CN111273376A - 降尺度的海表净辐射确定方法、系统、设备及存储介质 - Google Patents

降尺度的海表净辐射确定方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111273376A
CN111273376A CN202010084915.0A CN202010084915A CN111273376A CN 111273376 A CN111273376 A CN 111273376A CN 202010084915 A CN202010084915 A CN 202010084915A CN 111273376 A CN111273376 A CN 111273376A
Authority
CN
China
Prior art keywords
preset
downscaling
net radiation
sea surface
spatial resolution
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
CN202010084915.0A
Other languages
English (en)
Other versions
CN111273376B (zh
Inventor
徐蒋磊
江波
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.)
Beijing Normal University
Original Assignee
Beijing Normal 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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN202010084915.0A priority Critical patent/CN111273376B/zh
Publication of CN111273376A publication Critical patent/CN111273376A/zh
Application granted granted Critical
Publication of CN111273376B publication Critical patent/CN111273376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明实施例涉及遥感技术技术领域，公开了降尺度的海表净辐射确定方法、系统、设备及存储介质。本发明先获取预设降尺度估算模型；将第一空间分辨率对应的第一遥感数据通过预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；其中，第二空间分辨率的数值小于第一空间分辨率的数值。本发明实施例由于使用了预设降尺度估算模型对应的降尺度处理方式，可通过空间分辨率较粗的遥感数据来确定出空间分辨率较细的海表净辐射数据，从而解决了难以适应更细空间分辨率的技术问题。

Description

降尺度的海表净辐射确定方法、系统、设备及存储介质
技术领域
本发明涉及遥感技术技术领域，尤其涉及降尺度的海表净辐射确定方法、系统、设备及存储介质。
背景技术
海表全波段净辐射是一种用于表征海表辐射能量收支平衡的状态参量，该状态参量有助于研究海表-大气的边界层热量与水汽的交互过程以及海洋热通量的循环过程，同时，也可用于预测一些与海洋气候相关的事灾害件。
就海表净辐射的获取方式而言，传统获取方法将使用通过浮标或者志愿船观测到的数据，通过该数据构建出经验公式，再通过该经验公式来估算得到海表净辐射。
随着技术的不断发展，鉴于遥感技术能够提供海表的多源多维多时相信息，所以，还可引入遥感技术来得到海表净辐射。
但是，大多数结合遥感的辐射确定方式在遥感数据的空间分辨率上表现较差。换言之，大多数的辐射确定方式具有较粗的空间分辨率，难以应用到小范围海域的辐射能量平衡上，即难以适用于空间分辨率要求更高的遥感场景。
可见，目前的辐射确定方式存在着难以适应更细空间分辨率的技术问题。
发明内容
为了解决难以适应更细空间分辨率的技术问题，本发明实施例提供降尺度的海表净辐射确定方法、系统、设备及存储介质。
第一方面，本发明实施例提供一种降尺度的海表净辐射确定方法，包括：
获取预设降尺度估算模型；
将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
优选地，所述将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据之后，所述降尺度的海表净辐射确定方法还包括：
基于所述第一遥感数据对所述海表净辐射数据进行校正操作，以得到净辐射结果。
优选地，所述获取预设降尺度估算模型之前，所述降尺度的海表净辐射确定方法还包括：
获取第二遥感数据；
根据所述第二遥感数据进行非线性回归处理，以得到预设降尺度估算模型。
优选地，所述根据所述第二遥感数据进行非线性回归处理，以得到预设降尺度估算模型，具体包括：
从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日；
