CN114065931A - 基于物理模型和神经网络融合的陆地水汽反演方法及系统 - Google Patents

基于物理模型和神经网络融合的陆地水汽反演方法及系统 Download PDF

Info

Publication number
CN114065931A
CN114065931A CN202210023860.1A CN202210023860A CN114065931A CN 114065931 A CN114065931 A CN 114065931A CN 202210023860 A CN202210023860 A CN 202210023860A CN 114065931 A CN114065931 A CN 114065931A
Authority
CN
China
Prior art keywords
data
water vapor
neural network
physical model
matching
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
CN202210023860.1A
Other languages
English (en)
Other versions
CN114065931B (zh
Inventor
许艳
高兆瑞
江楠
徐天河
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202210023860.1A priority Critical patent/CN114065931B/zh
Publication of CN114065931A publication Critical patent/CN114065931A/zh
Application granted granted Critical
Publication of CN114065931B publication Critical patent/CN114065931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Environmental Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Ecology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明提供了一种基于物理模型和神经网络融合的陆地水汽反演方法，其涉及水汽反演预测技术领域，包括：获取空基遥感观测数据以及地基GNSS水汽观测数据；基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得匹配数据；基于预先构建的线性化物理模型以及获得的匹配数据中的线性参数，获得水汽值；基于预先训练的神经网络模型，以获得的水汽值及匹配数据中的相关非线性参数作为输入层，输出大气可降水量的反演结果。所述方案结合物理模型处理线性化参数以及神经网络处理非线性参数优势，有效提高了大气可降水量反演的准确性。

