CN110826693A - 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 - Google Patents

基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 Download PDF

Info

Publication number
CN110826693A
CN110826693A CN201911040625.XA CN201911040625A CN110826693A CN 110826693 A CN110826693 A CN 110826693A CN 201911040625 A CN201911040625 A CN 201911040625A CN 110826693 A CN110826693 A CN 110826693A
Authority
CN
China
Prior art keywords
temperature profile
neural network
data set
inversion
convolutional neural
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.)
Granted
Application number
CN201911040625.XA
Other languages
English (en)
Other versions
CN110826693B (zh
Inventor
陈柯
郑照明
李青侠
桂良启
郎量
郭伟
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911040625.XA priority Critical patent/CN110826693B/zh
Publication of CN110826693A publication Critical patent/CN110826693A/zh
Application granted granted Critical
Publication of CN110826693B publication Critical patent/CN110826693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统，属于大气微波遥感领域。包括：根据氧气吸收频段的二维大气观测亮温图像和三维大气温度廓线，构建训练数据集；基于训练数据集，训练DenseNet卷积神经网络直至其收敛，得到训练好的网络；将待反演的亮温图像输入训练好的网络，输出反演得到的三维大气温度廓线。本发明训练所用数据集以二维亮温图像为单位，每个亮温图像覆盖了地球上的一定区域，整个数据集跨越长时间间隔，泛化能力将大大提高，反演误差也会降低。DenseNet卷积神经网络层数较深，因其密集连接的结构避免了训练过程中的梯度消失问题，适用于复杂的反演问题，可实现直接对晴空、云以及雨天三种场景的数据一起反演，减少耗时。

