CN110175375A - 一种基于深度学习的地表太阳辐射计算方法 - Google Patents

一种基于深度学习的地表太阳辐射计算方法 Download PDF

Info

Publication number
CN110175375A
CN110175375A CN201910392861.1A CN201910392861A CN110175375A CN 110175375 A CN110175375 A CN 110175375A CN 201910392861 A CN201910392861 A CN 201910392861A CN 110175375 A CN110175375 A CN 110175375A
Authority
CN
China
Prior art keywords
cloud
earth
solar
aerosol
radiation
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.)
Pending
Application number
CN201910392861.1A
Other languages
English (en)
Inventor
胡斯勒图
马润
尚华哲
赫杰
王子明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201910392861.1A priority Critical patent/CN110175375A/zh
Publication of CN110175375A publication Critical patent/CN110175375A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于深度学习的地表太阳辐射计算方法，解决现有方法计算时间长、普适性差、无法应用在有云条件的问题。所述方法，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。本发明实现了对地表太阳辐射的全面、快速、准确计算。

Description

一种基于深度学习的地表太阳辐射计算方法
技术领域
本发明涉及卫星遥感反演领域，尤其涉及一种基于深度学习的地表太阳辐射计算方法。
背景技术
现有的常用于计算地表太阳短波辐射的方法有传统的辐射传输方程法、经验模型。传统的辐射传输方程法物理模型复杂，计算量大，从而导致计算时间过长，因而在业务化运行时会被慎重考虑；经验模型主要依靠大量的地表实测数据，建立气象参数(如温度、湿度、降水、云参数和气溶胶含量等)与地表太阳短波辐射实测值之间的回归关系，该模型取决于当地的实际地理环境情况，因而普适性不高。同时这些方法常应用于晴空条件下的地表太阳短波辐射计算，而在有云条件下则未进行考虑。
发明内容
本发明提供一种基于深度学习的地表太阳辐射计算方法，解决现有方法计算时间长、普适性差、无法应用在有云条件的问题。
本发明实施例指出一种基于深度学习的地表太阳辐射计算方法，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。
进一步地，在上述步骤之后，所述方法还包含：实时提取卫星的大气产品中的太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率参数，采用所述深度学习模型，计算得到地表太阳辐射计算结果。
优选地，所述地表太阳短波辐射数据集包含三种云相态的数据：晴空、水云、冰云。
优选地，所述基于大气辐射传输模型，构建地表太阳短波辐射数据集的步骤，进一步包含：
基于大气辐射传输模型，模拟得到每个像元的像素值和对应的气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数，所述气溶胶卫星气溶胶产品包含气溶胶比例系数、气溶胶附加系数，所述卫星云产品包含云相态比例系数、云相态附加系数、云光学厚度比例系数、云光学厚度附加系数、云粒子有效半径比例系数、云粒子有效半径附加系数，所述水汽产品包含水汽含量比例系数、水汽含量附加系数，所述卫星太阳几何包含太阳天顶角比例系数、太阳天顶角附加系数，所述地表条件参数包含地表反照率比例系数、地表反照率附加系数；
将每个像元的所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数转换为所述气溶胶光学厚度、云相态、云光学厚度、云粒子有效半径、大气水汽含量、太阳天顶角、地表反照率：
y＝ki×DN+bi，i＝1,2,3,…,7
其中，DN为所述像素值，k1～k7分别为所述气溶胶比例系数、云相态比例系数、云光学厚度比例系数、云粒子有效半径比例系数、水汽含量比例系数、太阳天顶角比例系数、地表反照率比例系数，b1～b7分别为所述气溶胶附加系数、云相态附加系数、云光学厚度附加系数、云粒子有效半径附加系数、水汽含量附加系数、太阳天顶角附加系数、地表反照率附加系数。
优选地，所述神经网络包含1个输入层、1个输出层、3个隐藏层，3个隐藏层分别含有256、128、64个神经元。
优选地，所述大气辐射传输模型为RSTAR模型，大气模式设定为美国标准大气。
优选地，所述卫星选择日本气象卫星葵花-8。
进一步地，所述地表太阳短波辐射数据集的云相态为晴空时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述气溶胶光学厚度为0-3，间隔为0.25，所述水汽含量为0-8g/cm2，间隔为0.25；所述地表太阳短波辐射数据集的云相态为水云时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述云光学厚度为1、5、10、20、30、50、100、150，云粒子有效半径为4、8、16、32μm；所述地表太阳短波辐射数据集的云相态为冰云时，所述云光学厚度为1、5、10、20、30、50、100、150，粒子有效半径为16、32、64、128μm，地表反照率设置为0、0.1、0.2、0.3、0.4、0.5、0.75和1.0。
