CN110532662A - 一种基于机器学习的主被动微波盐度计的海面盐度反演方法 - Google Patents
一种基于机器学习的主被动微波盐度计的海面盐度反演方法 Download PDFInfo
- Publication number
- CN110532662A CN110532662A CN201910783315.0A CN201910783315A CN110532662A CN 110532662 A CN110532662 A CN 110532662A CN 201910783315 A CN201910783315 A CN 201910783315A CN 110532662 A CN110532662 A CN 110532662A
- Authority
- CN
- China
- Prior art keywords
- band
- sea surface
- salinity
- data
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于机器学习的主被动微波盐度计的海面盐度反演方法,所述方法包括:基于数据质量标示,获取多频段辐射亮温和L波段后向散射系数的有效观测数据;对有效观测数据进行修正,获得修正的海表面辐射亮温值和后向散射系数;将修正的海表面多频段辐射亮温观测值、L波段后向散射系数观测值和相关辅助数据分别输入四种训练好的模型中,输出四个海面盐度的值;将四个海面盐度的值分别与再分析数据和浮标数据进行对比,计算海面盐度精度,其中精度最高的海面盐度为得到的海面盐度反演结果。本发明的海面盐度反演方法具有计算速度快、精度高的优势,被广泛应用到各个领域;将机器学习方法引入到MICAP的海面盐度反演中,提高了海面盐度反演精度。
Description
技术领域
本发明涉及微波遥感技术领域,具体而言,尤其涉及一种基于机器学习的主被动微波盐度计的海面盐度反演方法。
背景技术
海水密度的差异会导致海水的流动,进而决定了海洋环流强度和流向,而盐度是决定海水密度的重要物理参量之一,因此,监测海洋盐度有助于加深对海洋水团和海洋环流的认识。此外,海面盐度不仅是全球降雨和蒸发的重要示踪因子,而且其分布及季节和年际变化与厄尔尼诺、飓风等极端气候现象密切相关,因此,监测海面盐度对改进海洋大气数值预报模式的精度和掌握全球气候变化规律具有重要的实际意义。
相比于亮温对海面温度和海面风速的敏感性,即使在L波段,亮温对海面盐度的敏感性依旧很低。海面温度、泡沫和海面粗糙度是影响盐度反演精度的主要误差源。研究发现,海面风场对盐度反演精度的影响高达几个psu。为了获得高精度的海面盐度,在获取海面亮温的同时,获取海面粗糙度信息是十分有必要的。因此,主被动微波遥感被认为是目前监测海面盐度的有效手段,并已被应用于获取全球海域长时间范围的海面盐度信息。我国海洋盐度探测卫星计划拟搭载的有效载荷MICAP是一个多波段、主被动联合观测的新型载荷,用于实现高精度的海面盐度观测。
目前,基于国外海洋盐度卫星发展起来的海面盐度反演算法主要是物理反演算法。虽然该类算法具有相对强的物理意义和通用性,但该类算法依赖于正演模型的准确性,且计算耗时。
发明内容
本发明的目的在于解决现有海面盐度反演算法主要是物理反演算法,该类算法依赖于正演模型的准确性,且计算耗时的问题。
为实现上述目的,本发明提出一种基于机器学习的主被动微波盐度计的海面盐度反演方法。所述方法包括:
步骤1)基于数据质量标示,获取主被动微波盐度计的多频段海表面辐射亮温和L波段后向散射系数的有效观测数据;所述多频段海表面辐射亮温包括L波段、C波段和K波段的辐射亮温;
步骤2)对有效观测数据进行修正,获得海表面多频段辐射亮温的修正值;
步骤3)以海表面多频段辐射亮温的修正值、L波段后向散射系数有效观测数据和辅助数据为输入数据,分别输入优化的深度神经网络、高斯过程回归、支持向量机回归和核岭回归模型中,输出海面盐度反演结果;
步骤4)将四个海面盐度反演结果分别与再分析数据和浮标数据进行对比,计算海面盐度精度,其中精度最高的海面盐度为海面盐度反演结果。
作为所述方法的一种改进,所述步骤2)具体包括:
基于L波段辐射亮温的有效观测数据,使用SMOS算法中宇宙辐射和法拉第旋转修正方法进行修正,获得L波段辐射亮温修正值;使用法拉第旋转修正方法进行修正获得拉第旋转角ωf;