Description

基于DenseNet卷积神经网络的三维大气温度廓线反演方法和 系统
技术领域
本发明属于大气微波遥感及探测技术领域，更具体地，涉及基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统。
背景技术
台风、暴雨、强对流等天气因其突发性严重威胁着人们的生命安全，且对社会经济会产生严重的影响，大气温度廓线作为一种重要的大气气象要素，可用于数值天气预报初始场的建立，对于提升数值天气预报性能具有重要作用。因此，从卫星观测资料中及时、准确的反演大气温度廓线，具有十分重要的意义。
大气温度探测一般使用工作在微波被动遥感方式的星载微波辐射计实现，辐射计的直接观测资料为微波亮温数据，需要使用数学反演算法从观测亮温数据中反演得到大气温度廓线。目前普遍使用的微波被动遥感大气温度廓线反演算法主要有三种。统计类方法应用数学统计的思想处理亮温数据，算法简单稳定，但对于具有非线性关系的亮温与温度廓线，其效果不佳；一维变分方法利用最小二乘方法寻求温度廓线对应亮温的最优解；神经网络反演方法利用人工神经网络实现对温度廓线的反演。
BP神经网络是一种反向传播误差的前馈网络模型，在温度廓线反演领域应用较广。为降低反演复杂度和缩短反演时间，一般使用3层BP神经网络反演温度廓线，网络结构较为简单，但正因如此，网络泛化能力差，若训练与反演所用数据的分布差异较大，则反演所得温度的误差也会变大。在实际情况中，BP神经网络只能反演与训练所用亮温数据时间接近且区域相邻的场景的温度廓线。由于BP神经网络对反演数据分布。较高的敏感性，为提高反演精度，还需根据训练数据对不同天气情况进行筛选，并将晴空、云以及雨天三种场景的数据分开训练并反演，若要反演指定区域的温度廓线，则需用多个场景的模型分别反演再组合，耗时较长且流程复杂。
发明内容
针对现有技术基于BP神经网络的三维大气温度廓线反演方法泛化能力差，耗时较长流程复杂的问题，本发明提供了基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统，其目的在于简化温度廓线反演的流程、缩短反演时间，并提高反演网络的泛化能力，从而提高反演精度。
为实现上述目的，按照本发明的第一方面，提供了一种基于DenseNet卷积神经网络的三维大气温度廓线反演方法，该方法包括以下步骤：
S1.根据氧气吸收频段的二维大气观测亮温图像和三维大气温度廓线，构建训练数据集；
S2.基于训练数据集，训练DenseNet卷积神经网络直至其收敛，得到训练好的网络；
S3.将待反演的亮温图像输入训练好的网络，输出反演得到的三维大气温度廓线。
具体地，步骤S1包括以下子步骤：
S11.将频率不同、时间和区域相同的二维大气观测亮温图像进行组合，每组多频率亮温图像作为一个样本，不同样本之间选择的频率相同，时间和区域不同；
S12.根据区域的经纬度，将三维大气温度廓线与样本进行匹配，作为该样本的标签；
S13.对样本集和标签集分别进行归一化处理，再将数据集分为训练数据集和测试数据集。
具体地，通过气象数据网下载或者基于大气数值模式和RT模型模拟，得到二维大气观测亮温图像；通过气象数据网下载或者WRF数值预报模型计算，得到三维大气温度廓线。
具体地，所述DenseNet卷积神经网络包括：
输入层，用于提取样本特征，所述输入层采用“Conv2d+BN+Relu”结构；
中间层，用于对样本特征提取更多维的特征，所述中间层包括：DenseBlock_1、DenseBlock_2和连接层，所述DenseBlock_1包括6个卷积层，所述连接层采用“BN+Conv2d+Relu”结构，所述DenseBlock_2包括12个卷积层；
输出层，用于将中间层输出的特征的通道数调整为与三维大气温度廓线的通道数，所述输出层采用“Conv2d”结构。
具体地，将数据集的时间顺序打乱，并选择前M个样本作为测试数据集，其余作为训练数据集。
为实现上述目的，按照本发明的第二方面，提供了一种基于DenseNet卷积神经网络的三维大气温度廓线反演系统，该系统包括：
预处理模块，用于根据氧气吸收频段的二维大气观测亮温图像和三维大气温度廓线，构建训练数据集；
训练模块，用于基于训练数据集，训练DenseNet卷积神经网络直至其收敛，得到训练好的网络；
反演模块，用于将待反演的亮温图像输入训练好的网络，输出反演得到的三维大气温度廓线。
具体地，所述预处理模块通过以下方式构建训练数据集：
(1)将频率不同、时间和区域相同的二维大气观测亮温图像进行组合，每组多频率亮温图像作为一个样本，不同样本之间选择的频率相同，时间和区域不同；
(2)根据区域的经纬度，将三维大气温度廓线与样本进行匹配，作为该样本的标签；
(3)对样本集和标签集分别进行归一化处理，再将数据集分为训练数据集和测试数据集。