通过预设人工神经网络工具对所述像元值、所述大气层顶反射率、所述大气层顶亮度温度、所述晴朗指数、所述像元中心纬度以及所述像元儒略日进行非线性回归处理，以得到预设降尺度估算模型。
优选地，所述从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日之后，所述降尺度的海表净辐射确定方法还包括：
保留差值在预设差值范围内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理；
其中，所述差值为像元值与预设遥感标准数据之间的差值。
优选地，所述从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日之后，所述降尺度的海表净辐射确定方法还包括：
保留预设窗口内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理。
优选地，所述保留预设窗口内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理之前，所述降尺度的海表净辐射确定方法还包括：
获取下四分位数与上四分位数；
通过第一预设像元值确定公式处理所述下四分位数与所述上四分位数，以得到预设窗口的下限值；
通过第二预设像元值确定公式处理所述下四分位数与所述上四分位数，以得到预设窗口的上限值；
根据所述下限值与所述上限值构建预设窗口。
第二方面，本发明实施例提供一种降尺度的海表净辐射确定系统，包括：
模型确定模块，用于获取预设降尺度估算模型；
降尺度确定模块，用于将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面提供的一种降尺度的海表净辐射确定方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面提供的一种降尺度的海表净辐射确定方法的步骤。
本发明实施例提供的降尺度的海表净辐射确定方法、系统、设备及存储介质，先获取预设降尺度估算模型；将第一空间分辨率对应的第一遥感数据通过预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；其中，第二空间分辨率的数值小于第一空间分辨率的数值。本发明实施例由于使用了预设降尺度估算模型对应的降尺度处理方式，可通过空间分辨率较粗的遥感数据来确定出空间分辨率较细的海表净辐射数据，从而解决了难以适应更细空间分辨率的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种降尺度的海表净辐射确定方法的流程图；
图2为本发明又一实施例提供的一种降尺度的海表净辐射确定方法的流程图；
图3为本发明再一实施例提供的一种降尺度的海表净辐射确定方法的流程图；
图4为本发明实施例提供的一种降尺度的海表净辐射确定系统的结构示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种降尺度的海表净辐射确定方法的流程图，如图1所示，该方法包括：
S1，获取预设降尺度估算模型。
可以理解的是，随着遥感技术的兴起，多套海表辐射通量产品相继生成，海表辐射通量产品包括有云和地球辐射能量系统(Clouds and the Earth Radiant EnergySystem,CERES)(1°)，国际卫星云气候计划(International Satellite CloudClimatology Project，ISCCP)(2.5°)，以及全球能量和水循环试验(Global Energy andWater Cycle Experime nt，GEWEX)(1°)等。
但是这些遥感辐射产品均具有较粗的空间分辨率，即上述的三类海表辐射通量确定技术均空间分辨率较粗，仅适用于大空间尺度或者是全球空间尺度上的应用，而难以应用到小范围海域的辐射能量平衡上，毕竟，针对小范围海域上的辐射能量平衡需要更细空间分辨率上的遥感数据。
应当理解的是，本实施例将提供一种面向更细空间分辨率的海表净辐射确定方法，在处理小范围海域上的遥感数据时具有更加优秀的性能表现。
具体地，可先训练出一预设降尺度估算模型。在模型的使用环节，可直接获取并使用该预设降尺度估算模型。
S2，将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据。
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
可以理解的，使用的预设降尺度估算模型将基于降尺度技术。降尺度技术是一种用于细化遥感产品的空间分辨率的技术手段，其技术原理为，通过在粗尺度上建立尺度转换因子与粗分辨率变量之间的数理关系，以该数理关系的尺度不变的假设为前提，将降尺度关系应用到细尺度的尺度转换因子上，从而完成了降尺度的操作。
在具体实现中，在获得预设降尺度估算模型后，可使用该预设降尺度估算模型基于空间分辨率较粗的第一遥感数据来确定空间分辨率较细的海表净辐射数据。
进一步地，由于本实施例可确定出空间分辨率较细的海表净辐射数据，尤为适用于处理局部海域上的遥感数据。
