CN113553766A - 一种使用机器学习反演北极积雪深度的方法 - Google Patents

一种使用机器学习反演北极积雪深度的方法 Download PDF

Info

Publication number
CN113553766A
CN113553766A CN202110832472.3A CN202110832472A CN113553766A CN 113553766 A CN113553766 A CN 113553766A CN 202110832472 A CN202110832472 A CN 202110832472A CN 113553766 A CN113553766 A CN 113553766A
Authority
CN
China
Prior art keywords
snow depth
depth
snow
oib
data
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
CN202110832472.3A
Other languages
English (en)
Other versions
CN113553766B (zh
Inventor
张渊智
冯佳俊
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110832472.3A priority Critical patent/CN113553766B/zh
Publication of CN113553766A publication Critical patent/CN113553766A/zh
Application granted granted Critical
Publication of CN113553766B publication Critical patent/CN113553766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种使用机器学习反演北极积雪深度的方法，获取OIB积雪深度数据，根据OIB积雪深度数据中的经纬度和AMSR2L1R亮温的经纬度数据，对两数据进行匹配。构建积雪深度的训练样本集和测试样本集，本发明所要解决的技术问题是提供一种基于机器学习的北极积雪深度自动化反演。其既解决了传统线性回归方程中无法反演复杂的非线性关系而导致模型不确定性，具有能学习复杂非线性关系降低积雪深度不确定性的特点。也解决了传统方法中需要额外确定多年冰、一年冰以及海冰密集度等辅助参数等需要复杂的辅助输入数据等问题，具有输入数据简单易实现的特点。