具体地，所述DenseNet卷积神经网络包括：
输入层，用于提取样本特征，所述输入层采用“Conv2d+BN+Relu”结构；
中间层，用于对样本特征提取更多维的特征，所述中间层包括：DenseBlock_1、DenseBlock_2和连接层，所述DenseBlock_1包括6个卷积层，所述连接层采用“BN+Conv2d+Relu”结构，所述DenseBlock_2包括12个卷积层；
输出层，用于将中间层输出的特征的通道数调整为与三维大气温度廓线的通道数，所述输出层采用“Conv2d”结构。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)相对于BP神经网络的数据集由单个亮温点构成，其全部数据集也仅为一幅亮温图像上的部分区域，本发明通过卷积神经网络反演温度廓线，网络训练所用数据集以二维亮温图像为单位，每个亮温图像覆盖了地球上的一定区域，整个数据集跨越了很长的时间间隔，因此，一旦卷积神经网络经训练达到收敛时，其泛化能力将大大提高，反演误差也会降低。
(2)相对于BP神经网络结构简单，仅可用作简单问题的回归模型，为提高反演精度，常将晴空、云以及雨天三种场景的数据分离，本发明中反演网络为DenseNet卷积神经网络，网络层数较深，同时因其密集连接的结构避免了训练过程中的梯度消失问题，适用于复杂的反演问题，因此本发明中反演网络的输入为原始的亮温数据，可实现直接对晴空、云以及雨天三种场景的数据一起反演，减少耗时。
附图说明
图1为本发明实施例提供的一种基于DenseNet卷积神经网络的三维大气温度廓线反演方法流程图；
图2为本发明实施例提供的DenseNet卷积神经网络结构示意图；
图3(a)为本发明实施例提供的晴空场景对应神经网络反演温度廓线的误差和DenseNet网络反演混合场景的误差；
图3(b)为本发明实施例提供的雨场景对应神经网络反演温度廓线的误差和DenseNet网络反演混合场景的误差；
图3(c)为本发明实施例提供的云场景对应神经网络反演温度廓线的误差和DenseNet网络反演混合场景的误差；
其中，横坐标为温度误差，纵坐标为不同高空对应的气压值，实线为DenseNet网络反演温度廓线的RMSE曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种基于DenseNet卷积神经网络的三维大气温度廓线反演方法，该方法包括以下步骤：
步骤S1.获取温度反演对应的氧气吸收频段的二维大气观测亮温图像TA数据和对应三维大气温度廓线T数据。
氧气吸收通道频率对应亮温用于反演温度廓线，这些通道的氧气吸收系数和温度变化相关性很强。可通过NOAA数据网站、中国气象数据网等网络途径下载真实卫星历史数据，或者，基于大气数值模式和RT模型(DOTLRT、RTTOV等辐射传输模型)模拟得到观测亮温。温度廓线数据可由气象数据网站获取，亦可经WRF数值预报模型计算得到。
实施例中，由NOAA数据网站下载FNL历史再分析资料，选择太平洋上预设时段内无台风的海域，将之输入WRF数值预报模式计算得到大气状态参数。设置区域网格大小为200*200，网格分辨率为15000m*15000m，设置大气廓线垂直分层为59。将WRF输出的大气参数输入DOTLRT辐射传输模型中，设置仿真中心频率为50.3GHz、51.76GHz、52.8GHz、53.596GHz、54.4GHz、54.94GHz、55.5GHz和57.29GHz，得到模拟亮温TB。利用卫星微波载荷对应不同频率的天线方向图对TB进行卷积操作，并加入模拟的观测噪声，最终得到接近真实观测亮温的模拟亮温TA。
步骤S2.根据获取的二维观测亮温图像TA和三维大气温度廓线T，构建训练数据集。
选择氧气吸收频段的二维大气观测亮温图像TA所有频率的组合作为网络的输入数据集，用于温度反演频段有两个，本实施例选择50-60GHz频段，所述亮温中心频率分别为50.3GHz、51.76GHz、52.8GHz、53.596GHz、54.4GHz、54.94GHz、55.5GHz和57.29GHz，将每一组TA数据分别集合至一个mat格式的文件中，作为一个训练样本。
选择与亮温时间相同的三维温度廓线T，亮温图像中每一点都有经纬度标识，且每一点都对应一条垂直温度廓线，温度廓线按照标准气压进行分为59层，其接近地表的气压为1000hPa，最高空可达50hPa，依据经纬度将T与TA进行匹配，使得二者具有相同的网格数，将T作为训练数据集的标签，并分别保存每个标签所有气压层的数据至mat格式文件。
对样本集和标签集分别进行归一化处理，将数据集打乱顺序，并选择前M个样本作为测试数据集，其余作为训练数据集。
