CN113063737B - 结合遥感与浮标数据的海洋热含量遥感反演方法 - Google Patents

结合遥感与浮标数据的海洋热含量遥感反演方法 Download PDF

Info

Publication number
CN113063737B
CN113063737B CN202110324115.6A CN202110324115A CN113063737B CN 113063737 B CN113063737 B CN 113063737B CN 202110324115 A CN202110324115 A CN 202110324115A CN 113063737 B CN113063737 B CN 113063737B
Authority
CN
China
Prior art keywords
data
remote sensing
ocean
heat content
sea surface
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
CN202110324115.6A
Other languages
English (en)
Other versions
CN113063737A (zh
Inventor
苏华
秦天
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110324115.6A priority Critical patent/CN113063737B/zh
Publication of CN113063737A publication Critical patent/CN113063737A/zh
Application granted granted Critical
Publication of CN113063737B publication Critical patent/CN113063737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种结合遥感与浮标数据的海洋热含量遥感反演方法，包括以下步骤：获取全球海洋多源海表遥感观测数据以及Argo实测格网数据并进行预处理，得到海表数据、时空参量以及海洋内部热含量数据；根据Argo实测坐标数据，将每个格网点海洋内部热含量数据与输入模型的海表遥感和时空参量一一对应，分别标记为特征矩阵X、标签矩阵Y；将X和Y纵向合并，并按时间序列划分成训练数据集、验证数据集、测试数据集；基于长短期记忆神经网络LSTM时间序列深度学习方法对训练数据集进行训练，并根据数据集的损失函数的变化，选择最优的网络深度及参数，建立反演模型；获取历史长时序特征矩阵X'，并作为模型的输入数据，进一步重建海洋内部热含量OHC数据集。

