CN115062527A - 一种基于深度学习的静止卫星海温反演方法及系统 - Google Patents

一种基于深度学习的静止卫星海温反演方法及系统 Download PDF

Info

Publication number
CN115062527A
CN115062527A CN202210243783.0A CN202210243783A CN115062527A CN 115062527 A CN115062527 A CN 115062527A CN 202210243783 A CN202210243783 A CN 202210243783A CN 115062527 A CN115062527 A CN 115062527A
Authority
CN
China
Prior art keywords
data
temperature inversion
sample
remote sensing
sea temperature
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
CN202210243783.0A
Other languages
English (en)
Other versions
CN115062527B (zh
Inventor
瞿建华
鄢俊洁
冉茂农
周丽娜
张芳芳
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.)
Beijing Huayun Xingditong Technology Co ltd
Original Assignee
Beijing Huayun Xingditong Technology Co ltd
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 Beijing Huayun Xingditong Technology Co ltd filed Critical Beijing Huayun Xingditong Technology Co ltd
Priority to CN202210243783.0A priority Critical patent/CN115062527B/zh
Publication of CN115062527A publication Critical patent/CN115062527A/zh
Application granted granted Critical
Publication of CN115062527B publication Critical patent/CN115062527B/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
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
    • G01K13/026—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow of moving liquids
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开一种基于深度学习的静止卫星海温反演方法，涉及数据处理技术领域，主要包括：获取当前阶段目标海洋区域的遥感参数数据集；所述遥感参数数据集包括所述目标海洋区域内每个位置点对应的遥感参数数据子集；将所述当前阶段目标海洋区域的遥感参数数据集输入到训练好的海温反演模型中，确定当前阶段目标海洋区域的海温反演值；所述训练好的海温反演模型是基于样本数据集和深度学习神经网络确定的；所述样本数据集包括多个遥感参数样本数据子集以及每个所述遥感参数样本数据子集对应的海温反演样本值。本发明能够简化海温反演的参数拟合过程，使得运算周期大大缩短，数据易获取，收集速度快且精度高。

Description

一种基于深度学习的静止卫星海温反演方法及系统
技术领域
本发明涉及数据处理技术领域，特别是涉及一种基于深度学习的静止卫星海温反演方法及系统。
背景技术
传统的利用卫星遥感数据做海表温度反演的方法是基于分裂窗技术的线性回归统计。美国国家海洋和大气管理局(NOAA)第一个业务海温算法是 McClain等基于海温与红外通道亮温和分裂窗亮温差成线性关系这一假设提出的多通道海温(MCSST)算法。1987年Cornillon等引入了卫星天顶角对大气路径的修订。1988年Walton等基于亮温的非线性大气订正提出了交叉海温 (CPSST)算法。1998年Walton等提出了基于第一猜测海温非线性海温 (NLSST)算法，并成为业务海温算法。NOAA/国家环境卫星信息资料中心 (NESDIS)早在1991年就使用NLSST(CPSST的简化版本)作为业务海温算法，后来采用白天分裂窗NLSST算法，夜间三通道NLSST算法作为业务海温算法。吴向前等在做SST反演时在海温算法中添加分裂窗亮温差的二次项，这一算法也一直用于卫星中心的静止海温业务算法，随后引入了回归技术。但是，回归技术对于获取理想精度或最优的海温反演是不足够精确的。此外，传统海温反演方法需要依赖的辅助数据较多，在实际业务中，每月拟合一组新系数前需要积累前三个月的浮标等数据，时效低。