Description

一种使用机器学习反演北极积雪深度的方法
技术领域
本发明涉及一种遥感卫星自动反演北极积雪深度的方法，不仅适用于反演一年冰上的积雪深度而且也适用于多年冰上的积雪深度，属于遥感信息提取领域。
背景技术
北极海冰是气候系统得重要组成部分，北极海冰的变化对北极局地乃至全球大气、海洋、生态系统都有着重要影响。北极积雪深度是研究北极气候变化、北极海冰预报的重要参数。北极积雪具有很高的反射率，对北极的地表能量和热量平衡有很强的影响。由于其导热系数低，因此即使是几厘米厚得雪层也会削弱海洋-大气通过海冰进行得热量交换。北极积雪的反照率相比于开阔海洋的反照率是非常高的，因此北极积雪对北极能量的转移有很强的影响。
对北极积雪深度进行现场观测是很困难的，因为在北极的现场观测需要充足的日光条件，这也导致了大多数北极积雪深度测量在冬季之前就结束了。尽管浮标数据可以测量整个冬季的积雪，但是它仅仅只能反应小部分区域的积雪深度[1]。随着卫星遥感技术的发展，Markus等人发现被动微波辐射计37Ghz和19Ghz的垂直通道的梯度比(gradientratio，GR)与一年冰有很好的相关性，因此他们利用观测资料结合GR(37v/19v)建立了积雪深度的经验线性回归方程[2]。但是这个方法只能反演一年冰上的积雪深度，对于多年冰上的积雪深度采用的是前苏联在多年冰上的观测站，获得的长时间多年冰积雪深度序列结合空间位置推导出的Warren 1999(W99)模型[3]。但是这种模型推导的积雪深度空间分辨较低，而且需要通过二维二次方程来推导积雪深度，方程系数有很大的不确定性。Markus等人发现使用AMSR-E/2被动微波微波辐射计的低频通道可以改善被动微波辐射计的积雪深度反演[4]。因为低频通道对较深的雪比较敏感，而且受到天气影响较小。
目前关于利用被动微波辐射计反演整个北极冰上积雪深度，首先都需要先确定一年冰和多年冰，然后建立两个经验方程分别反演北极一年冰和多年冰的积雪深度。其次辐射计的亮温还需要利用海冰密集度的资料和开放水典型亮温进行校正，以消除开放水对亮温的影响，这些工作无疑是复杂，且会对积雪深度的反演过程产生影响。最后亮温与积雪深度之间主要表现为非线性特征，因此仅仅使用线性回归方程来推导整个北极区域的积雪深度会增加不确定性。
参考文献：
[1]Webster M A,Rigor I G,Nghiem S V,et al.Interdecadal changes insnow depth on Arctic sea ice[J].Journal of Geophysical Research:Oceans,2014,119(8):5395-5406.
[2]Markus T,Cavalieri D J.Snow depth distribution over sea ice in theSouthern Ocean from satellite passive microwave data[J].Antarctic sea ice:physical processes,interactions and variability,1998,74:19-39.
[3]Warren S G,Rigor I G,Untersteiner N,et al.Snow depth onArctic seaice[J].Journal ofClimate,1999,12(6):1814-1829.
[4]Markus T,Cavalieri D J,Gasiewski A J,et al.Microwave signaturesofsnow on sea ice:Observations[J].IEEE Transactions on Geoscience and remoteSensing,2006,44(11):3081-3090.
发明内容
针对目前北极积雪深度反演的以下几个问题:在积雪深度反演之前需要提前知道一年冰和多年冰的范围，这两者在边界确定上依然有很大的不确定性，这会导致积雪深度反演的误差。在预处理阶段需要提前海冰密集度和开放水的典型亮温对亮温进行校正以消除开放水对亮温的影响，因此以往的算法中海冰密集度和开放水典型亮温的选取也是影响算法精度的重要组成部分。在积雪深度反演阶段，需要对亮温和积雪深度拟合两个回归方程以分别反演多年冰和一年冰上的积雪深度，且北极积雪深度与亮温之间主要表现为非线性关系。