基于C波段和K波段辐射亮温的有效观测数据,使用AMSR2官方算法中宇宙辐射修正方法进行修正,得到C波段和K波段辐射亮温修正值;
基于L波段、C波段和K波段辐射亮温修正值,使用Liebe的大气衰减模型和Wentz的大气衰减模型分别修正L波段、C波段和K波段的无降水大气衰减,获得MICAP海表面辐射亮温的修正值;所述海表面辐射亮温修正值为:
其中,TBv,h代表在大气顶层辐射计入瞳处的垂直和水平极化亮温,TbBU代表上行大气辐射亮温,TbBD代表下行大气辐射亮温,Tbflat和Tbwind分别代表平静海面辐射亮温和海面粗糙度引起的辐射亮温增量,Tbgal_ref代表宇宙辐射亮温,τatm为光学厚度,Rv,h为垂直和水平极化反射率。
作为所述方法的一种改进,所述基于L波段辐射亮温的有效观测数据,使用SMOS官方算法中宇宙辐射和法拉第旋转修正方法进行修正,获得L波段辐射亮温修正值,具体包括:
使用SMOS官方算法中的宇宙修正方法计算L波段辐射亮温的有效观测数据,所述L波段宇宙辐射亮温修正值为:
假设海表面粗糙度仅由风速矢量决定,在方向上,θ0和为入射方向上的第一入射点的纬度和经度,为入射的非极化宇宙辐射亮温,θg和为地表第二入射点的纬度和经度,θs和为散射方向上的散射点的纬度和经度,为在散射方向入射方向处的海表面散射系数,第一个下标p代表散射波的极化形式,第二个下标q代表入射波的极化形式,σpp(θ0,φ0,θs,φs)为在散射方向入射方向处的海表面后向散射系数,τL是L波段的辐射亮温大气衰减系数,t表示测量的时刻;
使用法拉第旋转修正方法计算法拉第旋转角ωf为:
ωf≈1.355×104f-2×TEC×B×UR/cosθi (3)
其中,f是工作频率,TEC是电离层总电子含量,B为地球电磁场矢量,UR是地表观测视线矢量,θi是入射角。
作为所述方法的一种改进,基于C波段和K波段辐射亮温的有效观测数据,使用AMSR2官方算法中宇宙辐射修正方法进行修正,得到C波段和K波段辐射亮温修正值,具体包括:
使用宇宙修正方法计算辐射亮温的有效观测数据,所述C波段和K波段辐射亮温修正值分别为:
为C波段辐射亮温修正值,为K波段辐射亮温修正值,τc是C波段的辐射亮温大气衰减系数,τK是K波段的辐射亮温大气衰减系数。
作为所述方法的一种改进,使用Liebe的大气衰减模型和Wentz的大气衰减模型分别进一步修正L波段、C波段和K波段的无降水大气衰减,具体包括:
所述大气衰减模型Tbatm为:
其中,式中和TbV分别代表氧气的大气辐射亮温衰减值和水汽的大气辐射亮温衰减值。
作为所述方法的一种改进,所述步骤3)具体包括:
以海表面L波段、C波段和K波段海表面辐射亮温修正值、后向散射系数和辅助数据为输入数据,输入训练好的深度神经网络模型、高斯过程回归模型、支持向量机回归模型和核岭回归模型中;每种模型输出反演的盐度偏差Bias、反演的盐度均方根误差RMSE和相关系数R的统计信息,其中的海面盐度精度RMSE为:
其中,为平均偏差平方项,i为参数个数,平均偏差为:
其中,Si,k为第k个待反演参数,为第k个待反演参数的真实值,测量数据个数为n。
作为所述方法的一种改进,所述方法还包括深度神经网络、高斯过程回归、支持向量机回归和核岭回归模型的优化训练步骤:
使用网格搜索算法,对所有可能的参数取值进行排列组合,计算所有组合的结果生成网格,寻找到精度最高的参数组合,该参数组合即为最佳模型参数。
作为所述方法的一种改进,所述方法还包括深度神经网络、高斯过程回归、支持向量机回归和核岭回归模型的优化方法为:
使用网格搜索算法,对所有可能的参数取值进行排列组合,计算所有组合的结果生成网格,寻找到精度最高的参数组合,该参数组合即为最佳模型参数。
与现有技术相比,本发明的优势在于:
1、本发明提出的基于机器学习的主被动微波盐度计的海面盐度反演方法具有计算速度快、精度高的优势,被广泛应用到各个领域;
2、本发明提出的基于机器学习的主被动微波盐度计的海面盐度反演方法能有效避免物理算法的计算耗时及对模型依赖性强的缺点;
3、本发明提出的基于机器学习的主被动微波盐度计的海面盐度反演方法将机器学习方法引入到MICAP的海面盐度反演中,提高了海面盐度反演精度,并使用Aquarius的真实测量数据验证了所提方法的有效性。
附图说明
图1为本发明基于机器学习的主被动微波盐度计的海面盐度反演方法的流程图;
图2为使用本发明的方法观测入射角29.36°的中国南海的海面盐度反演结果和HYCOM盐度的散点图;