其中，此处提及的局部海域用于与面积较大的海域以及全球空间尺度进行区分。
进一步地，第一遥感数据可为长时间序列下的遥感数据，相应地，可确定出一套长时间序列下的细空间分辨率的海表净辐射数据。
进一步地，鉴于空间分辨率是指遥感图像上能够详细区分的最小单元的尺寸，所以，降低空间分辨率的实际数值，可以提高精度。
比如，第一空间分辨率可为0.25°，第二空间分辨率可为0.05°，0.25°降尺度降为0.05°，分辨率数值降低，但是变更细了。
本发明实施例提供的降尺度的海表净辐射确定方法，先获取预设降尺度估算模型；将第一空间分辨率对应的第一遥感数据通过预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；其中，第二空间分辨率的数值小于第一空间分辨率的数值。本发明实施例由于使用了预设降尺度估算模型对应的降尺度处理方式，可通过空间分辨率较粗的遥感数据来确定出空间分辨率较细的海表净辐射数据，从而解决了难以适应更细空间分辨率的技术问题。
图2为本发明又一实施例提供的一种降尺度的海表净辐射确定方法的流程图，本发明又一实施例基于上述图1所示的实施例。
本实施例中，所述S2之后，所述降尺度的海表净辐射确定方法还包括：
S3，基于所述第一遥感数据对所述海表净辐射数据进行校正操作，以得到净辐射结果。
其中，此处的海表净辐射数据为与第二空间分辨率对应的海表净辐射数据，即，预设降尺度估算模型生成的细空间分辨率的海表净辐射数据。
可以理解的是，为了进一步地提高结果的准确性，还可基于原始的粗分辨率的与海表净辐射对应的第一遥感数据，对此时获取到的降尺度后的海表净辐射数据做一个残差校正操作，以得到更为准确更为合理的海表净辐射结果。
本发明实施例提供的降尺度的海表净辐射确定方法，通过校正操作可使得净辐射结果更为准确。
在上述实施例的基础上，优选地，所述S1之前，所述降尺度的海表净辐射确定方法还包括：
S01，获取第二遥感数据。
S02，根据所述第二遥感数据进行非线性回归处理，以得到预设降尺度估算模型。
在具体实现中，本实施例可给出一类预设降尺度估算模型的构建方式。
就该类构建方式而言，可通过非线性回归映射得到预设降尺度估算模型。
其中，该预设降尺度估算模型可为多条件降尺度估算模型。
其中，此处提及的第二遥感数据与上文提及的第一遥感数据的数据类型可相同，不同的命名仅作不同使用场景下的区分。
其中，第二遥感数据可采用全球空间尺度下的Japanese Ocean Flux with Useof Remote Sensing Observations(J-OFURO)(0.25°) 第三版对应的海表净辐射遥感数据，可简记为J-OFURO3。
其中，辐射通量数据技术后接小括号内的数值表示空间分辨率，即J-OFURO3(0.25°)则表示空间分辨率为0.25，下文类似状况以此类推。
图3为本发明再一实施例提供的一种降尺度的海表净辐射确定方法的流程图，本发明再一实施例基于上述图2所示的实施例。
本实施例中，所述S02，具体包括：
S021，从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日。
S022，通过预设人工神经网络工具对所述像元值、所述大气层顶反射率、所述大气层顶亮度温度、所述晴朗指数、所述像元中心纬度以及所述像元儒略日进行非线性回归处理，以得到预设降尺度估算模型。
在具体实现中，本实施例可给出一类非线性回归的回归方式。
就该类回归方式而言，可先根据J-OFURO3的第二遥感数据进行数据提取操作。
提取出的数据有J-OFURO3中的像元值，可记为RnJ；有大气层顶反射率，可记为rtoa，rtoa具体为传感器上获得的可见光和近红外通道在大气层顶的反射率，其中，传感器可为甚高分辨率扫描辐射计 (Advanced Very High Resolution Radiometer，AVHRR)，多部署于气象卫星上；有大气层顶亮度温度，可记为ttoa，ttoa具体为AVHRR上获得的热红外通道在大气层顶的亮度温度；有晴朗指数，可记为ci；有像元中心纬度，可记为lat，lat具体为像元中心的纬度；有像元儒略日，可记为doy，doy具体为像元所在的儒略日。
在获得RnJ、rtoa、ttoa、ci、lat以及doy后，可根据这些参量来进行非线性回归，以获得像元值与其他5个参量之间的回归关系，可将该回归关系记为预设降尺度估算模型。
其中，引入的晴朗指数ci可提供一天内大气的综合信息，通过引入该参量可增强降尺度估算模型解释大气变化的能力。
进一步地，预设降尺度估算模型中还可以引入太阳天顶角θs、观测天顶角θv以及相对方位角
Figure BDA0002381700840000095
是为了描述大气层顶辐亮度的方向特性。
故而，预设降尺度估算模型可记为下式，
Figure BDA0002381700840000091
其中，上式中的参数含义可参见上文。
此外，为了解释大气层顶辐亮度的方向特性，可将太阳天顶角θs的间隔设置为0°、10°、20°、30°、45°、60°、75°以及90°；可将观测天顶角θv的间隔设置为0°、10°、20°、30°、45°、60°以及75°；可将相对方位角
Figure BDA0002381700840000092