近年来，深度学习在遥感图像识别领域的应用也日益深入。自从Hinton 等发表了关于利用深度学习进行数据降维和分类的文章以来，越来越多的专家学者开始关注和研究深度学习。目前，深度学习已经在机载遥感图像道路检测 (Mnih和Hinton，2010)、甚高分辨率遥感影像信息挖掘(Vaduva等，2012)、高光谱图像分类(Chen等，2014)等方面得到了成功应用。在遥感图像大数据的背景下，通过对大规模遥感图像数据进行训练，更加复杂强大的深度学习模型能从根本上揭示海量遥感图像中潜在的复杂而又丰富的数据信息，得到大量更具代表性的特征信息。深度学习是一种从遥感数据中提取表示的方法，艾波等选取渤海海域晴空下的MODIS遥感影像并结合实测浮标数据，建立海温的遥感反演模型。但是该模型采用的数据量有限且具有区域局限性。
发明内容
本发明的目的是提供一种基于深度学习的静止卫星海温反演方法及系统，基于深度学习网络的海温反演模型，能够简化海温反演的参数拟合过程，使得运算周期大大缩短，数据易获取，收集速度快且精度高。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明提供一种基于深度学习的静止卫星海温反演方法，包括：
获取当前阶段目标海洋区域的遥感参数数据集；所述遥感参数数据集包括所述目标海洋区域内每个位置点对应的遥感参数数据子集；
将所述当前阶段目标海洋区域的遥感参数数据集输入到训练好的海温反演模型中，确定当前阶段目标海洋区域的海温反演值；
所述训练好的海温反演模型是基于样本数据集和深度学习神经网络确定的；所述样本数据集包括多个遥感参数样本数据子集以及每个所述遥感参数样本数据子集对应的海温反演样本值；所述遥感参数样本数据子集为一个样本位置点的遥感参数数据所组成的集合；
所述深度学习神经网络包括：局部连接层、与所述局部连接层的输出端连接的残差连接层、以及与所述残差连接层的输出端连接的多个全连接层。
可选地，所述样本数据集的确定过程为：
从气象卫星观测数据中获取海洋数据；所述海洋数据包括晴空下样本海洋区域内每个样本位置点的多个遥感参数数据；
对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据；所述遥感参数样本数据子集为所述样本位置点对应的标定后的所述白天有效数据或标定后的所述晚上有效数据；
将标定后的所述白天有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值；
将标定后的所述晚上有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述晚上有效数据对应的海温反演样本值。
可选地，所述气象卫星观测数据包括一天内每个整点时刻对应的FY-4A AGRIL14KM分辨率数据。
可选地，所述遥感参数数据子集和所述遥感参数样本数据子集均包括： 10.8μm通道观测亮温值、12μm通道观测亮温值、卫星天顶角、卫星方位角、太阳天顶角、太阳方位角、经度和纬度。
可选地，所述对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据，具体包括：
根据海陆掩码静态文件、FY-4AAGRI 4KM分辨率云掩膜文件以及卫星天顶角小于70度的条件，筛选出目标海洋数据；所述目标海洋数据为晴空下南北纬70度之间的海洋数据；
根据太阳天顶角小于75度且耀斑角大于等于10度的条件，从所述目标海洋数据中筛选出白天有效数据；
根据太阳天顶角大于85度的条件，从所述目标海洋数据中筛选出作为晚上有效数据；
将所述目标海洋数据中除所述白天有效数据和所述晚上有效数据以外的数据为无效数据。
可选地，所述将标定后的所述白天有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值，具体包括：
采用经纬度查找表，对标定后的所述白天有效数据进行转换，得到等经纬度投影后的所述白天有效数据；
将等经纬度投影后的所述白天有效数据中的每个位置点对应的OSTIA数据中的日格点数据，确定为标定后的所述白天有效数据对应的海温反演样本值。
可选地，所述训练好的海温反演模型的确定过程为：
将所述样本数据集按照随机排列方式分为训练集和测试集；
构建基于深度学习神经网络的海温反演模型；
将所述训练集输入到所述基于深度学习神经网络的海温反演模型中进行训练，得到收敛的海温反演模型；
将所述测试集输入到所述收敛的海温反演模型中进行模型评估，并当均方根误差达到期望值时，训练结束，得到训练好的海温反演模型；所述均方根误差是根据所述收敛的海温反演模型的输出值与所述测试集中的海温反演样本值确定的。
第二方面，本发明提供的一种基于深度学习的静止卫星海温反演系统，包括：
遥感参数数据集获取模块，用于获取当前阶段目标海洋区域的遥感参数数据集；所述遥感参数数据集包括所述目标海洋区域内每个位置点对应的遥感参数数据子集；
海温反演值确定模块，用于将所述当前阶段目标海洋区域的遥感参数数据集输入到训练好的海温反演模型中，确定当前阶段目标海洋区域的海温反演值；
所述训练好的海温反演模型是基于样本数据集和深度学习神经网络确定的；所述样本数据集包括多个遥感参数样本数据子集以及每个所述遥感参数样本数据子集对应的海温反演样本值；所述遥感参数样本数据子集为一个样本位置点的遥感参数数据所组成的集合；