图3为使用本发明的方法观测入射角29.36°的中国南海的海面盐度反演结果和HYCOM盐度之间的偏差柱形图;
图4为使用本发明的方法观测入射角29.36°的中国南海的海面盐度反演结果和Scripps盐度的散点图;
图5为使用本发明的方法获得的中国南海的海面盐度反演结果和Argo盐度的散点图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
针对我国海洋盐度探测卫星拟搭载的有效载荷MICAP,考虑到机器学习方法计算速度快、精度高,本发明实施例提供了一种基于机器学习的主被动微波盐度计的海面盐度反演方法,能有效避免物理算法的计算耗时及对模型依赖性强的缺点。
如图1所示,该方法首先基于MICAP的数据质量标示,获取MICAP多频段多入射角辐射亮温和后向散射系数有效观测数据;
其次使用选择的SMOS和AMSR2官方算法中的修正方法修正宇宙辐射、法拉第旋转和大气衰减对MICAP观测数据的影响,获得MICAP海面辐射亮温和后向散射系数观测数据;
然后基于四种机器学习方法,使用优化算法获取四种模型的最佳参数,建立四种最佳训练模型;
接着将修正后的测量亮温、测量后向散射系数和相关辅助数据一起代入建立的四种最佳训练模型中,反演海面盐度;
最后比较四种机器学习方法获得的海面盐度反演精度,将获得最优精度的结果作为MICAP最终的海面盐度反演结果。
结合Aquarius和AMSR2卫星在中国南海的观测数据,构建验证数据集,并对四种机器学习方法进行验证。
验证数据集的时间跨度是2013年1月到2014年1月,其中2013年全年的数据作为模型的训练数据和测试数据,2014年1月的数据作为模型的验证数据。结果表明本发明提出的方法可以有效获取海面盐度信息。
本发明提出的基于机器学习的主被动微波盐度计的海面盐度反演方法,是充分利用L/C/K波段辐射亮温观测数据、L波段后向散射系数观测数据和四种机器学习方法反演海面盐度,所述方法具体包括如下步骤:
步骤1)基于数据质量标示,获取MICAP多频段辐射亮温和L波段后向散射系数有效观测数据;所述多频段海表面辐射亮温包括L波段、C波段和K波段的辐射亮温;
步骤2)使用合适的修正方法修正宇宙辐射、法拉第旋转和大气衰减对MICAP观测数据的影响,进而获得MICAP海表面辐射亮温和后向散射系数观测数据;
步骤3)将步骤2)得到的修正的MICAP海表面多频段辐射亮温观测值、L波段后向散射系数观测值和相关辅助数据一起输入建立的四种最佳训练模型中,反演海面盐度;
步骤4)将步骤3)的反演结果与再分析数据和浮标数据进行对比,计算反演的海面盐度精度,反演精度最高的海面盐度即为得到的海面盐度反演结果。
在步骤1)中,匹配同时期中国南海的Aquarius和AMSR2卫星观测数据,获取盐度卫星在中国南海的L/C/K波段辐射亮温和L波段后向散射系数观测数据。
所述步骤2)进一步包括:
首先,基于获得的L波段辐射亮温有效观测数据,使用SMOS官方算法中的宇宙辐射和法拉第旋转修正方法,完成MICAPL波段观测亮温的宇宙辐射和法拉第旋转的修正;具体包括:
所述海表面辐射亮温修正值为:
其中,TBv,h代表在大气顶层辐射计入瞳处的垂直和水平极化亮温,TbBU代表上行大气辐射亮温,TbBD代表下行大气辐射亮温,Tbflat和Tbwind分别代表平静海面辐射亮温和海面粗糙度引起的辐射亮温增量,Tbgal_ref代表宇宙辐射亮温,τatm为光学厚度,Rv,h为垂直和水平极化反射率。
使用SMOS官方算法中的宇宙修正方法计算L波段辐射亮温的有效观测数据,其中,L波段宇宙辐射亮温修正值为:
假设海表面粗糙度仅由风速矢量决定,在方向上,θ0和为入射方向上的第一入射点的纬度和经度,为入射的非极化宇宙辐射亮温,θg和为地表第二入射点的纬度和经度,θs和为散射方向上的散射点的纬度和经度,为在散射方向入射方向处的海表面散射系数,第一个下标p代表散射波的极化形式,第二个下标q代表入射波的极化形式,σpp(θ0,φ0,θs,φs)为在散射方向入射方向处的海表面后向散射系数,τL是L波段的辐射亮温大气衰减系数,t表示测量的时刻。
使用法拉第旋转修正方法计算法拉第旋转角ωf为:
ωf≈1.355×104f-2×TEC×B×UR/cosθi (3)
其中,f是工作频率,TEC是电离层总电子含量,B为地球电磁场矢量,UR是地表观测视线矢量,θi是入射角。
