CN109655828B - 一种多频一维综合孔径微波辐射计sst深度学习反演方法 - Google Patents
一种多频一维综合孔径微波辐射计sst深度学习反演方法 Download PDFInfo
- Publication number
- CN109655828B CN109655828B CN201811547092.XA CN201811547092A CN109655828B CN 109655828 B CN109655828 B CN 109655828B CN 201811547092 A CN201811547092 A CN 201811547092A CN 109655828 B CN109655828 B CN 109655828B
- Authority
- CN
- China
- Prior art keywords
- sea surface
- synthetic aperture
- microwave radiometer
- frequency
- dimensional synthetic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001069 Raman spectroscopy Methods 0.000 title description 2
- 230000005855 radiation Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 230000010287 polarization Effects 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 239000007788 liquid Substances 0.000 claims description 8
- 241001274197 Scatophagus argus Species 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 239000013535 sea water Substances 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/006—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of the effect of a material on microwaves or longer electromagnetic waves, e.g. measuring temperature via microwaves emitted by the object
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种多频一维综合孔径微波辐射计SST深度学习反演方法,包括以下步骤:构建初始背景场数据,为SST反演提供数据支撑;根据一维综合孔径微波辐射计多入射角观测的特点,利用微波辐射传输模型,分别计算五个频率下的大气层顶场景的模式亮温,并在模式亮温中加入随机误差,模拟一维综合孔径微波辐射计的观测亮温;构建由自编码器和全连接层耦合的深度学习模型,以模式亮温和观测亮温训练自编码器,使自编码器达到降低数据误差的效果;将自编码器的输出和入射角数据作为全连接层的输入,通过最小化损失函数训练全连接层,反演出海面温度,本发明采用了多频率的亮温数据反演SST的方法,解决了多入射角情况下反演海面温度困难的问题。
Description
技术领域
本发明涉及遥感技术领域,具体涉及一种多频一维综合孔径微波辐射计的SST深度学习反演方法。
背景技术:
海面温度(Sea Surface Temperature,SST)在全球气候变化和长期天气过程中起着重要作用。根据辐射学定律,任何大于绝对零度的物体都会向外辐射电磁波,而且微波的波长较长,受大气影响较小,所以被动微波遥感具有绝对优势,其能够进行全天候、全天时不间断地观测。被动微波遥感的代表仪器之一是实孔径微波辐射计,其能够提供包括海面温度在内的多种海洋环境要素产品。但是,由于实孔径微波辐射计的空间分辨率受制于天线的尺寸,导致其空间分辨率较低。针对这一缺点设计了一维综合孔径微波辐射计,与实孔径微波辐射计机械扫描成像方式不同,一维综合孔径微波辐射计采用小孔径天线阵列,解决了传统实孔径微波辐射计空间分辨率与天线物理口径之间的固有矛盾,有效的提高了观测的空间分辨率。但是,由于成像方式的差别,导致已有的实孔径微波辐射计海面温度反演算法无法应用于一维综合孔径微波辐射计。传统实孔径微波辐射计一般是以固定入射角扫描成像,而综合孔径微波辐射计对场景属于凝视成像,其入射角一般是在某一范围内变化,相比于实孔径微波辐射计更加复杂。
一维综合孔径微波辐射计在大气顶接收到的亮温是电磁波频率、海水盐度、海面温度、海面风速、海面相对风向、大气水汽含量、云液态水含量和入射角的函数,所以首先利用微波辐射传输正演模型模拟大气层顶多个辐射频率的海面极化亮温,其次利用深度学习模型强大的非线性拟合能力,高精度地反演出海面温度。本发明就是提供这样一种多频一维综合孔径微波辐射计的SST深度学习反演方法,为后续星载一维综合孔径微波辐射计的载荷研制及应用提供技术支撑。
发明内容
本发明的目的在于提供一种多频一维综合孔径微波辐射计的 SST深度学习反演方法,以解决现有技术中导致的上述多项缺陷。
一种多频一维综合孔径微波辐射计的SST深度学习反演方法,所述方法包括以下步骤:
步骤1:将一维综合孔径微波辐射计的一维视场分成若干个像素点,所述像素点具有不同的入射角,存在若干个网格点的二维观测场景,一维综合孔径微波辐射计在二维场景上均匀扫过,每个网格点均得到五组不同频点的数据;