Description

结合遥感与浮标数据的海洋热含量遥感反演方法
技术领域
本发明涉及遥感信息处理与应用领域，具体涉及一种结合遥感与浮标数据的海洋热含量遥感反演方法。
背景技术
近十几年来，遥感技术在海洋领域应用成效显著，然而遥感观测仅限于海洋表面，无法直接探测海洋内部关键动力信息。同时，海洋内部动力过程复杂，具有多维多尺度、动态、时序依赖性特征。海洋内部观测对了解海洋系统的动力变化机制、分析全球海洋的热量变化及其再分配起着重要的作用。虽然现有的海洋内部浮标观测资料Argo数据精度较高，但是稀疏有限、全球分布不足4000个，时空分辨率较低，远远满足不了多维多尺度海洋观测的需求。如何更好的应用海表卫星遥感观测和实测浮标数据间接地推演海洋内部关键信息热含量对于了解海洋暖化、气候变异等研究至关重要。
发明内容
有鉴于此，本发明的目的在于提供一种结合遥感与浮标数据的海洋热含量遥感反演方法，结合遥感与实测浮标数据实现海洋内部热含量结构的遥感反演与时序重建，重建数据集精度高。
为实现上述目的，本发明采用如下技术方案：
一种结合遥感与浮标数据的海洋热含量遥感反演方法，包括以下步骤：
步骤S1：获取全球海洋多源海表遥感观测数据以及Argo实测格网数据并进行预处理，得到海表数据、时空参量以及海洋内部热含量数据；
步骤S2：根据Argo实测坐标数据，将每个格网点海洋内部热含量数据与输入模型的海表遥感和时空参量一一对应，分别标记为特征矩阵X、标签矩阵Y；
步骤S3：将特征矩阵和标签矩阵纵向合并，并按时间序列划分成训练数据集、验证数据集、测试数据集；
步骤S4：基于长短期记忆神经网络LSTM时间序列深度学习方法对训练数据集进行训练，并根据数据集的损失函数的变化，选择最优的网络深度及参数，建立反演模型；
步骤S5：获取历史长时序特征矩阵X'，并作为步骤S4中模型的输入数据，进一步重建海洋内部热含量OHC数据集。
进一步的，所述海表数据包括海表高度SSH、海表温度SST、海表风速水平分量USSW及垂直分量VSSW，所述时空参量包括经度LON、纬度LAT和时间DOY。
进一步的，所述步骤S1具体为：
步骤S11：获取全球海洋多源海表遥感观测数据以及Argo实测格网数据，按月尺度提取时间序列海表高度数据SSH；海表温度数据SST；海表风场数据SSW；经度LON；纬度LAT；时间DOY；Argo实测的热含量数据OHC；其中海表风场分解成水平分量USSW与垂直分量VSSW；将所有数据的异常值剔除并统一空间范围；
步骤S12：将所有海表遥感观测数据的空间分辨率利用最优插值法统一为预设值；
步骤S13：将得到的所有参量均进行归一化处理。
进一步的，所述步骤S2具体为：利用Argo实测经纬度坐标数据，使每格网点热含量OHC与输入模型的海表遥感观测数据和时空位置参量共7个变量一一对应；将七参量标记为特征矩阵X、实测热含量OHC标记为标签矩阵Y；
进一步的，所述步骤S3具体为：
步骤S31：将特征矩阵X与标签矩阵Y进行列合并得到矩阵A；
步骤S32：将矩阵A按时间序列以预设比例进行行向划分，从而生成训练数据集、验证数据集、测试数据集。
进一步的，所述步骤S4具体为：
步骤S41：使用长短期记忆神经网络LSTM时间序列深度学习方法对训练数据集进行训练，依据验证集的损失函数变化，选择最优的超参数，得到最终模型；
步骤S42：超参数调整后，将测试集作为输入数据，用精度评价因子决定系数R2、均方根误差RMSE或相对均方根误差RRMSE衡量最终模型的泛化能力。
进一步的，所述步骤S5具体为：
步骤S51：获取历史长时序海表遥感观测和时空位置共7个参量的数据标记为长时序特征矩阵X'；
步骤S52：将长时序特征矩阵X'输入步骤S4训练好的模型，利用模型在训练集中学习到的时序依赖关系，由X'直接预测得到Y'，反演并输出时序重建海洋内部热含量OHC数据集。
本发明与现有技术相比具有以下有益效果：
本发明充分利用现有的丰富的海表遥感观测资料和海洋内部分层位Argo实测格网数据。并考虑海洋数据的时序依赖性，采用长短期记忆神经网络LSTM方法，以时间序列数据建立智能遥感反演模型，对海洋内部热含量结构进行遥感反演与时序重建，重建结果精度高，误差小。
附图说明
图1为本发明实施例的方法流程示意图；
图2本发明实施例的单时相遥感反演成果展示；
图3为本发明实施例的时序重建数据集DP-OPEN成果展示；
