CN113408644B - 卫星数据重构方法、探测上层海洋对台风响应的方法 - Google Patents
卫星数据重构方法、探测上层海洋对台风响应的方法 Download PDFInfo
- Publication number
- CN113408644B CN113408644B CN202110751359.2A CN202110751359A CN113408644B CN 113408644 B CN113408644 B CN 113408644B CN 202110751359 A CN202110751359 A CN 202110751359A CN 113408644 B CN113408644 B CN 113408644B
- Authority
- CN
- China
- Prior art keywords
- data
- reconstruction
- sea surface
- satellite
- 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
Links
Images
Classifications
-
- 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
- G06N3/08—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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本公开实施例涉及一种卫星数据重构方法和探测上层海洋对台风响应的方法,其中卫星数据重构方法包括:获取目标海域预设时段的多源卫星遥感数据,所述多源卫星遥感数据包括海表要素数据及相应的位置信息和时间信息;从所述多源卫星遥感数据中提取海表要素的时间序列数据集;将所述时间序列数据集输入到预先建立的海表要素数据重构模型中进行数据重构,输出得到重构参数;基于所述重构参数对所述时间序列数据中缺测时间节点进行数据重构,得到海表要素的卫星重构数据。通过本申请的方法可重构海表逐日高分辨率卫星数据,重构时间短且准确率较高。
Description
技术领域
本申请属于海洋、水文技术领域,具体涉及一种卫星数据重构方法和探测上层海洋对台风响应的方法。
背景技术
台风是一种中小尺度的极端天气现象,它所带来的强风会对上层海洋产生显著的影响。海水表面温度(Sea surface temperature,SST)及叶绿素浓度是上层海洋最重要的两个参数。海温作为一种外源强迫,对大气会产生重要的影响,热带气旋的形成和发展与SST的大小及分布密不可分。叶绿素浓度是反映海洋光能自养生物多寡的重要指标,而海洋浮游植物是海洋有机物的初级生产者,也是海洋食物网结构中的基础环节,在海洋生态系统的物质循环和能量转化过程中起着重要作用,同时在海洋环境监管、上升流、湍流混合等研究都具有重要意义。因此对于台风过境前后海表温度与叶绿素浓度的研究十分有必要。
卫星遥感技术具有监测面积广、监测时间尺度长、以及定点连续观测等优势,目前被逐步广泛应用于台风观测中。但由于云遮挡、传感器故障或者噪音等因素的影响,使得遥感数据存在较为严重的数据缺失。因此,为了更好的发挥海洋水色遥感在海洋研究中的作用,针对海洋水色遥感缺失数据问题,国内外许多研究给出了多种解决方案,如克里金插值法、最优插值法、经验正交函数法等。但总的来说,这些方法针对高空间分辨率和时间分辨率数据的重构准确率较低,且计算时间较长。
另外,对于台风天气下上层海洋要素如海表温度以及叶绿素浓度的完整响应过程也鲜有研究。现有的方法仅适用于台风个例分析,对于多台风分析不适用。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本申请提供一种卫星数据重构方法、探测上层海洋对台风响应的方法。
(二)技术方案
为达到上述目的,本申请采用如下技术方案:
第一方面本申请提出一种卫星数据重构方法,该方法包括:
S10、获取目标海域预设时段的多源卫星遥感数据,所述多源卫星遥感数据包括海表要素数据及相应的位置信息和时间信息;
S20、从所述多源卫星遥感数据中提取海表要素的时间序列数据集,所述时间序列数据集中每个时间节点数据包括目标位置当天、前一天、后一天海表要素的误差方差、绝对偏差与误差方差的比值和时间信息;
S30、将所述时间序列数据集输入到预先建立的海表要素数据重构模型中进行数据重构,输出得到重构参数,所述重构参数包括缺测时间节点的平均值、绝对偏差与误差方差的比值、期望误差方差的倒数的对数;其中,所述海表要素数据重构模型是基于卷积神经网络构建、并以海表要素的历史时间序列数据集为训练样本进行训练后得到的网络模型;