的间隔设置为0°、30°、60°、90°、120°、150°以及180°。
所以，该预设降尺度估算模型可为适应于晴空和有云条件下的多角度的降尺度估算模型。
其中，太阳天顶角θs、观测天顶角θv以及相对方位角
Figure BDA0002381700840000093
可统称为观测几何信息
Figure BDA0002381700840000094
观测几何信息与云掩模数据(Cloud Mask) 可作为划分降尺度估算模型的依据。
进一步地，还可重新处理rtoa，具体处理方式参见下式，
Figure BDA0002381700840000101
其中，
Figure BDA0002381700840000102
表示平均反射率，
Figure BDA0002381700840000103
表示大气层顶反射率，
Figure BDA0002381700840000104
表示太阳天顶角，i、j均表示序号。
此外，J-OFURO3的空间分辨率可为0.25°，而AVHRR大气层顶反射率数据空间分辨率为0.05°，所以，可先将反射率数据从0.05°升至0.25°来匹配J-OFURO3的空间分辨率；接着，在空间分辨率0.25°下建立模型，将模型再次应用到0.05°的AVHRR，上式中n＝25，代表一个0.25°J-OFURO3象元对应的5*5窗口下的25个0.05°的反射率象元。
在具体实现中，该式可处理0.25°窗口中的大气层顶反射率，以得到该窗口的平均反射率。
进一步地，就使用的预设人工神经网络工具而言，该预设人工神经网络工具的架构可为三层神经网络，包括线性函数的输入层、 sigmod函数的隐含层以及线性函数的输出层。
其中，每一个降尺度估算模型的隐含层包含的神经元数目经过测试后稳定在20至25个之间。
可见，本发明实施例构建出了一种新的适用于全球海域的海表净辐射降尺度处理方式。
鉴于海表辐射实测数据资料稀缺、海表气象参量难以获取等实际问题，可充分利用当下精度最好的海表辐射通量数据产品与遥感数据相结合，并以多条件降尺度估算模型为依托，通过人工神经网络工具获取不同条件下的降尺度估算模型。
相比于传统的降尺度处理方式，本发明实施例不依赖于表面特征参量，直接使用大气层顶的观测数据来完成降尺度处理，减少了输入数据误差对于最终降尺度估算结果不确定性的影响，同时避免了云的影响，保证空间覆盖的完整性；又因为具有较少的输入参数，保证了降尺度操作上的简便性，便于生成长时间序列细空间分辨率的海表净辐射数据集，而这是之前的其它参量降尺度处理方式无法实现的。
本发明实施例提供的降尺度的海表净辐射确定方法，给出了一类非线性回归处理的处理方式，可以结合多类参量来确定像元值。
在上述实施例的基础上，优选地，所述从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日之后，所述降尺度的海表净辐射确定方法还包括：
保留差值在预设差值范围内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理；
其中，所述差值为像元值与预设遥感标准数据之间的差值。
可以理解的是，为了筛选出更为优质的与净辐射对应的像元值，可基于预设遥感标准数据进行筛选。
其中，从第二遥感数据中提取出的像元值可具体为J-OFURO3 (0.25°)的像元值，预设遥感标准数据可具体为CERES中的 CERES-SYN1deg(1°)的像元值。
通过对2002年至2013年的海表净辐射进行长时间的时空分析，可选定预设差值范围为1Wm-2。
在具体实现中，可参考下式，
Figure BDA0002381700840000111
其中，
Figure BDA0002381700840000112
表示J-OFURO3的像元值，
Figure BDA0002381700840000113
表示CERES-SYN1deg 的像元值。
可见，通过上式，计算像元值与预设遥感标准数据之间的差值，若差值的绝对值小于1，则保留此时的第二遥感数据中的像元值；若差值的绝对值小大于或等于1，则丢弃此时的第二遥感数据中的像元值。
可见，本发明实施例可进一步地筛选出更为优质的净辐射的像元值，有助于得到估算准确率更高的估算模型。
在上述实施例的基础上，优选地，所述从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日之后，所述降尺度的海表净辐射确定方法还包括：
保留预设窗口内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理。
可以理解的是，为了筛选出更为优质的与净辐射对应的像元值，可基于预设窗口进行筛选。
在具体实现中，预设窗口可设为1°。预设窗口的下限值也是窗口内最小的像元值，可记为
Figure BDA0002381700840000121
预设窗口的上限值也是窗口内最大的像元值可记为
Figure BDA0002381700840000122
Figure BDA0002381700840000123
与
Figure BDA0002381700840000124
之间差的绝对值为1°。
预设窗口内的像元值可记为