所述深度学习神经网络包括：局部连接层、与所述局部连接层的输出端连接的残差连接层、与所述残差连接层的输出端连接的多个全连接层。
可选地，还包括：样本数据确定模块；
所述样本数据确定模块，具体包括：
海洋数据获取单元，用于从气象卫星观测数据中获取海洋数据；所述海洋数据包括晴空下样本海洋区域内每个样本位置点的多个遥感参数；
海洋数据划分单元，用于对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据；所述遥感参数样本数据子集为所述样本位置点对应的标定后的所述白天有效数据或标定后的所述晚上有效数据；
白天海温反演样本值获取单元，用于将标定后的所述白天有效数据与 OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值；
夜晚海温反演样本值获取单元，将标定后的所述晚上有效数据与OSTIA 数据进行位置点的一一对应，得到与标定后的所述晚上有效数据对应的海温反演样本值。
可选地，所述气象卫星观测数据包括一天内每个整点时刻对应的FY-4A AGRI L14KM分辨率数据；
所述遥感参数数据子集和所述遥感参数样本数据子集包括：10.8μm通道观测亮温值、12μm通道观测亮温值、卫星天顶角、卫星方位角、太阳天顶角、太阳方位角、经度和纬度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于深度学习的静止卫星海温反演方法及系统，本发明将卫星遥感参数数据集作为基于深度学习网络的海温反演模型的输入以对海表温度进行反演。本发明能够获取全球范围内的一天内的任意时刻的遥感参数数据集，克服了现有技术中的局限性问题且时效性高，同时该数据集经过多个隐含层的传播，使得海温反演模型具有更强大的数据拟合能力，并通过对加入的大量数据集进行反复训练，实现对输入特征和输出结果间复杂非线性函数的精确表示，使得运算周期大大缩短，收集速度快且精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于深度学习的静止卫星海温反演方法流程图；
图2为本发明基于深度学习的静止卫星海温反演模型结构图；
图3为本发明白天有效数据和晚上有效数据划分依据图；
图4为本发明白基于深度学习的静止卫星海温反演模型训练流程图；
图5为本发明预测值与OSTIA在分析海温数据的相关性分析图；其中，图5(a)为20190115采用业务方法进行反演的海温预测值与OSTIA再分析海温值的相关性分析图；图5(b)为20190115采用模型M1进行反演的海温预测值与OSTIA再分析海温值的相关性分析图；图5(c)为20190115采用模型 M2进行反演的海温预测值与OSTIA再分析海温值的相关性分析图；
图6为本发明海温值对应的分布直方图；其中，图6(a)为20190115的海温值对应的分布直方图；图6(b)为20190715的海温值对应的分布直方图；
图7为本发明基于深度学习的静止卫星海温反演系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于深度学习的静止卫星海温反演方法及系统，基于深度学习网络的海温反演模型，能够简化海温反演的参数拟合过程，使得运算周期大大缩短，数据易获取，收集速度快且精度高。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本发明实施例提供的基于深度学习的静止卫星海温反演方法，包括：
步骤101：获取当前阶段目标海洋区域的遥感参数数据集；所述遥感参数数据集包括所述目标海洋区域内每个位置点对应的遥感参数数据子集。
步骤102：将所述当前阶段目标海洋区域的遥感参数数据集输入到训练好的海温反演模型中，确定当前阶段目标海洋区域的海温反演值。
其中，如图2所示，所述训练好的海温反演模型是基于样本数据集和深度学习神经网络确定的；所述样本数据集包括多个遥感参数样本数据子集以及每个所述遥感参数样本数据子集对应的海温反演样本值；所述遥感参数样本数据子集为一个样本位置点的遥感参数数据所组成的集合。
所述深度学习神经网络包括：局部连接层、与所述局部连接层的输出端连接的残差连接层以及与所述残差连接层的输出端连接的多个全连接层。
在图1所述的实施例基础上，所述样本数据集的确定过程为：
步骤A：从气象卫星观测数据中获取海洋数据；所述海洋数据包括晴空下样本海洋区域内每个样本位置点的多个遥感参数数据。
步骤B：对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据；所述遥感参数样本数据子集为所述样本位置点对应的标定后的所述白天有效数据或标定后的所述晚上有效数据。
步骤C：将标定后的所述白天有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值。
步骤D：将标定后的所述晚上有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述晚上有效数据对应的海温反演样本值。
其中，OSTIA数据为全球海表温度和海冰分析数据(Operational Sea SurfaceTemperature and SeaIceAnalysis)，标定后所述白天和晚上有效数据对应的海温反演样本值统称为OSTIA再分析海温值。
