CN115099159A - 基于神经网络且顾及地表差异的modis水汽反演方法 - Google Patents
基于神经网络且顾及地表差异的modis水汽反演方法 Download PDFInfo
- Publication number
- CN115099159A CN115099159A CN202210855024.XA CN202210855024A CN115099159A CN 115099159 A CN115099159 A CN 115099159A CN 202210855024 A CN202210855024 A CN 202210855024A CN 115099159 A CN115099159 A CN 115099159A
- Authority
- CN
- China
- Prior art keywords
- pwv
- gnss
- modis
- atmospheric
- water vapor
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于神经网络且顾及地表差异的MODIS水汽反演方法。它包括以下步骤,步骤S1:研究区域的GNSS PWV数据解算;步骤S2:研究区域MODIS大气水汽透射率计算;步骤S3:将GNSS获取得到的天顶方向的PWV总含量转换为光学斜路径的PWV总含量;步骤S4:构建GNSS PWV*和大气透过率的空间映射关系,并将地表植被覆盖因子作为重要建模因子。本发明克服了现有水汽反演方法精度差的缺陷;具有能提升PWV反演精度的优点。
Description
技术领域
本发明涉及GNSS和大气遥感领域,特别是涉及GNSS和MODIS水汽反演方法,更具体地说它是一种基于神经网络且顾及地表差异的MODIS水汽反演方法。更具体地说它是一种基于人工神经网络并顾及地表类型差异的MODIS 2/3通道近红外水汽反演方法。
背景技术
大气可降水量(Precipitation water vapor, PWV),是指在从地面到大气顶部单位横截面积的垂直柱中所含的水汽总量,是表征大气中水汽含量的重要指标。PWV在时间和空间上变化活跃,是地球气候变化、水循环以及物质和能量交换的重要变量。高精度和高时空分辨率的PWV在数值天气预报、强对流天气监测和干涉合成孔径雷达(InSAR)大气校正中发挥重要作用。然而,由于水汽在空间和时间域中变化的复杂性,尽管目前已经开发了多种水汽反演方法,但水汽的精确测量和建模仍旧面临挑战。中分辨率成像光谱仪(ModerateResolution Imaging Spectrum-Radiometer,MODIS)可以提供空间分辨率为250-1000 m的全球水汽观测数据,延迟小于24 h,在水汽研究中具有重要前途;
然而,MODIS作为遥感观测,一方面由于其轨道运行方式和自身反演算法的缺陷,导致基于MODIS 近红外(Near-infrared, NIR)反演的PWV具有很大的不确定性,尤其在有云覆盖的情况下,很多区域无法获取观测值;另一方面,地表土地覆盖类型也对遥感水汽反演具有严重影响。目前,针对MODIS的校准有两种方法,第一种是直接对MODIS近红外水汽产品进行优化,现有技术提出的直接对MODIS近红外水汽产品进行优化的方法均可在一定程度上改善MODIS PWV的精度情况,但是,这种方法是基于最终的数据产品进行较准与融合的,未在底层PWV反演层面做出改进(当从原始观测数据开始计算,则需要对其产品进行校准以获得更好精度的PWV数据,这种方式是间接的,得先有产品,相当于得先用传统计算方法计算得到产品,然后再对产品进行校准等后续操作,操作复杂、且PWV反演精度低)。部分研究则采取在MODIS PWV底层反演层面做出改进。现有技术提出的算法在底层对PWV反演做出了改进,但未顾及地表覆盖类型对MODIS PWV反演的影响(不同的地表覆盖会对太阳辐射传输造成不同的影响,比如在裸地的太阳辐射和草地的太阳辐射就有所不同;未考虑地表覆盖的影响再意味着所有地表类型均采用相同的模型,未顾及地表差异会导致反演结果不准确)。针对这些问题,开发一种能提升反演精度的MODIS水汽反演方法很有必要。