其次,基于获得的C/K波段辐射亮温有效观测数据,使用AMSR2官方算法中的宇宙辐射修正方法完成主被动微波盐度计主被动微波盐度计C/K波段观测亮温的宇宙辐射的修正。
使用宇宙修正方法计算C/K波段辐射亮温的有效观测数据,所述C波段和K波段辐射亮温修正值分别为:
为C波段辐射亮温修正值,为K波段辐射亮温修正值,τc是C波段的辐射亮温大气衰减系数,τK是K波段的辐射亮温大气衰减系数。
最后,基于上述修正后L/C/K波段辐射亮温观测值,使用Liebe(1993)的大气衰减模型和Wentz(2000)的大气衰减模型分别修正L、C和K波段的无降水大气衰减,获得MICAP海表面辐射亮温和后向散射系数观测值;
所述大气衰减修正方法,其大气衰减Tbatm为:
其中,式中和TbV分别代表氧气和水汽的贡献,获得MICAP海表面辐射亮温的修正值和L波段后向散射系数修正值,后向散射没有衰减,该值即为后向散射观测值。最终获得的海表面修正亮温,是先对得到的测量数据完成宇宙辐射和法拉第旋转修正,基于此正再进行大气衰减的修正,修正完才得到海表面的辐射亮温修正值。
本发明的方法在步骤3)之前基于深度神经网络、高斯过程回归、支持向量机回归和核岭回归四种机器学习方法,使用优化算法获取四种模型的最佳参数,建立四种最佳训练模型;
所述优化算法使用的是网格搜索算法。即对所有可能的参数取值进行排列组合,计算所有组合的结果生成网格,之后将所有组合用于对模型的训练,寻找到模型精度最高的参数组合,该参数组合即为模型的最佳模型参数。
在步骤3)中,以海表面L波段、C波段和K波段辐射亮温修正值、法拉第旋转角ωf、和辅助数据为输入数据,输入训练好的深度神经网络模型、高斯过程回归模型、支持向量机回归模型和核岭回归模型中;每种模型输出反演的盐度偏差Bias、反演的盐度均方根误差RMSE和相关系数R的统计信息;R为反演获得的参数和其真实值的相关系数,判断反演结果好坏的一个辅助参数。
匹配与步骤1)同时期同区域的HYCOM盐度、Scripps盐度和Agro盐度数据,建立验证数据集;
使用训练好的深度神经网络、高斯过程回归、支持向量机回归和核岭回归模型反演中国南海的海面盐度;
其中,海面盐度精度RMSE为:
平均偏差为:
相关系数R为:
假设待反演参数为Si,待反演参数的真实值为测量数据个数为n。其中Cov为Si和的协方差,Var为两者各自的方差。在步骤4)中,将四个海面盐度的值分别与再分析数据和浮标数据进行对比,计算海面盐度精度,其中精度最高的海面盐度为海面盐度反演结果。
实施例
在南海海域,海面盐度反演结果和HYCOM盐度相比的均方根误差为0.38psu,和Scripps盐度相比的均方根误差为0.36psu,和匹配到的44个Argo浮标盐度的均方根误差为0.51psu。
卫星观测数据:Aquarius是一个L波段主被动结合的仪器,可以提供L波段三个固定入射角29.36°、38.44°和46.29°的辐射亮温和L波段的后向散射系数观测数据。AMSR2是一个含有6个频段的传感器,可以提供6.9、18.7和23.8GHz的辐射亮温观测数据。所以,本发明利用多频段主被动探测数据发展的基于机器学习的MICAP海面盐度反演方法,是利用Aquarius和AMSR2观测数据的组合数据验证其有效性的。
HYCOM和Scripps盐度数据:本发明使用的HYCOM盐度和Scripps盐度验证数据都来自于Aquarius的L2级数据。在Aquarius卫星L2级数据包中,不仅包含了辐射计测量的亮温数据和散射计测量的后向散射系数数据,也包含了HYCOM的SSS数据和斯克里普斯海洋学研究所的Argo盐度插值数据(Scripps盐度)。
Argo盐度数据:Argo浮标观测计划始于2000年。2000年以来,随着Argo浮标的不断增加,海面盐度实测数据的密度持续增大,使的300-400km2的全球海面盐度观测成为了现实。Argo测量的是不同深度的海洋盐度值,为了便于和反演的海表面盐度做对比,这里选择了接近表层的盐度数据作为验证盐度数据。
基于Aquarius数据质量标示,对Aquarius测量亮温和后向散射系数进行质量控制,获得有效观测数据,并使用SMOS官方算法中的宇宙辐射和法拉第旋转修正方法完成L波段观测亮温的宇宙辐射和法拉第旋转的修正;其中所述L波段法拉第旋转修正方法,其法拉第旋转角的计算公式为:
ωf≈1.355×104f-2×TEC×B×UR/cosθi
