CN111951204B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111951204B
CN111951204B CN202010794099.2A CN202010794099A CN111951204B CN 111951204 B CN111951204 B CN 111951204B CN 202010794099 A CN202010794099 A CN 202010794099A CN 111951204 B CN111951204 B CN 111951204B
Authority
CN
China
Prior art keywords
image
tiangong
wind speed
sea surface
surface wind
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
CN202010794099.2A
Other languages
English (en)
Other versions
CN111951204A (zh
Inventor
郭朝刚
艾未华
刘茂宏
乔俊淇
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010794099.2A priority Critical patent/CN111951204B/zh
Publication of CN111951204A publication Critical patent/CN111951204A/zh
Application granted granted Critical
Publication of CN111951204B publication Critical patent/CN111951204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开了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，包括以下过程：从天宫二号影像数据中获取后向散射系数、入射角和图像参数，其中图像参数包括图像幅度谱、图像相位谱、图像均值和图像方差；基于获取的后向散射系数、入射角、图像参数，采用预设的天宫二号成像高度计有效波高深度学习反演模型，计算得到海面风速。本发明利用天宫二号探测数据，实现了二维观测数据宽刈幅的海面风速反演。

Description

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
技术领域
本发明属于遥感技术领域，具体涉及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。
背景技术
海面风速(Wind Speed，WSPD)是海面风场的重要组成部分，也是探索大气海洋边界层海气相互作用的重要环节。随着我国海洋强国战略的不断推进，基于海上业务和保障精细化需求，能够高效、准确获取海面风速已成为迫切需要。
测量海面风速的方式有很多，其中，基于海面浮标和测量船的实测数据，虽然测量精度高，但测量范围十分有限，不能满足实际应用中的需要。目前基于星载平台反演海面风速的方法有多种。其中散射计和辐射计已经实现反演业务化，但存在反演结果分辨率不高的问题。合成孔径雷达反演海面风速，需要先提取风条纹反演风向，在得到海面风向后，才能进行海面风速的反演，虽然反演结果精度高，但反演风速过程较为繁琐。
传统星载高度计只能进行星下点沿飞行方向一维线观测、刈幅宽度只有数公里，观测反演范围小。而天宫二号成像高度计单侧幅宽达数十公里，在实现宽刈幅的同时，还可对海面三维形态以及海洋内波、海面有效波等进行观测。相比之下，天宫二号成像高度计可以实现更大范围的观测和反演。但目前还没有实现天宫二号探测数据的海面风速反演。
发明内容
本发明的目的在于克服现有技术中的不足，提供了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，利用天宫二号探测数据，实现了二维观测数据宽刈幅的海面风速反演。
为解决上述技术问题，本发明提供了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，包括以下过程：
获取二号影像数据；
从天宫二号影像数据中获取后向散射系数、入射角和图像参数，其中图像参数包括图像幅度谱、图像相位谱、图像均值和图像方差；
基于获取的后向散射系数、入射角、图像参数，采用预设的天宫二号成像高度计有效波高深度学习反演模型，计算得到海面风速；
其中天宫二号成像高度计有效波高深度学习反演模型为深度神经网络模型。
进一步的，天宫二号影像数据为天宫二号成像高度计采集获得。
进一步的，入射角范围是1°～8°。
进一步的，所述图像幅度谱和图像相位谱，计算过程如下：
f0＝fft2(img)
f1＝fftshift(f0)
margin＝log(abs(f1))
phase＝log(angel(f1))
其中，img表示图像后向散射系数，fft2表示二维傅里叶变换，fftshift使变换后的图像对称，margin表示图像幅度谱，phase表示图像相位谱。
进一步的，图像均值和图像方差，其计算公式如下：
Figure BDA0002624878890000031
Figure BDA0002624878890000032
其中，u表示图像方差，N表示图像像素点个数，Pi表示该图像中第i个像素点的后向散射系数值，σ表示图像方差。
与现有技术相比，本发明所达到的有益效果是：本发明直接建立天宫二号遥感影像和海面浮标实测海面风速之间的关系，进行海面风速的反演，有效避免了多种数据输入对反演结果的影响，提高了反演的精度，为海洋开发利用提供了数据支持。本发明反流流程简洁，并且反演结果准确，效率高，易于实现。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
天宫二号成像高度计是国际上第一个采用小入射角、短干涉基线实现宽刈幅的高度计，可以在高空间分辨率的情况下反演海面风速，是一种快速反演海面风速的有效方法。天宫二号成像高度在接收到海面反射回来的后向散射系数后，可以计算图像幅度谱、图像相位谱、图像均值和图像方差。这些参数信息和海面风速有着密切关系，可以利用深度神经网络强大的非线性性功能去拟合这几个参数之间与海面风速的关系，而不需要研究大气海洋边界层的各个物理量的深层关系，进而实现海面风速的反演。
本发明的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，参见图1所示，包括以下过程：
第一步：本发明所使用的数据是天宫二号成像高度计科学数据二级产品，其空间分辨率为40米。为了使数据更具代表性，从载人航天空间应用数据推广服务平台筛选三片区域的天宫二号数据，得到西太平洋数据6500景，大西洋2000景，中国南海6500景，共15000景影像数据。
根据天宫二号影像数据中包含的信息，提取出影像文件中的斜距后向散射系数、本地入射角。根据反演分辨率为10×10km，计算像素点为250×250的图像幅度谱、图像相位谱、图像均值和图像方差，实现深度神经网络输入数据的预处理。
在本实施中，所述第一步中图像幅度谱和图像相位谱，其计算过程如下：首先对图像后向散射系数做二维傅里叶变换，得到图像的频谱图f0，其次进行频谱搬移，使零频点位于频谱中间，得到f1，最后计算出图像的幅度谱margin，相位谱phase：
f0＝fft2(img)
f1＝fftshift(f0)
margin＝log(abs(f1))
phase＝log(angel(f1))
其中，img表示图像后向散射系数，fft2表示二维傅里叶变换，fftshift使变换后的图像对称，margin表示图像幅度谱，phase表示图像相位谱。
在本实施中，图像均值和图像方差，其计算公式如下：
Figure BDA0002624878890000051
Figure BDA0002624878890000052
其中，u表示图像均值，N表示图像像素点个数，Pi表示该图像中第i个像素点的后向散射系数值，σ表示图像方差。
在本实施中，天宫二号采用小入射角，其范围是1～8°。
第二步：根据天宫二号成像高度计探测数据的经纬度信息和时间信息，从多个国家浮标资料中心获取相应经纬度和时刻的海面风速，完成数据时空匹配(根据两个数据的时间进行匹配)。
在本实施中，中国南海海面风速是从中国国家海洋局获取；西太平洋海面风速是从美国国家浮标数据中心获取；大西洋海面风速是从加拿大环境与气候变化部获取。
第三步：利用天宫二号影像数据中提取和计算的数据和海上浮标实测数据，制作深度神经网络反演模型所需的数据集，具体包括：后向散射系数、入射角、图像幅度谱、图像相位谱、图像均值、图像方差、海面风速。
在本实施中，深度神经网络数据集按照4:1的比例随机分为训练集和验证集。
第四步：构建深度学习网络模型，将后向散射系数、入射角、图像幅度谱、图像相位谱、图像均值、图像方差作为输入，海面风速作为输出。将随机分配得到的样本训练集输入深度神经网络进行海面风速模型的训练，经过验证集的验证和参数优化，最终得到最优的天宫二号成像高度计海面风速反演模型。
在本实施中，所使用的深度神经网络包含6个输入节点分别为后向散射系数、入射角、图像幅度谱、图像相位谱、图像均值和图像方差；和1个输出节点为海面风速。在模型内设置5个隐藏层，激活函数为ReLU，经过多次试验优化后，模型学习率设置为0.005，迭代次数为5000次。经过验证集的验证和参数优化，最终得到最优的海面风速反演模型。
第五步：将训练好的深度神经网络应用到天宫二号影像数据，实现海面风速的反演。
本发明直接建立天宫二号遥感影像和海面浮标实测风速之间的关系，进行海面风速的反演，实现了高度计二维观测数据宽刈幅反演海面风速，为海洋开发利用提供了数据支持。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (1)