S40、基于所述重构参数对所述时间序列数据中缺测时间节点进行数据重构,得到海表要素的卫星重构数据。
可选地,所述海表要素数据重构模型的建立方法包括:
S01、获取多源卫星遥感历史数据,并搭建卷积神经网络模型;
S02、对所述多源卫星遥感历史数据进行预处理,得到海表要素数据样本集;
S03、将所述海表要素数据样本集分为训练集、交叉验证集和测试集;
S04、利用所述训练集训练搭建的卷积神经网络模型,直到模型收敛,利用所述测试集对模型评估,利用交叉验证集进行超参数选择,最终得到海表要素数据重构模型;所述卷积神经网络模型包括依次连接的输入层、5个编码层、一个全连接层、5个解码层和输出层,相邻编码层间的过滤器的数量分别是16,24,36和54。
可选地,所述训练集的数据样本为:将训练集中的数据进行分组,将每50天数据作为一组,每组数据大小10×x×y×50,其中x代表经度方向格点数,y代表纬度方向格点数;其中最后一组数据大小为10×x×y×t1,其中t1为t/50的余数。
可选地,所述编码层由卷积层和池化层组成,所述卷积层用于提取输入数据的特征,卷积核大小为3×3,所述池化层用于压缩由卷积层提取的特征,选取最大池化,池大小=(2,2),跨距=(2,2)。
可选地,步骤S10之后、步骤S20之前还包括:
S11、对所述多源卫星遥感数据进行预处理。
可选地,步骤S11包括:
通过预设的数据融合算法对所述多源卫星遥感数据进行数据融合,得到第一遥感数据;
将所述第一遥感数据中单日缺测率超过95%的数据剔除,得到处理后的多源卫星遥感数据。
可选地,步骤S40包括:
基于缺测时间节点的期望误差方差的倒数的对数,通过以下公式计算得到误差方差;
基于误差方差和绝对偏差与误差方差的比值,通过以下公式计算得到绝对偏差;
基于缺测时间节点的平均值和绝对偏差,通过以下公式计算得到缺测时间节点数据;
pij=yij+m
第二方面本申请提出一种基于卫星重构数据探测上层海洋对台风响应方法,该方法包括:
S100、针对台风移动过程中所经过的目标海域,获取台风过境前后预设时段的多源卫星遥感数据,所述多源卫星遥感数据中的海表要素数据包括海表温度数据和叶绿素浓度数据;
S200、通过上述第一方面任一项所述的方法对获取的数据进行数据重构,得到海表温度卫星重构数据和叶绿素浓度卫星重构数据;
S300、基于所述海表温度卫星重构数据和叶绿素浓度卫星重构数据进行统计分析,得到海表温度和叶绿素浓度对于台风响应的时间分布特征和空间分布特征。
可选地,步骤S200包括:
基于所述海表温度卫星重构数据和所述叶绿素浓度卫星重构数据,分析预设海域台风过境前后海表温度和叶绿素浓度随时间的变化特征,得到海表温度和叶绿素浓度对于台风响应的时间分布特征;
基于所述海表温度卫星重构数据和所述叶绿素浓度卫星重构数据,分析台风中心周围海域的海表温度和叶绿素浓度随空间的变化特征,得到海表温度和叶绿素浓度对于台风响应的空间分布特征。
(三)有益效果
本申请的有益效果是:本发明提出了一种卫星数据重构方法、探测上层海洋对台风响应的方法。通过本申请的卫星数据重构方法可重构海表逐日高分辨率卫星数据,重构时间短且准确率较高。
进一步地,通过本申请的基于卫星重构数据探测上层海洋对台风响应方法,对于台风天气下上层海洋要素如海表温度以及叶绿素浓度的完整响应过程进行分析,得到海表温度和叶绿素浓度对于台风响应的时间分布特征和空间分布特征,填补了利用卫星数据监测上层海洋对台风完整响应的空白;对台风前后海表温度以及叶绿素浓度变化的探测快速、简单易实现,适合于实际多台风的应用。
附图说明
本申请借助于以下附图进行描述:
图1为本申请一个实施例中的卫星数据重构方法流程示意图;
图2为本申请一个实施例中的海表要素数据重构模型构建流程示意图;
图3为本申请一个实施例中的海表要素重构前后对比图;
图4为本申请一个实施例中的交叉验证数据集的原始数据与重建数据散点图;
图5为本申请另一个实施例中的基于卫星重构数据探测上层海洋对台风响应方法的流程示意图;
图6为本申请另一个实施例中的台风过境前后海表温度与叶绿素浓度对比图;
图7为本申请另一个实施例中的台风到达前后平均海温和叶绿素浓度变化示例图;
图8为本申请另一个实施例中的台风前后SST和CHL绝对偏差的差异示例图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。可以理解的是,以下所描述的具体的实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合;为了便于描述,附图中仅示出了与发明相关的部分。
针对当下有关台风过境前后上层海洋的具体响应特征仍不明了的情况,本发明提出了一种卫星数据重构方法和探测上层海洋对台风响应的方法。以下通过实施例对本发明作详细描述。
实施例一
图1为本申请一个实施例中的卫星数据重构方法流程示意图,如图1所示,该方法包括:
S10、获取目标海域预设时段的多源卫星遥感数据,多源卫星遥感数据包括海表要素数据及相应的位置信息和时间信息;
S20、从多源卫星遥感数据中提取海表要素的时间序列数据集,时间序列数据集中每个时间节点数据包括目标位置当天、前一天、后一天海表要素的误差方差、绝对偏差与误差方差的比值和时间信息;
S30、将时间序列数据集输入到预先建立的海表要素数据重构模型中进行数据重构,输出得到重构参数,重构参数包括缺测时间节点的平均值、绝对偏差与误差方差的比值、期望误差方差的倒数的对数;其中,海表要素数据重构模型是基于卷积神经网络构建、并以海表要素的历史时间序列数据集为训练样本进行训练后得到的网络模型;
S40、基于重构参数对时间序列数据中缺测时间节点进行数据重构,得到海表要素的卫星重构数据。
通过本申请的卫星数据重构方法可重构海表逐日高分辨率卫星数据,重构时间短且准确率较高。
以下对本实施例方法的各个步骤进行展开描述。
本实施例中,步骤S10获取的数据为:选定海域的多源卫星遥感海表温度(SeaSurface Temperature,SST)及叶绿素浓度(CHL)数据(如MODIS-Aqua、MODIS-Terra、VIIRS等L3级、逐日产品数据),同时获取研究海域的经纬度信息(Lon、Lat)同时缩放到(-1,1)之间、经纬度的格点数x和y、研究区域的陆地掩膜以及研究的时间范围,并计算sin(d/365.25)以及cos(d/365.25),d为一年中的第d天。
这里对选定区域收集尽可能长时间范围的海表要素数据如SST和CHL(MODIS-Aqua、MODIS-Terra、VIIRS等),因为只有数据量足够充足,后续的插值重构准确性才会更高。
本实施例中,步骤S10之后、步骤S20之前还包括:
S11、对多源卫星遥感数据进行预处理,包括:
利用陆地掩膜数据将源卫星遥感数据中陆地位置删除;
通过预设的数据融合算法对多源卫星遥感数据进行数据融合,得到第一遥感数据;
将第一遥感数据中单日缺测率超过95%的数据剔除,得到处理后的多源卫星遥感数据,具体地,计算SST/CHL在研究区域内每日的缺测率(空间上缺失),将单日缺测率超过95%的剔除。
这里的数据融合算法可以是加权平均算法,当然也可以采用其他融合算法,本实施例对此不作限定。
通过加权平均算法将多源卫星数据进行融合,从而降低了缺测率。
本实施例中,S20包括:
通过公式(1)、(2)计算各海表要素的绝对偏差,并且计算误差方差,
SSTA=SST-SSTMEAN (1)
CHLA=CHL-CHLMEAN (2)
其中,SSTA为海表温度的绝对偏差,CHLA为叶绿素浓度的绝对偏差,SSTMEAN、CHLMEAN分别为SST、CHL的平均值。
通过公式(3)、(4)将各绝对偏差通过其误差方差的倒数进行缩放;
SAV=SSTA/SV (3)
CAV=CHLA/CV (4)
其中,SV为海表温度误差方差,CV为叶绿素浓度误差方差,SAV为海表温度绝对偏差与误差方差的比值,CAV为叶绿素浓度绝对偏差与误差方差的比值。
计算前一天和后一天各变量误差方差及由误差方差的倒数进行缩放后的海表要素绝对偏差。
将研究区域经纬度线性缩放到(-1,1),将缺测位置设置为0。
此外,在数据准备阶段,还需要准备前一天各变量误差方差(SV-P/CV-P)及由误差方差倒数进行缩放后的海表要素绝对偏差(SAV-P/CAV-P)以及后一天各变量误差方差((SV-A/CV-A))及由误差方差的倒数进行缩放后的海表要素绝对偏差(SAV-A/CAV-A)。因此,输入数据的大小即就是10×x×y×t,10代表10个变量,x代表经度方向格点数,y代表纬度方向格点数,t代表天数,其中海表温度的10个数据分别是SV、SAV、SV-P、SAV-P、SV-A、SAV-A、Lon、Lat、sin(d/365.25)、cos(d/365.25)。
将数据进行分组,将每50天数据作为一组,即每组数据大小10×x×y×50,其中最后一组数据大小可能为10×x×y×t1(t1为t/50的余数)。
本实施例中,S30包括:将步骤S20得到海表温度和叶绿素浓度时间序列数据集输入到预先建立的海表要素数据重构模型中进行数据重构,输出得到海表温度和叶绿素浓度的重构参数,重构参数包括缺测时间节点的平均值、绝对偏差与误差方差的比值、期望误差方差的倒数的对数。
图2为本申请一个实施例中的海表要素数据重构模型构建流程示意图;如图2所示,本实施例中海表要素数据重构模型的建立方法包括:
S01、获取多源卫星遥感历史数据,并搭建卷积神经网络模型;这里的多源卫星遥感历史数据与步骤S10获取的数据类型相同,因此不再展开描述。
S02、对多源卫星遥感历史数据进行预处理,得到海表要素数据样本集,样本标签为日期;预处理的方法可采用步骤S11的方法,此处不再展开描述。