其中,式中,f是工作频率,TEC是电离层总电子含量,B为地球电磁场矢量,UR是地表观测视线矢量,θi是入射角。
基于AMSR2数据质量标示,对AMSR2测量亮温进行质量控制,获得有效观测数据,并使用AMSR2官方算法中的宇宙辐射修正方法完成C和K波段观测亮温的宇宙辐射修正。
基于上述修正的L/C/K观测亮温和Aquarius的L波段后向散射系数数据,分别使用Liebe(1993)的大气衰减模型和Wentz(2000)的大气衰减模型修正L和C/K波段的无降水大气衰减,获得L/C/K波段海表面辐射亮温和L波段海表面后向散射系数观测数据。
在获得海表面数据以后,对L/C/K波段辐射亮温、L波段后向散射系数、辅助数据集以及三类验证盐度(HYCOM、Scripps和Argo盐度)进行匹配。
2013年,在中国南海一共匹配到了161119个有效数据对,其中Aquarius三个固定入射角匹配到的有效数据对依次增加(48010、54250和58859)。2014年1月,在中高南海一共匹配到了15637个HYCOM盐度有效数据对,相比之下,Scripps盐度和Argo盐度的有效数据对较少,分别为995和44对。
将匹配到的2013年中国南海全年数据的75%作为训练数据,剩余25%作为测试数据,使用优化算法获得深度神经网络、高斯过程回归、支持向量机回归和核岭回归模型的最佳参数,进而完成四种机器学习方法的模型建立。
将2014年1月修正后的L、C和K波段测量亮温、L波段后向散射系数观测值和相关辅助数据如海面温度和海面风速一起代入建立好的四种机器学习方法模型中,反演2014年1月中国南海的海面盐度。
表1给出了四种机器学习方法反演的海面盐度和HYCOM盐度相比的统计信息,其中Bias代表反演的盐度偏差,RMSE代表反演的盐度均方根误差,R代表了相关系数;从左到右的三个数字分别代表了Aquarius三个固定入射角下的反演结果。
表1 四种机器学习方法反演的海面盐度统计信息
对比四种机器学习方法的反演结果可知,四种方法反演的中国南海的海面盐度的精度差异较小。相比之下,深度神经网络方法获得的中国南海的海面盐度精度最佳,且和HYCOM盐度的相关系数也最高。基于此,深度神经网络方法反演的海面盐度即为得到的海面盐度反演结果。
图2给出了海面盐度反演结果和HYCOM盐度的散点对比,图3给出了海面盐度反演结果和HYCOM盐度之间的偏差柱形图,图4给出了海面盐度反演结果和Scripps盐度的散点对比,图5给出了海面盐度反演结果和Argo盐度的散点对比。由验证结果可知(图2、4和5),在南海海域,海面盐度反演结果和HYCOM盐度相比的均方根误差约为0.36psu,和Scripps盐度相比的均方根误差约为0.36psu,和Argo浮标盐度相比的均方根误差约为0.51psu。
Claims (7)
1.一种基于机器学习的主被动微波盐度计的海面盐度反演方法,所述方法包括:
步骤1)基于数据质量标示,获取主被动微波盐度计的多频段海表面辐射亮温和L波段后向散射系数的有效观测数据;所述多频段海表面辐射亮温包括L波段、C波段和K波段的辐射亮温;
步骤2)对有效观测数据进行修正,获得海表面多频段辐射亮温的修正值;
步骤3)以海表面多频段辐射亮温的修正值、L波段后向散射系数有效观测数据和辅助数据为输入数据,分别输入优化的深度神经网络、高斯过程回归、支持向量机回归和核岭回归模型中,输出海面盐度反演结果;
步骤4)将四个海面盐度反演结果分别与再分析数据和浮标数据进行对比,计算海面盐度精度,其中精度最高的海面盐度为海面盐度反演结果。
2.根据权利要求1所述的基于机器学习的主被动微波盐度计的海面盐度反演方法,其特征在于,所述步骤2)具体包括:
基于L波段辐射亮温的有效观测数据,使用SMOS算法中宇宙辐射和法拉第旋转修正方法进行修正,获得L波段辐射亮温修正值;使用法拉第旋转修正方法进行修正获得拉第旋转角ωf;
基于C波段和K波段辐射亮温的有效观测数据,使用AMSR2官方算法中宇宙辐射修正方法进行修正,得到C波段和K波段辐射亮温修正值;
基于L波段、C波段和K波段辐射亮温修正值,使用Liebe的大气衰减模型和Wentz的大气衰减模型分别修正L波段、C波段和K波段的无降水大气衰减,获得MICAP海表面辐射亮温的修正值;所述海表面辐射亮温修正值为:
