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

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

一种多频一维综合孔径微波辐射计SST深度学习反演方法

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2：将步骤1中得到的数据输入微波辐射传输正演模型中，得到各个网格点的模式亮温

在模式亮温中加入随机误差，得到观测亮温

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3：将观测亮温

输入自编码器，将模式亮温

作为自编码器输出的理想值，训练自编码器达到降噪的效果；

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T_s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f_m、海面温度T_s、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，f_m分别为 6.9GHz、10.65GHz、18.7GHz、23.8GHz、36.5GHz。

优选的，所述步骤2具体方法为求出各个网格点对应的垂直极化和水平极化模式亮温

主要公式为：

T_BΩ＝R_p·[T_BD+τ·T_cold]+T_B,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，T_s为海面温度，τ为大气透过率，T_BU和T_BD分别表示大气上行辐射亮温和下行辐射亮温；T_cold表示宇宙背景亮温，T_B,scat,p表示非平静海面对大气下行辐射亮温的散射作用；E_p和R_p分别表示海面总的发射率和反射率，R_p＝1-E_p；p表示极化方式，即垂直极化和水平极化；T_BU、T_BD和τ采用参数化方案进行计算，其中：

lnτ＝secθln(a₁+b₁V+c₁L+d₁V²+e₁VL)

T_D＝a₂+b₂V+c₂V²+d₂V³+e₂T_S

T_BU＝(T_D+a₃+b₃V)(1-τ)

T_BD＝T_D(1-τ)

其中V为大气水汽含量、L为云液态水含量，a_i、b_i、c_i、d_i、e_i代表参数化系数，i＝1,2,3。

优选的，所述步骤3中将训练集中

输入到自编码器，采用如下算法：

X′＝s(w′×X+b′)

其中，X是

编码后的特征表达，w代表输入层到隐层的权重， b是隐层偏置，s是激活函数，w′是解码权重，b′是解码偏置，X′是X 解码后的结果。

优选的，所述步骤3中通过最小化负对数似然的损失函数来训练这个模型，使得X′和不含随机误差的

距最小，认为这个模型达到了去除噪音的效果，具体公式为：

优选的，所述激活函数的公式为：

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f_m、海面温度T_s、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，f_m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3：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；

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T_s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。

在本实施例中，所述步骤2具体方法为求出各个网格点对应的垂直极化和水平极化模式亮温

主要公式为：

T_BΩ＝R_p·[T_BD+τ·T_cold]+T_B,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，T_s为海面温度，τ为大气透过率，T_BU和T_BD分别表示大气上行辐射亮温和下行辐射亮温；T_cold表示宇宙背景亮温，T_B,scat,p表示非平静海面对大气下行辐射亮温的散射作用；E_p和R_p分别表示海面总的发射率和反射率，R_p＝1-E_p；p表示极化方式，即垂直极化和水平极化；T_BU、T_BD和τ采用参数化方案进行计算，其中：

lnτ＝secθln(a₁+b₁V+c₁L+d₁V²+e₁VL)

T_D＝a₂+b₂V+c₂V²+d₂V³+e₂T_S

T_BU＝(T_D+a₃+b₃V)(1-τ)

T_BD＝T_D(1-τ)

其中V为大气水汽含量、L为云液态水含量，a_i、b_i、c_i、d_i、e_i代表参数化系数，i＝1,2,3。

在本实施例中，所述步骤3中将训练集中

输入到自编码器，采用如下算法：

X′＝s(w′×X+b′)

其中，X是

编码后的特征表达，w代表输入层到隐层的权重，b是隐层偏置，s是激活函数，w′是解码权重，b′是解码偏置，X′是X 解码后的结果。

在本实施例中，所述步骤3中通过最小化负对数似然的损失函数来训练这个模型，使得X′和不含随机误差的

距最小，认为这个模型达到了去除噪音的效果，具体公式为：

在本实施例中，所述激活函数的公式为：

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T_s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T_s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2：将步骤1中得到的数据输入微波辐射传输正演模型中，得到各个网格点的模式亮温

在模式亮温中加入随机误差，得到观测亮温

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3：将观测亮温

输入自编码器，将模式亮温

作为自编码器输出的理想值，训练自编码器达到降噪的效果；

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T_s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。

5.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中的数据包括频率f_m、海面温度T_s、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，f_m分别为6.9GHz、10.65GHz、18.7GHz、23.8GHz、36.5GHz。

6.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2具体方法为求出各个网格点对应的垂直极化和水平极化模式亮温

主要公式为：

T_BΩ＝R_p·[T_BD+τ·T_cold]+T_B,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，T_s为海面温度，τ为大气透过率，T_BU和T_BD分别表示大气上行辐射亮温和下行辐射亮温；T_cold表示宇宙背景亮温，T_B,scat,p表示非平静海面对大气下行辐射亮温的散射作用；E_p和R_p分别表示海面总的发射率和反射率，R_p＝1-E_p；p表示极化方式，即垂直极化和水平极化；T_BU、T_BD和τ采用参数化方案进行计算，其中：

lnτ＝secθln(a₁+b₁V+c₁L+d₁V²+e₁VL)

T_D＝a₂+b₂V+c₂V²+d₂V³+e₂T_S

T_BU＝(T_D+a₃+b₃V)(1-τ)

T_BD＝T_D(1-τ)

其中，V为大气水汽含量、L为云液态水含量，a_i、b_i、c_i、d_i、e_i代表参数化系数，i＝1,2,3。

7.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3中将训练集中

输入到自编码器，采用如下算法：

X′＝s(w′×X+b′)

其中，X是

编码后的特征表达，w代表输入层到隐层的权重，b是隐层偏置，s是激活函数，w′是解码权重，b′是解码偏置，X′是X解码后的结果。

8.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3中通过最小化负对数似然的损失函数来训练这个模型，使得X′和不含随机误差的

误差最小，认为这个模型达到了去除噪声的效果，具体公式为：

9.根据权利要求7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：所述激活函数的公式为：

Images