络训练和测试

2-1)将第一步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；

2-2)分别计算训练数据集中的MODIS第17、18、19波段的星上辐射强度与第2和5波段的星上辐射强度算的比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)，将这6个比值数据作为神经网络的6个输入节点，大气水汽含量作为输出节点，进行训练；

2-3)将测试数据集的6个辐射强度比值输入训练好的神经网络，输出大气水汽含量；

2-4)将2-3中输出的大气水汽含量和对应的大气水汽含量对比，达到给定精度时候就停止训练。

第三步、反演大气水汽含量

3-1)对MODIS遥感影像数据的第2、5、17、18、19波段进行几何校正；

3-2)分别计算MODIS数据第17、18、19波段的星上辐射强度与第2和5波段的星上辐射强度算的比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)；

3-3)将3-2中辐射强度比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)输入到第二步训练好的神经网络中，输出大气水汽含量；

3-4)根据影像对应的地区进行相关验证和应用分析。

所述的方法，其中，第一步的1-3中，温度变化范围的最低值和最高值为所在地区历史上的温度变化范围最低值和最高值，模拟过程中步阶改变幅度为10K。

所述的方法，其中，第一步的1-4中，大气水汽含量初始值和最大值为所在地区历史上大气水汽含量的最小值和最大值，模拟过程中步阶改变幅度为1g/cm²。

所述的方法，其中，第一步的1-5中，输入MODIS传感器高度为705KM。

本发明的有益效果是，利用地球物理参数之间存在关系，具体邻近红外波段之间的发射率存在局部线性关系，利用大气辐射传输模型进行模拟和神经网络优化计算可以很好地利用这些潜在的信息，有效地减少未知数和解决病态反演中方程不够的难题，提高了反演精度和减少计算时间。为气象预报、气候变化研究、农情监测等提供了有效手段和技术支撑。其操作简单，实用性强，精度高。

附图说明

下面结合附图和实施例对本发明进一步说明。

附图说明

图1MODIS遥感器。

图2是本发明的主流程示意图。

图3是本发明建立MODIS传感器第2、5、17、18、19波段星上辐射强度的模拟流程示意图。

图4是本发明采用的多层神经网络结构示意图。

图5是本发明的神经网络训练和测试流程示意图。

图6是本发明的反演大气水汽含量的流程示意图。

图7是采用本发明反演的大气水汽含量分布图。

图8美国宇航局(NASA)提供的1KM大气水汽含量产品分布图。

图9是本发明反演得到大气水汽含量与美国宇航局(NASA)提供大气水汽含量产品比较图。

图10是采用本发明得到估算结果与地表实测数据对比图。

具体实施方式

大气水汽含量的反演算法推导是基于传感器接收到来自地表反射的太阳辐射强度。太阳的辐射强度在经过大气达到传感器的过程中，辐射强度被大气削弱了。大气透过率就是用来描述太阳辐射强度被削弱程度的物理量。大气透过率随波长和观测角的变化而变化，通常经过简化后，辐射传输方程可以描述为等式1[Gao B.and Kaufman Y.J.，The MODIS Near-IR water vapor algorithm：product ID：MOD05-total precipitable water，algorithm technical backgrounddocument，Remote Sensing Division，Code 7212，Naval Research Laboratory，4555Overlook Avenue，SW，Washington，DC 20375(1998).]：

L_sensor(λ)＝L_sun(λ)τ(λ)ρ(λ)+L_path(λ)    (式1)

式中λ表示波长，L_sensor(λ)表示传感器接受到的辐射强度。等式右边第一项是太阳直接从地表反射到传感器的能量强度，其中L_sun(λ)表示大气层上空太阳辐射强度，τ(λ)表示总的大气透过率，ρ(λ)表示地表二向反射率，L_path(λ)表示路径散射强度。许多大气成分如二氧化碳、氮气、一氧化氮、臭氧、甲烷等气体相对是比较稳定的，它们对透过率的影响可以通过标准大气模拟得到。相反，大气水汽含量在大气中相对变化比较大，因此透过率主要受大气水汽含量变化的影响。等式1可以变换成等式2.