其中,TBv,h代表在大气顶层辐射计入瞳处的垂直和水平极化亮温,TbBU代表上行大气辐射亮温,TbBD代表下行大气辐射亮温,Tbflat和Tbwind分别代表平静海面辐射亮温和海面粗糙度引起的辐射亮温增量,Tbgal_ref代表宇宙辐射亮温,τatm为光学厚度,Rv,h为垂直和水平极化反射率。
3.根据权利要求2所述的基于机器学习的主被动微波盐度计的海面盐度反演方法,其特征在于,所述基于L波段辐射亮温的有效观测数据,使用SMOS官方算法中宇宙辐射和法拉第旋转修正方法进行修正,获得L波段辐射亮温修正值,具体包括:
使用SMOS官方算法中的宇宙修正方法计算L波段辐射亮温的有效观测数据,所述L波段宇宙辐射亮温修正值为:
假设海表面粗糙度仅由风速矢量决定,在方向上,θ0和为入射方向上的第一入射点的纬度和经度,为入射的非极化宇宙辐射亮温,θg和为地表第二入射点的纬度和经度,θs和为散射方向上的散射点的纬度和经度,为在散射方向入射方向处的海表面散射系数,第一个下标p代表散射波的极化形式,第二个下标q代表入射波的极化形式,σpp(θ0,φ0,θs,φs)为在散射方向入射方向处的海表面后向散射系数,τL是L波段的辐射亮温大气衰减系数,t表示测量的时刻;
使用法拉第旋转修正方法计算法拉第旋转角ωf为:
ωf≈1.355×104f-2×TEC×B×UR/cosθi (3)
其中,f是工作频率,TEC是电离层总电子含量,B为地球电磁场矢量,UR是地表观测视线矢量,θi是入射角。
4.根据权利要求2所述的基于机器学习的主被动微波盐度计的海面盐度反演方法,其特征在于,基于C波段和K波段辐射亮温的有效观测数据,使用AMSR2官方算法中宇宙辐射修正方法进行修正,得到C波段和K波段辐射亮温修正值,具体包括:
使用宇宙修正方法计算辐射亮温的有效观测数据,所述C波段和K波段辐射亮温修正值分别为:
为C波段辐射亮温修正值,为K波段辐射亮温修正值,τc是C波段的辐射亮温大气衰减系数,τK是K波段的辐射亮温大气衰减系数。
5.根据权利要求2所述的基于机器学习的主被动微波盐度计的海面盐度反演方法,其特征在于,使用Liebe的大气衰减模型和Wentz的大气衰减模型分别进一步修正L波段、C波段和K波段的无降水大气衰减,具体包括:
所述大气衰减模型Tbatm为:
其中,式中和TbV分别代表氧气的大气辐射亮温衰减值和水汽的大气辐射亮温衰减值。
6.根据权利要求2所述的基于机器学习的主被动微波盐度计的海面盐度反演方法,其特征在于,所述步骤3)具体包括:
以海表面L波段、C波段和K波段海表面辐射亮温修正值、后向散射系数和辅助数据为输入数据,输入训练好的深度神经网络模型、高斯过程回归模型、支持向量机回归模型和核岭回归模型中;每种模型输出反演的盐度偏差Bias、反演的盐度均方根误差RMSE和相关系数R的统计信息,其中的海面盐度精度RMSE为:
其中,为平均偏差平方项,i为参数个数,平均偏差为:
其中,Si,k为第k个待反演参数,为第k个待反演参数的真实值,测量数据个数为n。
7.根据权利要求1所述的基于机器学习的主被动微波盐度计的海面盐度反演方法,其特征在于,所述方法还包括深度神经网络、高斯过程回归、支持向量机回归和核岭回归模型的优化训练步骤:
使用网格搜索算法,对所有可能的参数取值进行排列组合,计算所有组合的结果生成网格,寻找到精度最高的参数组合,该参数组合即为最佳模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783315.0A CN110532662A (zh) | 2019-08-23 | 2019-08-23 | 一种基于机器学习的主被动微波盐度计的海面盐度反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783315.0A CN110532662A (zh) | 2019-08-23 | 2019-08-23 | 一种基于机器学习的主被动微波盐度计的海面盐度反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532662A true CN110532662A (zh) | 2019-12-03 |
Family
ID=68662686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910783315.0A Pending CN110532662A (zh) | 2019-08-23 | 2019-08-23 | 一种基于机器学习的主被动微波盐度计的海面盐度反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532662A (zh) |