本发明提出一种机器学习方法以学习亮温和积雪深度之间的非线性关系。这种机器学习方法不需要先确定一年冰和多年冰，且不需要利用海冰密集度和开放水的典型亮温对亮温进行校正，且不需要对多年冰和一年冰上的积雪深度分别建模。
本发明所要解决的问题是提供一种基于机器学习的北极积雪深度方法，其既不需要额外辅助参数，又高于其他算法的精度。
步骤1：获取冰桥行动(Operation Ice Bridge,OIB)北极积雪深度即OIB积雪深度数据，OIB积雪深度数据记录有北极上测量的经纬度、时间和相应的积雪深度，OIB积雪深度数据和北极积雪深度有很好的一致性因此适合用于数据建模。AMSR2 L1R是AMSR2轨道亮温数据，每个轨道扫描轨道为一个hdf5文件包括不同通道的亮温，并记录在每个轨道的扫描时间。AMSR2 L1R分有升轨和降轨数据。
步骤2：根据OIB积雪深度数据中的经纬度和AMSR2 L1R亮温的经纬度数据，对两数据进行匹配，两数据的经纬度之间最短距离即为匹配点。每个OIB积雪深度分别匹配到升轨和降轨的亮温数据，根据OIB积雪深度的记录时间和AMSR2 L1R中记录的时间选择时间最接近的亮温即为最终匹配点。
步骤3：低频通道的垂直亮温梯度比对多年冰和一年冰上的积雪深度较为敏感，计算最终匹配点的垂直亮温的梯度比(gradient ratio，GR)，分别为GR(10v/7v)、GR(19v/7v)、GR(19v/10v)、GR(37v/7v)、GR(37v/10v)、GR(37v/19v)。这里不再使用海冰密集度和开放水典型亮温对各个通道的亮温进行校正，因此GR的公式为
Figure BDA0003176033760000031
其中，TBMv为M通道的垂直亮温，TBNv为N通道的垂直亮温。
步骤4：构建积雪深度的训练样本集和测试样本集，按照步骤3计算的亮温梯度比作为输入自变量，相对应的积雪深度作为输出应变量。OIB积雪不仅在分布在多年冰上也分布在一年冰上。在训练样本和测试样本中不仅要包含多年冰积雪深度而且要包含一年冰积雪深度，将前70％的输入自变量以及对应的输出应变量划分为积雪深度训练样本集，剩余的后30％的输入自变量以及对应的输出应变量作为积雪深度测试样本集。
步骤5：建立积雪深度机器学习来映射亮温梯度比和OIB积雪深度之间的非线性关系。采用在步骤4中建立的积雪深度训练样本集分别训练多层感知器和随机森林，以比较哪种机器学习模型更适合积雪深度反演。多层感知器模型包括数据输入层，3个隐藏层和一个输出层。随机森林模型包括多个决策树每个决策树包括多个叶子。对于关于积雪深度的多层感知器训练算法需要选择为Levenberg-Marquardt算法。训练终止目标(即收敛阈值)设置为0.0001。最大迭代学习次数设置为2000。损失函数选择为平均绝对误差。对于关于积雪深度的随机森林在训练时，可以绘制误差曲线不断调整决策树和叶子的大小。
在设置参数中，可以设置如下参数：关于积雪深度的多层感知器的学习速率设置为0.05，每层神经元个数分别设置为25、20和15。对于积雪深度的随机森林选择200棵决策树和5个叶子。
步骤6：挑选模拟积雪深度较好的机器学习模型，随机森林和多层感知器都对初始输入的权值敏感，不同随机输入的初始权值会带来对模拟的积雪深度产生不同的影响。不断重复训练积雪深度多层感知器和随机森林以选择最优模型，使用均方根误差(RMSE)、最优拟合度(R2)和偏差(Bias)来评价模拟的积雪深度和实际的积雪深度之间的误差以挑选模拟积雪深度较好的模型，公式如下：
Figure BDA0003176033760000041
Figure BDA0003176033760000042
Figure BDA0003176033760000043
f为预测的积雪深度，y为OIB积雪深度，N为积雪深度观测点的个数。
两种关于积雪深度的机器学习模型分别训练200次并保存每次的网络结构和记录均方根误差、最优拟合度以及偏差，这样就形成了200个积雪深度多层感知器和200个随机森林。首先利用最优拟合度对积雪深度模拟结果进行评价，因为最优拟合度越大，均方根误差和偏差就越小。分别在200个积雪深度多层感知器和随机森林中挑选最优拟合度最大的多层感知器和随机森林网络。然后对挑选出来的多层感知器和最优随机森林进行以上3个评价参数的对比，找出模拟结果最好的积雪深度模型。