进一步地，模拟得到所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数的平台为Python编程语言平台。
本发明有益效果包括：本发明提出的基于深度学习的地表太阳辐射计算方法，利用了卫星气溶胶和云产品资料，采用神经网络的方法，能够快速计算晴空和有云条件下的地表太阳短波辐射结果。该方法不仅能计算晴空下的地表太阳短波辐射，还能计算有云条件下的地表太阳短波辐射，同时还能计算任意卫星气溶胶和云产品的地表太阳短波辐射，具备快速、准确地计算能力，具有全面、快、准的特点。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为一种基于深度学习的地表太阳辐射计算方法流程实施例；
图2为一种包含实时提取卫星产品的基于深度学习的地表太阳辐射计算方法流程实施例；
图3为一种包含地表太阳短波辐射数据集计算的基于深度学习的地表太阳辐射计算方法流程实施例。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
到达地表的太阳短波辐射是地表辐射收支平衡的重要组成部分，也是地表能量平衡和地气相互作用的重要驱动因素及陆面过程与气候变化研究的重要参数。高精度的地表太阳短波辐射资料不仅对全球气候变化及旱灾洪涝等气候灾害预报具有现实意义，也可为人类生态环境相关的决策提供帮助。因此地表太阳短波辐射的快速计算对于灾害预报、太阳能的估算等方面具有重要的意义。目前，地表太阳短波辐射测量仍是以地面观测为主，这种方法虽然具有测量精度高的特点，但是在全球尺度上的测量则需要非常多的站点来辅助才能实现。由于近些年卫星遥感技术的快速发展，使得在全球尺度上的连续地表太阳短波辐射的估算成为可能。如日本的气象卫星葵花-8能以10分钟的时间分辨率观测地球一次，这给地表太阳短波辐射的连续观测带来了非常大的潜力。
以下结合附图，详细说明本发明各实施例提供的技术方案。
图1为一种基于深度学习的地表太阳辐射计算方法流程实施例，本发明实施例提供一种基于深度学习的地表太阳辐射计算方法，具体包含以下步骤：
步骤101，基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射。
在步骤101中，所述大气辐射传输模型采用现有技术中的任一已知模型，例如，RSTAR模型，大气模式设定为美国标准大气。大气辐射传输模式RSTAR是一个用于处理平面平行大气中辐射波长介于0.17和1000微米的通用模式包，来自日本东京大学大气海洋研究所Nakajima教授团队公开。该模式提供了6种常见的大气模式：热带大气模式、中纬度夏季大气模式、中纬度冬季大气模式、高纬度夏季大气模式、高纬度冬季大气模式、美国标准大气模式，模拟的高度可以从海平面0km至120km至多可分为50层，模式中提供了11种气溶胶类型：水、冰晶、灰尘、煤烟、火山灰、75％的硫酸、乡村型气溶胶、城市型气溶胶、海洋飞沫、对流层型气溶胶、黄沙。该大气辐射传输模式输入参数设置多，输出结果丰富，计算精度高。需要说明的是，所述大气传输模型还可以是其他模式，这里不做特别限定。
在步骤101中，根据大气传输模型对对太阳辐射敏感的因子做敏感性分析，在敏感性分析的基础上再选取合适的网格点，来生成所述地表太阳短波辐射数据集。例如，大气传输模型采用RSTAR模型，通过大气辐射传输模式RSTAR的敏感性分析结果发现太阳几何条件中的太阳天顶角，大气条件中的云相态、云光学厚度、气溶胶光学厚度、水汽含量，地表条件中的地表反照率对太阳辐射的影响较大，而大气条件中的云粒子有效半径对太阳辐射影响较小。
本发明实施例，将所述地表太阳短波辐射数据集的云相态分为三类：晴空、水云、冰云。所述地表太阳短波辐射数据集的云相态为晴空时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述气溶胶光学厚度为0-3，间隔为0.25，所述水汽含量为0-8g/cm2，间隔为0.25；所述地表太阳短波辐射数据集的云相态为水云时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述云光学厚度为1、5、10、20、30、50、100、150，云粒子有效半径为4、8、16、32μm；所述地表太阳短波辐射数据集的云相态为冰云时，所述云光学厚度为1、5、10、20、30、50、100、150，粒子有效半径为16、32、64、128μm，地表反照率设置为0、0.1、0.2、0.3、0.4、0.5、0.75和1.0。水云、冰云均属于有云条件，本发明实施例对有云条件进一步区分为水云、冰云，可以更准确的得到地表太阳辐射结果。
步骤102，将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。
在步骤102中，所述神经网络包含1个输入层、1个输出层、3个隐藏层，3个隐藏层分别含有256、128、64个神经元。通过训练样本的训练，使得神经网络能够学习到数据集的规律，得到深度学习模型。
本发明实施例提供的地表太阳辐射计算方法，采用深度学习技术来计算地表太阳短波辐射的方法，具有计算精度高、速度快、普适性高的优点。
图2为一种包含实时提取卫星产品的基于深度学习的地表太阳辐射计算方法流程实施例，作为本发明实施例，所述地表太阳辐射计算方法可以对地表太阳辐射结果进行实时计算，具体包含以下步骤：