进一步地，所述气象卫星观测数据包括一天内每个整点时刻对应的FY-4A AGRIL14KM分辨率数据。(FY-4AAGRI为第二代静止气象卫星风云四号多通道分辨率扫描成像辐射计，L1为数据级别，4KM为扫描成像分辨率)
进一步地，所述遥感参数数据子集和所述遥感参数样本数据子集均包括： 10.8μm通道观测亮温值、12μm通道观测亮温值、卫星天顶角、卫星方位角、太阳天顶角、太阳方位角、经度和纬度。
进一步地，如图3所示，所述对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据，具体包括：
步骤B1：根据海陆掩码静态文件、FY-4AAGRI 4KM分辨率云掩膜文件以及卫星天顶角小于70度的条件，筛选出目标海洋数据；所述目标海洋数据为晴空下南北纬70度之间的海洋数据。
所述步骤B1具体为：创建一个Flag标识数据集，Flag的作用是标识白天和晚上的有效数据。根据海陆掩码静态文件、FY-4AAGRI 4KM分辨率云掩膜文件以及卫星天顶角小于70度的条件，筛选出晴空下南北纬70度之间的海洋数据，以排除有云数据的干扰。
步骤B2：根据太阳天顶角小于75度且耀斑角大于等于10度的条件，从所述目标海洋数据中筛选出白天有效数据。
步骤B3：根据太阳天顶角大于85度的条件，从所述目标海洋数据中筛选出作为晚上有效数据，以排除晨昏线的干扰。
步骤B4：将所述目标海洋数据中除所述白天有效数据和所述晚上有效数据以外的数据为无效数据。(Flag设为0表示白天有效数据；Flag设为1表示晚上有效数据；Flag为-1表示无效数据。)
进一步地，所述将标定后的所述白天有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值，具体包括：
步骤C1：采用经纬度查找表，对标定后的所述白天有效数据进行转换，得到等经纬度投影后的所述白天有效数据。
步骤C2：将等经纬度投影后的所述白天有效数据中的每个位置点对应的 OSTIA数据中的日格点数据，确定为标定后的所述白天有效数据对应的海温反演样本值。
晚上有效数据也根据上述方法进行每个位置点的一一对应，即将等经纬度投影后的所述晚上有效数据中的每个位置点对应的OSTIA数据中的日格点数据，确定为标定后的所述晚上有效数据对应的海温反演样本值。
进一步的，如图4所示，所述训练好的海温反演模型的确定过程为：
步骤a：将所述样本数据集按照随机排列方式分为训练集和测试集。
步骤b：构建基于深度学习神经网络的海温反演模型(SST-DNN)。
步骤c：将所述训练集输入到所述基于深度学习神经网络的海温反演模型中进行训练，得到收敛的海温反演模型。
步骤d：将所述测试集输入到所述收敛的海温反演模型中进行模型评估，并当均方根误差达到期望值时，训练结束，得到训练好的海温反演模型；所述均方根误差是根据所述收敛的海温反演模型的输出值与所述测试集中的海温反演样本值确定的。
本发明以白天有效数据为例，对海表温度反演进行说明：
(1)建立SST-DNN模型
以经过预处理的2019年、FY-4AAGRI L1每月11-13号4天数据中白天有效数据的(Flag为0)所有位置点对应的10.8μm波段亮温、12μm波段亮温、卫星天顶角、卫星方位角、太阳天顶角、太阳方位角、经度、纬度等8 个遥感参数数据所组成的集合作为SST-DNN模型的输入值，将与白天有效数据位置点一一对应的海温反演样本值作为输出值；然后，根据输入输出值确定SST-DNN模型的输入输出对应的模式；基于该对应模式构建基于深层神经网络的海温反演模型(SST-DNN)。
(2)SST-DNN模型训练
在模型训练过程中，采用反向传播算法计算损失函数MSE的倒数来优化每层的权重和偏置项。
其损失函数MSE的计算公式为：
Figure RE-GDA0003802342630000091
其中，yi是当前阶段目标海洋区域的海温反演值，
Figure RE-GDA0003802342630000092
是OSTIA再分析海温值，N为样本的总个数。模型采用的激化函数是Relu，公式是f(x)＝max(0，x)，该函数是分段函数，当x大于0，输出等于输入，当x小于0，则输出0。当使用Relu函数时，模型有更快的收敛速度。模型采用Adma自适应学习率的优化方法，Adam的优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。设置学习率为0.001，学习率的衰减因子为1e-4。
采用3种方式进行模型训练，训练策略如下：
1、选取2019年1月和7月数据联合进行训练得到模型M1。
2、选取2019年1月和7月数据分别进行训练得到模型M2。
3、选取2019年1月和2020年1月数据联合训练得到模型M3。
(3)SST-DNN模型评估
模型评估选取的评价指标有两个：一是平均绝对误差(Mean Absolute Error,MAE)，如公式(2)所示，其中，
Figure RE-GDA0003802342630000093
为真实值(OSTIA的再分析海温值) 减去模型输出的预测值，N是样本个数，MAE的数值越小说明模型的效果越好；二是决定系数(R-Square，R2)，如公式(3)所示，其中，分子部分表示真实值与预测值的平方差之和，分母部分表示真实值与均值的平方差之和。根据 R2的取值，来判断模型的好坏，其取值范围为[0,1]，如果结果接近0，说明模型拟合效果很差；如果结果接近1，说明模型拟合效果很好。