本发明所要解决的技术问题是提供一种基于机器学习的北极积雪深度自动化反演。其既解决了传统线性回归方程中无法反演复杂的非线性关系而导致模型不确定性，具有能学习复杂非线性关系降低积雪深度不确定性的特点。也解决了传统方法中需要额外确定多年冰、一年冰以及海冰密集度等辅助参数等需要复杂的辅助输入数据等问题，具有输入数据简单易实现的特点。
附图说明
图1：本发明方法整体的技术实施路线流程图。
图2中，(a)训练样本分布和(b)测试样本分布。无论在训练样本还是测试样本中都包含了一年冰和多年冰上的积雪深度。
图3中，(a)200个多层感知器序列最优拟合度分布，(b)200个随机森林序列最优拟合度分布。
图4：(a)在测试集中最优多层感知器模拟的积雪深度和OIB积雪深度比对,(b)在测试集中最优随机森林模拟的积雪深度与OIB积雪深度对比。
具体实施方式
下面结合附图和具体实施方式对本发明做更进一步的说明。
图1为本发明的技术路线流程图，本发明利用在2013到2015年冰桥行动期间采样机载雪雷达收集的北极多年冰和一年冰上的积雪深度以及AMSR2 L1R轨道亮温使用两个机器学习模型反演北极积雪深度。具体步骤如下：
收集2013年到2015年冰桥行动期(OIB)间的北极积雪深度，OIB数据同时也记录也数据采集时间和相对应的经纬度。收集同时期的AMSR2 L1R轨道亮温，该轨道亮温是一个hdf5文件，里面存储着升轨和降轨亮温，以及相对应的经纬度。此外也记录了轨道扫描时间。美国宇航局(NASA)在2009年到2015年春季利用在飞机上搭载的机载雪雷达测量了北极多年冰和一年冰上的积雪深度。获取2013年到2015年春季与OIB数据以及同时期的AMSR2被动微波辐射计L1R亮温数据。
首先利用Matlab软件中distance函数，根据每个OIB积雪深度点记录的经纬度分别计算与AMSR2 L1R升轨和降轨亮温之间的距离，然后找出分别在升轨和降轨中找出距离最近的点即为匹配点。然后找出在匹配的点中，升轨亮温和降轨亮温所记录的时间与相对应的OIB积雪深度时间最接近的点，即为最终匹配点。
分别计算匹配点的垂直亮温梯度比(gradient ratio，GR)，分别为GR(10v/7v)、GR(19v/7v)、GR(19v/10v)、GR(37v/7v)、GR(37v/10v)、GR(37v/19v)。GR的公式为
GR的公式为
Figure BDA0003176033760000051
其中TBMv为M通道的垂直亮温，TBNv为N通道的垂直亮温。在这一步中不需要获取海冰密集度以及相应垂直亮温的特征开放水亮温对GR进行校正。
构建数据训练样本集和测试样本集，按照(3)计算的梯度比作为输入自变量，相对应的积雪深度作为输出应变量。然后将前70％的输入自变量以及对应的输出应变量划分为训练样本，剩余的后30％的输入自变量以及对应的输出应变量作为测试样本集。最终划分结果如图2所示，可以看到训练样本和测试样本中都包含了一年冰和多年冰区域的积雪深度。
使用Matlab软件分别使用newff和Treebagger函数，采用在(4)中建立的训练样本集分别训练多层感知器和随机森林以比较哪种机器学习模型更适合积雪深度反演。多层感知器模型包括数据输入层，3个隐藏层和一个输出层。随机森林模型包括多个决策树每个决策树包括多个叶子。对于多层感知器的训练算法需要选择为Levenberg-Marquardt算法，训练终止目标(即收敛阈值)设置为0.0001。最大迭代学习次数设置为2000。损失函数选择为平均绝对误差。学习速率设置为0.01，每个隐藏层分别设置为25，20，15个神经元。对于随机森林选择200棵决策树和5个叶子。
使用均方根误差(RMSE)、最优拟合度(R2)和偏差(Bias)选择最优模型。不断重复训练多层感知器和随机森林200次并保存每次的网络结构，这样就形成了200个多层感知器和200个随机森林。然后把每个网络应用到测试样本中，分别记录相应均方根误差，最优拟合度以及偏差。利用最优拟合度分别对200个多层感知器和200个随机森林对模型进行评价，因为最优拟合度越大，均方根误差和偏差就越小。图3分别展示了200个多层感知器和200个随机森林模拟测试集中积雪深度的最优拟合度。分别在200个多层感知器和200个随机森林中挑选最优拟合度最高的模型，即为最优多层感知器和最优随机森林模型。最后对这两者最优模型利用以上3个评价指标进行评估选出最优模型。图4分别为最优多层感知器和最优随机森林在测试样本中模拟的积雪深度与OIB实际积雪深度之间的对比，可以看到多层感知器模型更适合对北极积雪深度进行建模。