$\mathrm{\τ}\left(\mathrm{\λ}\right)=\frac{L_{\mathrm{sensor}}\left(\mathrm{\λ}\right)}{L_{\mathrm{sun}}\left(\mathrm{\λ}\right)\mathrm{\ρ}\left(\mathrm{\λ}\right)}-\frac{L_{\mathrm{path}}\left(\mathrm{\λ}\right)}{L_{\mathrm{sun}}\left(\mathrm{\λ}\right)\mathrm{\ρ}\left(\mathrm{\λ}\right)}$ (式2)

在等式2中，由于在波长1μm附近，大气路径散射强度L_path(λ)主要受气溶胶的影响。在波段1μm附近路径散射L_path(λ)只有太阳直接地表反射的百分之几[7]。在传统方法推导中，等式2可以简化成等式3。

$\mathrm{\τ}\left(\mathrm{\λ}\right)=\frac{L_{\mathrm{sensor}}\left(\mathrm{\λ}\right)}{L_{\mathrm{sun}}\left(\mathrm{\λ}\right)\mathrm{\ρ}\left(\mathrm{\λ}\right)}$ (式3)

大气水汽含量与透过率τ(λ)之间的关系可以用MODTRAN4模拟得到。在等式3中，L_sensor(λ)可以从传感器直接获得。地表反射率ρ(λ)可以从地表类型获取，如果知道L_sun(λ)，τ(λ)就能够计算得到。Kaufman and Gao(1992)，Gaoand Kaufman(2003)，Sobrino et al(2003)[Kaufman Y.J.and Gao B.C.，Remotesensing of water vapor in the near-IR from EOS/MODIS，IEEE Trans.Geosci.Remote Sensing，1992，30，871-884；Gao B.C.and Kaufman Y.J.，Water vaporretrievals using Moderate Resolution Imaging Spectrometer(MODIS)near-IRchannels，Journal Geophysical Research，2003，108(D13)，4389，doi：10.1029；Sobrino J.A.，Kharraz J.E.，and Li Z.L.，Surface temperature and water vapourretrieval from MODIS data，International Journal Remote Sensing，2003，24(24)，5161-5182；Gao B.and Kaufman Y.J.，The MODIS Near-IR water vapor algorithm：product ID：MOD05-total precipitable water，algorithm technical backgrounddocument，Remote Sensing Division，Code 7212，Naval Research Laboratory，4555Overlook Avenue，SW，Washington，DC 20375(1998).]用大气窗口波段来代替L_sun(λ)ρ(λ)，这使得计算大气吸收区的透过率成为可能，也使得通过使用比值法(大气吸收区与窗口区相比)估算大气水汽含量成为可能。但比值法假定不同地物在近红外波段附近地表反射率满足线性关系，对于少数地物而言，这种假定是合适的，但严格地讲，每种地物相邻波段之间的线性关系是不一样的。另外，从式2简化到式3是存在误差的。因此，在理想状态下，是可以构造足够的方程来计算得到地表温度和发射率。但由于不同地球物理参数之间的关系不可能非常准确地描述出来，当用严格的数学方法解方程时，参数之间的估计误差会传递，最后会导致所估计的目标参数误差比较大。因此，在地球物理参数反演中，神经网络和最小二乘法是经常被采用的方法，这两个方法是将方程目标参数误差最小，使主要误差转移到非目标参数上。本发明的创新点在于将公知的大气辐射传输软件MOTRAN4[Berk A.，Anderson G.，Acharya P.，Hoke M.，Chetwynd J.，Bernstein L.，Shettle E.，Matthew M.，and Adler-Golden S.，2003，MODTRAN4Version 3 Revision 1 User’s Manual，Air Force Res.Lab.，HanscomAir Force Base，Mass.]和动态学习神经网络[Tzeng Y.C.，Chen K.S.，Kao W.L.，and  Fung A.K.，A Dynamic learning neural network for remote sensingapplications，IEEE Trans.Geosci.Remote Sensing，1994，32(5)，1096-1102.]来解反演方程，从而充分利用了地球物理参数之间的潜在信息，克服以往算法需要先前方法中简化的缺点。本方法具体包括三个步骤，如图2。

第一个步骤是采用美国空军和海军研究实验室共同开发的MODTRAN4大气辐射传输软件模拟卫星传感器(本实施例中是MODIS传感器)获得所在地的各种地表类型的辐射和各种可能的大气状态的正向过程，建立数据库。具体模拟计算流程如图3所示，过程如下：

1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；

2)从美国JPL提供的光谱库(URL：http://speclib.jpl.nasa.gov)，选择其中主要的40种常见地物在MODIS数据第2、5、17、18、19波段的反射率分别作为输入参数，图3中用O_o来计算模拟过程中地物数目；

3)输入所获得影像时间在所在地区温度变化范围的可能最低值，图3设定为273K，并限定最高值，图2中给定320K，用T_o表示模拟过程中地表温度变化，反复模拟过程中步阶改变幅度为10K；