Description

基于物理模型和神经网络融合的陆地水汽反演方法及系统
技术领域
本发明属于水汽反演预测技术领域，尤其涉及一种基于物理模型和神经网络融合的陆地水汽反演方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，来自AMSR2 (Advanced Microwave Scanning Radiometer 2)的18和23 GHz频率的亮度温度（Brightness Temperatures，Tbs）值常用于PWV（Precipitable WaterVapor：大气可降水量）的反演，其反演方法通常分为两种类型：物理模型和神经网络。
发明人发现，对于传统物理模型，通常使用线性回归公式来建立PWV与非线性参数的关系，由于反演过程中涉及复杂的非线性参数，这种关系通常是不准确的，尤其是在全球范围内。对于神经网络，输入神经网络的仅是最原始的Tbs，在没有物理模型支持的情况下建立的PWV和Tbs之间的关系。该方法将反演中PWV与每个参数的关系完全视作非线性关系，而忽略了其中可以线性化的部分，单独使用物理模型或神经网络方法都会给反演过程带来不可避免的误差。
发明内容
本发明为了解决上述问题，提供了一种基于物理模型和神经网络融合的陆地水汽反演方法及系统，所述方案结合物理模型处理线性化参数以及神经网络处理非线性参数优势，有效提高了大气可降水量反演的准确性。
根据本发明实施例的第一个方面，提供了一种基于物理模型和神经网络融合的陆地水汽反演方法，包括：
获取空基遥感观测数据以及地基GNSS水汽观测数据；
基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得匹配数据；
基于预先构建的线性化物理模型以及获得的匹配数据中的线性参数，获得水汽值；
基于预先训练的神经网络模型，以获得的水汽值及匹配数据中的相关非线性参数作为输入层，输出大气可降水量的反演结果。
进一步的，所述线性参数包括18GHZ和23GHZ的水平和垂直亮度温度的极化差。
进一步的，所述相关非线性参数包括但不限于地表温度、地表高程以及极化差之比。
进一步的，所述在全球范围内对两类数据进行时空匹配，获得匹配数据，具体包括空间匹配和时间匹配，所述空间匹配为根据地基GNSS测站的经纬度在AMSR2全球网格数据中查询测站周围的四个网格点，然后根据双线性插值法确定测站的Tbs值；所述时间匹配为基于AMSR2扫描时间最接近的两个GNSS观测时间以及对应两个时间的大气可降水量值，然后根据线性插值确定AMSR2扫描时间的PWV值。
进一步的，所述线性化物理模型的构建，具体为：
获取空基遥感观测历史数据以及地基GNSS水汽观测历史数据；
基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得历史匹配数据；
基于微波大气辐射传输理论以及历史匹配数据，拟合得到线性化物理模型。
进一步的，所述神经网络模型采用单隐含层前馈神经网络模型，其输入层的输出作为隐含层的输入，所述隐含层的输出和对应权重的乘积作为输出层的输入。
进一步的，所述神经网络模型的训练，具体为：
基于获得的历史匹配数据，以地表温度、地表高程、水汽值以及极化差之比作为输入层，PWV值作为输出层，对所述神经网络模型进行训练，获得训练好的神经网络模型。
进一步的，所述空基遥感观测数据采用AMSR2 全球网格数据，所述地基GNSS水汽观测数据采用Suominet GNSS测站数据。
进一步的，所述空基遥感观测数据包括18GHZ和23GHZ的水平和垂直亮度温度；所述地基GNSS水汽观测数据包括水汽值、测站的经纬度、地表高程及表面温度。
根据本发明实施例的第二个方面，提供了一种基于物理模型和神经网络融合的陆地水汽反演系统，包括：
数据获取单元，其用于获取空基遥感观测数据以及地基GNSS水汽观测数据；
时空匹配单元，其用于基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得匹配数据；
水汽值获取单元，其用于基于预先构建的线性化物理模型以及获得的匹配数据中的线性参数，获得水汽值；
大气可降水量反演单元，其用于基于预先训练的神经网络模型，以获得的水汽值及匹配数据中的相关非线性参数作为输入层，输出大气可降水量的反演结果。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于物理模型和神经网络融合的陆地水汽反演方法及系统，所述方案基于微波大气辐射传输理论提出了一个线性化的物理模型并且在理论和实验上验证了该线性物理模型。然后，基于提出的线性化模型，我们将利用物理模型计算的水汽值和其他相关非线性参数作为神经网络的输入层，将SuomiNet GNSS站的PWV作为输出层来构建神经网络模型；在物理模型的基础上使用神经网络来进一步消除非线性参数的影响，所述融合方法结合了物理模型处理线性化参数的优势和神经网络处理非线性参数的优势，比传统物理模型方法以及神经网络模型方法具有更好的精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一中所述的基于物理模型和神经网络融合的陆地水汽反演方法的模型训练流程图；
图2为本发明实施例一中所述的基于2015至2016年SuomiNet GNSS-PWV数据和AMSR2 Tbs数据的拟合方程（其拟合条件为:ln （MAWVI）=0.01309.V+0.07119，数据样本数量NUM为11150个，相关系数为0.9564）；
图3为本发明实施例一中所述的GNSS站点（无边线黑点）和94个选定站点（有边线黑点）的全球分布；
图4（a）为本发明实施例一中所述的2015-2016年AMSR2-PWV和GNSS-PWV 的升轨散点图（数据样本数量NUM为10897，相关系数为0.9807，RMSE为2.26）；
图4（b）为本发明实施例一中所述的2017年AMSR2-PWV和GNSS-PWV 的升轨散点图（数据样本数量NUM为4802，相关系数为0.9802，RMSE为2.38）；