S03、将海表要素数据样本集分为训练集、交叉验证集和测试集;
为了后续验证重构结果准确性,需要选取交叉验证数据集,并且由于云具有空间范围,交叉验证集最好保留具有类似空间结构。所以在最后50幅图像中,需要根据时间序列前50幅图像的云掩模去除数据。
按照真实云分布特征选取交叉验证数据集后,在原始数据中将交叉验证数据剔除。然后使用随机掩膜生成测试数据:随机挑选原始数据集中包含有效数据的位置点,将这部分位置点的数据以NaN(即缺测)代替,然后将该部分原始的数据存入一个新的数组,作为测试数据。
训练集的数据样本为:将训练集中的数据进行分组,将每50天数据作为一组,每组数据大小10×x×y×50,其中x代表经度方向格点数,y代表纬度方向格点数;其中最后一组数据大小为10×x×y×t1,其中t1为t/50的余数。在训练数据中加入高斯分布噪声,以避免生成的模型过拟合,本实施例中高斯分布噪声均值为0。
S04、利用训练集训练搭建的卷积神经网络模型,直到模型收敛,利用所述测试集对模型评估,利用交叉验证集进行超参数选择,最终得到海表要素数据重构模型。
将准备好的数据输入到卷积神经网络中进行训练,得出训练模型。输入数据分为训练集和测试集,卷积神经网络模型分为输入层、编码层、全连接层、解码层和输出层,共有5个个编码层和5个解码层,除了输入层和输出层,过滤器的数量是16、24、36和54(从一个编码卷积层到下一个编码卷积层,滤波器的数量增加50%)。
输入层用于接收训练数据集(训练阶段)和待重构数据集(重建阶段)。
编码层由卷积层和池化层组成,卷积层的工作是提取输入数据的特征,这些特征的数量和规模取决于卷积层的深度,也就是所谓的“卷积核大小”。本实施例中,卷积核的大小为3×3,池化层的工作是压缩由卷积层提取的特征,压缩程度由池化层的类型、大小和步长决定。本实施例中,选取最大池化,池大小=(2,2),跨距=(2,2)。
全连接层等效于传统前馈神经网络中的隐藏层,它们的功能是非线性组合提取的特征,有两个完整的连接层,分别为N/5(四舍五入到最接近的整数)和N,其中N是编码器最后一个合并层中神经元的数量。
解码层由卷积层和插值层(最近邻插值)组成,对结果进行上采样。插值层跳过连接到池化层的输出,以捕获编码层和完全连接层丢失的小规模结构。在训练中,通过dropout layer避免过拟合。
输出层给出结果,包含海表要素绝对偏差与误差方差的比值,期望误差方差的倒数的对数及平均值。
本实施例中利用均方根误差(RMSE)以及平均相对误差(MRE)判别重构精度。将重构结果与之前选取的交叉验证集进行对比,计算两者的均方根误差和平均相对误差:
其中,N为验证点个数,H为原始数据值,Hc为重构后的值。
如果均方根误差小于给定的阈值,则模型训练结束。
图4为本申请一个实施例中的交叉验证数据集的原始数据与重建数据散点图,图4中(a)为SST的交叉验证数据集的原始数据与重建数据散点图,(b)为CHL的交叉验证数据集的原始数据与重建数据散点图,图中实线代表最佳拟合线,虚线代表1:1线,从图中可以看出,两个重构后的海表要素沿着1:1虚线分布的像素密度最高。
本实施例中,步骤S40包括:
基于缺测时间节点的期望误差方差的倒数的对数,通过公式(5)计算得到误差方差;
基于误差方差和绝对偏差与误差方差的比值,通过公式(6)计算得到绝对偏差;
其中,yij为海表要素绝对偏差,Dij1表示海表要素绝对偏差与误差方差的比值。
基于缺测时间节点的平均值和绝对偏差,通过公式(7)计算得到缺测时间节点数据;
pij=yij+m (7)
其中,m表示平均值,pij表示缺测时间节点数据。
图3为本申请一个实施例中的海表要素重构前后对比图,如图3所示,图3中(a)、(b)为海表温度数据重构前后数据覆盖对比图,单位为℃,图3中(c)、(d)为叶绿素浓度重构前后数据覆盖对比图,单位为log10mg/m3,图(a)、(c)为重构之前,图(b)、(d)为重构之后。图3所示为我国东海海域2012-2019年海表温度及叶绿素浓度重构结果,重构前包含大量缺测,重构之后不包含缺测值,展现了东海海域完整的海表温度及叶绿素浓度分布。
实施例三
第二方面,本申请通过另一个实施例提供一种基于卫星重构数据探测上层海洋对台风响应方法,图5为本申请另一个实施例中的基于卫星重构数据探测上层海洋对台风响应方法的流程示意图,如图5所示,该方法包括:
S100、针对台风移动过程中所经过的目标海域,获取台风过境前后预设时段的多源卫星遥感数据,多源卫星遥感数据中的海表要素数据包括海表温度数据和叶绿素浓度数据;
S200、通过实施例一中的方法对获取的数据进行数据重构,得到海表温度卫星重构数据和叶绿素浓度卫星重构数据;
S300、基于海表温度卫星重构数据和叶绿素浓度卫星重构数据进行统计分析,得到海表温度和叶绿素浓度对于台风响应的时间分布特征和空间分布特征。