1.一种基于深度学习的天宫二号探测数据海面风速反演方法，其特征是，包括以下过程：
获取二号影像数据；
从天宫二号影像数据中获取后向散射系数、入射角和图像参数，其中图像参数包括图像幅度谱、图像相位谱、图像均值和图像方差；
基于获取的后向散射系数、入射角、图像参数，采用预设的天宫二号成像高度计有效波高深度学习反演模型，计算得到海面风速；
所述图像幅度谱和图像相位谱，计算过程如下：
f0＝fft2(img)
f1＝fftshift(f0)
margin＝log(abs(f1))
phase＝log(angel(f1))
其中，img表示图像后向散射系数，fft2表示二维傅里叶变换，fftshift使变换后的图像对称，margin表示图像幅度谱，phase表示图像相位谱；
所述天宫二号成像高度计有效波高深度学习反演模型为深度神经网络模型；所述深度神经网络包含6个输入节点分别为后向散射系数、入射角、图像幅度谱、图像相位谱、图像均值和图像方差；和1个输出节点为海面风速；
天宫二号影像数据为天宫二号成像高度计采集获得；
入射角范围是1°～8°；
图像均值和图像方差，其计算公式如下：
Figure FDA0003101077420000021
Figure FDA0003101077420000022
其中，u表示图像方差，N表示图像像素点个数，Pi表示该图像中第i个像素点的后向散射系数值，σ表示图像方差。
CN202010794099.2A 2020-08-10 2020-08-10 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 Active CN111951204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010794099.2A CN111951204B (zh) 2020-08-10 2020-08-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794099.2A CN111951204B (zh) 2020-08-10 2020-08-10 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