图4（c）为本发明实施例一中所述的2015-2016年AMSR2-PWV和GNSS-PWV 的降轨散点图（数据样本数量NUM为10472，相关系数为0.9830，RMSE为2.20）；
图4（d）为本发明实施例一中所述的2017年AMSR2-PWV和GNSS-PWV 的降轨散点图（数据样本数量NUM为4634，相关系数为0.9820，RMSE为2.37）；
图5（a）为本发明实施例一中所述的2015-2016年各个GNSS站升轨阶段PWV的RMSE；
图5（b）为本发明实施例一中所述的2017年各个GNSS站升轨阶段PWV的RMSE；
图5（c）为本发明实施例一中所述的2015-2016年各个GNSS站降轨阶段PWV的RMSE；
图5（d）为本发明实施例一中所述的2017年各个GNSS站降轨阶段PWV的RMSE；
图6（a）为本发明实施例一中所述的来自AMSR2的PWV数据和来自RAOB的2015-2016年升轨阶段的PWV数据的散点图（数据样本数量NUM为892，相关系数为0.9216，RMSE为2.87）；
图6（b）为本发明实施例一中所述的来自AMSR2的PWV数据和来自RAOB的2017年升轨阶段的PWV数据的散点图(数据样本数量NUM为400，相关系数为0.9531，RMSE为2.70)；
图6（c）为本发明实施例一中所述的来自AMSR2的PWV数据和来自RAOB的2015-2016年降轨阶段的PWV数据的散点图(数据样本数量NUM为619，相关系数为0.9446，RMSE为3.87)；
图6（d）为本发明实施例一中所述的来自AMSR2的PWV数据和来自RAOB的2017年降轨阶段的PWV数据的散点图(数据样本数量NUM为400，相关系数为0.9673，RMSE为3.54)。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种基于物理模型和神经网络融合的陆地水汽反演方法。
一种基于物理模型和神经网络融合的陆地水汽反演方法，包括：
获取空基遥感观测数据以及地基GNSS水汽观测数据；
基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得匹配数据；
基于预先构建的线性化物理模型以及获得的匹配数据中的线性参数，获得水汽值；
基于预先训练的神经网络模型，以获得的水汽值及匹配数据中的相关非线性参数作为输入层，输出大气可降水量的反演结果。
进一步的，所述相关非线性参数包括但不限于地表温度、地表高程及极化差之比。
进一步的，所述对两类数据进行时空匹配，获得全球匹配数据，具体包括空间匹配和时间匹配，所述空间匹配为根据地基GNSS测站的经纬度在AMSR2全球网格数据中找到测站周围的四个网格点，然后根据双线性插值法确定测站的Tbs值；所述时间匹配为基于AMSR2扫描时间最接近的两个GNSS观测时间以及对应两个时间的大气可降水量值，然后根据线性插值确定AMSR2扫描时间的PWV值。
进一步的，所述线性化物理模型的构建，具体为：
获取空基观测历史数据以及地基观测历史数据；
基于线性插值方法，对两类数据进行时空匹配，获得历史匹配数据；
基于微波大气辐射传输理论以及历史匹配数据，拟合得到线性化物理模型。
进一步的，所述神经网络模型采用单隐含层前馈神经网络模型，其输入层的输出作为隐含层的输入，所述隐含层的输出和对应权重的乘积作为输出层的输入。
进一步的，所述神经网络模型的训练，具体为：
基于获得的历史匹配数据，以地表温度、地表高程、水汽值及极化差之比作为输入层，PWV值作为输出层，对所述神经网络模型进行训练，获得训练好的神经网络模型。
进一步的，所述空基观测数据采用AMSR2 全球网格数据，所述地基观测数据采用Suominet GNSS测站数据。
具体的，为了便于理解，以下结合附图对本公开所述方案进行详细说明：
本发明基于AMSR2微波传感器和全球Suominet GNSS测站网络提出了一种物理模型与神经网络结合的陆地PWV反演方法，同时，利用GNSS-PWV和RAOB PWV对本发明所述方法进行了精度验证。
其具体实施方案如图1所示，一种基于物理模型和神经网络融合的陆地水汽反演方法包括：
步骤一：数据预处理；
数据预处理过程包括AMSR2传感器数据和地基GNSS数据的时空匹配，具体实施过程如下：
AMSR2的Tbs全球网格数据空间分辨率为0.1度，在上升轨道或下降轨道每个网格点上每天只提供一个值。但是，SuomiNet网络的GNSS测站分布离散，它们可以在固定站上每15分钟提供一个PWV值，以及提供测站的经纬度，地表高程（H），表面温度（Ts）等参数。
对于两类数据的空间匹配，首先根据GNSS测站的经纬度在AMSR2的Tbs全球网格数据中找到测站周围的4个点，然后根据双线性插值法确定测站的Tbs；对于时间匹配，首先找出与AMSR2扫描时间最接近的两个GNSS观测时间以及对应两个时间的PWV值，然后根据线性插值确定AMSR2扫描时间的GNSS-PWV值，进而实现两类数据的时空匹配。
步骤二：大气辐射传输模型的推导以及理论实验公式一致性检验；
具体包括：大气辐射传输模型在简化条件下化为线性公式，并且进行理论上的线性公式与实际拟合的线性公式之间的一致性检验。
1．大气辐射传输模型的化简推导
水汽值V可用下式表示：
Figure 342491DEST_PATH_IMAGE001
（1）
其中，
Figure 978002DEST_PATH_IMAGE002
和
Figure 245036DEST_PATH_IMAGE003
是氧在18 GHz和23 GHz处的线性吸收系数，类似地，
Figure 443936DEST_PATH_IMAGE004
和
Figure 175131DEST_PATH_IMAGE005
是水蒸气在18 GHz和23 GHz处的线性吸收系数；MAWVI(MicrowaveAtmospheric Water Vapor Index)是18 GHz与23 GHz的极化差之比，β是18 GHz与23 GHz的发射率极化差之比。
2．可以把上式改写为以下线性形式：
Figure 168495DEST_PATH_IMAGE006