Claims (8)

1.一种使用机器学习反演北极积雪深度的方法，其特征在于：该方法包括如下步骤，
步骤1：获取冰桥行动OIB北极积雪深度即OIB积雪深度数据，OIB积雪深度数据记录有北极上测量的经纬度、时间和相应的积雪深度；AMSR2 L1R是AMSR2轨道亮温数据，每个轨道扫描轨道为一个hdf5文件包括不同通道的亮温，并记录在每个轨道的扫描时间；AMSR2 L1R分有升轨和降轨数据；
步骤2：根据OIB积雪深度数据中的经纬度和AMSR2 L1R亮温的经纬度数据，对两数据进行匹配，两数据的经纬度之间最短距离即为匹配点；
步骤3：低频通道的垂直亮温梯度比对多年冰和一年冰上的积雪深度敏感，计算最终匹配点的垂直亮温的梯度比GR，分别为GR(10v/7v)、GR(19v/7v)、GR(19v/10v)、GR(37v/7v)、GR(37v/10v)、GR(37v/19v)；不使用海冰密集度和开放水典型亮温对各个通道的亮温进行校正，因此GR的公式为
Figure FDA0003176033750000011
其中，TBMv为M通道的垂直亮温，TBNv为N通道的垂直亮温；
步骤4：构建积雪深度的训练样本集和测试样本集，按照步骤3计算的亮温梯度比作为输入自变量，相对应的积雪深度作为输出应变量；在训练样本和测试样本中不仅要包含多年冰积雪深度而且要包含一年冰积雪深度，将前70％的输入自变量以及对应的输出应变量划分为积雪深度训练样本集，剩余的后30％的输入自变量以及对应的输出应变量作为积雪深度测试样本集；
步骤5：建立积雪深度机器学习来映射亮温梯度比和OIB积雪深度之间的非线性关系；采用在步骤4中建立的积雪深度训练样本集分别训练多层感知器和随机森林，以比较哪种机器学习模型更适合积雪深度反演；多层感知器模型包括数据输入层，3个隐藏层和一个输出层；随机森林模型包括多个决策树每个决策树包括多个叶子；对于关于积雪深度的多层感知器训练算法需要选择为Levenberg-Marquardt算法；训练终止目标即收敛阈值设置为0.0001；最大迭代学习次数设置为2000；损失函数选择为平均绝对误差；对于关于积雪深度的随机森林在训练时，绘制误差曲线不断调整决策树和叶子的大小；
在设置参数中，设置如下参数：关于积雪深度的多层感知器的学习速率设置为0.05，每层神经元个数分别设置为25、20和15；对于积雪深度的随机森林选择200棵决策树和5个叶子；
步骤6：挑选模拟积雪深度较好的机器学习模型，随机森林和多层感知器都对初始输入的权值敏感，不同随机输入的初始权值会带来对模拟的积雪深度产生不同的影响；不断重复训练积雪深度多层感知器和随机森林以选择最优模型，使用均方根误差RMSE、最优拟合度R2和偏差Bias来评价模拟的积雪深度和实际的积雪深度之间的误差以挑选模拟积雪深度较好的模型。
2.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：关于积雪深度的机器学习模型分别训练200次并保存每次的网络结构和记录均方根误差、最优拟合度以及偏差，形成200个积雪深度多层感知器和200个随机森林；利用最优拟合度对积雪深度模拟结果进行评价，因为最优拟合度越大，均方根误差和偏差就越小；分别在200个积雪深度多层感知器和随机森林中挑选最优拟合度最大的多层感知器和随机森林网络；然后对挑选出来的多层感知器和最优随机森林进行以上3个评价参数的对比，找出模拟结果最好的积雪深度模型。
3.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：每个OIB积雪深度分别匹配到升轨和降轨的亮温数据，根据OIB积雪深度的记录时间和AMSR2L1R中记录的时间选择时间最接近的亮温即为最终匹配点。
4.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：利用Matlab软件中distance函数，根据每个OIB积雪深度点记录的经纬度分别计算与AMSR2L1R升轨和降轨亮温之间的距离，然后找出分别在升轨和降轨中找出距离最近的点即为匹配点；然后找出在匹配的点中，升轨亮温和降轨亮温所记录的时间与相对应的OIB积雪深度时间最接近的点，即为最终匹配点。
5.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：分别计算匹配点的垂直亮温梯度比GR，分别为GR(10v/7v)、GR(19v/7v)、GR(19v/10v)、GR(37v/7v)、GR(37v/10v)、GR(37v/19v)；GR的公式为
Figure FDA0003176033750000021
其中TBMv为M通道的垂直亮温，TBNv为N通道的垂直亮温。
6.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：构建数据训练样本集和测试样本集，按照计算的梯度比作为输入自变量，相对应的积雪深度作为输出应变量；然后将前70％的输入自变量以及对应的输出应变量划分为训练样本，剩余的后30％的输入自变量以及对应的输出应变量作为测试样本集。
7.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：使用Matlab软件分别使用newff和Treebagger函数，采用建立的训练样本集分别训练多层感知器和随机森林以比较哪种机器学习模型更适合积雪深度反演；多层感知器模型包括数据输入层，3个隐藏层和一个输出层；随机森林模型包括多个决策树每个决策树包括多个叶子；对于多层感知器的训练算法需要选择为Levenberg-Marquardt算法，训练终止目标即收敛阈值设置为0.0001；最大迭代学习次数设置为2000；损失函数选择为平均绝对误差。
8.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：使用均方根误差RMSE、最优拟合度R2和偏差Bias选择最优模型；不断重复训练多层感知器和随机森林200次并保存每次的网络结构，形成200个多层感知器和200个随机森林；然后把每个网络应用到测试样本中，分别记录相应均方根误差，最优拟合度以及偏差；利用最优拟合度分别对200个多层感知器和200个随机森林对模型进行评价；最后对这两者最优模型利用以上3个评价指标进行评估选出最优模型。
CN202110832472.3A 2021-07-22 2021-07-22 一种使用机器学习反演北极积雪深度的方法 Active CN113553766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110832472.3A CN113553766B (zh) 2021-07-22 2021-07-22 一种使用机器学习反演北极积雪深度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110832472.3A CN113553766B (zh) 2021-07-22 2021-07-22 一种使用机器学习反演北极积雪深度的方法