步骤101，基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射。
步骤102，将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。
步骤103，实时提取卫星的大气产品中的太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率参数，采用所述深度学习模型，计算得到地表太阳辐射计算结果。
在步骤103中，所述卫星可以选择日本气象卫星葵花-8，葵花-8卫星能以10分钟的时间分辨率观测地球一次，观测时间快，获得的观测数据频率高。
在步骤103中，所述地表太阳辐射计算结果包含：地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射。
本发明实施例提供的基于深度学习的地表太阳辐射计算方法，能够快速计算任意卫星气溶胶和云产品的地表太阳短波辐射，具有快速、准确的计算能力。
图3为一种包含地表太阳短波辐射数据集计算的基于深度学习的地表太阳辐射计算方法流程实施例，作为本发明实施例，所述地表太阳辐射计算方法包含训练样本数据的提取方法，具体包含以下步骤：
步骤101A，基于大气辐射传输模型，模拟得到每个像元的像素值和对应的气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数，所述气溶胶卫星气溶胶产品包含气溶胶比例系数、气溶胶附加系数，所述卫星云产品包含云相态比例系数、云相态附加系数、云光学厚度比例系数、云光学厚度附加系数、云粒子有效半径比例系数、云粒子有效半径附加系数，所述水汽产品包含水汽含量比例系数、水汽含量附加系数，所述卫星太阳几何包含太阳天顶角比例系数、太阳天顶角附加系数，所述地表条件参数包含地表反照率比例系数、地表反照率附加系数。
在步骤101A中，为减少数据存储量，所述像素值、气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数的数据类型为整型。
在步骤101A中，可以利用Python编程语言平台，模拟得到所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数。需要说明的是，还可以其他软件语言进行模拟，这里不做特别限定。
步骤101B，将每个像元的所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数转换为所述气溶胶光学厚度、云相态、云光学厚度、云粒子有效半径、大气水汽含量、太阳天顶角、地表反照率：
y＝ki×DN+bi，i＝1,2,…,7 (1)
其中，DN为所述像素值，k1、k2、k3、k4、k5、k6、k7分别为所述气溶胶比例系数、云相态比例系数、云光学厚度比例系数、云粒子有效半径比例系数、水汽含量比例系数、太阳天顶角比例系数、地表反照率比例系数，b1、b2、b3、b4、b5、b6、b7分别为所述气溶胶附加系数、云相态附加系数、云光学厚度附加系数、云粒子有效半径附加系数、水汽含量附加系数、太阳天顶角附加系数、地表反照率附加系数。
在步骤101B中，需要说明的是，所述像素值、气溶胶比例系数、云相态比例系数、云光学厚度比例系数、云粒子有效半径比例系数、水汽含量比例系数、太阳天顶角比例系数、地表反照率比例系数，b1～b7分别为所述气溶胶附加系数、云相态附加系数、云光学厚度附加系数、云粒子有效半径附加系数、水汽含量附加系数、太阳天顶角附加系数、地表反照率附加系数均无单位，无物理意义，经过转换后得到的所述气溶胶光学厚度、云相态、云光学厚度、云粒子有效半径、大气水汽含量、太阳天顶角、地表反照率为具有物理含义的变量。
步骤102，将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。
步骤103，实时提取卫星的大气产品中的太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率参数，采用所述深度学习模型，计算得到地表太阳辐射计算结果。
在步骤103中，需要说明的是，所述卫星大气产品中存储的数据内容为每个像元的实时像素值和对应的实时气溶胶比例系数、云相态比例系数、云光学厚度比例系数、云粒子有效半径比例系数、水汽含量比例系数、太阳天顶角比例系数、地表反照率比例系数，实时气溶胶附加系数、云相态附加系数、云光学厚度附加系数、云粒子有效半径附加系数、水汽含量附加系数、太阳天顶角附加系数、地表反照率，根据如下转换公式，转换为实时气溶胶光学厚度、云相态、云光学厚度、云粒子有效半径、大气水汽含量、太阳天顶角：
y＝ksi×DNs+bsi，i＝1,2,…,7 (2)
其中，DNs为所述实时像素值，ks1、ks2、ks3、ks4、ks5、ks6、ks7分别为所述实时气溶胶比例系数、实时云相态比例系数、实时云光学厚度比例系数、实时云粒子有效半径比例系数、实时水汽含量比例系数、实时太阳天顶角比例系数、实时地表反照率比例系数，bs1、bs2、bs3、bs4、bs5、bs6、bs7分别为所述实时气溶胶附加系数、实时云相态附加系数、实时云光学厚度附加系数、实时云粒子有效半径附加系数、实时水汽含量附加系数、实时太阳天顶角附加系数、实时地表反照率附加系数。
本发明实施例提供的基于深度学习的地表太阳辐射计算方法，在不需要其他辅助数据前提下，能够快速稳定地实现葵花-8卫星遥感数据甚至其他任何卫星产品资料的地表太阳辐射计算，计算速度快且精度高；另外，所述方法不仅能计算晴空下的地表太阳短波辐射，还能计算有云条件下的地表太阳短波辐射，具有全面、快速、准确、稳定的优势。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (9)