（2）
(2)即为线性化理论物理公式，其中，θ表示传感器的信号入射角，经过使用实际数据的拟合，可以得到线性化实验公式如图2所示。
经证明，线性化理论公式与线性化实验公式有很好的一致性。
步骤三：构建神经网络并找出神经网络的最优设计。
具体包括：设计神经网络的输入层，输出层以及隐含层节点数。并寻找最佳神经网络结构设计。具体实施过程如下：
在神经网络构建中，我们使用的工具是MATLAB2020a，使用的函数为“feedforwardnet”，内置参数为默认值。我们设置学习步长为0.3，最大训练次数为1000，最小目标误差为10-8。使用单隐含层神经网络，并设置神经网络的隐含层节点数1至50循环。我们将2015-2016年的全球匹配数据作为训练样本，2017年的全球匹配数据作为检验样本。这样我们就完成了BP神经网络的构建。
本发明选择地表温度T s ，
Figure 735874DEST_PATH_IMAGE007
，
Figure 472886DEST_PATH_IMAGE008
及V（其中，V为水汽值，H为地表高程、
Figure 58588DEST_PATH_IMAGE009
为89GHz与36 GHz的极化差之比）作为输入层，GNSS-PWV作为输出层，训练神经网络，并计算检验样本的误差。通过神经网络隐含层节点数的不断循环，找到检验样本误差最小的情况下的神经网络隐含层节点数，即为神经网络的最优设计。
步骤四：精度评定。
具体包括：利用GNSS-PWV检核融合方法的精度并计算相对于传统物理模型的改进，以及利用无线电探空仪观测PWV（RAOB PWV）数据独立检核融合方法的精度。
以下结合具体实验对本发明所述方案进行详细说明：
1．试验区域。
所选区域为全球范围，图3为Suominet GNSS测站的全球分布，考虑到GNSS数据的连续性，共选择了94个测站2015-2017三年的数据和对应的AMSR2数据建立模型，2015-2016数据用作训练集，2017数据用作测试集；并从这部分数据中去除植被、云液态水和污染降水数据。
2．使用GNSS-PWV数据对融合算法的精度验证。
如图4（a）至图4（d）所示，可以看出，全球范围内的PWV值均匀分布在0到60 mm之间，20 mm 以下的PWV值更密集。在上升轨道，训练数据和测试数据的RMSE分别为2.26和2.38 mm，R2值分别为0.9807和0.9802。在下降轨道中，训练数据和测试数据的RMSE分别为2.20和2.37 mm，R2值分别为0.9830和0.9820。从结果可以看出，作为训练集的2015年和2016年数据的精度要优于作为测试集的2017年数据。从升轨和降轨对比来看，升轨的数据样本较多，但降轨的精度稍好；然而，差异非常小，以至于可以忽略不计。如表1所示，与传统物理模型和神经网络方法相比，本发明提出的融合方法的精度与传统物理模型和神经网络方法相比有相当大的提升。
如图5（a）至图5（d）所示，去除植被、云液态水和污染降水数据后，大约有40个站点满足我们的数据要求；该图还显示了训练数据和测试数据在上升轨道和下降轨道上的RMSE空间分布；该图可以反映我们的融合模型在世界不同地区的精度空间分布。
从图5（a）和图5（c）示的训练集（2015-2016）的结果可以看出，低RMSE点（灰度值最高点）主要分布在高纬度地区，高RMSE点（灰度值最低点）主要分布在中低纬度地区；因此，我们可以推断出高纬度地区的站点精度优于中低纬度地区的站点。这可能是因为高纬度地区的水汽含量远低于中低纬度地区。如图5（b）和图5（d）所示，从测试集（2017）的结果来看，我们发现与训练集的结果相比，灰度值最低和灰度值最高的点较少，处于灰度条中间区域灰度的点较多。这意味着测试集的RMSE在全球范围内比训练集分布更均匀。此外，我们发现灰度值最高点仍然主要出现在高纬度地区，而灰度值最低点主要出现在中低纬度地区，这与训练集的分布相似。综上所述，由于高纬度地区的水汽含量较低，所提出的融合模型在高纬度站点可以获得更好的精度，并且测试集在全球范围内比训练集具有更均匀的精度分布。
表 1. AMSR2 和 RAOB PWV 检索之间的相对 RMSE 统计
年份和轨道 传统物理模型RMSE(mm) 新融合方法RMSE (mm) 提升量
2015–2016 (升轨) 3.17 2.26 28.7%
2017 (升轨) 3.15 2.38 24.4%
2015–2016 (降轨) 3.35 2.20 34.3%
2017 (降轨) 3.22 2.37 26.4%
3. 使用RAOB PWV数据对空间模型精度的验证
如图6（a）至图6（d）所示，对于升轨，训练数据和测试数据的RMSE分别为2.87和2.70 mm，R2值分别为0.9216和0.9531；对于下降轨道，训练数据和测试数据的RMSE分别为3.87和3.54 mm，R2值分别为0.9446和0.9673。与GNSS-PWV数据相比，RAOB PWV数据的独立验证的精度更差可能是由GNSS站与RAOB站之间的匹配标准造成的。从结果中我们也发现2017年数据的精度略好于2015年和2016年的数据。之所以会出现这种结果，可能是因为2015-2016年期间天气变化剧烈的天数略多于2017年。
特别值得注意的是，上升轨道和下降轨道之间的精度差异非常大，这与使用GNSS-PWV数据获得的验证结果不同。原因可能如下。由于RAOB数据筛选标准严格，只能匹配特定的GNSS测站和RAOB台站。在升轨和降轨情况下，匹配的台站并不相同。因此，在升轨和降轨情况下，匹配台站所在区域的平均水汽含量存在很大差异。从图6（a）至图6（d），可以看出，上升轨道有大量PWV值集中分布在10 mm以下，而下降轨道的PWV值很少集中分布在10 mm以下。因此，升轨和降轨情况下精度的巨大差异可归因于升轨匹配台站的平均PWV值远小于降轨的平均PWV值。
为了进一步说明上述现象，我们引入了相对RMSE，其定义为RMSE与平均水汽含量的比值。然后，我们计算了平均PWV值和相对RMSE，如表 2所示。