本实施例通过采用基于卷积神经网络的卫星重构数据方法,并利用重构后的卫星数据探测上层海洋对台风的完整响应特征。通过本申请的基于卫星重构数据探测上层海洋对台风响应方法,填补了利用卫星数据监测上层海洋对台风完整响应的空白;对台风前后海表温度以及叶绿素浓度变化的探测快速、简单易实现,适合于实际多台风的应用。
本实施例中,步骤S200包括:
S201、基于海表温度卫星重构数据和叶绿素浓度卫星重构数据,分析预设海域台风过境前后海表温度和叶绿素浓度随时间的变化特征,得到海表温度和叶绿素浓度对于台风响应的时间分布特征。
具体地,以台风各中心点为圆心,100km为半径的区域考察SST和CHL在台风前后15天内的变化特征,逐日进行分析,研究上层海洋对于台风响应的时间分布特征。
S202、基于海表温度卫星重构数据和叶绿素浓度卫星重构数据,分析台风中心周围海域的海表温度和叶绿素浓度随空间的变化特征,得到海表温度和叶绿素浓度对于台风响应的空间分布特征。
具体地,计算台风前后15天内,距中心点100-300km范围内海表温度和叶绿素浓度的绝对偏差,并求取台风过境前后海温绝对偏差/叶绿素浓度绝对偏差的差值(ΔSSTA/ΔCHLA),分析上层海洋对于台风响应的空间分布范围。
S203、结合风场数据、流场数据、风速数据、台风移动数据等,区分不同台风条件下海表响应的差异。
具体地,可以分析在不同风场、流场、风速以及台风移动速度等条件下,海表温度及叶绿素浓度对台风响应的差异。
图6为本申请另一个实施例中的台风过境前后海表温度与叶绿素浓度对比图,图6中(a)、(b)为台风过境前,(c)、(d)为台风过境后;其中(a)、(c)为海表温度,单位为℃,其中黑色线段为台风Damrey路径;(b)、(d)为叶绿素浓度,单位log10mg/m3,其中黑色线段为台风Talim路径。从图中可以看出,在台风过境后,其路径上海表温度降低,而叶绿素浓度上升。
为了进一步揭示台风的时空影响特征,在距各台风中心点100km范围内研究海面对台风的响应。计算台风到达前后各中心点的平均海温和叶绿素含量,可以看到利用重构后的数据可以准确的监测台风前后上层海洋海表要素的变化特征,如图7和图8所示。图7为本申请另一个实施例中的台风到达前后平均海温和叶绿素浓度变化示例图,其中虚线表示SST,实线表示CHL。图8为本申请另一个实施例中的台风前后SST和CHL绝对偏差的差异示例图,其中(a)为SST绝对偏差的差异,(b)为CHL绝对偏差的差异。
利用重构数据,探测上层海洋对于台风响应的空间分布范围。分别计算台风前后15天内,距中心点100-300km范围内海表温度和叶绿素浓度的绝对偏差,并求取台风过境前后海温绝对偏差/叶绿素浓度绝对偏差的差值(ΔSSTA/ΔCHLA)。结果表明海表温度的降低程度和叶绿素浓度的升高程度都随着距台风中心点的距离的增大而减小。
SSTA_A=SST_A-SST_MEAN
SSTA_P=SST_P-SST_MEAN
CHLA_A=CHL_A-CHL_MEAN
CHLA_P=CHL_P-CHL_MEAN
ΔSSTA=|SSTA_A-SSTA_P|
ΔCHLA=|CHLA_A-CHLA_P|
其中,SSTA_A以及SSTA_P分别为台风过境后和台风过境前海表温度绝对偏差,SST_A和SST_P为台风过境前后海表温度,SST_MEAN为年平均海温;CHLA_A以及CHLA_P分别为台风过境后和台风过境前叶绿素浓度绝对偏差,CHL_A和CHL_P为台风过境前后叶绿素浓度,CHL_MEAN为年平均叶绿素浓度。
本实施例针对当下有关台风过境前后上层海洋的具体响应特征仍不明了的情况,重构逐日海表卫星数据,建立海表逐日高分辨率遥感数据集;并进一步探究海表面对台风的响应特征,对于台风天气下上层海洋要素如海表温度以及叶绿素浓度的完整响应过程进行分析,得到海表温度和叶绿素浓度对于台风响应的时间分布特征和空间分布特征,具有快速和简单易实现等优势,适合于实际应用。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是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必须针对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一个或多个实施例或示例中以合适的方式结合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (9)
1.一种卫星数据重构方法,其特征在于,该方法包括:
S10、获取目标海域预设时段的多源卫星遥感数据,所述多源卫星遥感数据包括海表要素数据及相应的位置信息和时间信息;