Figure RE-GDA0003802342630000094
Figure RE-GDA0003802342630000095
表1是M1和M2两个模型分别测试20190115和20190715数据与业务方法对比的结果。选取1月数据和7月数据做测试，是由于海温的在夏季和冬季的差异大，这两个月份分别处于夏冬两季，具有代表性。由表中的结果可以看出基于深度学习的海表温度反演方法的实验结果明显优于业务方法，深度学习方法的MAE均低于业务方法，且MAE最小可达到0.333，深度学习方法的 R2均高于业务方法，且R2最大可达到0.991。
表1为M1和M2实验对比结果表
Figure RE-GDA0003802342630000101
如图5a-图5c所示，分别是以20190115为例，业务方法、M1、M2反演的海温值与OSTIA再分析海温值的相关性分析图。
从相关性分析图上，更直观的看出M2的拟合结果优于前两者，线性方程的系数为0.99，模型的预测值和真实值几乎相同，证明了基于深度学习的海表温度反演方法的有效性。将M1与M2的结果进行对比，发现分月训练模型的效果要优于将不同月份数据进行联合训练的模型效果。为分析该现象产生的原因，将20190115和20190715数据的海表温度值可视化，如图6a-图6b所示分别为20190115和20190715的海温值对应的分布直方图，从图6a-图6b中可以直观的看出两个月份海温在分布上存在较大差异，在南半球的分布30-70度的区域，海温值差异较为明显，会导致模型学习时无法很好地捕获该区域特征，从而导致联合训练的结果差。
表2为是业务方法、M2、M3分别测试20190215和20200115的结果。从表2中可以看出M2预测相邻月份海温值比业务方法的效果稍差，可能原因是业务方法拟合生成当月反演系数时用到了前3个月的物理数据(卫星数据、浮标数据等)，而M2没有加入其他月份数据。M3预测跨年份海温值比业务方法效果好，进一步证明深度学习方法优于传统的海温反演方法。
表2为M2和M3实验对比结果表
Figure RE-GDA0003802342630000111
M3是用2019年和2020年两年的1月份数据进行联合训练得到的模型，相比业务方法和只用2019年1月数据训练的模型M2来说，M3模型能达到最好的反演效果，MAE低至0.314，R2高达0.990，三者的偏差值的标准偏差分别是0.8、0.7、0.4，说明滚动更新模型的策略，能提升深度学习模型的泛化性能，更适合于海表温度反演任务。
如图7所示，本发明还提供一种基于深度学习的静止卫星海温反演系统，包括：
遥感参数数据集获取模块901，用于获取当前阶段目标海洋区域的遥感参数数据集；所述遥感参数数据集包括所述目标海洋区域内每个位置点对应的遥感参数数据子集；
海温反演值确定模块902，用于将所述当前阶段目标海洋区域的遥感参数数据集输入到训练好的海温反演模型中，确定当前阶段目标海洋区域的海温反演值；
所述训练好的海温反演模型是基于样本数据集和深度学习神经网络确定的；所述样本数据集包括多个遥感参数样本数据子集以及每个所述遥感参数样本数据子集对应的海温反演样本值；所述遥感参数样本数据子集为一个样本位置点的遥感参数数据所组成的集合；
所述深度学习神经网络包括：局部连接层、与所述局部连接层的输出端连接的残差连接层、与所述残差连接层的输出端连接的多个全连接层。
在图7所示的实施例基础上，所述基于深度学习的静止卫星海温反演系统还包括：样本数据确定模块；
所述样本数据确定模块，具体包括：
海洋数据获取单元，用于从气象卫星观测数据中获取海洋数据；所述海洋数据包括晴空下样本海洋区域内每个样本位置点的多个遥感参数；
海洋数据划分单元，用于对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据；所述遥感参数样本数据子集为所述样本位置点对应的标定后的所述白天有效数据或标定后的所述晚上有效数据；
白天海温反演样本值获取单元，用于将标定后的所述白天有效数据与 OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值；
夜晚海温反演样本值获取单元，将标定后的所述晚上有效数据与OSTIA 数据进行位置点的一一对应，得到与标定后的所述晚上有效数据对应的海温反演样本值。
在图7所示的实施例基础上，所述气象卫星观测数据包括一天内每个整点时刻对应的FY-4AAGRI L14KM分辨率数据；
所述遥感参数数据子集和所述遥感参数样本数据子集包括：10.8μm通道观测亮温值、12μm通道观测亮温值、卫星天顶角、卫星方位角、太阳天顶角、太阳方位角、经度和纬度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于深度学习的静止卫星海温反演方法，其特征在于，包括：
获取当前阶段目标海洋区域的遥感参数数据集；所述遥感参数数据集包括所述目标海洋区域内每个位置点对应的遥感参数数据子集；
将所述当前阶段目标海洋区域的遥感参数数据集输入到训练好的海温反演模型中，确定当前阶段目标海洋区域的海温反演值；
所述训练好的海温反演模型是基于样本数据集和深度学习神经网络确定的；所述样本数据集包括多个遥感参数样本数据子集以及每个所述遥感参数样本数据子集对应的海温反演样本值；所述遥感参数样本数据子集为一个样本位置点的遥感参数数据所组成的集合；