4)输入大气水汽含量初始值0.3g/cm²，限定最大值为4g/cm²，用W_o表示模拟过程中大气水汽含量变化，反复模拟过程中步阶改变幅度为1g/cm²；

5)输入MODIS卫星传感器高度为705KM，大气气溶胶、二氧化碳等其它参数默认；

6)根据表1中，输入MODIS数据第2、5、17、18、19波段的波长范围；

7)执行模拟，并输出MODIS数据第2、5、17、18、19波段模拟星上辐射强度；

8)判断W_o+0.3g/cm²＜4g/cm²？，如果小于，则继续进行下一次模拟；

9)判断T_o+10K＜320K？，如果小于，则继续进行下一次模拟；

10)判断O_o+1＜40？，如果小于，则继续进行下一次模拟；

11)计算每次模拟MODIS第17、18、19波段的星上辐射强度与第2和5波段的星上辐射强度算的比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)，并和每次模拟输入的大气水汽含量一起建立相应的数据库。

在上述第一步骤中，本实施例是选择中纬度夏季模式、斜路径、辐射强度模式、单次散射。

第二个步骤，是利用神经网络软件，神经网络与传统的方法不一样，它不需要准确地知道反演算法(规则)。由于神经网络具备从复杂的和不精确的数据中提取信息，所以神经网络能够被用来提取模式预测[Hornik K.M.，StinchcombeM.，and White H.，Multilayer feedforward networks are universal approximators，Neural Network，1989，4(5)，359-366]。如图4所示，模拟得到的MODIS第17、18、19星上辐射强度与第2和5波段的比值((L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)作为多层神经网络的6个输入节点，大气水汽含量作为输出节点。网络包含了多层基本处理单元，最小的基本单元被称之为神经元。单个的神经元是神经网络每层的基本构成单元。单个神经元是处理一个或多个输入信号的基本单元：(1)输入信号x与权重(w)相乘加上偏差σ；(2)通过激励函数产生输出信号。图5是本实施例采用的公知的动态学习神经网络的结构示意图。

图4中每个神经元的输入信息是系统的输入信号或者上一层的输出信号。激励函数f(Net)有许多种形式，最常见的激励函数是非线性的sigmoid函数，如式4所示。

$f\left(\mathrm{Net}\right)=\frac{1}{1+e^{-\mathrm{Net}}}=\frac{1}{1+e^{-(w\·x+\mathrm{\θ})}}---\left(4\right)$

通过输出对输入的响应来获得模拟的函数。在网络的监督训练阶段，训练的模式被内化到网络里。在所有的训练模式被输入后，神经元的权重通过输出和期望输出之间的误差全局最小调整来获得。误差调整的等式如式5所示。

$\mathrm{Error}=\underset{p}{\mathrm{\Σ}}{E}_p=\frac{1}{2}\underset{p}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{[T_{\mathrm{pi}}-a_{\mathrm{pi}}]}^2---\left(5\right)$

式中T_pi是第p个模式的第i神经元期望输出，a_pi是第p个模式的第i神经元的输出。在式10中，i是输出单元的和。我们可以认为训练的神经网络是由一组离散数据集分组得到的多个最小二乘法构成的内插方程组。很明显，方程近似的精度很大程度上取决于训练数据。对于从遥感数据中反演地球物理参数，对于其中非线性的关系和相互作用的因素很难描述清楚。但神经网络和传统的方法不一样，神经网络不需要准确地知道输入参数和输出参数之间的具体关系。神经网络通过训练数据直接决定了输入数据和输出数据之间的关系。本实施例采用动态学习神经网络(DL)对第一步骤中建立的数据库进行训练和测试。动态神经网络使用了卡曼滤波来增加训练时的收敛速度并且提高了解非线性问题的能力，神经网络的各节点权重被初始化为(-1，1)之间的随机数。卡曼滤波过程是均方根估计迭代的过程，每次网络权重的更新是新输入数据集基于先前的权重学习的基础上，输出节点的权重更新是相互独立的。由于基于卡曼滤波的动态学习神经网络只需要两个迭代过程就达到所要求的均方根阈值，而且反演结果很稳定，所以均方根误差通常设定为10e^-3，迭代次数为2。更多的请参阅[TzengY.C.，Chen K.S.，Kao W.L.，and  Fung A.K.，A Dynamic learning neural networkfor remote sensing applications，IEEE Trans.Geosci.Remote Sensing，1994，32(5)：1096-1102.]的介绍。

本发明具体的神经网络训练和测试流程如图5所示，过程如下：

1)将第一模块中模拟得到的数据库分成两组：一组为训练数据集；一组为测试数据集；

2)模拟得到的MODIS第17、18、19星上辐射强度与第2和5波段的比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)作为多层神经网络的输入节点，大气水汽含量作为输出节点，进行训练；