发明内容
本发明的目的是为了提供本发明的目的是为了提供一种基于神经网络且顾及地表差异的MODIS水汽反演方法,为一种基于人工神经网络并顾及地表类型差异的MODIS 2/3通道近红外水汽反演方法,具有高精度(本发明的精度约为1-2mm)和高时空分辨率(本发明的空间分辨率约为1km,时间分辨率约为5分钟)的特点,且在不同地表均能够获得很好的反演效果;本发明能提升PWV反演精度,解决现有水汽反演方法精度差的缺陷。
为了实现上述目的,本发明的技术方案为:一种基于神经网络且顾及地表差异的MODIS水汽反演方法,其特征在于:包括以下步骤,
步骤S1:研究区域的GNSS PWV数据解算;
步骤S2:研究区域MODIS大气水汽透射率计算;
步骤S3:将GNSS 获取得到的天顶方向的PWV总含量转换为光学斜路径的PWV总含量(即GNSS PWV*);
步骤S4:构建GNSS PWV*和大气透过率的空间映射关系,并将地表植被覆盖因子作为重要建模因子。
在上述技术方案中,在步骤S1中,研究区域的GNSS PWV数据解算,具体包括如下步骤:
(1) CMONOC(陆态网络,即中国地壳运动监测网络)站点天顶总延迟(Zenithtotal delay, ZTD)解算;
上述公式(1)中:s、r、i表示为卫星、接收机和频率号;和分别表示载波相
位和伪距观测值,单位为m;表示用户与卫星之间的几何距离;表示载波相位,表示
卫地距(卫星天线至接收机天线的距离),P表示伪距,上标s表示对应于第s颗卫星,下标r表
示对应于第r台接收机(即测站编号);c表示真空中的光速,单位为m/s;和表示接收
机钟差和卫星钟差;表示电离层误差;表示对流层误差;表示波长因子;表示
整周模糊度;和表示为接收机和卫星相位偏差;和表示接收机和卫星伪距偏
差;和分别表示相位和伪距噪声;根据式(1),利用精密单点定位模型中的无电离
层延迟组合方法估算天顶对流层延迟(Zenith Total Delay, ZTD);
(2) GNSS PWV获取;
天顶对流层延迟(ZTD)由两部分组成,天顶干延迟(Zenith hydrostatic delay,ZHD)和湿延迟(Zenith wet delay, ZWD),利用GNSS反演大气可降水量,则需要从ZTD中分离湿延迟量ZWD,其关键一步是精确计算干延迟ZHD;ZHD可利用Saastamoinen模型计算:
ZWD和PWV通过以下公式计算:
ZWD=ZTD-ZHD (4)
在上述技术方案中,在步骤S2中,研究区域MODIS大气水汽透射率计算,具体包括如下步骤:
MODIS的17、18、19通道于近红外波段,具有较强的水汽吸收太阳辐射能力;而2、5通道对大气的透过率接近于1,因此,可将2和5两波段作为大气窗口通道;因此大气透过率可以通过吸收通道和窗口通道的比值来计算,再由大气透过率与GNSS PWV构建改进模型以实现大范围水汽反演;
大气水汽透射率的计算有两种方法,分别为二通道比值法和三通道比值法,其中二通道比值法为:
三通道比值法如下:
在上述技术方案中,在步骤S3中,将GNSS获取得到的天顶方向的PWV总含量转换为光学斜路径的PWV总含量,可根据以下公式计算;
上述公式(9)中:PWV是指某一站点位置GNSS(全球导航卫星系统)在天顶方向的总
含量,PWV*是指PWV从天顶方向投影到光学斜路径上的值;和分别是传感器和太阳的天
顶角,可从 MOD03数据集中获取(MOD03:即 MODIS 数据地理定位文件);本发明采用GNSS
投影到光学路径得PWV;本发明中的PWV是地面实测站点,实测结果的精度较高。
在上述技术方案中,在步骤S4中,将地表植被覆盖因子作为重要建模因子构建GNSS PWV*和大气透过率的空间映射关系,即构建GNSS PWV 和大气透过率以及植被覆盖类型之间的空间映射关系,估计地表植被覆盖得影响,此外,本发明引入机器学习模型,用以构建它们之间复杂的非线性关系,具体包括如下步骤:
(1)对获取的研究区域光学遥感数据进行预处理操作,主要包括对MOD021KM数据集的2、5、17、18、19波段提取、辐射定标、几何校准以云区域剔除,得到用于反演MODIS PWV的波段观测数据(MOD021KM,MODIS传感器辐射数据产品);
(2)GNSS PWV 和MODIS数据的时空匹配;
在空间上,采用双线性插值方法进行匹配;
在时间上,取GNSS PWV前后15分钟的MODIS数据进行匹配;
此外,为了模型准确,本发明还需使用DEM(即,数字高程模型)和土地覆盖类型作为模型输入参数以提升模型反演精度;本发明采用双线性插值匹配GNSS站点和DEM数据,用最近邻插值法匹配 GNSS站点和土地覆盖类型数据;
(3)利用机器学习模型构建GNSS PWV*和MODIS大气水汽透过率、DEM、土地利用类型等参数的映射关系;
本发明一共构建两个模型,分别为:基于二通道比大气透过率与GNSS PWV*构建的
模型称为2-Channel Ratio Model ();基于三通道比大气透过率与GNSS 构建的
模型称为3-Channel Ratio Model ();
构建上述两种模型时,使用的模型结构类似,构建上述两种模型(即MODIS 2-Channel PWV、MODIS 3- Channel PWV)的区别在于输入变量不同,其中二通道比用的是二通道比值法计算的大气透过率,三通道比值法用的是三通道比值法计算的大气透过率,输入变量有上述区别,其他输入变量相同;
如图2所示,基于二通道比大气透过率与GNSS PWV*构建的模型或基于三通道比大气透过率与GNSS PWV*构建的模型包括输入变量、输入层、隐含层、输出层、输出变量;
在基于二通道比大气透过率与GNSS PWV*构建的模型(2-Channel Ratio Model ())或基于三通道比大气透过率与GNSS PWV*构建的模型(3-Channel Ratio
Model ())中,输入层由8个神经元组成,分别包括纬度、经度、高程、时间、土地
覆盖类型(Land Cover, LC) 和三个水汽吸收通道的大气透过率(分别为T17(T代表
transmittance,T17就是17波段的大气透过率), T18, T19),输出层由一个神经元组成,为
GNSS PWV*;机器学习模型架构为Back Propagation Neural Network (BPNN)模型,通过该
模型(即基于BPNN的模型和)建立输入数据和输出数据之间的函数
映射关系和;得到和之后,给定
,即可获得的2-Channel
PWV* 和3-Channel PWV*,进一步利用式(9)进行反向投影,即可得到所需位置的MODIS 2/
3- Channel PWV(即MODIS 2- Channel PWV、MODIS 3- Channel PWV)。
在上述技术方案中,地表类型即为土地覆盖类型,土地覆盖类型包括为耕地、林地、草地、裸地、城区、水体六类。
本发明具有如下优点:
(1)本发明能提升PWV反演精度,本发明模型反演的PWV RMS 小于3mm,解决现有水汽反演方法精度差的缺陷;
(2)本发明具有高精度(本发明的PWV反演精度约为1-2mm)和高空间分辨率(本发明的空间分辨率约为1km)的特点,且在不同地表均能够获得很好的反演效果;
(3)本发明考虑不同地表植被的影响,在不同的地表类型有不同的权重因子(通过机器学习完成),本发明顾及地表差异,提高PWV反演精度。
附图说明
图1 为本发明实施例中的数据处理与反演模型构建流程;
图2 为本发明中的模型构建流程图;
图3为本发明遥感影像几何校正后和云去除展示图;
图4为本发明基于人工神经网络和顾及地表类型的MODIS二通道和三通道比值法精度验证图;
图5为本发明实施例中的各种方法在2020年227天18:00 PWV反演值对比图;
图6为本发明的算法流程图。