图4为本发明实施例的DP-OPEN数据集精度评价；
图5-10为本发明实施例数据集中的单时相结果展示；
图11为本发明实施例数据集中单时相精度散点图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种结合遥感与浮标数据的海洋热含量遥感反演方法，包括以下步骤：
步骤S1：获取全球海洋多源海表遥感观测数据以及Argo实测格网数据并进行预处理，得到海表数据（海表高度（SSH）、海表温度（SST）、海表风速水平分量（USSW）及垂直分量（VSSW）），时空参量（经纬度（LON、LAT）、时间（DOY））以及海洋内部实测热含量数据（OHC）；
步骤S2：利用Argo实测坐标数据，将每个格网点海洋热含量（OHC）数据与输入模型的海表遥感和时空参量共7个参量一一对应，分别标记为特征矩阵X、标签矩阵Y；
步骤S3：将特征矩阵和标签矩阵纵向合并，然后按时间序列划分成训练数据集、验证数据集、测试数据集；
步骤S4：使用长短期记忆神经网络LSTM时间序列深度学习方法对训练数据集进行训练，通过实验判断验证数据集的损失函数的变化，进而选择最优的网络深度及参数，建立反演模型；用测试数据集评价模型的泛化和预测能力；
步骤S5：将1993-2018年共312个月的长时序特征矩阵X'（包括海表遥感观测和时空位置参量）作为步骤S4中模型的输入数据，由长时序特征矩阵X'直接预测Y'，反演并输出时序重建后1993-2018年共312个月的海洋内部热含量OHC数据集。
优选的，在本实施例中，所述步骤S1具体为：
获取全球海洋多源海表遥感观测数据以及Argo实测格网数据，按月尺度提取时间序列海表高度数据SSH（Sea Surface Height），分辨率0.25°×0.25°；海表温度数据SST（Sea Surface Temperature），分辨率0.25°×0.25°；海表风场数据SSW（Sea SurfaceWind），分辨率0.25°×0.25°；经度LON（Longitude）；纬度LAT（Latitude）；时间DOY（Day ofyear）（当前时相处于一年之中的天数）；Argo实测的热含量数据OHC（Ocean HeatContent），分辨率1°×1°。其中海表风场需分解成水平分量USSW与垂直分量VSSW。将所有数据的异常值剔除并统一空间范围（全球海洋：180°W~180°E，78.375°S~77.625°N）；
步骤S12：将所有海表遥感观测数据的空间分辨率利用最优插值法统一为1°× 1°（或统一为0.25°×0.25°，最终生成0.25°×0.25°高分辨率海洋热含量数据集）；
步骤S13：将得到的所有参量（SSH、SST、USSW、VSSW、LON、LAT、DOY、OHC）均进行归一化处理，归一化至[-1，1]，方便模型训练拟合。
优选的，在本实施例中，步骤S2具体为：利用Argo实测经纬度坐标数据，使每格网点热含量OHC与输入模型的海表遥感观测数据和时空位置参量共7个变量一一对应；将七参量标记为特征矩阵X、实测热含量OHC标记为标签矩阵Y；
优选的，在本实施例中，步骤S3具体为：
步骤S31：将特征矩阵X与标签矩阵Y进行列合并得到矩阵A；
步骤S32：使用Python软件将矩阵A按时间序列的前后取一定比例进行行向划分，从而生成训练数据集、验证数据集、测试数据集。其中，训练集用于训练拟合样本，验证集用于调整模型的超参数和评价模型的预测能力，测试集用于反演海洋内部单时相热含量OHC数据，用精度评价因子决定系数R2、均方根误差RMSE、相对均方根误差RRMSE（均方根误差/标准差）衡量最终模型的泛化能力。
优选的，在本实施例中，步骤S4具体为：
步骤S41：使用长短期记忆神经网络LSTM时间序列深度学习方法对训练数据集进行训练，依据验证集的损失函数变化，选择最优的超参数，得到最终模型；
步骤S42：超参数调整后，将测试集作为输入数据，用精度评价因子决定系数R2、均方根误差RMSE或相对均方根误差RRMSE衡量最终模型的泛化能力。
优选的，在本实施例中，步骤S5具体为：
步骤S51：将长时序1993-2018年共312个月的海表遥感观测和时空位置共7个参量的数据标记为长时序特征矩阵X'；
步骤S52：将长时序特征矩阵X'输入上一步训练好的LSTM模型，利用模型在训练集中学习到的时序依赖关系，由X'直接预测得到Y'，反演并输出时序重建后的1993-2018年共312个月的海洋内部热含量OHC数据集。