Publications (2)

Publication Number Publication Date
CN113553766A true CN113553766A (zh) 2021-10-26
CN113553766B CN113553766B (zh) 2023-04-28

Family

ID=78104100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110832472.3A Active CN113553766B (zh) 2021-07-22 2021-07-22 一种使用机器学习反演北极积雪深度的方法

Country Status (1)

Country Link
CN (1) CN113553766B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417682A (zh) * 2021-12-15 2022-04-29 上海海洋大学 一种综合校正北极海冰厚度反演的方法
CN114943188A (zh) * 2022-07-25 2022-08-26 中国科学院空天信息创新研究院 基于随机森林模型的积雪深度反演方法及装置
CN115099064A (zh) * 2022-07-25 2022-09-23 中国科学院空天信息创新研究院 一种积雪深度的反演方法及装置
CN115435674A (zh) * 2022-08-19 2022-12-06 上海海洋大学 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法
CN115435674B (zh) * 2022-08-19 2024-07-12 上海海洋大学 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012256154A (ja) * 2011-06-08 2012-12-27 Sumitomo Forestry Co Ltd 地盤設計のための積雪深調査システム
CN110866363A (zh) * 2019-11-12 2020-03-06 南京信息工程大学 一种利用人工神经网络反演北极融池分布的方法
CN112504144A (zh) * 2020-12-04 2021-03-16 南京大学 一种海冰表面积雪厚度的遥感估算方法
CN112749494A (zh) * 2021-01-25 2021-05-04 中国科学院空天信息创新研究院 一种动态积雪深度的获取方法
CN112784419A (zh) * 2021-01-25 2021-05-11 中国科学院空天信息创新研究院 一种提取积雪层相关长度的方法
CN113095375A (zh) * 2021-03-19 2021-07-09 中山大学 基于中法海洋卫星散射计的北极海冰分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012256154A (ja) * 2011-06-08 2012-12-27 Sumitomo Forestry Co Ltd 地盤設計のための積雪深調査システム
CN110866363A (zh) * 2019-11-12 2020-03-06 南京信息工程大学 一种利用人工神经网络反演北极融池分布的方法
CN112504144A (zh) * 2020-12-04 2021-03-16 南京大学 一种海冰表面积雪厚度的遥感估算方法
CN112749494A (zh) * 2021-01-25 2021-05-04 中国科学院空天信息创新研究院 一种动态积雪深度的获取方法
CN112784419A (zh) * 2021-01-25 2021-05-11 中国科学院空天信息创新研究院 一种提取积雪层相关长度的方法
CN113095375A (zh) * 2021-03-19 2021-07-09 中山大学 基于中法海洋卫星散射计的北极海冰分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
毕永恒;何文英;龙菲;陈洪滨;李长富;: "阿尔山地区积雪深度微波遥感反演算法的改进与验证" *
沙依然・外力;毛炜峄;: "基于AMSR2被动微波积雪参量高精度反演方法研究" *
郭成久等: "压实与融化情景下表层积雪性质反演的可行性研究" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417682A (zh) * 2021-12-15 2022-04-29 上海海洋大学 一种综合校正北极海冰厚度反演的方法
CN114417682B (zh) * 2021-12-15 2024-04-12 上海海洋大学 一种综合校正北极海冰厚度反演的方法
CN114943188A (zh) * 2022-07-25 2022-08-26 中国科学院空天信息创新研究院 基于随机森林模型的积雪深度反演方法及装置
CN115099064A (zh) * 2022-07-25 2022-09-23 中国科学院空天信息创新研究院 一种积雪深度的反演方法及装置
CN115435674A (zh) * 2022-08-19 2022-12-06 上海海洋大学 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法
CN115435674B (zh) * 2022-08-19 2024-07-12 上海海洋大学 一种现场观测和卫星遥感联合反演北极海冰积雪深度方法