3)将测试数据集输入训练好的神经网络，输出大气水汽含量；

4)将第三步中输出的大气水汽含量与对应的大气水汽含量对比。如果大气水汽含量的标准误差大于0.1时，将两层隐含节点都加10，跳到第二步继续进行训练和测试；

5)如果大气水汽含量的标准误差小于0.1时，则训练成功。

在上述第二步骤中，本实施例是随机地将模拟数据分成两部分：训练数据是9760组，测试数据2934组，训练神经网络。通过不断地调整隐含节点(从小往大递增)，当两个隐含层每个800节点时精度比较高，大气水汽含量的平均误差在0.1gcm^-2以下，达到目前的实用要求。部分反演信息表如表2所示。

表2反演信息总结表

第三步骤是是利用第二模块中训练好的神经网络对遥感影像数据MODIS进行实际反演。我们选择了一景MODIS/TERRA影像做实际反演分析(地点：环渤海地区，时间是2007年8月22日)。具体反演流程如图6所示，过程如下：

1)对MODIS遥感影像数据的第2、5、17、18和19波段进行几何校正；

2)分别计算MODIS数据第17、18、19波段的星上辐射强度与第2和5波段的星上辐射强度算的比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)；

3)将3-2中辐射强度比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)输入到第二步训练好的神经网络中，输出大气水汽含量，如图7；

4)根据影像对应的地表进行相关验证和应用分析；图8是美国宇航局(NASA)对应的大气水汽含量产品图。图9是图7与美国MODIS地表温度产品图8的对比图。从比较结果可以看出，当大气水汽含量比较高(大于3.5)和比较低(低于0.7)时，两者的相对误差比较大。这主要是当大气水汽含量比较高时候，由于比值法对大气水汽含量不在敏感；当大气水汽含量比较低时，比值误差导致比值法反演的结果误差比较大。另外，用气溶胶观测网站(http://aeronet.gsfc.nasa.gov/)提供的大气水汽含量对算法做了一些验证，328对数据集被采集了，从MODIS影像数据估算结果和实际观测数据对比如图10。平均和标准偏差分别是0.12gcm^-2和0.18gcm^-2，达到了目前的实用要求。

Claims (1)

1.从MODIS数据反演大气水汽含量方法，其步骤为：

第一步、建立对地观测卫星上MODIS传感器第2、5、17、18、19波段星上辐射强度的模拟数据库

1-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；

1-2)选择常见地物在MODIS数据第2、5、17、18和19波段的反射率分别作为输入参数；

1-3)输入所获得影像时间在所在地区温度变化范围的可能最低值，并限定最高值，模拟过程中地表温度变化；

1-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；

1-5)输入对地观测卫星MODIS传感器位置参数(角度和高度等)，并默认大气气溶胶、二氧化碳等其它参数；

1-6)根据MODIS数据第2、5、17、18和19波段的波长范围执行模拟，并输出MODIS数据第2、5、17、18和19波段模拟星上辐射强度L_i(i表示波段)；

1-7)将每次模拟得到星上辐射强度和每次模拟输入的大气水汽含量一起建立相应的数据库。

第二步、神经网络训练和测试

2-1)将第一步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；

2-2)分别计算训练数据集中的MODIS第17、18、19波段的星上辐射强度与第2和5波段的星上辐射强度算的比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)，将这6个比值数据作为神经网络的6个输入节点，大气水汽含量作为输出节点，进行训练；

2-3)将测试数据集的6个辐射强度比值输入训练好的神经网络，输出大气水汽含量；

2-4)将2-3中输出的大气水汽含量和对应的大气水汽含量对比，达到给定精度时候就停止训练。

第三步、反演大气水汽含量

3-1)对MODIS遥感影像数据的第2、5、17、18、19波段进行几何校正；

3-2)分别计算MODIS数据第17、18、19波段的星上辐射强度与第2和5波段的星上辐射强度算的比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)；

3-3)将3-2中辐射强度比值(L₁₇/L₂，L₁₈/L₂，L₁₉/L₂，L₁₇/L₅，L₁₈/L₅，L₁₉/L₅)输入到第二步训练好的神经网络中，输出大气水汽含量；

3-4)根据影像对应的地区进行相关验证和应用分析。

所述的方法，其中，第一步的1-3中，温度变化范围的最低值和最高值为所在地区历史上的温度变化范围最低值和最高值，模拟过程中步阶改变幅度为10K。

Images