步骤4:将自编码器与全连接层连接,并将自编码器的输出作为全连接层的输入,将海面温度Ts作为全连接层输出的理想值,通过最小化损失函数训练整个全连接层,训练完成后的全连接层的输出即为反演的海面温度。
优选的,所述步骤1中的一维视场的像素点个数为367个。
优选的,所述步骤1中像素点的入射角范围为35-65°。
优选的,所述步骤1中的二维观测场景由367×367的网格点构成。
优选的,所述步骤1中的数据包括频率fm、海面温度Ts、海水盐度S、入射角θ、海面风速W、海面相对风向大气水汽含量V和云液态水含量L,m为1到5,代表5个不同的辐射频率,fm分别为 6.9GHz、10.65GHz、18.7GHz、23.8GHz、36.5GHz。
TBΩ=Rp·[TBD+τ·Tcold]+TB,scat,p
其中,为星载一维综合孔径微波辐射计在大气顶处接收到的亮温,m为1到5,代表5个不同的辐射频率,n为1和2时分别代表垂直极化和水平极化,Ts为海面温度,τ为大气透过率,TBU和TBD分别表示大气上行辐射亮温和下行辐射亮温;Tcold表示宇宙背景亮温,TB,scat,p表示非平静海面对大气下行辐射亮温的散射作用;Ep和Rp分别表示海面总的发射率和反射率,Rp=1-Ep;p表示极化方式,即垂直极化和水平极化;TBU、TBD和τ采用参数化方案进行计算,其中:
lnτ=secθln(a1+b1V+c1L+d1V2+e1VL)
TD=a2+b2V+c2V2+d2V3+e2TS
TBU=(TD+a3+b3V)(1-τ)
TBD=TD(1-τ)
其中V为大气水汽含量、L为云液态水含量,ai、bi、ci、di、ei代表参数化系数,i=1,2,3。
X′=s(w′×X+b′)
本发明的优点在于:该方法中,一维综合孔径微波辐射计在大气顶接收到的亮温是电磁波频率、海水盐度、海面温度、海面风速、海面相对风向、大气水汽含量、云液态水含量和入射角的函数,所以首先利用微波辐射传输正演模型模拟大气层顶多个辐射频率的海面极化亮温,其次利用深度学习模型强大的非线性拟合能力,高精度地反演出海面温度,本方法,打破传统实孔径微波辐射计的思路,利用深度学习强大的非线性拟合性,利用多个辐射频率的亮温和入射角进行反演,解决了一维综合孔径微波辐射计多入射角反演海面温度困难的问题,能够高效、高精度地反演出海面温度,为后续星载一维综合孔径微波辐射计的载荷研制及应用提供技术支撑。
附图说明
图1为本发明中深度学习模型结构图。
图2为本发明部分像素点的反演海温分布图。
图3为本发明部分像素点的原始海温分布图。
图4为本发明中检验结果对比图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
如图1至图4所示,一种多频一维综合孔径微波辐射计的SST深度学习反演方法,所述方法包括以下步骤:
步骤1:将一维综合孔径微波辐射计的一维视场分成367个像素点,各个像素点对应的入射角在35°-65°之间,假定存在一个均匀的二维观测场景,由367×367的网格点阵构成,现假设一维综合孔径微波辐射计从该观测场景上方均匀扫过,则每一行367个网格点与一维综合孔径微波辐射计视场内的367个像素点一一对应,该视场内每一个网格点上都包含五组数据(频率fm、海面温度Ts、海水盐度S、入射角θ、海面风速W、海面相对风向大气水汽含量V、云液态水含量L)m为1到5,代表5个不同的辐射频率,fm分别为6.9GHz、10.65GHz、18.7GHz、23.8GHz、36.5GHz;
步骤2:将每个网格点上对应的数据输入微波辐射传输正演模型,得到各个网格点的垂直极化和水平极化的模式亮温在其中加入随机误差,模拟一维综合孔径微波辐射计的观测亮温m为1 到5,代表5个不同的辐射频率,n为1和2时分别代表垂直极化和水平极化;
步骤4:在自编码器的解码层后连接全连接层,构建完整的深度学习模型,将步骤3中自编码器的输出作为全连接层的输入,将Ts作为全连接层输出的理想值,通过最小化损失函数微调整个全连接层,从而反演出海面温度;构建验证数据集,对训练完成的深度学习模型进行检验。
TBΩ=Rp·[TBD+τ·Tcold]+TB,scat,p
其中,为星载一维综合孔径微波辐射计在大气顶处接收到的亮温,m为1到5,代表5个不同的辐射频率,n为1和2时分别代表垂直极化和水平极化,Ts为海面温度,τ为大气透过率,TBU和TBD分别表示大气上行辐射亮温和下行辐射亮温;Tcold表示宇宙背景亮温,TB,scat,p表示非平静海面对大气下行辐射亮温的散射作用;Ep和Rp分别表示海面总的发射率和反射率,Rp=1-Ep;p表示极化方式,即垂直极化和水平极化;TBU、TBD和τ采用参数化方案进行计算,其中:
lnτ=secθln(a1+b1V+c1L+d1V2+e1VL)
TD=a2+b2V+c2V2+d2V3+e2TS
TBU=(TD+a3+b3V)(1-τ)
TBD=TD(1-τ)
其中V为大气水汽含量、L为云液态水含量,ai、bi、ci、di、ei代表参数化系数,i=1,2,3。
X′=s(w′×X+b′)
基于上述,该种为了得到较为准确的数据分布,从欧洲中期天气预报中心(ECMWF)获取2015年1月1日至12月31日每天的1°×1°海平面模式数据,包括海面温度、海面风速、海面风向、大气水汽含量和云液态水含量等要素,组成367×367的二维观测场景;将每个网格点上对应的数据输入微波辐射传输正演模型,得到各个网格点的垂直极化和水平极化的模式亮温在其中加入随机误差,模拟一维综合孔径微波辐射计的观测亮温m为1到5,代表5个不同的频点,n为1和2时分别代表垂直极化和水平极化;构建由自编码器和全连接层耦合的深度学习模型,将输入自编码器,将作为自编码器输出的理想值,用最小化负对数似然的损失函数训练自编码器,直至解码层还原的数据与的误差最小,从而达到降噪的效果;在自编码器的解码层后连接全连接层,构建完整的深度学习模型,将步骤3中自编码器的输出作为全连接层的输入,将Ts作为全连接层输出的理想值,通过最小化损失函数微调整个全连接层,从而反演出海面温度;将验证集中的作为深度学习模型的输入,计算对应的输出,并与验证集中的Ts进行误差比较,检验方法的准确度。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (9)