所述深度学习神经网络包括：局部连接层、与所述局部连接层的输出端连接的残差连接层、以及与所述残差连接层的输出端连接的多个全连接层。
2.根据权利要求1所述的基于深度学习的静止卫星海温反演方法，其特征在于，所述样本数据集的确定过程为：
从气象卫星观测数据中获取海洋数据；所述海洋数据包括晴空下样本海洋区域内每个样本位置点的多个遥感参数数据；
对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据；所述遥感参数样本数据子集为所述样本位置点对应的标定后的所述白天有效数据或标定后的所述晚上有效数据；
将标定后的所述白天有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值；
将标定后的所述晚上有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述晚上有效数据对应的海温反演样本值。
3.根据权利要求2所述的基于深度学习的静止卫星海温反演方法，其特征在于，所述气象卫星观测数据包括一天内每个整点时刻对应的FY-4AAGRIL14KM分辨率数据。
4.根据权利要求2所述的基于深度学习的静止卫星海温反演方法，其特征在于，所述遥感参数数据子集和所述遥感参数样本数据子集均包括：10.8μm通道观测亮温值、12μm通道观测亮温值、卫星天顶角、卫星方位角、太阳天顶角、太阳方位角、经度和纬度。
5.根据权利要求3所述的基于深度学习的静止卫星海温反演方法，其特征在于，所述对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据，具体包括：
根据海陆掩码静态文件、FY-4AAGRI 4KM分辨率云掩膜文件以及卫星天顶角小于70度的条件，筛选出目标海洋数据；所述目标海洋数据为晴空下南北纬70度之间的海洋数据；
根据太阳天顶角小于75度且耀斑角大于等于10度的条件，从所述目标海洋数据中筛选出白天有效数据；
根据太阳天顶角大于85度的条件，从所述目标海洋数据中筛选出作为晚上有效数据；
将所述目标海洋数据中除所述白天有效数据和所述晚上有效数据以外的数据为无效数据。
6.根据权利要求3所述的基于深度学习的静止卫星海温反演方法，其特征在于，所述将标定后的所述白天有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值，具体包括：
采用经纬度查找表，对标定后的所述白天有效数据进行转换，得到等经纬度投影后的所述白天有效数据；
将等经纬度投影后的所述白天有效数据中的每个位置点对应的OSTIA数据中的日格点数据，确定为标定后的所述白天有效数据对应的海温反演样本值。
7.根据权利要求3所述的基于深度学习的静止卫星海温反演方法，其特征在于，所述训练好的海温反演模型的确定过程为：
将所述样本数据集按照随机排列方式分为训练集和测试集；
构建基于深度学习神经网络的海温反演模型；
将所述训练集输入到所述基于深度学习神经网络的海温反演模型中进行训练，得到收敛的海温反演模型；
将所述测试集输入到所述收敛的海温反演模型中进行模型评估，并当均方根误差达到期望值时，训练结束，得到训练好的海温反演模型；所述均方根误差是根据所述收敛的海温反演模型的输出值与所述测试集中的海温反演样本值确定的。
8.一种基于深度学习的静止卫星海温反演系统，其特征在于，包括：
遥感参数数据集获取模块，用于获取当前阶段目标海洋区域的遥感参数数据集；所述遥感参数数据集包括所述目标海洋区域内每个位置点对应的遥感参数数据子集；
海温反演值确定模块，用于将所述当前阶段目标海洋区域的遥感参数数据集输入到训练好的海温反演模型中，确定当前阶段目标海洋区域的海温反演值；
所述训练好的海温反演模型是基于样本数据集和深度学习神经网络确定的；所述样本数据集包括多个遥感参数样本数据子集以及每个所述遥感参数样本数据子集对应的海温反演样本值；所述遥感参数样本数据子集为一个样本位置点的遥感参数数据所组成的集合；
所述深度学习神经网络包括：局部连接层、与所述局部连接层的输出端连接的残差连接层、与所述残差连接层的输出端连接的多个全连接层。
9.根据权利要求8所述的基于深度学习的静止卫星海温反演系统，其特征在于，还包括：样本数据确定模块；
所述样本数据确定模块，具体包括：
海洋数据获取单元，用于从气象卫星观测数据中获取海洋数据；所述海洋数据包括晴空下样本海洋区域内每个样本位置点的多个遥感参数；
海洋数据划分单元，用于对所述海洋数据进行划分，确定白天有效数据、晚上有效数据和无效数据；所述遥感参数样本数据子集为所述样本位置点对应的标定后的所述白天有效数据或标定后的所述晚上有效数据；
白天海温反演样本值获取单元，用于将标定后的所述白天有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述白天有效数据对应的海温反演样本值；
夜晚海温反演样本值获取单元，将标定后的所述晚上有效数据与OSTIA数据进行位置点的一一对应，得到与标定后的所述晚上有效数据对应的海温反演样本值。
10.根据权利要求9所述的基于深度学习的静止卫星海温反演系统，其特征在于，所述气象卫星观测数据包括一天内每个整点时刻对应的FY-4AAGRI L14KM分辨率数据；