表1为本发明实施例数据集中单时相随深度增加的精度变化，两种模型重建数据集中2015年6月与Argo同时期的OHC 300m比较的精度评价因子。
表1
Figure 911343DEST_PATH_IMAGE002
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种结合遥感与浮标数据的海洋热含量遥感反演方法，其特征在于，包括以下步骤：
步骤S1：获取全球海洋多源海表遥感观测数据以及Argo实测格网数据并进行预处理，得到海表数据、时空参量以及海洋内部热含量数据；
步骤S2：根据Argo实测坐标数据，将每个格网点海洋内部热含量数据与输入模型的海表遥感和时空参量一一对应，分别标记为特征矩阵X、标签矩阵Y；
步骤S3：将特征矩阵和标签矩阵纵向合并，并按时间序列划分成训练数据集、验证数据集、测试数据集；
步骤S4：基于长短期记忆神经网络LSTM时间序列深度学习方法对训练数据集进行训练，并根据数据集的损失函数的变化，选择最优的网络深度及参数，建立反演模型；
步骤S5：获取历史长时序特征矩阵X'，并作为步骤S4中模型的输入数据，进一步重建海洋内部热含量OHC数据集；
所述海表数据包括海表高度SSH、海表温度SST、海表风速水平分量USSW及垂直分量VSSW，所述时空参量包括经度LON、纬度LAT和时间DOY；
所述步骤S2具体为：利用Argo实测经纬度坐标数据，使每格网点热含量OHC与输入模型的海表遥感观测数据和时空位置参量共7个变量一一对应；将七参量标记为特征矩阵X、实测热含量OHC标记为标签矩阵Y。
2.根据权利要求1所述的一种结合遥感与浮标数据的海洋热含量遥感反演方法，其特征在于，所述步骤S1具体为：
步骤S11：获取全球海洋多源海表遥感观测数据以及Argo实测格网数据，按月尺度提取时间序列海表高度数据SSH；海表温度数据SST；海表风场数据SSW；经度LON；纬度LAT；时间DOY；Argo实测的热含量数据OHC；其中海表风场分解成水平分量USSW与垂直分量VSSW；将所有数据的异常值剔除并统一空间范围；
步骤S12：将所有海表遥感观测数据的空间分辨率利用最优插值法统一为预设值；
步骤S13：将得到的所有参量均进行归一化处理。
3.根据权利要求1所述的一种结合遥感与浮标数据的海洋热含量遥感反演方法，其特征在于，所述步骤S3具体为：
步骤S31：将特征矩阵X与标签矩阵Y进行列合并得到矩阵A；
步骤S32：将矩阵A按时间序列以预设比例进行行向划分，从而生成训练数据集、验证数据集、测试数据集。
4.根据权利要求1所述的一种结合遥感与浮标数据的海洋热含量遥感反演方法，其特征在于，所述步骤S4具体为：
步骤S41：使用长短期记忆神经网络LSTM时间序列深度学习方法对训练数据集进行训练，依据验证集的损失函数变化，选择最优的超参数，得到最终模型；
步骤S42：超参数调整后，将测试集作为输入数据，用精度评价因子决定系数R2、均方根误差RMSE或相对均方根误差RRMSE衡量最终模型的泛化能力。
5.根据权利要求1所述的一种结合遥感与浮标数据的海洋热含量遥感反演方法，其特征在于，所述步骤S5具体为：
步骤S51：获取历史长时序海表遥感观测和时空位置共7个参量的数据标记为长时序特征矩阵X'；
步骤S52：将长时序特征矩阵X'输入步骤S4训练好的模型，利用模型在训练集中学习到的时序依赖关系，由X'直接预测得到Y'，反演并输出时序重建海洋内部热含量OHC数据集。
CN202110324115.6A 2021-03-26 2021-03-26 结合遥感与浮标数据的海洋热含量遥感反演方法 Active CN113063737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110324115.6A CN113063737B (zh) 2021-03-26 2021-03-26 结合遥感与浮标数据的海洋热含量遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110324115.6A CN113063737B (zh) 2021-03-26 2021-03-26 结合遥感与浮标数据的海洋热含量遥感反演方法