1.一种多频一维综合孔径微波辐射计的海面温度深度学习反演方法,其特征在于,所述方法包括以下步骤:
步骤1:将一维综合孔径微波辐射计的一维视场分成若干个像素点,所述像素点具有不同的入射角,存在若干个网格点的二维观测场景,一维综合孔径微波辐射计在二维场景上均匀扫过,每个网格点均得到五组不同频点的数据;
步骤4:将自编码器与全连接层连接,并将自编码器的输出作为全连接层的输入,将海面温度Ts作为全连接层输出的理想值,通过最小化损失函数训练整个全连接层,训练完成后的全连接层的输出即为反演的海面温度。
2.根据权利要求1所述的多频一维综合孔径微波辐射计的海面温度深度学习反演方法,其特征在于:所述步骤1中一维视场的像素点个数为367个。
3.根据权利要求1所述的多频一维综合孔径微波辐射计的海面温度深度学习反演方法,其特征在于:所述步骤1中像素点的入射角范围为35-65°。
4.根据权利要求1所述的多频一维综合孔径微波辐射计的海面温度深度学习反演方法,其特征在于:所述步骤1中的二维观测场景由367×367的网格点构成。
TBΩ=Rp·[TBD+τ·Tcold]+TB,scat,p
其中,为星载一维综合孔径微波辐射计在大气顶处接收到的模式亮温,m为1到5,代表5个不同的辐射频率,n为1和2时分别代表垂直极化和水平极化,Ts为海面温度,τ为大气透过率,TBU和TBD分别表示大气上行辐射亮温和下行辐射亮温;Tcold表示宇宙背景亮温,TB,scat,p表示非平静海面对大气下行辐射亮温的散射作用;Ep和Rp分别表示海面总的发射率和反射率,Rp=1-Ep;p表示极化方式,即垂直极化和水平极化;TBU、TBD和τ采用参数化方案进行计算,其中:
lnτ=secθln(a1+b1V+c1L+d1V2+e1VL)
TD=a2+b2V+c2V2+d2V3+e2TS
TBU=(TD+a3+b3V)(1-τ)
TBD=TD(1-τ)
其中,V为大气水汽含量、L为云液态水含量,ai、bi、ci、di、ei代表参数化系数,i=1,2,3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547092.XA CN109655828B (zh) | 2018-12-18 | 2018-12-18 | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547092.XA CN109655828B (zh) | 2018-12-18 | 2018-12-18 | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109655828A CN109655828A (zh) | 2019-04-19 |
CN109655828B true CN109655828B (zh) | 2020-06-26 |
Family
ID=66113518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811547092.XA Active CN109655828B (zh) | 2018-12-18 | 2018-12-18 | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109655828B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909491A (zh) * | 2019-12-11 | 2020-03-24 | 新亚优华科技有限公司 | 一种基于风云气象卫星的海面盐度反演算法 |
CN112180369B (zh) * | 2020-09-23 | 2021-09-10 | 中国人民解放军国防科技大学 | 基于深度学习的一维综合孔径辐射计海面风速反演方法 |
CN113376445B (zh) * | 2021-06-08 | 2021-12-14 | 合肥衡元量子技术有限公司 | 深度学习增强的里德堡原子多频率微波接收器及探测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN107870043A (zh) * | 2017-10-25 | 2018-04-03 | 中国科学院国家空间科学中心 | 一种海表参数同步反演优化方法 |
CN108510132A (zh) * | 2018-07-03 | 2018-09-07 | 华际科工(北京)卫星通信科技有限公司 | 一种基于lstm的海表面温度预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101351793B1 (ko) * | 2011-10-24 | 2014-01-17 | 대한민국 | 해상풍 탐지시스템 및 이를 이용한 해상풍 탐지방법 |
-
2018
- 2018-12-18 CN CN201811547092.XA patent/CN109655828B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738620A (zh) * | 2008-11-19 | 2010-06-16 | 中国农业科学院农业资源与农业区划研究所 | 从被动微波遥感数据amsr-e反演地表温度的方法 |
CN107870043A (zh) * | 2017-10-25 | 2018-04-03 | 中国科学院国家空间科学中心 | 一种海表参数同步反演优化方法 |