表2表明下降轨道的RMSE大于上升轨道，而下降轨道的相对RMSE较小，因为下降轨道的平均PWV较大。因此，下降轨道和上升轨道之间的这种非常大的精度差异不是由轨道类型引起的，而是由匹配台站所在区域的平均PWV含量造成的。引入相对RMSE可以帮助我们充分考虑平均水汽含量对RMSE的影响，更清楚地比较精度。
表2. AMSR2和RAOB PWV 反演之间的相对RMSE统计
年份和轨道 平均PWV (mm) RMSE (mm) 相对RMSE
2015–2016 (升轨) 11.35 2.87 25.3%
2017 (升轨) 11.77 2.70 22.9%
2015–2016 (降轨) 29.8 3.87 13.0%
2017 (降轨) 25.2 3.54 14.0%
实施例二：
本实施例的目的是提供一种基于物理模型和神经网络融合的陆地水汽反演系统。
一种基于物理模型和神经网络融合的陆地水汽反演系统，包括：
数据获取单元，其用于获取空基遥感观测数据以及地基GNSS水汽观测数据；
时空匹配单元，其用于基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得匹配数据；
水汽值获取单元，其用于基于预先构建的线性化物理模型以及获得的匹配数据中的线性参数，获得水汽值；
大气可降水量反演单元，其用于基于预先训练的神经网络模型，以获得的水汽值及匹配数据中的相关非线性参数作为输入层，输出大气可降水量的反演结果。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述实施例提供的基于物理模型和神经网络融合的陆地水汽反演方法及系统可以实现，具有广阔的应用前景。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，包括：
获取空基遥感观测数据以及地基GNSS水汽观测数据；
基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得匹配数据；
基于预先构建的线性化物理模型以及获得的匹配数据中的线性参数，获得水汽值；
基于预先训练的神经网络模型，以获得的水汽值及匹配数据中的相关非线性参数作为输入层，输出大气可降水量的反演结果。
2.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述线性参数包括：18GHZ与23GHZ的水平和垂直亮度温度的极化差。
3.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述相关非线性参数包括但不限于地表温度、地表高程以及极化差之比。
4.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述在全球范围内对两类数据进行时空匹配，获得匹配数据，具体包括空间匹配和时间匹配，所述空间匹配为根据地基GNSS测站的经纬度在AMSR2全球网格数据中查询测站周围的四个网格点，然后根据双线性插值法确定测站的Tbs值；所述时间匹配为基于AMSR2扫描时间最接近的两个GNSS观测时间以及对应两个时间的大气可降水量值，然后根据线性插值确定AMSR2扫描时间的PWV值。
5.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述线性化物理模型的构建，具体为：
获取空基遥感观测历史数据以及地基GNSS水汽观测历史数据；
基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得历史匹配数据；
基于微波大气辐射传输理论以及历史匹配数据，拟合得到线性化物理模型。
6.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述神经网络模型采用单隐含层前馈神经网络模型，其输入层的输出作为隐含层的输入，所述隐含层的输出和对应权重的乘积作为输出层的输入。
7.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述神经网络模型的训练，具体为：
基于获得的历史匹配数据，以地表温度、地表高程、水汽值及极化差之比作为输入层，PWV值作为输出层，对所述神经网络模型进行训练，获得训练好的神经网络模型。
8.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述空基遥感观测数据采用AMSR2 全球网格数据，所述地基GNSS水汽观测数据采用Suominet GNSS测站数据。
9.如权利要求1所述的基于物理模型和神经网络融合的陆地水汽反演方法，其特征在于，所述空基遥感观测数据包括18GHZ和23GHZ的水平和垂直亮度温度；所述地基GNSS水汽观测数据包括水汽值、测站的经纬度、地表高程及表面温度。
10.一种基于物理模型和神经网络融合的陆地水汽反演系统，其特征在于，包括：
数据获取单元，其用于获取空基遥感观测数据以及地基GNSS水汽观测数据；
时空匹配单元，其用于基于线性插值方法，在全球范围内对两类数据进行时空匹配，获得匹配数据；
水汽值获取单元，其用于基于预先构建的线性化物理模型以及获得的匹配数据中的线性参数，获得水汽值；
大气可降水量反演单元，其用于基于预先训练的神经网络模型，以获得的水汽值及匹配数据中的相关非线性参数作为输入层，输出大气可降水量的反演结果。
CN202210023860.1A 2022-01-11 2022-01-11 基于物理模型和神经网络融合的陆地水汽反演方法及系统 Active CN114065931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210023860.1A CN114065931B (zh) 2022-01-11 2022-01-11 基于物理模型和神经网络融合的陆地水汽反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210023860.1A CN114065931B (zh) 2022-01-11 2022-01-11 基于物理模型和神经网络融合的陆地水汽反演方法及系统

