CN109829547A - 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 - Google Patents

Abstract

本发明公开了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，包括有以下步骤：首先：构建用于训练和验证深度学习模型的数据集，为海面温度反演提供数据支撑；其次：构建由自编码器和全连接层耦合的深度学习模型，以训练数据集训练自编码器，使自编码器达到降低数据误差的效果；之后：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，将自编码器的输出作为全连接层的输入，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；最后：用验证数据集对整个深度学习模型检验，本发明解决了多入射角情况下，反演海面温度困难的问题，提高了反演的效率。

Description

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

技术领域

本发明涉及遥感技术领域，具体涉及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。

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，其中被动微波遥感能够进行全天候、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。

由于，目前尚没有用于海面温度(SST)观测的星载一维综合孔径微波辐射计，因此，需要设计一种用于星载一维综合孔径微波辐射计反演海面温度的方法。一维综合孔径微波辐射计在大气顶接收到的亮温是海水盐度、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，本可以利用微波辐射传输正演模型反演出海面温度。但是，由于海洋大气环境的复杂性，这就增加了利用理论模型反演海面温度的难度。深度学习方法只需要利用实测数据集就可反演出海面温度，而不需要深究微波发射和传输过程中的深层物理机制，具有强大的非线性拟合能力，能够高精度地反演出海面温度，本发明就是提供这样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，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基于深度学习的一维综合孔径微波辐射计SST反演方法，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，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。

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，包括以下步骤：

步骤1：构建用于训练深度学习模型的数据集A，A包括用作模型输出的海面温度集Y，和用作模型输入的垂直极化亮温、水平极化亮温、入射角、海面风速、海面相对风向、大气水汽含量和云液态水含量集X，在X中加入随机噪声得到新的X′作为数据集B，将上述数据集A和B随机分为训练集和验证集两部分，训练集和验证集分别占数据总数的75％和25％；

步骤2：构建由自编码器和全连接层耦合的深度学习模型，将训练集中的X′输入自编码器，将训练集中的X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X的误差最小，从而达到降噪的效果；

步骤3：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2中自编码器的输出作为全连接层的输入，将训练集中的Y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；

步骤4，将验证集中的X′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Y进行误差比较，检验方法的准确度。

优选的，所述步骤2中将训练集中X′输入到自编码器，采用如下算法：

X″＝s(w×X′+b)

X″′＝s(w′×X″+b′)

其中，X″是X′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2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X差距最小，认为这个模型达到了去除噪音的效果，具体公式为：L＝-logP(X|X″′)。

优选的，所述步骤3中将步骤2中自编码器的输出作为全连接层的输入，将训练集中的Y作为全连接层输出的理想值，进行海面温度反演。

优选的，所述海面温度反演主要包括：将步骤2中自编码器的输出作为全连接层的输入，将训练集中的Y作为全连接层的理想值，通过最小化损失函数微调整个全连接层，最后反演出海面温度，其中激活函数为：

优选的，所述步骤3中的最小化损失函数为Levenberg-Marquardt最小化算法，通过大量的训练，得到精确的海面温度。

本发明的优点在于：该种基于深度学习的一维综合孔径微波辐射计SST反演方法，综合孔径微波辐射计与传统实孔径微波辐射计完全不同，其采用小孔径天线阵列，通过场景辐射亮温的空间频率采样得到可见度函数，再进行逆傅里叶变换等数学运算重构出场景的亮温图像，根据这一特点，构建用于模型训练的数据集A和B，B由A中X加入随机误差得到，加入误差之前的数据做真实数据。其次，采用最小化负对数似然的损失函数的方法，用构建好的数据训练自编码器，使其具有降噪的效果；之后，在训练好的自编码器之后连接全连接层，采用最小化损失函数和Levenberg-Marquardt最小化算法的方法，用大量数据训练全连接层。最终使深度学习模型可以解决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、高精度的反演出海面温度。

附图说明

图1为本发明中深度学习模型结构图。

图2为本发明中检验结果图。

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2所示，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，包括以下步骤：