1.一种基于深度学习的地表太阳辐射计算方法，其特征在于，包含以下步骤：
基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射；
将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。
2.如权利要求1所述的基于深度学习的地表太阳辐射计算方法，其特征在于，还包含以下步骤：
实时提取卫星的大气产品中的太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率参数，采用所述深度学习模型，计算得到地表太阳辐射计算结果。
3.如权利要求1～2任一项所述的基于深度学习的地表太阳辐射计算方法，其特征在于，所述地表太阳短波辐射数据集包含三种云相态的数据：晴空、水云、冰云。
4.如权利要求1～2任一项所述的基于深度学习的地表太阳辐射计算方法，其特征在于，所述基于大气辐射传输模型，构建地表太阳短波辐射数据集的步骤，进一步包含：
基于大气辐射传输模型，模拟得到每个像元的像素值和对应的气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数，所述气溶胶卫星气溶胶产品包含气溶胶比例系数、气溶胶附加系数，所述卫星云产品包含云相态比例系数、云相态附加系数、云光学厚度比例系数、云光学厚度附加系数、云粒子有效半径比例系数、云粒子有效半径附加系数，所述水汽产品包含水汽含量比例系数、水汽含量附加系数，所述卫星太阳几何包含太阳天顶角比例系数、太阳天顶角附加系数，所述地表条件参数包含地表反照率比例系数、地表反照率附加系数；
将每个像元的所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数转换为所述气溶胶光学厚度、云相态、云光学厚度、云粒子有效半径、大气水汽含量、太阳天顶角、地表反照率：
y＝ki×DN+bi，i＝1,2,…,7
其中，DN为所述像素值，k1～k7分别为所述气溶胶比例系数、云相态比例系数、云光学厚度比例系数、云粒子有效半径比例系数、水汽含量比例系数、太阳天顶角比例系数、地表反照率比例系数，b1～b7分别为所述气溶胶附加系数、云相态附加系数、云光学厚度附加系数、云粒子有效半径附加系数、水汽含量附加系数、太阳天顶角附加系数、地表反照率附加系数。
5.如权利要求1～2任一项所述的基于深度学习的地表太阳辐射计算方法，其特征在于，所述神经网络包含1个输入层、1个输出层、3个隐藏层，3个隐藏层分别含有256、128、64个神经元。
6.如权利要求1～2任一项所述的基于深度学习的地表太阳辐射计算方法，其特征在于，所述大气辐射传输模型为RSTAR模型，大气模式设定为美国标准大气。
7.如权利要求2所述的基于深度学习的地表太阳辐射计算方法，其特征在于，所述卫星选择日本气象卫星葵花-8。
8.如权利要求3所述的基于深度学习的地表太阳辐射计算方法，其特征在于，
所述地表太阳短波辐射数据集的云相态为晴空时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述气溶胶光学厚度为0-3，间隔为0.25，所述水汽含量为0-8g/cm2，间隔为0.25；
所述地表太阳短波辐射数据集的云相态为水云时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述云光学厚度为1、5、10、20、30、50、100、150，云粒子有效半径为4、8、16、32μm；
所述地表太阳短波辐射数据集的云相态为冰云时，所述云光学厚度为1、5、10、20、30、50、100、150，粒子有效半径为16、32、64、128μm，地表反照率设置为0、0.1、0.2、0.3、0.4、0.5、0.75和1.0。
9.如权利要求2所述的基于深度学习的地表太阳辐射计算方法，其特征在于，模拟得到所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数的平台为Python编程语言平台。
CN201910392861.1A 2019-05-13 2019-05-13 一种基于深度学习的地表太阳辐射计算方法 Pending CN110175375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910392861.1A CN110175375A (zh) 2019-05-13 2019-05-13 一种基于深度学习的地表太阳辐射计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910392861.1A CN110175375A (zh) 2019-05-13 2019-05-13 一种基于深度学习的地表太阳辐射计算方法