所述遥感参数数据子集和所述遥感参数样本数据子集包括：10.8μm通道观测亮温值、12μm通道观测亮温值、卫星天顶角、卫星方位角、太阳天顶角、太阳方位角、经度和纬度。
CN202210243783.0A 2022-03-14 2022-03-14 一种基于深度学习的静止卫星海温反演方法及系统 Active CN115062527B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210243783.0A CN115062527B (zh) 2022-03-14 2022-03-14 一种基于深度学习的静止卫星海温反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210243783.0A CN115062527B (zh) 2022-03-14 2022-03-14 一种基于深度学习的静止卫星海温反演方法及系统

Publications (2)

Publication Number Publication Date
CN115062527A true CN115062527A (zh) 2022-09-16
CN115062527B CN115062527B (zh) 2023-04-18

Family

ID=83197311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210243783.0A Active CN115062527B (zh) 2022-03-14 2022-03-14 一种基于深度学习的静止卫星海温反演方法及系统

Country Status (1)

Country Link
CN (1) CN115062527B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115758865A (zh) * 2022-11-01 2023-03-07 天津大学 一种基于深度学习的水下三维温盐重构方法及系统
CN116188300A (zh) * 2022-12-30 2023-05-30 北京华云星地通科技有限公司 一种真彩色图像的合成方法、系统、电子设备及存储介质
CN116862942A (zh) * 2023-09-05 2023-10-10 青岛哈尔滨工程大学创新发展中心 一种基于云检测去云及角度校正的海温反演精度修正方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109668635A (zh) * 2019-01-16 2019-04-23 中国人民解放军61741部队 海表温度融合方法与系统
US20190331831A1 (en) * 2018-04-26 2019-10-31 Jiangsu Meteorological Observatory Sea fog monitoring method based on multi-source satellite remote sensing data
CN110909491A (zh) * 2019-12-11 2020-03-24 新亚优华科技有限公司 一种基于风云气象卫星的海面盐度反演算法
CN113033063A (zh) * 2021-05-24 2021-06-25 航天宏图信息技术股份有限公司 海表温度的反演方法、装置、电子设备及存储介质
CN113063737A (zh) * 2021-03-26 2021-07-02 福州大学 结合遥感与浮标数据的海洋热含量遥感反演方法
CN113408742A (zh) * 2021-06-24 2021-09-17 桂林理工大学 一种基于机器学习的高精度海表温度反演方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190331831A1 (en) * 2018-04-26 2019-10-31 Jiangsu Meteorological Observatory Sea fog monitoring method based on multi-source satellite remote sensing data
CN109668635A (zh) * 2019-01-16 2019-04-23 中国人民解放军61741部队 海表温度融合方法与系统
CN110909491A (zh) * 2019-12-11 2020-03-24 新亚优华科技有限公司 一种基于风云气象卫星的海面盐度反演算法
CN113063737A (zh) * 2021-03-26 2021-07-02 福州大学 结合遥感与浮标数据的海洋热含量遥感反演方法
CN113033063A (zh) * 2021-05-24 2021-06-25 航天宏图信息技术股份有限公司 海表温度的反演方法、装置、电子设备及存储介质
CN113408742A (zh) * 2021-06-24 2021-09-17 桂林理工大学 一种基于机器学习的高精度海表温度反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