Figure BDA0002381700840000125
所以，
Figure BDA0002381700840000126
可见，本发明实施例可进一步地筛选出更为优质的净辐射的像元值，有助于得到估算准确率更高的估算模型。
在上述实施例的基础上，优选地，所述保留预设窗口内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理之前，所述降尺度的海表净辐射确定方法还包括：
获取下四分位数与上四分位数；
通过第一预设像元值确定公式处理所述下四分位数与所述上四分位数，以得到预设窗口的下限值；
通过第二预设像元值确定公式处理所述下四分位数与所述上四分位数，以得到预设窗口的上限值；
根据所述下限值与所述上限值构建预设窗口。
在具体实现中，第一预设像元值确定公式可参见下式，
Figure BDA0002381700840000131
其中，
Figure BDA0002381700840000132
表示预设窗口的下限值，q1表示下四分位数，k表示预设系数，q3表示上四分位数。
此外，还可从0.25°J-OFURO3海表净辐射数据中筛选出优质的象元值来建立降尺度估算模型。为了筛选出优质象元，可以CERES 海表净辐射为辅助数据帮助筛选0.25°的象元值。首先将J-OFURO3 0.25°升至1°来匹配CERES，随后选出1°的J-OFURO3净辐射象元值。1°的J-OFIRO3对应原始分辨率4*4窗口的0.25°J-OFURO3 象元值，所以，根据4*4窗口中的0.25°J-OFURO3海表净辐射数据算出窗口中的最小值和最大值，将窗后中的异常值去除来保证窗口中 0.25°海表净辐射数据额一致性。
接着，可将4*4窗口中16个0.25°J-OFURO3海表净辐射象元值从小到大排列，将排在25％和75％位置处的象元值分别作为下四分位数q1与上四分位数q3。
第二预设像元值确定公式可参见下式，
Figure BDA0002381700840000133
其中，
Figure BDA0002381700840000134
表示预设窗口的上限值，q1表示下四分位数，k表示预设系数，q3表示上四分位数。
可见，本发明实施例给出了一类预设窗口的构建方式；而且，通过应用预设窗口还可以同时检验出净辐射像元值的一致性以及每个像元的时间信息属性。
本发明另一实施例提供的一种降尺度的海表净辐射确定方法的流程图，本发明另一实施例基于上述图3所示的实施例。
本实施例中将给出一个具体的例子，以进一步地进行解释说明。
其一，可先收集目前国际上流行的海表辐射通量数据及海洋浮标观测数据，进行多套产品之间的时空分析和精度比较，确定 J-OFURO3表现最优。
鉴于当前收集到的海表实测辐射数据过于稀疏，不足以支撑大区域海表净辐射研究，因此基于降尺度理论，可将J-OFURO3从0.25°空间分辨率降至0.05°，获取更细空间分变率的海表净辐射数据集。
就降尺度理论的本质而言，其实是在粗空间分辨率基础上建立因变量与预测变量之间的尺度转化模型，然后将尺度模型应用于细分辨率的预测变量，以此来获取细空间分辨率的因变量数据。
不同降尺度理论的区别在于两点：预测变量的类别不同，尺度模型的特征(可为统计关系或者物理模型)不同。本发明实施例可采用统计关系来建立尺度转换模型，即预设降尺度估算模型。
就预测变量而言，预测变量的选择尤其重要，因为海洋上跟表面辐射相关的气象参量(海温，风速，相对湿度等)很难在大空间尺度范围获取，且精度无法得到保证，因此，本发明实施例可直接用大气层顶卫星观测数据来对J-OFURO3净辐射产品进行降尺度处理。这种处理方式回避了太阳辐射与整个大气层复杂的交互过程，易于操作。
其中，AVHRR获取到的大气层顶的观测数据将被采用来降尺度 J-OFURO3海表净辐射。
其中，AVHRR传感器记录的波普范围是0.75至12.5um，适用于估算全波段的净辐射数据。
除此以外，晴朗指数也可被加入到预测变量中来增强降尺度估算模型解释大气变化的能力；同时，纬度和儒略日也可加入到降尺度估算模型，因为，这两个变量可以追踪太阳直射的轨迹，从而决定日照辐射的量。
为了构建全球海域降尺度估算模型，需要从J-OFURO3净辐射中收集全球海表面样本点来构成模型训练数据集。因为CERES表面辐射通量产品的精度得到国际公认，因此，可以CERES作为参考数据来帮助筛选J-OFURO3中的优质的海表净辐射像元。
具体步骤如下：
其一，先将J-OFURO3聚合到1°，通过分析J-OFURO3和CERES 在2002至2013年的绝对时空差值，发现62％的海域差异都小于 1W/m2，同时，发现J-OFURO3的偏差在0.72W/m2，因此，可以1W/m2为阈值，筛选出1°聚合的J-OFURO3海表净辐射。其中，此处的阈值即为预设差值范围。
其二，可从筛选出的1°的J-OFURO3海表净辐射中提取出对应的0.25°J-OFURO3海表净辐射。
可在4×4窗口中进行一致性检验，剔除掉偏差较大的原始分辨率的像元值。
其三，可对筛选出的0.25°J-OFURO3海表净辐射数据以像元为单位进行时间丰富度检验，分别以月尺度、季节尺度和年尺度三个时间尺度查看每个像元的不重复天数和筛选出的时间总长度，剔除掉信息丰富度较小的像元值。