实施例中，训练样本多，且单个样本与标签的数据量较大，为方便网络训练时数据集的读取，分别将多频率亮温和多层廓线组合得到训练集。分别读取8个频率的200*200大小亮温，并保存至同一mat格式的文件，使得单个样本的大小8*200*200。从WRF输出的大气状态文件中提取温度廓线，并按照气压由低到高的分层顺序保存温度廓线数据，使得单个标签的大小为59*200*200。根据亮温和温度数据的特征，分别对其除以150和50，做归一化处理。打乱数据集，选择前50组作为测试数据集，剩余作为训练所用数据。
步骤S3.基于训练数据集训练DenseNet卷积神经网络直至其收敛，得到训练好的网络。
DenseNet是一种应用于计算机视觉领域的卷积神经网络，其特点在于在网络中建立了当前的卷积层与之前卷积层之间的直接连接，实现了卷积层之间的特征重用，在减少参数量的同时缓解了梯度消失的问题。
本发明以DenseNet网络的密集连接块为基础搭建网络，并将原有的多个DenseBlock压缩至两个，减少网络层数，避免网络过拟合情况的出现，同时为应用于本发明所述的反演问题，还对输入和输出层做了修改，具体如下：
利用深度学习框架，搭建DenseNet网络基础结构DenseBlock，DenseBlock将网络当前层之前所有层的输出作为当前层的输入，设网络第i层的输入与输出变换关系为Hi，输出为yi，则
yi＝Hi(y0+y1+…+yi-1)
网络的输入层为具有8个通道的亮温图像数据，输出层为具有59个通道(对应廓线分层)的温度廓线数据，且每个通道的亮温与廓线网格尺寸相等。本发明根据亮温多谱特征和温度廓线的分层特征修改了DenseNet输入和输出卷积层，并在减少中间卷积层数的同时保持网络特征重用的基本特性不变。
如图2所示，DenseNet网络结构中，“Conv2d”代表卷积层，“BN”代表归一化层，即将上层数据做归一化处理，可加快网络训练，“Relu”代表深度学习中的Relu激活函数。
在整个网络的计算过程中，网络的特征图大小保持不变；输入层中卷积层对应输入的8个亮温通道，并提取32维特征；整个网络主要由两个DenseBlock密集连接块构成，其中DenseBlock_1中含6个基础的卷积层，而DenseBlock_2中含12个卷积层，两个DenseBlock间采用“BN+Conv2d+Relu”的结构进行连接，网络经DenseBlock模块后共含有56维特征，此时需输出层的卷积操作提取出59维特征，对应廓线的59层垂直分层。
利用DenseNet网络反演温度廓线时，因网络的复杂程度可满足多种天气场景同时反演的需求，且网络本身的输入就是二维亮温图像，故无需再用背景场亮温数据或温湿度等大气参数筛选不同场景的亮温数据并作数据分类处理，符合实际反演时的情况，速度快、效率高，且其反演精度相比较利用神经网络反演的误差在可接受范围内，具有实用价值。
利用python语言编写训练所用程序，设置网络批处理量、最大迭代次数、训练平台(CPU或GPU)以及网络权重存储位置，训练网络，待网络输出的损失函数值不再下降，而于某一相比初始损失函数很小的值附近波动时，则判定针对当前数据集，网络已达到收敛，停止训练。
步骤S4.将待反演的亮温图像TA输入训练好的网络，输出反演得到的三维大气温度廓线T。
对网络输出的温度廓线数据需要进行反归一化处理，方能同真实温度廓线作对比。
利用python语言编写测试程序，选择一测试样本输入训练好的网络，将网络输出的温度廓线同真实温度廓线对比，计算二者在每一层的RMSE值，利用该方法反演时未作数据的筛选，反演区域内包括晴空、云和雨三种不同的场景。将利用卷积神经网络反演得到的温度廓线误差同传统的人工神经网络训练所得误差对比，在本实例中卷积神经网络的测试样本为测试集中随机挑选的一个，且经测试其它测试样本(本实例中测试样本最大时间差为一个月)的误差曲线与此样本的计算结果较为接近，而下文所述神经网络的测试样本只与其训练样本相差6个小时，因为神经网络的测试集和训练集时间相差较大时，误差将会增大，在本实例中若选择相差15天的训练和测试样本，则神经网络的反演误差最大时可超过3.5K，且反演误差曲线没有分布规律，无法应用于反演问题。
图3(a)中虚线为利用神经网络反演晴空场景时温度廓线的误差，通过比较可知在低空区DenseNet反演混合场景的平均误差和神经网络反演晴空场景的误差精度相当，而在200hPa至800hPa的部分区间，DenseNet反演精度更高。
图3(b)中虚线为利用神经网络反演雨天场景时温度廓线的误差，在气压于800hPa以上的低空区，神经网络反演的误差更小，在其他区域二者误差相当。
图3(c)中虚线为利用神经网络反演有云场景时温度廓线的误差，由图可知神经网络反演时的整体误差小于DenseNet，但二者之间误差相差不大。
本发明与传统BP神经网络温度廓线反演方法的区别主要在于：其一，针对亮温与温度的非线性关系，本发明应用卷积神经网络进行反演，且网络深度远比传统人工神经网络大，可适用于更为复杂的关系模型，网络的泛化能力更强；其二，本发明中网络训练数据皆以某一区域的二维观测亮温图像和三维大气温度廓线为单元，数据集可包含多种天气状况(晴空、云、雨)，更加适用于真实应用场景。经过试验和分析，本发明能较好地满足反演温度廓线的实际需要。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于DenseNet卷积神经网络的三维大气温度廓线反演方法，其特征在于，该方法包括以下步骤：
S1.根据氧气吸收频段的二维大气观测亮温图像和三维大气温度廓线，构建训练数据集；
S2.基于训练数据集，训练DenseNet卷积神经网络直至其收敛，得到训练好的网络；
S3.将待反演的亮温图像输入训练好的网络，输出反演得到的三维大气温度廓线。
2.如权利要求1所述的方法，其特征在于，步骤S1包括以下子步骤：
S11.将频率不同、时间和区域相同的二维大气观测亮温图像进行组合，每组多频率亮温图像作为一个样本，不同样本之间选择的频率相同，时间和区域不同；
S12.根据区域的经纬度，将三维大气温度廓线与样本进行匹配，作为该样本的标签；
S13.对样本集和标签集分别进行归一化处理，再将数据集分为训练数据集和测试数据集。
3.如权利要求1或2所述的方法，其特征在于，通过气象数据网下载或者基于大气数值模式和RT模型模拟，得到二维大气观测亮温图像；通过气象数据网下载或者WRF数值预报模型计算，得到三维大气温度廓线。
4.如权利要求2所述的方法，其特征在于，所述DenseNet卷积神经网络包括：
输入层，用于提取样本特征，所述输入层采用“Conv2d+BN+Relu”结构；
中间层，用于对样本特征提取更多维的特征，所述中间层包括：DenseBlock_1、DenseBlock_2和连接层，所述DenseBlock_1包括6个卷积层，所述连接层采用“BN+Conv2d+Relu”结构，所述DenseBlock_2包括12个卷积层；
输出层，用于将中间层输出的特征的通道数调整为与三维大气温度廓线的通道数，所述输出层采用“Conv2d”结构。
5.如权利要求2所述的方法，其特征在于，将数据集的时间顺序打乱，并选择前M个样本作为测试数据集，其余作为训练数据集。
6.一种基于DenseNet卷积神经网络的三维大气温度廓线反演系统，其特征在于，该系统包括：
预处理模块，用于根据氧气吸收频段的二维大气观测亮温图像和三维大气温度廓线，构建训练数据集；
训练模块，用于基于训练数据集，训练DenseNet卷积神经网络直至其收敛，得到训练好的网络；
反演模块，用于将待反演的亮温图像输入训练好的网络，输出反演得到的三维大气温度廓线。
7.如权利要求6所述的系统，其特征在于，所述预处理模块通过以下方式构建训练数据集：
(1)将频率不同、时间和区域相同的二维大气观测亮温图像进行组合，每组多频率亮温图像作为一个样本，不同样本之间选择的频率相同，时间和区域不同；
(2)根据区域的经纬度，将三维大气温度廓线与样本进行匹配，作为该样本的标签；
(3)对样本集和标签集分别进行归一化处理，再将数据集分为训练数据集和测试数据集。
8.如权利要求6所述的系统，其特征在于，所述DenseNet卷积神经网络包括：
输入层，用于提取样本特征，所述输入层采用“Conv2d+BN+Relu”结构；
中间层，用于对样本特征提取更多维的特征，所述中间层包括：DenseBlock_1、DenseBlock_2和连接层，所述DenseBlock_1包括6个卷积层，所述连接层采用“BN+Conv2d+Relu”结构，所述DenseBlock_2包括12个卷积层；
输出层，用于将中间层输出的特征的通道数调整为与三维大气温度廓线的通道数，所述输出层采用“Conv2d”结构。
CN201911040625.XA 2019-10-29 2019-10-29 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统 Active CN110826693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911040625.XA CN110826693B (zh) 2019-10-29 2019-10-29 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911040625.XA CN110826693B (zh) 2019-10-29 2019-10-29 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统

Publications (2)

Publication Number Publication Date
CN110826693A true CN110826693A (zh) 2020-02-21
CN110826693B CN110826693B (zh) 2022-10-14

Family

ID=69551215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911040625.XA Active CN110826693B (zh) 2019-10-29 2019-10-29 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统

Country Status (1)

Country Link
CN (1) CN110826693B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111610524A (zh) * 2020-05-09 2020-09-01 华中科技大学 一种基于一维变分算法的冰云廓线反演方法及系统
CN111651934A (zh) * 2020-05-25 2020-09-11 华中科技大学 一种冰云廓线反演方法
CN111737641A (zh) * 2020-06-15 2020-10-02 洛阳师范学院 一种基于神经网络的mwhts通道权重函数计算方法
CN111737912A (zh) * 2020-06-15 2020-10-02 洛阳师范学院 一种基于深度神经网络的mwhts模拟亮温计算方法
CN112254866A (zh) * 2020-10-15 2021-01-22 洛阳师范学院 一种mwts-ii和mwhts融合反演海面气压的方法
CN112730313A (zh) * 2020-12-21 2021-04-30 国家卫星气象中心(国家空间天气监测预警中心) 用于冰云探测的多频太赫兹探测仪通道选取方法及装置
CN113311510A (zh) * 2021-05-11 2021-08-27 洛阳师范学院 一种基于模拟亮温的mwhts观测亮温的分类方法
CN117969881A (zh) * 2024-03-29 2024-05-03 中国石油大学(华东) 基于遥感数据反演台风海况海面风速的方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437096A (zh) * 2017-07-28 2017-12-05 北京大学 基于参数高效的深度残差网络模型的图像分类方法
US20180108139A1 (en) * 2016-10-19 2018-04-19 U.S. Department Of Veterans Affairs System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks
CN108875905A (zh) * 2018-04-09 2018-11-23 华中科技大学 一种大气温湿廓线的可见度函数直接反演方法
CN109035779A (zh) * 2018-08-30 2018-12-18 南京邮电大学 基于DenseNet的高速公路交通流预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180108139A1 (en) * 2016-10-19 2018-04-19 U.S. Department Of Veterans Affairs System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks
CN107437096A (zh) * 2017-07-28 2017-12-05 北京大学 基于参数高效的深度残差网络模型的图像分类方法
CN108875905A (zh) * 2018-04-09 2018-11-23 华中科技大学 一种大气温湿廓线的可见度函数直接反演方法
CN109035779A (zh) * 2018-08-30 2018-12-18 南京邮电大学 基于DenseNet的高速公路交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GAO HUANG ET AL.: ""Densely Connected Convolutional Networks"", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
吕新帅 等: ""一种基于RBF神经网络的大气温度及水汽密度廓线反演方法"", 《舰船电子工程》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111610524A (zh) * 2020-05-09 2020-09-01 华中科技大学 一种基于一维变分算法的冰云廓线反演方法及系统
CN111610524B (zh) * 2020-05-09 2022-07-12 华中科技大学 一种基于一维变分算法的冰云廓线反演方法及系统
CN111651934A (zh) * 2020-05-25 2020-09-11 华中科技大学 一种冰云廓线反演方法
CN111651934B (zh) * 2020-05-25 2024-03-22 华中科技大学 一种冰云廓线反演方法
CN111737641A (zh) * 2020-06-15 2020-10-02 洛阳师范学院 一种基于神经网络的mwhts通道权重函数计算方法
CN111737912A (zh) * 2020-06-15 2020-10-02 洛阳师范学院 一种基于深度神经网络的mwhts模拟亮温计算方法
CN111737641B (zh) * 2020-06-15 2023-05-30 洛阳师范学院 一种基于神经网络的mwhts通道权重函数计算方法
CN111737912B (zh) * 2020-06-15 2024-01-23 洛阳师范学院 一种基于深度神经网络的mwhts模拟亮温计算方法
CN112254866A (zh) * 2020-10-15 2021-01-22 洛阳师范学院 一种mwts-ii和mwhts融合反演海面气压的方法
CN112730313A (zh) * 2020-12-21 2021-04-30 国家卫星气象中心(国家空间天气监测预警中心) 用于冰云探测的多频太赫兹探测仪通道选取方法及装置
CN113311510A (zh) * 2021-05-11 2021-08-27 洛阳师范学院 一种基于模拟亮温的mwhts观测亮温的分类方法
CN117969881A (zh) * 2024-03-29 2024-05-03 中国石油大学(华东) 基于遥感数据反演台风海况海面风速的方法、装置及介质