具体实施方式
下面结合附图详细说明本发明的实施情况,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
本发明提出的基于人工神经网络和顾及地表类型的MODIS 2/3通道水汽反演算法,相比传统的二通道比值法模型和三通道比值法模型,有效提高了计算精度。本发明基于四个指标以评价本发明方法有效性,分别为均方根误差(Root mean square error,RMSE)、标准偏差(Standard Deviation, STD)、偏差(Bias)和相关系数(R)。图3所示为基于2-/3-Channel Ratio 模型生成的PWV在建模站点和非建模站点与GNSS PWV的精度对比图;如图3中的(a)图表示二通道比值法PWV的内符合精度图;图3中的(b)图表示二通道比值法PWV的外符合精度图;图3中的(c)图表示三通道比值法PWV的内符合精度图;图3中的(d)图表示三通道比值法PWV的外符合精度图;通过图3可以发现,2-Channel Ratio Model的内外符合R/RMSE/STD/Bias分别为0.98/1.28 mm/1.28 mm/0 mm和0.98/1.29 mm/1.29 mm/0.03mm。 3-Channel Ratio Model的内外符合均优于2-Channel Ratio model,R/RMSE/STD/Bias分别为0.99/1.16mm/1.16mm/0.01mm和0.98/1.23mm/1.23mm/0.02mm。上述结果表明本发明模型反演的PWV RMS 小于2mm,均能取得良好的水汽反演效果。
实施例:现以本发明试用于北美某区域的GNSS和MODIS水汽反演为实施例对本发明进行详细说明,对本发明应用于其他区域的GNSS和MODIS水汽反演同样具有指导作用。
本实施例中,选择北美某区域作为研究区;
本实施例中,对研究区基于人工神经网络和顾及地表类型的MODIS 2/3通道近红外水汽反演算法,包括以下步骤:
S1:数据收集;
选择研究区(30°N-50°N和126°W-102°W)。选取 2020 年 1月~12月期间研究区Terra MODIS 数据进行研究分析。研究区GNSS PWV数据从现有网站获取,并基于本发明的公式(1)-公式(6)计算位于北美区域的173个GNSS站点的大气可降水量;
MODIS数据美国NOAA网站免费下载。MODIS数据主要数据包括MOD021KM,MOD03,MOD35和MOD05,具体数据信息如表1所示。对MODIS数据预处理,并分别基于二通道和三通道比值法(本发明的公式(7)和公式(8))计算17,18,19通道的水汽透过率。本实施例中的数字高程模型(DEM)可在资源环境科学与数据中心免费下载,植被覆盖数据在European SpaceAgency Climate Change Initiative下载,空间分辨率为300m;
表 1 MODIS 产品信息表
S2:模型构建;
对GNSS(全球导航卫星系统)站点和遥感数据进行时空匹配,并组成样本数据进行反演模型构建。基于图1的反演流程和图2中的模型结构构建基于人工神经网络和顾及地表覆盖类型的MODIS二通道和三通道反演模型。构建好模型后通过图1中的对比验证来验证模型的稳健性和可用性;
S3:模型验证;
本发明针对在北美地区的GNSS站点位置,对模型进行了验证,其结果如图4所示;
图4中的(c)图、(f)图、(i)图和(l)图为近红外PWV生成的MODIS PWV和GNSS PWV对比图;其中,其中图4中的(c)图为RMSE值分布图,图4中的(f)图为STD值分布图,图4中的(i)图为Bias值分布图,图4中的(l)图为R值分布图;