S20、从所述多源卫星遥感数据中提取海表要素的时间序列数据集,所述时间序列数据集中每个时间节点数据包括目标位置当天、前一天、后一天海表要素的误差方差、绝对偏差与误差方差的比值和时间信息;
S30、将所述时间序列数据集输入到预先建立的海表要素数据重构模型中进行数据重构,输出得到重构参数,所述重构参数包括缺测时间节点的平均值、绝对偏差与误差方差的比值、期望误差方差的倒数的对数;其中,所述海表要素数据重构模型是基于卷积神经网络构建、并以海表要素的历史时间序列数据集为训练样本进行训练后得到的网络模型;
S40、基于所述重构参数对所述时间序列数据中缺测时间节点进行数据重构,得到海表要素的卫星重构数据。
2.根据权利要求1所述的方法,其特征在于,所述海表要素数据重构模型的建立方法包括:
S01、获取多源卫星遥感历史数据,并搭建卷积神经网络模型;
S02、对所述多源卫星遥感历史数据进行预处理,得到海表要素数据样本集;
S03、将所述海表要素数据样本集分为训练集、交叉验证集和测试集;
S04、利用所述训练集训练搭建的卷积神经网络模型,直到模型收敛,利用所述测试集对模型评估,利用交叉验证集进行超参数选择,最终得到海表要素数据重构模型;所述卷积神经网络模型包括依次连接的输入层、5个编码层、一个全连接层、5个解码层和输出层,相邻编码层间的过滤器的数量分别是16,24,36和54。
3.根据权利要求2所述的方法,其特征在于,所述训练集的数据样本为:将训练集中的数据进行分组,将每50天数据作为一组,每组数据大小10×x×y×50,其中x代表经度方向格点数,y代表纬度方向格点数;其中最后一组数据大小为10×x×y×t1,t代表天数,其中t1为t/50的余数。
4.根据权利要求2所述的方法,其特征在于,所述编码层由卷积层和池化层组成,所述卷积层用于提取输入数据的特征,卷积核大小为3×3,所述池化层用于压缩由卷积层提取的特征,选取最大池化,池大小=(2,2),跨距=(2,2)。
5.根据权利要求1所述的方法,其特征在于,步骤S10之后、步骤S20之前还包括:
S11、对所述多源卫星遥感数据进行预处理。
6.根据权利要求5所述的方法,其特征在于,步骤S11包括:
通过预设的数据融合算法对所述多源卫星遥感数据进行数据融合,得到第一遥感数据;
将所述第一遥感数据中单日缺测率超过95%的数据剔除,得到处理后的多源卫星遥感数据。
8.一种基于卫星重构数据探测上层海洋对台风响应方法,其特征在于,该方法包括:
S100、针对台风移动过程中所经过的目标海域,获取台风过境前后预设时段的多源卫星遥感数据,所述多源卫星遥感数据中的海表要素数据包括海表温度数据和叶绿素浓度数据;
S200、通过权利要求1-7中任一权利要求所述的方法对获取的数据进行数据重构,得到海表温度卫星重构数据和叶绿素浓度卫星重构数据;
S300、基于所述海表温度卫星重构数据和叶绿素浓度卫星重构数据进行统计分析,得到海表温度和叶绿素浓度对于台风响应的时间分布特征和空间分布特征。
9.根据权利要求8所述的方法,其特征在于,步骤S200包括:
基于所述海表温度卫星重构数据和所述叶绿素浓度卫星重构数据,分析预设海域台风过境前后海表温度和叶绿素浓度随时间的变化特征,得到海表温度和叶绿素浓度对于台风响应的时间分布特征;
基于所述海表温度卫星重构数据和所述叶绿素浓度卫星重构数据,分析台风中心周围海域的海表温度和叶绿素浓度随空间的变化特征,得到海表温度和叶绿素浓度对于台风响应的空间分布特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751359.2A CN113408644B (zh) | 2021-07-02 | 2021-07-02 | 卫星数据重构方法、探测上层海洋对台风响应的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110751359.2A CN113408644B (zh) | 2021-07-02 | 2021-07-02 | 卫星数据重构方法、探测上层海洋对台风响应的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408644A CN113408644A (zh) | 2021-09-17 |
CN113408644B true CN113408644B (zh) | 2023-07-14 |
Family
ID=77681025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110751359.2A Active CN113408644B (zh) | 2021-07-02 | 2021-07-02 | 卫星数据重构方法、探测上层海洋对台风响应的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408644B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114660634B (zh) * | 2022-02-23 | 2022-12-13 | 航天东方红卫星有限公司 | 一种提高卫星多源遥感数据记放比的方法 |