Cited By (4)
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 |
CN111505625A (zh) * | 2020-04-01 | 2020-08-07 | 中国科学院国家空间科学中心 | 一种冰雪内部状态分布的主被动联合微波遥感探测方法 |
CN111951204A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号探测数据海面风速反演方法 |
CN112445856A (zh) * | 2020-12-01 | 2021-03-05 | 海南长光卫星信息技术有限公司 | 一种海面高度影响关联分析方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558673B1 (en) * | 2006-03-03 | 2009-07-07 | Itt Manufacturing Enterprises, Inc. | Method and system for determining atmospheric profiles using a physical retrieval algorithm |
CN105808874A (zh) * | 2016-03-18 | 2016-07-27 | 中国科学院国家空间科学中心 | 一种大气顶层微波传输模型函数的建立方法及装置 |
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 |
-
2019
- 2019-08-23 CN CN201910783315.0A patent/CN110532662A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558673B1 (en) * | 2006-03-03 | 2009-07-07 | Itt Manufacturing Enterprises, Inc. | Method and system for determining atmospheric profiles using a physical retrieval algorithm |
CN105808874A (zh) * | 2016-03-18 | 2016-07-27 | 中国科学院国家空间科学中心 | 一种大气顶层微波传输模型函数的建立方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
张兰杰: "基于星载主被动微波盐度计的海面盐度反演方法研究", 《中国博士学位论文全文数据库-基础科学辑》 * |
Cited By (5)
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 |
CN111505625A (zh) * | 2020-04-01 | 2020-08-07 | 中国科学院国家空间科学中心 | 一种冰雪内部状态分布的主被动联合微波遥感探测方法 |
CN111951204A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号探测数据海面风速反演方法 |
CN111951204B (zh) * | 2020-08-10 | 2021-07-20 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号探测数据海面风速反演方法 |
CN112445856A (zh) * | 2020-12-01 | 2021-03-05 | 海南长光卫星信息技术有限公司 | 一种海面高度影响关联分析方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532662A (zh) | 一种基于机器学习的主被动微波盐度计的海面盐度反演方法 | |
CN107390298B (zh) | 一种复杂山地下垫面大风的模拟方法及装置 | |