Publications (1)

Publication Number Publication Date
CN110175375A true CN110175375A (zh) 2019-08-27

Family

ID=67691050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910392861.1A Pending CN110175375A (zh) 2019-05-13 2019-05-13 一种基于深度学习的地表太阳辐射计算方法

Country Status (1)

Country Link
CN (1) CN110175375A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516816A (zh) * 2019-08-30 2019-11-29 中国科学院、水利部成都山地灾害与环境研究所 基于机器学习的全天候地表温度生成方法及装置
CN110688606A (zh) * 2019-08-30 2020-01-14 中国科学院遥感与数字地球研究所 一种热红外遥感反演云微物理参数的方法
CN110879923A (zh) * 2019-12-04 2020-03-13 北京中科技达科技有限公司 阴天条件下长波下行辐射估算方法、存储介质及电子设备
CN112818605A (zh) * 2021-02-07 2021-05-18 武汉大学 一种地表反照率的快速估计方法及系统
CN113466917A (zh) * 2020-03-31 2021-10-01 中国矿业大学(北京) 一种煤烟型气溶胶辐射强迫计算新方法
CN115880691A (zh) * 2023-03-02 2023-03-31 国网山东省电力公司东营供电公司 一种基于计算机视觉的屋顶光伏潜力估计方法
CN116384241A (zh) * 2023-03-31 2023-07-04 南通大学 一种基于深度神经网络构建快速辐射传输模型的方法
CN116861707A (zh) * 2023-09-04 2023-10-10 自然资源部第一海洋研究所 一种太阳短波辐射海面反照率参数化的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815659A (zh) * 2017-01-20 2017-06-09 国网浙江省电力公司电力科学研究院 一种基于混合模型的超短期太阳辐射预测方法及其装置
CN107247478A (zh) * 2017-06-07 2017-10-13 中国科学院遥感与数字地球研究所 一种地表太阳辐射通量的快速计算方法
CN107632327A (zh) * 2017-09-22 2018-01-26 中国科学院遥感与数字地球研究所 地表太阳短波辐射的确定方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815659A (zh) * 2017-01-20 2017-06-09 国网浙江省电力公司电力科学研究院 一种基于混合模型的超短期太阳辐射预测方法及其装置
CN107247478A (zh) * 2017-06-07 2017-10-13 中国科学院遥感与数字地球研究所 一种地表太阳辐射通量的快速计算方法
CN107632327A (zh) * 2017-09-22 2018-01-26 中国科学院遥感与数字地球研究所 地表太阳短波辐射的确定方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HIDEAKI TAKENAKA等: "Estimation of solar radiation using a neural network based on radiative transfer", 《JOURNAL OF GEOPHYSICAL RESEARCH》 *
冯姣姣: "基于神经网络的太阳辐射模拟", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
王伟: "高分辨率立体测绘卫星影像质量提升和典型要素提取", 《中国博士学位论文全文数据库 基础科学辑》 *
黎微微: "利用MODIS资料计算不同云天条件下的地表太阳辐射", 《遥感技术与应用》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516816B (zh) * 2019-08-30 2021-05-28 中国科学院、水利部成都山地灾害与环境研究所 基于机器学习的全天候地表温度生成方法及装置
CN110688606A (zh) * 2019-08-30 2020-01-14 中国科学院遥感与数字地球研究所 一种热红外遥感反演云微物理参数的方法
CN110516816A (zh) * 2019-08-30 2019-11-29 中国科学院、水利部成都山地灾害与环境研究所 基于机器学习的全天候地表温度生成方法及装置
CN110688606B (zh) * 2019-08-30 2021-10-12 中国科学院遥感与数字地球研究所 一种热红外遥感反演云微物理参数的方法
CN110879923B (zh) * 2019-12-04 2023-08-11 北京中科技达科技有限公司 阴天条件下长波下行辐射估算方法、存储介质及电子设备
CN110879923A (zh) * 2019-12-04 2020-03-13 北京中科技达科技有限公司 阴天条件下长波下行辐射估算方法、存储介质及电子设备
CN113466917A (zh) * 2020-03-31 2021-10-01 中国矿业大学(北京) 一种煤烟型气溶胶辐射强迫计算新方法
CN113466917B (zh) * 2020-03-31 2023-12-15 中国矿业大学(北京) 一种煤烟型气溶胶辐射强迫计算方法
CN112818605A (zh) * 2021-02-07 2021-05-18 武汉大学 一种地表反照率的快速估计方法及系统
CN115880691A (zh) * 2023-03-02 2023-03-31 国网山东省电力公司东营供电公司 一种基于计算机视觉的屋顶光伏潜力估计方法
CN116384241A (zh) * 2023-03-31 2023-07-04 南通大学 一种基于深度神经网络构建快速辐射传输模型的方法
CN116861707A (zh) * 2023-09-04 2023-10-10 自然资源部第一海洋研究所 一种太阳短波辐射海面反照率参数化的方法
CN116861707B (zh) * 2023-09-04 2023-12-01 自然资源部第一海洋研究所 一种太阳短波辐射海面反照率参数化的方法