Publications (2)

Publication Number Publication Date
CN114065931A true CN114065931A (zh) 2022-02-18
CN114065931B CN114065931B (zh) 2022-05-03

Family

ID=80230742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210023860.1A Active CN114065931B (zh) 2022-01-11 2022-01-11 基于物理模型和神经网络融合的陆地水汽反演方法及系统

Country Status (1)

Country Link
CN (1) CN114065931B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576570A (zh) * 2024-01-16 2024-02-20 山东大学 一种全天候水汽反演弹性方法、系统、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634711A (zh) * 2009-08-24 2010-01-27 中国农业科学院农业资源与农业区划研究所 从modis数据估算近地表空气温度方法
CN105784624A (zh) * 2016-03-04 2016-07-20 环境保护部卫星环境应用中心 一种水汽廓线的反演方法以及装置
CN107356554A (zh) * 2017-06-20 2017-11-17 东南大学 一种基于神经网络的反演大气可降水量的modis模型改进方法
US20190057171A1 (en) * 2017-02-10 2019-02-21 Guangxi Institute of Meteorlogical Disaster- Reducing Research Novel nonlinear method for area-wide near surface air temperature precision retrieval
CN109709558A (zh) * 2019-03-06 2019-05-03 成都信息工程大学 一种星载微波遥感陆地上空pwv的物理反演算法
US20190340940A1 (en) * 2017-11-03 2019-11-07 Climacell Inc. Improved real-time weather forecasting for transportation systems
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统
CN112035448A (zh) * 2020-07-13 2020-12-04 国家海洋信息中心 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
CN112632473A (zh) * 2021-03-09 2021-04-09 长江空间信息技术工程有限公司(武汉) 一种融合地基和空基gnss大气可降水量的计算方法
AU2021106083A4 (en) * 2021-08-20 2021-10-28 Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences Method for retrieving atmospheric water vapor content based on deep learning and remote sensing data