尺度转换模型的预测变量还可为AVHRR大气层顶的观测值，空间分辨率为0.05°，为了匹配0.25°空间分辨率海表净辐射数据，将 AVHRR大气层顶观测数据进行空间聚合。
就可见光和近红外通道的观测值而言，将5×5窗口中的太阳天顶角信息集成到窗口平均观测值中；而在热红外通道，可直接在窗口中进行平均，以获取0.25°大气层顶观测值；晴朗指数则是由 CERES-SYN1deg的表面下行短波辐射和大气层顶的天文辐射计算得到，采用双线性内插法将ci插值成0.25°空间分辨率。
将预测变量根据筛选出来的海表净辐射像元值的时空属性进行匹配，生成尺度模型训练数据集。
其四，本发明实施例可采用人工神经网络工具来建立尺度转换模型。由于大气状况和观测几何信息(太阳天顶角、观测天顶角和相对方位角)与估算表面净辐射的不确定性息息相关，因此，可根据云掩模信息区分出晴空条件和有云条件，在每一种大气状况下根据观测角度间隔建立对应的降尺度估算模型。
经过实验分析，包括有线性函数输入层、sigmod函数的隐含层以及线性函数的输出层的三层神经网络足以模拟训练数据之间的关系。
其中，隐含层神经元数目根据调查可稳定在20至25个之间，以此网络架构最终可获取297个条件的降尺度估算模型。
通过分析可见，多条件降尺度海表净辐射估算模型即预设降尺度估算模型对计算海表净辐射很有效，并且所需参数少，易于操作。
图4为本发明实施例提供的一种降尺度的海表净辐射确定系统的结构示意图，如图4所示，该系统包括：模型确定模块301以及降尺度确定模块302；
模型确定模块301，用于获取预设降尺度估算模型；
降尺度确定模块302，用于将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
本发明实施例提供的降尺度的海表净辐射确定系统，先获取预设降尺度估算模型；将第一空间分辨率对应的第一遥感数据通过预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；其中，第二空间分辨率的数值小于第一空间分辨率的数值。本发明实施例由于使用了预设降尺度估算模型对应的降尺度处理方式，可通过空间分辨率较粗的遥感数据来确定出空间分辨率较细的海表净辐射数据，从而解决了难以适应更细空间分辨率的技术问题。
本发明实施例提供的系统实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)401、通信接口 (Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401 可以调用存储器403中的逻辑指令，以执行包括如下的方法：
获取预设降尺度估算模型；
将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
获取预设降尺度估算模型；
将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种降尺度的海表净辐射确定方法，其特征在于，包括：
获取预设降尺度估算模型；
将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
2.根据权利要求1所述的降尺度的海表净辐射确定方法，其特征在于，所述将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据之后，所述降尺度的海表净辐射确定方法还包括：
基于所述第一遥感数据对所述海表净辐射数据进行校正操作，以得到净辐射结果。
3.根据权利要求1或2所述的降尺度的海表净辐射确定方法，其特征在于，所述获取预设降尺度估算模型之前，所述降尺度的海表净辐射确定方法还包括：
获取第二遥感数据；
根据所述第二遥感数据进行非线性回归处理，以得到预设降尺度估算模型。
4.根据权利要求3所述的降尺度的海表净辐射确定方法，其特征在于，所述根据所述第二遥感数据进行非线性回归处理，以得到预设降尺度估算模型，具体包括：
从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日；
通过预设人工神经网络工具对所述像元值、所述大气层顶反射率、所述大气层顶亮度温度、所述晴朗指数、所述像元中心纬度以及所述像元儒略日进行非线性回归处理，以得到预设降尺度估算模型。
5.根据权利要求4所述的降尺度的海表净辐射确定方法，其特征在于，所述从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日之后，所述降尺度的海表净辐射确定方法还包括：
保留差值在预设差值范围内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理；
其中，所述差值为像元值与预设遥感标准数据之间的差值。
6.根据权利要求4所述的降尺度的海表净辐射确定方法，其特征在于，所述从所述第二遥感数据中提取像元值、大气层顶反射率、大气层顶亮度温度、晴朗指数、像元中心纬度以及像元儒略日之后，所述降尺度的海表净辐射确定方法还包括：
保留预设窗口内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理。