CN109580003A (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
Zhang et al. | An operational approach for generating the global land surface downward shortwave radiation product from MODIS data | |
CN107870043A (zh) | 一种海表参数同步反演优化方法 | |
Han et al. | Trends of land surface heat fluxes on the Tibetan Plateau from 2001 to 2012 | |
Delwart et al. | SMOS validation and the COSMOS campaigns | |
CN109509319A (zh) | 基于静止卫星监测资料的输电线路山火监测预警方法 | |
KR20200059085A (ko) | 해양 표층 표류부이 관측 수온자료와 인공위성 적외영상자료를 활용한 해양 표층 해수면온도 산출 방법 | |
CN109145494A (zh) | 一种海面温度反演方法及系统 | |
CN108874734B (zh) | 一种全球陆地降水反演方法 | |
Mengelkamp et al. | Evaporation over a heterogeneous land surface | |
CN103743679B (zh) | 一种加快温室气体垂直柱浓度反演速度的方法 | |
CN107505289A (zh) | 一种基于地形沙盘的山地方向性反射率的测量方法 | |
Hdidou et al. | Impact of the variational assimilation of ground-based GNSS zenith total delay into AROME-Morocco model | |
Lu et al. | The complementary role of SMOS sea surface salinity observations for estimating global ocean salinity state | |
Liou et al. | Thermodynamic recovery of the pressure and temperature fields over complex terrain using wind fields derived by multiple-Doppler radar synthesis | |
Komatsu et al. | A simple model to estimate monthly forest evapotranspiration in Japan from monthly temperature | |
Kwon et al. | Implementation of a GPS-RO data processing system for the KIAPS-LETKF data assimilation system | |
Bouin et al. | Using scintillometry to estimate sensible heat fluxes over water: First insights | |
CN108594335B (zh) | 一种全球降水检测方法 | |
Liu et al. | Real-time rainfall nowcast model by combining CAPE and GNSS observations | |
CN114624257B (zh) | 一种基于海面泡沫发射率的卫星观测数据修正方法 | |
Reinhardt | On the retrieval of circumsolar radiation from satellite observations and weather model output | |
CN105259145A (zh) | 一种同时遥感岛礁水下地形和地物的方法 |
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 |