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634711A (zh) * 2009-08-24 2010-01-27 中国农业科学院农业资源与农业区划研究所 从modis数据估算近地表空气温度方法
CN105784624A (zh) * 2016-03-04 2016-07-20 环境保护部卫星环境应用中心 一种水汽廓线的反演方法以及装置
US20190057171A1 (en) * 2017-02-10 2019-02-21 Guangxi Institute of Meteorlogical Disaster- Reducing Research Novel nonlinear method for area-wide near surface air temperature precision retrieval
CN107356554A (zh) * 2017-06-20 2017-11-17 东南大学 一种基于神经网络的反演大气可降水量的modis模型改进方法
US20190340940A1 (en) * 2017-11-03 2019-11-07 Climacell Inc. Improved real-time weather forecasting for transportation systems
CN109709558A (zh) * 2019-03-06 2019-05-03 成都信息工程大学 一种星载微波遥感陆地上空pwv的物理反演算法
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统
CN112035448A (zh) * 2020-07-13 2020-12-04 国家海洋信息中心 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
CN112632473A (zh) * 2021-03-09 2021-04-09 长江空间信息技术工程有限公司(武汉) 一种融合地基和空基gnss大气可降水量的计算方法
AU2021106083A4 (en) * 2021-08-20 2021-10-28 Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences Method for retrieving atmospheric water vapor content based on deep learning and remote sensing data

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M. H. MERRIKHPOUR等: ""An Introduction to an Algorithm for Extracting Precipitable Water Vapor Over Land From AMSR2 Images"", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
M. P. CADEDDU等: ""A Neural Network for Real-Time Retrievals of PWV and LWP From Arctic Millimeter-Wave Ground-Based Observations"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
刘洋等: ""基于多隐层神经网络的GNSS PWV和气象数据的降雨预测研究"", 《测绘通报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576570A (zh) * 2024-01-16 2024-02-20 山东大学 一种全天候水汽反演弹性方法、系统、设备及介质
CN117576570B (zh) * 2024-01-16 2024-04-12 山东大学 一种全天候水汽反演弹性方法、系统、设备及介质

Also Published As

Publication number Publication date
CN114065931B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
Nipen et al. Adopting citizen observations in operational weather prediction
CN109580003B (zh) 一种静止气象卫星热红外数据估算近地面大气温度方法
Huang et al. The improved winter wheat yield estimation by assimilating GLASS LAI into a crop growth model with the proposed Bayesian posterior-based ensemble Kalman filter
CN106054194B (zh) 一种星载雷达和地基雷达反射率因子数据三维融合方法
CN114049570B (zh) 基于神经网络的星载遥感水汽空间反演方法及系统
CN113255874B (zh) 一种基于优化的bp神经网络微波遥感反演土壤水分的方法
CN116297068B (zh) 基于地表反射率优化的气溶胶光学厚度反演方法及系统
CN106483147B (zh) 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法
CN112163375A (zh) 一种基于神经网络的长时间序列近地面臭氧反演方法
CN115077656B (zh) 水库水储量反演方法和装置
CN105784624A (zh) 一种水汽廓线的反演方法以及装置
CN114065931B (zh) 基于物理模型和神经网络融合的陆地水汽反演方法及系统
CN114490905B (zh) 一种晴空地表净长波辐射一体化反演方法及系统
CN114880933A (zh) 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统
CN113341434B (zh) 一种红外波段在轨传递定标方法及装置
CN116027010A (zh) 一种多源卫星测量土壤水分的数据校正方法
CN114463616B (zh) 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法
CN114461983B (zh) 一种基于水量平衡原理的卫星降水产品空间降尺度方法
CN115859789A (zh) 一种提高极地大气温度廓线反演精度的方法
CN114611699A (zh) 土壤水分降尺度方法、装置、电子设备及存储介质
CN113111529B (zh) 融合数值模式和卫星微波云反演数据的红外亮温模拟方法
CN115688955A (zh) 植被长势预测方法、装置及存储介质
CN117035066A (zh) 一种耦合地理加权与随机森林的地表温度降尺度方法
CN117493475A (zh) 一种基于机器学习重构缺资料地区月径流的方法及系统
CN113836731B (zh) 陆表稳定目标大气层顶反射率模型的构建方法和装置

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