7.根据权利要求6所述的降尺度的海表净辐射确定方法，其特征在于，所述保留预设窗口内的像元值，并记为新的像元值，以通过新的像元值进行非线性回归处理之前，所述降尺度的海表净辐射确定方法还包括：
获取下四分位数与上四分位数；
通过第一预设像元值确定公式处理所述下四分位数与所述上四分位数，以得到预设窗口的下限值；
通过第二预设像元值确定公式处理所述下四分位数与所述上四分位数，以得到预设窗口的上限值；
根据所述下限值与所述上限值构建预设窗口。
8.一种降尺度的海表净辐射确定系统，其特征在于，包括：
模型确定模块，用于获取预设降尺度估算模型；
降尺度确定模块，用于将第一空间分辨率对应的第一遥感数据通过所述预设降尺度估算模型进行净辐射的确定，以得到第二空间分辨率对应的海表净辐射数据；
其中，所述第二空间分辨率的数值小于所述第一空间分辨率的数值。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述降尺度的海表净辐射确定方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述降尺度的海表净辐射确定方法的步骤。
CN202010084915.0A 2020-02-10 2020-02-10 降尺度的海表净辐射确定方法、系统、设备及存储介质 Active CN111273376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010084915.0A CN111273376B (zh) 2020-02-10 2020-02-10 降尺度的海表净辐射确定方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010084915.0A CN111273376B (zh) 2020-02-10 2020-02-10 降尺度的海表净辐射确定方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111273376A true CN111273376A (zh) 2020-06-12
CN111273376B CN111273376B (zh) 2021-04-09

Family

ID=70999354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010084915.0A Active CN111273376B (zh) 2020-02-10 2020-02-10 降尺度的海表净辐射确定方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111273376B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861355A (zh) * 2021-02-09 2021-05-28 北京师范大学 海表净辐射估算方法和系统
CN117077437A (zh) * 2023-10-12 2023-11-17 中科星图维天信科技股份有限公司 基于多源卫星的极区海表净辐射模型构建和确定方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140073675A (ko) * 2012-12-06 2014-06-17 한양대학교 산학협력단 인공위성을 이용한 증발산량 산출방법
CN105868529A (zh) * 2016-03-18 2016-08-17 北京师范大学 一种基于遥感的近地表日均大气温度反演方法
CN106021872A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
CN109885959A (zh) * 2019-03-05 2019-06-14 中国科学院地理科学与资源研究所 一种地表温度鲁棒降尺度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140073675A (ko) * 2012-12-06 2014-06-17 한양대학교 산학협력단 인공위성을 이용한 증발산량 산출방법
CN105868529A (zh) * 2016-03-18 2016-08-17 北京师范大学 一种基于遥感的近地表日均大气温度反演方法
CN106021872A (zh) * 2016-05-10 2016-10-12 浙江大学 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法
CN109885959A (zh) * 2019-03-05 2019-06-14 中国科学院地理科学与资源研究所 一种地表温度鲁棒降尺度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANGLEI XU等: "Generating a High-Resolution Time-Series Ocean", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
丁一汇等: "《中国气候变化——科学、影响、适应及对策研究》", 31 March 2009 *
李正泉等: "中国海表面风统计降尺度模型研究", 《海洋预报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861355A (zh) * 2021-02-09 2021-05-28 北京师范大学 海表净辐射估算方法和系统
CN112861355B (zh) * 2021-02-09 2022-02-11 北京师范大学 海表净辐射估算方法和系统
CN117077437A (zh) * 2023-10-12 2023-11-17 中科星图维天信科技股份有限公司 基于多源卫星的极区海表净辐射模型构建和确定方法
CN117077437B (zh) * 2023-10-12 2024-01-23 中科星图维天信科技股份有限公司 基于多源卫星的极区海表净辐射模型构建和确定方法

Also Published As

Publication number Publication date
CN111273376B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
Wang et al. Deep blind hyperspectral image fusion
Song et al. Spatiotemporal satellite image fusion using deep convolutional neural networks
CN107423537B (zh) 一种基于自适应阈值的地表温度降尺度的方法
CN109523510B (zh) 基于多光谱遥感影像的河道水质空间异常区域检测方法
Zhou et al. A new model for the automatic relative radiometric normalization of multiple images with pseudo-invariant features
CN111273376B (zh) 降尺度的海表净辐射确定方法、系统、设备及存储介质
CN112733596A (zh) 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用
CN110826693A (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
CN113642475B (zh) 基于卷积神经网络模型的大西洋飓风强度估算方法
CN107576399B (zh) 面向modis林火探测的亮温预测方法和系统
CN116519557A (zh) 一种气溶胶光学厚度反演方法
CN112001121B (zh) 基于太阳辐射的大面积平缓地区预测性土壤制图方法
CN113970376A (zh) 一种基于海洋区域再分析资料的卫星红外载荷定标方法
Zhou et al. Dual-branch neural network for sea fog detection in geostationary ocean color imager
Chong et al. Introducing Theil-Sen estimator for sun glint correction of UAV data for coral mapping
CN113744134B (zh) 基于光谱解混卷积神经网络的高光谱图像超分辨方法
Teodoro et al. Identification of beach hydromorphological patterns/forms through image classification techniques applied to remotely sensed data
CN117115669B (zh) 双条件质量约束的对象级地物样本自适应生成方法及系统
Mohamad et al. A screening approach for the correction of distortion in UAV data for coral community mapping
CN117392065A (zh) 一种云边协同太阳能板覆灰状况自主评估方法
Gladkova et al. SST pattern test in ACSPO clear-sky mask for VIIRS
CN115222837A (zh) 真彩云图生成方法、装置、电子设备及存储介质
CN115859797A (zh) 一种基于深度学习的卫星定量降水估计方法
Rao et al. Fast spatiotemporal data fusion: merging LISS III with AWiFS sensor data
Marinoni et al. Improving reliability in nonlinear hyperspectral unmixing by multidimensional structural optimization

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