Also Published As

Publication number Publication date
CN113553766B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN113553766B (zh) 一种使用机器学习反演北极积雪深度的方法
Schmidt et al. The importance of accurate glacier albedo for estimates of surface mass balance on Vatnajökull: evaluating the surface energy budget in a regional climate model with automatic weather station observations
CN102230796B (zh) 基于无线电掩星探测资料的云底高反演方法
CN109061601A (zh) 一种基于无人机激光雷达反演人工林森林结构参数的方法
CN108872964A (zh) 基于无人机LiDAR数据的银杏人工林郁闭度提取方法
Aires et al. Statistical approaches to assimilate ASCAT soil moisture information—I. Methodologies and first assessment
CN108256546A (zh) 一种非降水条件下大气边界层高度探测方法和系统
CN113486581A (zh) 一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备
CN105841847A (zh) 一种估算地表潜热通量的方法
Weissling et al. Sea-ice thickness and mass at ice station Belgica, Bellingshausen Sea, Antarctica
Mitnik et al. Microwave sensing of the atmosphere-ocean system with ADEOS-II AMSR and Aqua AMSR-E
Flexas et al. Autonomous sampling of ocean submesoscale fronts with ocean gliders and numerical model forecasting
CN116609858A (zh) 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及系统
Perez et al. Measuring the Atlantic meridional overturning circulation
CN109212553A (zh) 无人机LiDAR和随机森林提取银杏生物物理特性的方法
CN115690598B (zh) 基于卫星数据和随机森林模型室外环境温度遥感反演方法
CN114114358B (zh) 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法
CN104899464A (zh) 一种适应噪声条件下的抽样学习机遥感定量反演方法
Verron et al. Assimilation of geosat data into a quasi-geostrophic model of the north-atlantic between 20-degrees and 50-degrees-N-preliminary-results
CN114970663A (zh) 基于神经网络的微波辐射计的近岸海面温度反演方法
Xu et al. Synchronous retrieval of land surface temperature and emissivity
van Tiggelen et al. Observed and parameterized roughness lengths for momentum and heat over rough ice surfaces
Amaireh et al. Atmospheric humidity estimation from wind profiler radar using a cascaded machine learning approach
Müller et al. Challenges in the Description of Sea Ice for a Kilometer-Scale Weather Forecasting System
Cao et al. Ocean mesoscale eddies identification based on YOLOF

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