Publications (2)

Publication Number Publication Date
CN111951204A CN111951204A (zh) 2020-11-17
CN111951204B true CN111951204B (zh) 2021-07-20

Family

ID=73332879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794099.2A Active CN111951204B (zh) 2020-08-10 2020-08-10 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

Country Status (1)

Country Link
CN (1) CN111951204B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534085B (zh) * 2021-06-28 2022-03-04 中国科学院国家空间科学中心 一种干涉成像高度计的海面风速和有效波高联合反演方法
CN114324973B (zh) * 2022-03-17 2022-06-07 南方海洋科学与工程广东省实验室(广州) 台风风速反演方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679734A (zh) * 2013-12-25 2014-03-26 浙江师范大学 基于svm和pde的有眼台风二维表面风场反演方法
CN105891832A (zh) * 2016-03-31 2016-08-24 南京信息工程大学 一种基于交叉极化模型与cmod5n的海面风速反演方法
CN108387885A (zh) * 2018-03-01 2018-08-10 中国人民解放军国防科技大学 基于激光雷达探测的晴空条件下飞机尾流特征参数反演方法
CN110532662A (zh) * 2019-08-23 2019-12-03 中国科学院国家空间科学中心 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002008786A1 (de) * 2000-07-21 2002-01-31 Gkss-Forschungszentrum Geesthacht Gmbh Verfahren zur ermittlung von ein in situ seegangsfeld beschreibenden hydrographischen parametern mittels einer radareinrichtung
GB2574490A (en) * 2017-11-22 2019-12-11 Foster Miller Inc Airborne wind profiling portable radar system and method
CN110764087B (zh) * 2019-10-15 2021-08-31 中国科学院国家空间科学中心 一种基于干涉成像高度计的海面风向反加权反演方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679734A (zh) * 2013-12-25 2014-03-26 浙江师范大学 基于svm和pde的有眼台风二维表面风场反演方法
CN105891832A (zh) * 2016-03-31 2016-08-24 南京信息工程大学 一种基于交叉极化模型与cmod5n的海面风速反演方法
CN108387885A (zh) * 2018-03-01 2018-08-10 中国人民解放军国防科技大学 基于激光雷达探测的晴空条件下飞机尾流特征参数反演方法
CN110532662A (zh) * 2019-08-23 2019-12-03 中国科学院国家空间科学中心 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
THE WIND SPEED INVERSION AND IN-ORBIT ASSESSMENT OF IMAGING ALTIMETER ON TIANGONG-2 SPACE STATION;Qingliu Bao et al.;《IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20180727;1005-1008 *

Also Published As

Publication number Publication date
CN111951204A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN106990404B (zh) 一种利用导航x波段雷达反演海面波高的自动定标算法
CN111950438B (zh) 基于深度学习的天宫二号成像高度计有效波高反演方法
Cooke et al. Estimating sea ice concentration from SAR: Training convolutional neural networks with passive microwave data
CN103941257B (zh) 一种基于波数能量谱的导航雷达图像反演海面风向的方法
CN111781146B (zh) 利用高分辨率卫星光学影像的波浪参数反演方法
CN104613944A (zh) 一种基于gwr和bp神经网络的分布式水深预测方法
CN104698460A (zh) 一种双频共面合成孔径雷达海面风场反演方法
CN111951204B (zh) 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
CN102914773B (zh) 一种多航过圆周sar三维成像方法
Tilling et al. Detection of melt ponds on Arctic summer sea ice from ICESat‐2
Huang et al. Wave height estimation from X-band nautical radar images using temporal convolutional network
Qi et al. Phase-resolved wave field simulation calibration of sea surface reconstruction using noncoherent marine radar
CN103292792A (zh) 一种适用海底探测与假地形处理的实测svp重构方法
Marghany et al. 3-D visualizations of coastal bathymetry by utilization of airborne TOPSAR polarized data
CN104318593A (zh) 一种雷达海杂波的仿真方法和系统
Yang et al. Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images
Lv et al. Analysis of wave fluctuation on underwater acoustic communication based USV
CN115600483A (zh) 一种基于深度森林的降水反演方法
CN110991087A (zh) 一种基于多入射角组网sar卫星数据的风场反演方法及系统
Ren et al. Detection of SST fronts from a high-resolution model and its preliminary results in the south China sea
Park et al. Estimation of significant wave heights from x-band radar using artificial neural network
Yu et al. Radar imaging of shallow water bathymetry: A case study in the Y angtze E stuary
Lisimenka et al. Estimation of dimensions and orientation of multiple riverine dune generations using spectral moments
Marghany et al. 3-D reconstruction of coastal bathymetry from AIRSAR/POLSAR data
Fan et al. Shallow water depth retrieval from space-borne SAR imagery

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