CN108510132A (zh) * | 2018-07-03 | 2018-09-07 | 华际科工(北京)卫星通信科技有限公司 | 一种基于lstm的海表面温度预测方法 |
Non-Patent Citations (2)
Title |
---|
Deep Learning for ocean Remote Sensing: An Application of Convolutional Neural Networks for Super-Resolution on Satellite-Derived SST data;Aurelien Ducournau,et al.;《2016 9th IAPR Workshop on Pattern Recogniton in Remote Sensing》;20170302;第15-20页 * |
基于深度学习的海表温度遥感反演模型;艾波 等;《遥感信息》;20181031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109655828A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109725316B (zh) | 一种基于一维综合孔径微波辐射计海面温度物理反演方法 | |
CN109725317B (zh) | 一种基于一维综合孔径微波辐射计的海面亮温成像仿真方法 | |
CN109655828B (zh) | 一种多频一维综合孔径微波辐射计sst深度学习反演方法 | |
CN109829547B (zh) | 一种基于深度学习的一维综合孔径微波辐射计sst反演方法 | |
CN103869296B (zh) | 一种基于成像面表征的极化sar地形辐射校正和几何纠正方法 | |
Chybicki | Mapping south baltic near-shore bathymetry using Sentinel-2 observations | |
CN106569186A (zh) | 一种星载微波辐射计的偏差校正方法 | |
Amarin et al. | Hurricane wind speed measurements in rainy conditions using the airborne Hurricane Imaging Radiometer (HIRAD) | |
Brown et al. | All‐sky imaging observations of mesospheric fronts in OI 557.7 nm and broadband OH airglow emissions: Analysis of frontal structure, atmospheric background conditions, and potential sourcing mechanisms | |
Pulvirenti et al. | Prediction of the error induced by topography in satellite microwave radiometric observations | |
Wang et al. | All‐sky interferometric meteor radar observations of zonal structure and drifts of low‐latitude ionospheric E region irregularities | |
Tsukada et al. | UAV-based mapping of nearshore bathymetry over broad areas | |
Bruck et al. | TerraSAR-X/TanDEM-X sea state measurements using the XWAVE algorithm | |
CN110793649B (zh) | 一种使用后向散射截面校正粗糙海面亮温的方法 | |
CN110879391B (zh) | 基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法 | |
CN104614722B (zh) | 一种基于信噪比识别雷达遮挡的方法 | |
Díaz Méndez et al. | Wind and wave observations off the south Pacific Coast of Mexico using TerraSAR-X imagery | |
CN110376572B (zh) | 一种机载激光雷达水下探测深度模拟装置 | |
CN108318458B (zh) | 一种适用于不同天气条件下的室外典型地物pBRDF的测量方法 | |
CN110991087A (zh) | 一种基于多入射角组网sar卫星数据的风场反演方法及系统 | |
CN108983172B (zh) | 一种随机进化约束的sar辐射定标方法 | |
Nai et al. | The impact of elevation sidelobe contamination on radar data quality for operational interpretation | |
CN109709548B (zh) | 一种全极化旋转微变监测雷达成像方法和雷达系统 | |
CN115079114B (zh) | 基于海洋与角反射器后向散射的机载sar辐射定标方法 | |
US11971309B2 (en) | Measurement data processing device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |