CN111079835B - 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 - Google Patents

一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 Download PDF

Info

Publication number
CN111079835B
CN111079835B CN201911294229.XA CN201911294229A CN111079835B CN 111079835 B CN111079835 B CN 111079835B CN 201911294229 A CN201911294229 A CN 201911294229A CN 111079835 B CN111079835 B CN 111079835B
Authority
CN
China
Prior art keywords
aerosol
data
inversion
himapari
remote sensing
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.)
Active
Application number
CN201911294229.XA
Other languages
English (en)
Other versions
CN111079835A (zh
Inventor
吴艳兰
杨辉
江鹏
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN201911294229.XA priority Critical patent/CN111079835B/zh
Publication of CN111079835A publication Critical patent/CN111079835A/zh
Application granted granted Critical
Publication of CN111079835B publication Critical patent/CN111079835B/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
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/178—Methods for obtaining spatial resolution of the property being measured
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1795—Atmospheric mapping of gases
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了气溶胶遥感技术领域的一种基于深度全连接网络的Himawari‑8大气气溶胶反演方法，首先获取Himawari‑8静止卫星的NetCDF4格式的遥感影像数据，获得反演模型所需的因变量数据集，其次，获取Himawari‑8影像对应时间的AERONET站点1.5等级去云和质量控制的气溶胶产品数据，获得反演模型所需的自变量数据，接着，用整理好的数据集进行深度全连接网络的深度学习模型构建，并进行模型参数设置，用以获取Himawari‑8遥感影像数据和地面AERONET站点气溶胶数据之间的关系，构建气溶胶反演模型，最后，将训练得到的深度全连接反演模型应用与监测点上空的Himawari‑8遥感影像，得到对应监测位置的AOD反演结果；本发明气溶胶反演过程无需引入其他辅助数据，使其反演过程误差减少，提高AOD反演精度。

Description

一种基于深度全连接网络的Himawari-8大气气溶胶反演方法
技术领域
本发明涉及气溶胶遥感技术领域，具体涉及一种基于深度全连接网络的Himawari-8大气气溶胶反演方法。
背景技术
近年来，随着我国经济和城市化进程的快速发展和不断加快，对环境的破坏也越来越严重，其中，大气环境污染既能直接危害人体健康，又能影响动植物的生长，损坏经济资源，使得大气污染治理成为当前环境污染治理的首要任务。大气气溶胶是全球大气的重要组成部分，不仅直接影响大气环境中云、雾和降水，而且还能够间接影响大气中的各种化学反应，改变臭氧、一氧化氮等气体分子进而影响气候。
当前的大气气溶胶监测技术主要有地基遥感和卫星遥感两种方式，地基站点的气气溶胶监测可提供多参数信息和高精度的气溶胶产品数据，但因其站点数量少，密度小等原因，难以获取大范围空间覆盖的气溶胶分布状况。与之相对，卫星遥感具有非接触、大范围、实时动态监测等优点，可以很好的解决地基站点监测的不足，实现对气溶胶特征、大范围时空变化的监测，是一种重要的大气环境检测手段。根据卫星对地观测的时间分辨率的不同，气溶胶遥感反演可分为极轨卫星遥感反演和同步静止卫星遥感反演。由于极轨卫星对地观测的时间分辨率多为1-2次/天，而气溶胶具有时空变化快、存在时间短等特性,极轨卫星传感器时间分辨率已很难满足气溶胶时效性的实时监测需求。相对于极轨卫星，静止卫星具有高时间分辨率的特点，能在一天内提供长时序、多监测卫星数据，可用于研究气溶胶的长时序日监测或者小时监测。但无论是极轨卫星AOD监测，还是静止卫星AOD监测，其主要思路为通过假设不同的气溶胶模式和观测几何状况，再计算气溶胶光学厚度与地表反射率、大气反射率和卫星天顶角和太阳天顶角直接的对应关系，最后，通过建立查找表，动态的计算气溶胶光学厚度。这一反演过程中，由于加入过多转换公式、辅助数据等，使得计算精度难以控制，且因其不确定性导致常规反演模型的实用性降低，无法应用于其他研究区。
深度学习是一个近年来备受关注的研究领域，通过建立、模拟分层结构来实现对外部输入数据的特征学习，建立数据与数据间的联系，更好的理解数据，发掘数据之间的关系。将深度学习技术和遥感监测技术结合，既能充分利用遥感影像数据，提供长时序的大气实时动态监测，使得遥感AOD监测具有更好的适用性。基于此，本发明设计了一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，以解决上述问题。
发明内容
本发明的目的在于提供一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，包括Himawari-8遥感影像数据和AERONET站点实测数据，具体包括以下步骤：
第一步，根据地面站点的实际经纬度信息对Himawari-8进行定位，快速提取出对应站点的Himawari-8遥感影像数据；
第二步，对提取后的所述Himawari-8遥感影像数据进行去燥处理，实现对云层覆盖点像元数据过滤，提高Himawari-8的数据质量；
第三步，通过对气溶胶光学厚度与波段关系的
Figure BDA0002320055140000021
指数对AERONET站点数据进行插值处理，得到550nm处的站点气溶胶实测值，即AERONET站点实测数据；
第四步，将处理完成的所述Himawari-8遥感影像数据和AERONET站点实测数据进行时间匹配，构建深度学习反演模型所需的样本数据集；
第五步，构建深度全连接网络模型并对样本数据集进行模型训练，通过设置合适的隐藏层和激活函数，对反演模型进行参数设置，得到最优的遥感气溶胶深度学习反演模型；
第六步，将得到的最优深度学习反演模型应用到特定站点位置的Himawari-8影像，利用对应位置的Himawari-8遥感影像进行AOD遥感反演，并将结果和MODIS气溶胶产品、Himawari-8官方气溶胶产品ARP和AERONET站点实测数据进行对比分析。
优选的，所述步骤三通过气溶胶光学厚度与波段关系的
Figure BDA0002320055140000031
指数，对AERONET地基站点数据集进行插值计算，得到550nm处的气溶胶站点实测值，计算公式如下：
τα(λ)＝βλ-α
式中，τα(λ)为λ波长处的气溶胶光学厚度；α为
Figure BDA0002320055140000032
波长指数；β为
Figure BDA0002320055140000033
浑浊度系数；式中需要输入AERONET监测站点的440nm、500nm、675nm处的气溶胶数据得出α值和β值，再将λ＝550nm代入公式得到550nm处的气溶胶光学厚度值。
优选的，所述步骤五中，充分利用所述Himawari-8遥感影像数据和所述AERONET站点实测数据，使用先进的深度学习技术，直接建立Himawari-8遥感影像数据和站点实测AOD之间的关系，进行气溶胶遥感实时动态估计。
优选的，所述步骤五中，对样本数据集训练数据进行筛选，去除云、水、雪等像元对所述模型训练的影响，得到质量控制的深度学习训练数据。
优选的，所述步骤五中，将模型所需的样本数据集按7:3的比例随机划分，其中训练样本占总数据样本的70％，测试样本占总数据样本的30％。
优选的，将对样本数据集进行按比例随机划分所得的训练样本导入深度学习模型进行反演模型构建，经过必要的参数设置，最终得到最优AOD反演模型。
与现有技术相比，本发明的有益效果是：
1、本发明反演的AOD与AERONET站点实测数据的相关性较高，反演效果较好，无需加入过多的辅助数据，减少常规AOD遥感反演的误差，因建立Himawari-8静止卫星多光谱影像观测值与实测AOD之间的关系，使得反演模型较为稳健，相较于常规遥感AOD监测方法，不仅减少误差产生及传递，还能提供长时序的AOD实时监测。
2、本发明能够时间长时序、高时间分辨率(10min)的AOD监测，为大气监测提供有效的数据支持。
3、本发明快速、准确，易于实现，展示效果好，便于后期实时监测AOD后续工作。
4、本发明直接建立Himawari-8遥感影像数据和站点实测AOD之间的关系，进行气溶胶遥感反演监测，有效避免常规AOD遥感反演中因引入过多辅助数据而造成的误差及其传递，提高气溶胶遥感反演精度，为大气环境治理提供有效的数据支持。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明Himawari-8气溶胶反演流程图。
图2为本发明Himawari-8气溶胶反演深度学习模型简图。
图3为本发明Himawari-8气溶胶反演结果、MODIS气溶胶产品、Himawari-8气溶胶产品与同时刻AERONET站点数据散点图。
图4为本发明Himawari-8气溶胶反演结果与AERONET站点实测AOD、MODIS气溶胶产品、Himawari-8气溶胶产品的对比分析图。
图5为本发明Himawari-8气溶胶反演结果与AERONET站点实测AOD进行对比散点图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-4，本发明提供一种技术方案：一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，包括Himawari-8遥感影像数据和AERONET站点实测数据，具体包括以下步骤：
第一步，根据地面站点的实际经纬度信息对Himawari-8进行定位，快速提取出对应站点的Himawari-8遥感影像数据；
第二步，对提取后的所述Himawari-8遥感影像数据进行去燥处理，实现对云层覆盖点像元数据过滤，提高Himawari-8的数据质量；
第三步，通过对气溶胶光学厚度与波段关系的
Figure BDA0002320055140000051
指数对AERONET站点数据进行插值处理，得到550nm处的站点气溶胶实测值，即AERONET站点实测数据；
第四步，将处理完成的所述Himawari-8遥感影像数据和AERONET站点实测数据进行时间匹配，构建深度学习反演模型所需的样本数据集；
第五步，构建深度全连接网络模型并对样本数据集进行模型训练，通过设置合适的隐藏层和激活函数，对反演模型进行参数设置，得到最优的遥感气溶胶深度学习反演模型；
第六步，将得到的最优深度学习反演模型应用到对应监测点的Himawari-8影像，得到对应点实时AOD估计结果，并将结果和MODIS气溶胶产品、Himawari-8官方气溶胶产品ARP和AERONET站点实测数据进行对比分析。
通过对气溶胶光学厚度与波段关系的
Figure BDA0002320055140000062
指数对AERONET站点数据集进行插值计算，得到550nm处的气溶胶站点实测值。对训练数据进行筛选，去除云、水、雪等像元对模型训练的影响，得到质量控制的深度学习训练数据。将Himawari-8遥感影像观测数据和AERONET站点数据进行时空匹配，得到深度学习模型的所需的最终数据集。将模型所需的样本数据集按7:3的比例随机划分，其中训练样本占总数据样本的70％，测试样本占总数据样本的30％。将对样本数据集进行按比例随机划分所得的训练样本导入深度学习模型进行反演模型构建，经过必要的参数设置，最终得到最优AOD反演模型。
(1)站点实测AOD数据处理。由于AERONET站点的气溶胶产品数据中并没有直接提供550nm气溶胶数据，本发明将通过气溶胶光学厚度与波段关系的
Figure BDA0002320055140000063
指数，对AERONET地基站点数据集进行插值计算，得到550nm处的气溶胶站点实测值。计算公式如下：
τα(λ)＝βλ-α
式中，τα(λ)为λ波长处的气溶胶光学厚度；α为
Figure BDA0002320055140000064
波长指数；β为
Figure BDA0002320055140000065
浑浊度系数；式中需要输入AERONET监测站点的440nm、500nm、675nm处的气溶胶数据得出α值和β值，再将λ＝550nm代入公式得到550nm处的气溶胶光学厚度值。
(2)删除模型训练影响因素。由于云层、水体等对大气气溶胶监测有着十分重要的影响，会影响对AOD的检测。去除云、水像元对应的训练特征值，对训练模型数据进行刷选，当可见光0.46μm波段的反射率值大于0.25时，判定为云像元，进而剔除该像元数据；当植被指数NDVI小于0时，判定为水像元，剔除该像元数据。DNVI计算公式如下：
Figure BDA0002320055140000061
其中，ρ0.86和ρ0.64分别为0.86μm和0.64μm波段的反射率值。
(3)训练数据时空匹配。AERONET站点产品数据集中几乎可以实时提供1.5等级的AOD产品数据，而H8卫星也可以实现高达10min/次的高频次对地观测，两者可以实现时间匹配。在数据空间匹配方面，选取的HimawariL1数据的空间分辨率2kmx2km，因此通过地面实测站点的经纬度坐标实现数据的空间匹配。
(4)训练样本的随机划分。最终创建的数据集(数据的总样本)由12504条配对值组成，将其随机分成训练样本(约占总样本的70％)和测试样本(约占总样本的30％)，其中训练样本用于训练深度全连接网络模型及调试模型参数，测试样本用于评估模型的准确性。同时，训练集和测试集的随机选择确保了训练样本和测试样本的形状分布和值范围的必要相似性，而这种相似性对模型训练十分重要，通过随机划分，确保深度全连接网络模型在整个测试过程中覆盖整个测试样本的全部值范围。
(5)本发明所设计的深度全连接网络模型使用来自H8多光谱影像的20种光谱信息(输入节点)估计AOD550nm值(输出节点)。如附图部分中图2所示，发明的H8深度网络模型输入层(InputLayers)具有20个输入节点，分别为01～06波段的AB数据和07～16波段的BT数据和对应时刻的角度数据(卫星天顶角(SAZ)、卫星方位角(SAA)、太阳天顶角(SOZ)和太阳方位角(SOA))的标准化像素值；隐藏层(Hiddenlayer)指的是输入层和输出层之间的层，本模型设计了5个隐藏层，各隐藏层激活函数(ActivationFunction)均为非线性Relu函数；最后由输出层(OutputLayer)提供各像素AOD550nm估计值。学习率(Learningrate)具体指的是缩放深度学习网络模型权重更新幅度，以便最大程度减少模型输出偏差的参数，通常情况下，低学习率会使神经网络模型权重进行小幅度的更新，导致模型训练过程缓慢，而高学习率可能导致模型最终输出中出现不期望的发散行为，本发明经过多次模型参数调整测试后，将深度全连接网络模型的学习率设置为0.01，迭代次数为1000次，得到精度较高的反演结果。
充分利用Himawari-8遥感影像数据和所述AERONET站点实测数据，使用先进的深度学习技术，直接建立Himawari-8遥感影像数据和站点实测AOD之间的关系，进行气溶胶遥感反演监测，有效避免常规AOD遥感反演中因引入过多辅助数据而造成的误差及其传递，提高气溶胶遥感反演精度，为大气环境治理提供有效的数据支持，避免常规遥感反演方法中的参数构造，减少误差传递，充分挖掘遥感影像数据和站点实测数据之间的关系，提高AOD反演精度。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，包括Himawari-8遥感影像数据和AERONET站点实测数据，其特征在于，具体包括以下步骤：
第一步，根据地面站点的实际经纬度信息对Himawari-8进行定位，快速提取出对应站点的Himawari-8遥感影像数据；
第二步，对提取后的所述Himawari-8遥感影像数据进行去燥处理，实现对云层覆盖点像元数据过滤，提高Himawari-8的数据质量；
第三步，通过对气溶胶光学厚度与波段关系的
Figure FDA0002320055130000011
指数对AERONET站点数据进行插值处理，得到550nm处的站点气溶胶实测值，即AERONET站点实测数据；
第四步，将处理完成的所述Himawari-8遥感影像数据和AERONET站点实测数据进行时间匹配，构建深度学习反演模型所需的样本数据集；
第五步，构建深度全连接网络模型并对样本数据集进行模型训练，通过设置合适的隐藏层和激活函数，对反演模型进行参数设置，得到最优的遥感气溶胶深度学习反演模型；
第六步，将得到的最优深度学习反演模型应用到对应监测点的Himawari-8影像，得到对应点实时AOD估计结果，并将结果和MODIS气溶胶产品、Himawari-8官方气溶胶产品ARP和AERONET站点实测数据进行对比分析。
2.根据权利要求1所述的一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，其特征在于，所述步骤三通过气溶胶光学厚度与波段关系的
Figure FDA0002320055130000012
指数，对AERONET地基站点数据集进行插值计算，得到550nm处的气溶胶站点实测值，计算公式如下：
τα(λ)＝βλ-α
式中，τα(λ)为λ波长处的气溶胶光学厚度；α为
Figure FDA0002320055130000013
波长指数；β为
Figure FDA0002320055130000014
浑浊度系数；式中需要输入AERONET监测站点的440nm、500nm、675nm处的气溶胶数据得出α值和β值，再将λ＝550nm代入公式得到550nm处的气溶胶光学厚度值。
3.根据权利要求1所述的一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，其特征在于：所述步骤五中，充分利用所述Himawari-8遥感影像数据和所述AERONET站点实测数据，使用先进的深度学习技术，直接建立Himawari-8遥感影像数据和站点实测AOD之间的关系，进行气溶胶遥感实时动态估计。
4.根据权利要求1所述的一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，其特征在于：所述步骤五中，对样本数据集训练数据进行筛选，去除云、水、雪等像元对所述模型训练的影响，得到质量控制的深度学习训练数据。
5.根据权利要求1所述的一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，其特征在于：所述步骤五中，将模型所需的样本数据集按7:3的比例随机划分，其中训练样本占总数据样本的70％，测试样本占总数据样本的30％。
6.根据权利要求5所述的一种基于深度全连接网络的Himawari-8大气气溶胶反演方法，其特征在于：将对样本数据集进行按比例随机划分所得的训练样本导入深度学习模型进行反演模型构建，经过必要的参数设置，最终得到最优AOD反演模型。
CN201911294229.XA 2019-12-16 2019-12-16 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 Active CN111079835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911294229.XA CN111079835B (zh) 2019-12-16 2019-12-16 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911294229.XA CN111079835B (zh) 2019-12-16 2019-12-16 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法

Publications (2)

Publication Number Publication Date
CN111079835A CN111079835A (zh) 2020-04-28
CN111079835B true CN111079835B (zh) 2023-03-07

Family

ID=70315138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911294229.XA Active CN111079835B (zh) 2019-12-16 2019-12-16 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法

Country Status (1)

Country Link
CN (1) CN111079835B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112378828B (zh) * 2020-12-11 2021-09-17 中科三清科技有限公司 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置
CN113408742B (zh) * 2021-06-24 2023-06-02 桂林理工大学 一种基于机器学习的高精度海表温度反演方法
CN117409334B (zh) * 2023-10-16 2024-04-23 中国科学院空天信息创新研究院 一种基于静止卫星遥感数据的气溶胶类型识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170927A (zh) * 2017-12-22 2018-06-15 深圳先进技术研究院 一种基于modis的pm2.5遥感反演方法
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105674901B (zh) * 2016-04-08 2017-12-26 电子科技大学 基于统计学分段的大气气溶胶反演方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170927A (zh) * 2017-12-22 2018-06-15 深圳先进技术研究院 一种基于modis的pm2.5遥感反演方法
CN110287869A (zh) * 2019-06-25 2019-09-27 吉林大学 基于深度学习的高分辨率遥感影像农作物分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
暗目标法的Himawari-8静止卫星数据气溶胶反演;葛邦宇等;《遥感学报》;20180125(第01期);全文 *

Also Published As

Publication number Publication date
CN111079835A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
US11333796B2 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
CN109580003B (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
CN111079835B (zh) 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法
CN111678866B (zh) 一种多模型集成学习的土壤含水量反演方法
Zhang et al. Assimilation of precipitation-affected radiances in a cloud-resolving WRF ensemble data assimilation system
Cossarini et al. Towards operational 3D-Var assimilation of chlorophyll Biogeochemical-Argo float data into a biogeochemical model of the Mediterranean Sea
Essery et al. Radiative transfer modeling of a coniferous canopy characterized by airborne remote sensing
CN109974665B (zh) 一种针对缺少短波红外数据的气溶胶遥感反演方法及系统
CN113885025A (zh) 一种滑坡形变监测方法与可视化服务平台
CN111723524B (zh) 一种基于日变化约束的pm2.5卫星遥感反演方法
CN108876917A (zh) 一种森林地上生物量遥感估测通用模型构建方法
CN112016052A (zh) 基于多源数据的近地表日最高气温估算方法、系统及终端
Mao et al. A framework for diagnosing factors degrading the streamflow performance of a soil moisture data assimilation system
Liu et al. Estimation of surface and near-surface air temperatures in arid northwest china using landsat satellite images
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN109406361A (zh) 一种基于遥感技术的干旱区灰霾污染预警方法
He et al. An operational weather radar–based quantitative precipitation estimation and its application in catchment water resources modeling
Fan et al. A comparative study of four merging approaches for regional precipitation estimation
Xiong et al. Estimating the PM2. 5 concentration over Anhui Province, China, using the Himawari-8 AOD and a GAM/BME model
CN105528523A (zh) 一种基于遥感数据的土壤厚度反演方法
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
CN111965330B (zh) 一种基于双极化类发射率的裸露土壤含水量反演方法
Wu et al. Improving the capability of water vapor retrieval from Landsat 8 using ensemble machine learning
Li et al. Fractional vegetation coverage downscaling inversion method based on Land Remote-Sensing Satellite (System, Landsat-8) and polarization decomposition of Radarsat-2
Pan et al. Remote sensing inversion of soil organic matter by using the subregion method at the field scale

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