Also Published As

Publication number Publication date
CN110826693B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN110826693B (zh) 基于DenseNet卷积神经网络的三维大气温度廓线反演方法和系统
CN111024618A (zh) 基于遥感影像的水质健康监测方法、装置及存储介质
CN111007021A (zh) 基于一维卷积神经网络的高光谱水质参数反演系统及方法
CN110852227A (zh) 高光谱图像深度学习分类方法、装置、设备及存储介质
CN110555841B (zh) 基于自注意图像融合和dec的sar图像变化检测方法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN112069955B (zh) 基于深度学习的台风强度遥感反演方法
CN111610524B (zh) 一种基于一维变分算法的冰云廓线反演方法及系统
CN112906310A (zh) 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
CN111737913A (zh) 一种基于云水含量反演的mwhts晴空观测亮温选择方法
CN112016596B (zh) 基于卷积神经网络的农田土壤肥力评价方法
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN110689065A (zh) 一种基于扁平混合卷积神经网络的高光谱图像分类方法
Ionescu et al. DeePS at: A deep learning model for prediction of satellite images for nowcasting purposes
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN114626966A (zh) 一种基于景观格局量化城市大型蓝绿空间降温规模的方法
CN111273376B (zh) 降尺度的海表净辐射确定方法、系统、设备及存储介质
Zhigang et al. Retrieving atmospheric temperature profiles from AMSU-A data with neural networks
CN116312860B (zh) 基于监督迁移学习的农产品可溶性固形物预测方法
CN116189021B (zh) 多分支互交叉注意力增强的无人机多光谱目标检测方法
CN110321528B (zh) 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法
CN114965300B (zh) 基于光学水体类型和bp神经网络算法构建bp-turb的湖泊浊度制图方法
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
Chen et al. A remapping technique of FY-3D MWRI based on a convolutional neural network for the reduction of representativeness error
CN115015147A (zh) 一种高空间分辨率高光谱热红外遥感影像模拟方法

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
GR01 Patent grant
GR01 Patent grant