艾波等: "基于深度学习的海表温度遥感反演模型", 《遥感信息》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115758865A (zh) * 2022-11-01 2023-03-07 天津大学 一种基于深度学习的水下三维温盐重构方法及系统
CN115758865B (zh) * 2022-11-01 2023-11-14 天津大学 一种基于深度学习的水下三维温盐重构方法及系统
CN116188300A (zh) * 2022-12-30 2023-05-30 北京华云星地通科技有限公司 一种真彩色图像的合成方法、系统、电子设备及存储介质
CN116188300B (zh) * 2022-12-30 2023-08-08 北京华云星地通科技有限公司 一种真彩色图像的合成方法、系统、电子设备及存储介质
CN116862942A (zh) * 2023-09-05 2023-10-10 青岛哈尔滨工程大学创新发展中心 一种基于云检测去云及角度校正的海温反演精度修正方法
CN116862942B (zh) * 2023-09-05 2023-12-19 青岛哈尔滨工程大学创新发展中心 一种基于云检测去云及角度校正的海温反演精度修正方法

Also Published As

Publication number Publication date
CN115062527B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115062527B (zh) 一种基于深度学习的静止卫星海温反演方法及系统
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
Siddiqui et al. A deep learning approach to solar-irradiance forecasting in sky-videos
KR20200059085A (ko) 해양 표층 표류부이 관측 수온자료와 인공위성 적외영상자료를 활용한 해양 표층 해수면온도 산출 방법
CN104820250A (zh) 一种极轨气象卫星virr海洋上云检测的处理方法
CN112946784B (zh) 一种基于深度学习的SuperDARN雷达对流图短期预报方法
CN113591387B (zh) 基于Huber范数约束的卫星资料反演降水方法及系统
CN110555841A (zh) 基于自注意图像融合和dec的sar图像变化检测方法
Zsótér et al. Building a multimodel flood prediction system with the TIGGE archive
Chen et al. Comparison of different methods for spatial downscaling of GPM IMERG V06B satellite precipitation product over a typical arid to semi-arid area
CN113283155A (zh) 一种近地表气温估算方法、系统、存储介质及设备
Sampath et al. Estimation of rooftop solar energy generation using satellite image segmentation
CN112329265A (zh) 卫星遥感降水精细化空间估算方法及系统
CN116484189A (zh) 一种基于深度学习的era5降水产品降尺度方法
CN112001121A (zh) 基于太阳辐射的大面积平缓地区预测性土壤制图方法
Verma et al. A machine learning approach and methodology for solar radiation assessment using multispectral satellite images
Ni et al. Hurricane eye morphology extraction from SAR images by texture analysis
CN112668615B (zh) 一种基于深度跨尺度外推融合的卫星云图预测方法
CN117148360B (zh) 雷电临近预报方法、装置、电子设备及计算机存储介质
CN116340863B (zh) 空气污染物预测方法、装置、电子设备及可读存储介质
CN115452167A (zh) 基于不变像元的卫星遥感器交叉定标方法和装置
CN115147727A (zh) 一种遥感影像不透水面提取方法及系统
Tsay et al. Deep learning for satellite rainfall retrieval using Himawari-8 multiple spectral channels
Li et al. Recognition algorithm for deep convective clouds based on FY4A
Xu et al. Fuxi-DA: A Generalized Deep Learning Data Assimilation Framework for Assimilating Satellite Observations

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