CN116976230A (zh) * | 2023-09-25 | 2023-10-31 | 中国海洋大学 | 基于数值模拟和深度学习的叶绿素遥感数据重构方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400022A (zh) * | 2013-06-08 | 2013-11-20 | 杭州师范大学 | 一种海表面温度遥感数据集等纬度重构方法 |
CN108289285A (zh) * | 2018-01-12 | 2018-07-17 | 上海海事大学 | 一种海洋无线传感器网络丢失数据恢复与重构方法 |
CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
CN110378858A (zh) * | 2019-07-04 | 2019-10-25 | 浙江大学 | 一种基于经验正交函数分解法的静止海洋水色卫星数据重构方法 |
CN112085824A (zh) * | 2020-09-18 | 2020-12-15 | 桂林理工大学 | 一种基于空间多尺度重构的海洋实时渲染系统及方法 |
CN112579687A (zh) * | 2020-12-04 | 2021-03-30 | 中国人民解放军海军航空大学 | 一种海洋环境监测数据压缩感知在线重构方法 |
CN112598111A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 异常数据的识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108534742A (zh) * | 2018-04-24 | 2018-09-14 | 浙江大学 | 水下面形变形实时监测的多节点数据同步采集系统及方法 |
-
2021
- 2021-07-02 CN CN202110751359.2A patent/CN113408644B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400022A (zh) * | 2013-06-08 | 2013-11-20 | 杭州师范大学 | 一种海表面温度遥感数据集等纬度重构方法 |
CN108289285A (zh) * | 2018-01-12 | 2018-07-17 | 上海海事大学 | 一种海洋无线传感器网络丢失数据恢复与重构方法 |
CN108334987A (zh) * | 2018-02-08 | 2018-07-27 | 山东汇贸电子口岸有限公司 | 一种基于小波分解-神经网络的海浪波高预测方法 |
CN110378858A (zh) * | 2019-07-04 | 2019-10-25 | 浙江大学 | 一种基于经验正交函数分解法的静止海洋水色卫星数据重构方法 |
WO2021000361A1 (zh) * | 2019-07-04 | 2021-01-07 | 浙江大学 | 一种基于经验正交函数分解法的静止海洋水色卫星数据重构方法 |
CN112085824A (zh) * | 2020-09-18 | 2020-12-15 | 桂林理工大学 | 一种基于空间多尺度重构的海洋实时渲染系统及方法 |
CN112579687A (zh) * | 2020-12-04 | 2021-03-30 | 中国人民解放军海军航空大学 | 一种海洋环境监测数据压缩感知在线重构方法 |
CN112598111A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 异常数据的识别方法和装置 |
Non-Patent Citations (5)
Title |
---|
A Convolutional Neural Network Using Surface Data to Predict Subsurface Temperatures in the Pacific Ocean;Mingxu Han 等;《IEEE Access》;第07卷;172816-172829 * |
Investigating ocean surface responses to typhoons using reconstructed satellite data;Chenxu Ji 等;《International Journal of Applied Earth Observation and Geoinformation》;第103卷;1-12 * |