Publications (2)

Publication Number Publication Date
CN113063737A CN113063737A (zh) 2021-07-02
CN113063737B true CN113063737B (zh) 2022-05-10

Family

ID=76563859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110324115.6A Active CN113063737B (zh) 2021-03-26 2021-03-26 结合遥感与浮标数据的海洋热含量遥感反演方法

Country Status (1)

Country Link
CN (1) CN113063737B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114238847B (zh) * 2021-10-29 2023-02-10 中国人民解放军61540部队 一种基于海洋实测数据的表层准地转重构方法及系统
CN113935249B (zh) * 2021-11-23 2022-12-27 中国海洋大学 基于压缩和激励网络的上层海洋热结构反演方法
CN114186483B (zh) * 2021-11-30 2022-09-06 广州赋安数字科技有限公司 一种融合浮标数据和海洋卫星遥感图像的反演方法
CN115062527B (zh) * 2022-03-14 2023-04-18 北京华云星地通科技有限公司 一种基于深度学习的静止卫星海温反演方法及系统
CN117315497B (zh) * 2023-09-26 2024-05-07 中国水利水电科学研究院 一种大范围河湖总磷含量遥感产品生成方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0110153D0 (en) * 2001-04-25 2001-06-20 Isis Innovation Improvements in or relating to forecasting
CN108510132A (zh) * 2018-07-03 2018-09-07 华际科工（北京）卫星通信科技有限公司 一种基于lstm的海表面温度预测方法
CN112099110B (zh) * 2020-09-17 2021-06-22 中国科学院海洋研究所 基于机器学习和遥感数据的海洋内波预报方法
CN112308973A (zh) * 2020-10-30 2021-02-02 无锡九方科技有限公司 基于机器学习的三维海洋要素场智能构建方法及系统
CN112488382A (zh) * 2020-11-27 2021-03-12 清华大学 基于深度学习的enso预报方法

Also Published As

Publication number Publication date
CN113063737A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN113063737B (zh) 结合遥感与浮标数据的海洋热含量遥感反演方法
CN114549925B (zh) 一种基于深度学习的海浪有效波高时间序列预测方法
CN113505923B (zh) 一种地区电网短期负荷预测方法及系统
CN113935249B (zh) 基于压缩和激励网络的上层海洋热结构反演方法
CN112180369B (zh) 基于深度学习的一维综合孔径辐射计海面风速反演方法
CN113344149B (zh) 一种基于神经网络的pm2.5逐小时预测方法
CN113704693B (zh) 一种高精度的有效波高数据估计方法
CN114781576B (zh) 一种基于随机森林算法的声速剖面估计方法及装置
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN116227554A (zh) 一种气象数据的模拟数据修正方法及装置、电子设备
CN116451821A (zh) 基于深度学习的大区域新能源发电功率预测方法及系统
CN116128141A (zh) 风暴潮预测方法、装置、存储介质及电子设备
González‐Abad et al. Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches
CN116883594A (zh) 融合卫星与浮标观测的海洋三维温度遥感超分重建方法
CN116628442B (zh) 一种基于人工神经网络的地下水储量变化空间降尺度方法
Zakharova et al. Data analysis for variational assimilation of the surface temperature of the Black and Azov Seas
Song et al. Convformer: A Model for Reconstructing Ocean Subsurface Temperature and Salinity Fields Based on Multi-Source Remote Sensing Observations
Mobley et al. Statistical analysis of historical climate data sets
CN117235542B (zh) 一种三维咸潮模型盐度模拟初始场生成方法
Yuan et al. Application of LSTM Machine Learning to Prediction Precipitation in Beijing Area
CN117131365B (zh) 基于海气动力场数据的赤潮预测方法、系统及介质
CN115438523B (zh) 海洋三维叶绿素浓度数据重构方法、装置、设备及介质
CN118194235B (zh) 一种多模式融合的降水干湿时序变化重构方法及系统
CN118378664B (zh) 一种信号分解的多级扩散海表温度预测方法
CN115062656A (zh) 一种基于电子鼻信号空间域的茶多酚含量预测方法和装置

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