Similar Documents

Publication Publication Date Title
CN110175375A (zh) 一种基于深度学习的地表太阳辐射计算方法
Huang et al. Mechanisms for a record‐breaking rainfall in the coastal metropolitan city of Guangzhou, China: Observation analysis and nested very large eddy simulation with the WRF model
Arfeuille et al. Volcanic forcing for climate modeling: a new microphysics-based data set covering years 1600–present
Kinne et al. MAC‐v1: A new global aerosol climatology for climate studies
Goosse Climate system dynamics and modeling
Theeuwes et al. Seasonal dependence of the urban heat island on the street canyon aspect ratio
Kim et al. Maximum urban heat island intensity in Seoul
Bromwich et al. Comprehensive evaluation of polar weather research and forecasting model performance in the Antarctic
Deng et al. Systematic modeling of impacts of land use and land cover changes on regional climate: a review
Song et al. Spreading of the Indonesian throughflow in the Indian Ocean
Zheng et al. Sea surface temperature biases under the stratus cloud deck in the southeast Pacific Ocean in 19 IPCC AR4 coupled general circulation models
Wang et al. Observation and simulation of lake‐air heat and water transfer processes in a high‐altitude shallow lake on the Tibetan Plateau
Huang et al. Assessing global and regional effects of reconstructed land-use and land-cover change on climate since 1950 using a coupled land–atmosphere–ocean model
Vinayachandran et al. Arabian Sea mini warm pool and the monsoon onset vortex
Carrer et al. Incoming solar and infrared radiation derived from METEOSAT: Impact on the modeled land water and energy budget over France
Roberts et al. The formation of a large summertime Saharan dust plume: Convective and synoptic‐scale analysis
Schlundt et al. Mixed layer heat and salinity budgets during the onset of the 2011 Atlantic cold tongue
Steele et al. The radiative impact of water ice clouds from a reanalysis of Mars Climate Sounder data
Yang et al. The impact of turbulent diffusion driven by fog‐top cooling on sea fog development
Marelle et al. Current and future arctic aerosols and ozone from remote emissions and emerging local sources—Modeled source contributions and radiative effects
Wang et al. Assessment of wind energy and wave energy resources in Weifang sea area
White et al. River flow and ocean temperatures: The Congo River
Rauscher et al. Domain choice in an experimental nested modeling prediction system for South America
Collier Hydrometeorology
Xie et al. Structure of the planetary boundary layer over Southeast England: Modeling and measurements

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190827