步骤1：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。筛选出13836组数据，将数据输入微波辐射传输正演模型中，计算一维综合孔径微波辐射计接收到的垂直极化和水平极化亮温。然后用这些数据构建用于训练深度学习模型的数据集A，A包括用作模型输出的海面温度集Y和用作模型输入的垂直极化亮温、水平极化亮温、入射角、海面风速、海面相对风向、大气水汽含量和云液态水含量集X，在X中加入随机噪声得到新的X′作为数据集B，将上述数据集A和B随机分为训练集和验证集两部分，其中训练集占75％，验证集占25％。我们称X′为观测数据，X为真实数据；

步骤2：构建由自编码器和全连接层耦合的深度学习模型，使用自编码器的作用是为了降低观测数据集X′的误差，使X′与X的误差更小。将训练集中的X′输入自编码器，将训练集中的X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X的误差最小，从而达到降噪的效果；

步骤3：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2中自编码器的输出作为全连接层的输入，将训练集中的Y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；

步骤4，在前面步骤的前提下，将验证集中的X′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Y进行误差比较，检验方法的准确度。

值得注意的是，所述步骤2中将训练集中X′输入到自编码器，采用如下算法：

X″＝s(w×X′+b)

X″′＝s(w′×X″+b′)

其中，X″是X′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2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X差距最小，认为这个模型达到了去除噪音的效果，具体公式为：L＝-logP(X|X″′)。

在本实施例中，所述步骤3中将步骤2中自编码器的输出作为全连接层的输入，将训练集中的Y作为全连接层输出的理想值，进行海面温度反演。

在本实施例中，所述海面温度反演主要包括：使用训练完成的自编码器消除观测数据的噪音后，将训练完成的数据输入到全连接层中，由于反演海面温度用到的数据为：一维综合孔径微波辐射计垂直极化和水平极化观测亮温、海面风速、海面相对风向、大气水含量、云液态水含量和入射角。一共7个气象海洋要素，所以输入层设为7个神经元加1个偏置，隐层层数设为2层，每层神经元个数分别为4个和2个，每层各包括1个偏置(本专利意在讲思路，隐层层数和神经元数需通过试验确定)输出层神经元数为1个(海面温度)，各层内神经元之间互不连接，各层间神经元通过不同权值相互连接。然后按照设定好的激活函数，逐层向后传递，通过比较输出数据和输入数据的期望产生误差信号，将误差信号逐层反向传递，并不断修正各层的权值，得到海面温度。其中激活函数为sigmiod函数：

在本实施例中，所述步骤3中的最小化损失函数为Levenberg-Marquardt最小化算法，通过大量的训练，得到精确的海面温度。

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 (6)

1.一种基于深度学习的一维综合孔径微波辐射计SST反演方法，其特征在于，包括以下步骤：

步骤1：构建用于训练深度学习模型的数据集A，A包括用作模型输出的海面温度集Y，和用作模型输入的垂直极化亮温、水平极化亮温、入射角、海面风速、海面相对风向、大气水汽含量和云液态水含量集X，在X中加入随机噪声得到新的X′作为数据集B，将上述数据集A和B随机分为训练集和验证集两部分,训练集和验证集分别占数据总数的75％和25％；

步骤2：构建由自编码器和全连接层耦合的深度学习模型，将训练集中的X′输入自编码器，将训练集中的X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X的误差最小，从而达到降噪的效果；

步骤3：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2中自编码器的输出作为全连接层的输入，将训练集中的Y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；

步骤4，将验证集中的X′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Y进行误差比较，检验方法的准确度。

2.根据权利要求1所述的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，其特征在于：所述步骤2中将训练集中X′输入到自编码器，采用如下算法：

X″＝s(w×X′+b)

X″′＝s(w′×X″+b′)

其中，X″是X′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。

3.根据权利要求2所述的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，其特征在于：所述步骤2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X差距最小，认为这个模型达到了去除噪音的效果，具体公式为：L＝-logP(X|X″′)。

4.根据权利要求1所述的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，其特征在于：所述步骤3中将步骤2中自编码器的输出作为全连接层的输入，将训练集中的Y作为全连接层输出的理想值，进行海面温度反演。

5.根据权利要求1所述的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，其特征在于：所述海面温度反演主要包括：将步骤2中自编码器的输出作为全连接层的输入，将训练集中的Y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，最后反演出海面温度，其中激活函数为：

6.根据权利要求5所述的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，其特征在于：所述步骤3中的最小化损失函数为Levenberg-Marquardt最小化算法，通过大量的训练，得到精确的海面温度。