基于卫星重构数据的东中国海海表温度与叶绿素浓度关系研究;纪晨旭;《中国优秀硕士学位论文全文数据库基础科学辑》;A006-210 * |
基于小波理论的干旱区内陆湖泊叶绿素a的TM影像遥感反演;史锐 等;《生态学报》;第37卷(第03期);1043-1053 * |
海洋表层-次表层反演与重构方法概述;闫恒乾 等;《海洋信息》(第03期);1-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN113408644A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN113408644B (zh) | 卫星数据重构方法、探测上层海洋对台风响应的方法 | |
D'Alimonte et al. | Phytoplankton determination in an optically complex coastal region using a multilayer perceptron neural network | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN112213287A (zh) | 基于遥感卫星影像的沿海滩涂盐度反演的方法 | |
CN111638249A (zh) | 基于深度学习的含水率测量方法及其在油井开采中的应用 | |
Zhang et al. | Improving remote sensing estimation of Secchi disk depth for global lakes and reservoirs using machine learning methods | |
CN115222163A (zh) | 港池入口波浪多要素的中长期实时预测方法、系统及应用 | |
CN114049545B (zh) | 一种基于点云体素的台风定强方法、系统、设备及介质 | |
Scardino et al. | Convolutional neural network and optical flow for the assessment of wave and tide parameters from video analysis (leucotea): An innovative tool for coastal monitoring | |
CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
CN111859054B (zh) | 气象卫星数据的处理方法及装置 | |
Narejo et al. | Meteonowcasting using deep learning architecture | |
CN114882380A (zh) | 一种基于改进hrnet模型的湿地资源遥感识别算法 | |
CN113470316A (zh) | 一种基于自编码单分类模型的泥石流监测预警方法 | |
CN114120137B (zh) | 一种基于时序植被遥感影像的湿地要素时空演变监测方法 | |
CN116415730A (zh) | 一种预测水位的融合自注意力机制时空深度学习模型 | |
Lubkov et al. | Method for reconstructing the monthly mean water transparencies for the northwestern part of the Black Sea as an example | |
CN114863361A (zh) | 基于USRNet和YOLOv3的配电线路鸟巢检测方法 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
CN116482317B (zh) | 湖泊水体营养状态实时监测方法、系统、设备及介质 | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
CN115711838A (zh) | 基于人工神经网络和高分1号卫星反演水体悬浮泥沙的方法及其应用 | |
Parard et al. | Remote sensing algorithm for sea surface CO2 in the Baltic Sea | |
CN113466135A (zh) | 一种基于gee的海水水质在线反演监测方法 |
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 |