图4中的(a)图、(d)图、(g)图和(j)图为基于BPNN的二通道比值法生成的MODISPWV和GNSS PWV对比图,其中图4中的(a)图为RMSE值分布图,图4中的(d)图为STD值分布图,图4中的(g) 图为Bias值分布图,图4中的(j)图为R值分布图;可以发现,在整个研究区域,RMSE的值均小于3mm,平均RMSE为1.29 mm。而MODIS的NIR PWV产品RMSE为3.83 mm,本实施例采用本发明二通道法的RMSE改进率为66.32%。图4中的(d)图为标准差(Standarddeviation, STD)分布,可以发现STD相较与MODIS原始产品有很大改进,平均STD为1.29mm,本实施例采用本发明二通道法的改进率为37.98%。二通道比值法的Bias 基本为0,而MODIS原始PWV产品的Bias为3.17 mm,这表明本文基于BPNN构建的反演模型是无偏模型(如图4中的(g)图所示)。本实施例采用本发明二通道比值法PWV与GNSS PWV的相关性在所有站点均大于0(如图4中的(j)图所示);
基于BPNN的三通道比值法相较于二通道比值法效果更好,与GNSS PWV相比,其RMSE、STD、Bias分别为1.20 mm、1.20 mm、0.02 mm ,如图4中的(b)图、(e)图、(h)图和(k)图所示,图4中的(b)图、(e)图、(h)图和(k)图表示基于BPNN的三通道比值法生成的MODIS PWV和GNSS PWV对比图;其中,图4中的(b)图为RMSE值分布图;图4中的(e)图为STD值分布图;图4中的(h)图为Bias值分布图;图4中的(k)图为R值分布图。相较于原始MODIS PWV 产品(如,近红外PWV),RMSE和STD的改进率分别为68.67%和42.31%;
总体而言本实施例采用本发明基于BPNN的二通道和三通道比值法均有很好的效果,且三通道比值法优于二通道比值法;
S4:MODIS PWV反演;
经过模型检验之后,可以利用获取的模型反演整个研究区域的MODIS近红外PWV产品。如图5中的(c)图和(d)图所示为基于本发明实施例中的BPNN二通道和三通道比值法获取的2020年第227天18:00(UTC) MODIS PWV数据,图5中的(a)图和(b)图分别为GNSS PWV和MODIS 原始PWV数据(如,近红外PWV),可以发现,二通道和三通道比值法获取的PWV与GNSSPWV值分布更为相似,而原始MODIS PWV表现出明显的高估现象,这表明,本发明获取的PWV具有很好的稳健性。可以在研究区域反演任意时刻的MODIS近红外PWV产品。如图5中的(a)图、(b)图、(c)图、(d)图中的框线部分为对比部分,通过图5中的(a)图、(b)图、(c)图、(d)图中的框线部分可以看出本发明算出来的结果比较好,尤其在框内的区域改进非常明显;
本实施例采用本发明的三通道比值法的PWV反演精度为1.95mm,空间分辨率为1km。
说明书附图中图1-图6中的英文内容解释如下:
在图1中:
MOD021KM表示:空间分辨率1km的radiance(辐射)数据(1-36波段);
MODIS数据地理定位文件(即,MOD03):MODIS(Moderate-resolution imagingspectroradiometer)中分辨率成像光谱仪;MODIS标准数据产品根据内容不同分为0级、1级数据产品,在1B级数据产品之后,划分2-4级数据产品,包括:陆地标准数据产品、大气标准数据产品和海洋标准数据产品等三种主要标准数据产品类型,总计分解为44种标准数据产品类型。MOD03:MODIS Geolocation,即 MODIS数据地理定位文件;
大气2级标准数据产品(即,MOD35),内容为云掩膜,空间分辨率为250m和1公里,日数据;
可降水量2级大气产品(即,MOD05_L2)。云产品;
近红外PWV(即,NIR PWV):近红外大气可降水量;其中,NIR表示近红外光谱;PWV表示大气可降水量;
2-Channel Ratio表示:基于二通道比大气透过率与全球导航卫星系统获取得到的天顶方向光学斜路径的大气可降水量总含量构建的模型;
3-Channel Ratio表示:基于三通道比大气透过率与全球导航卫星系统获取得到的天顶方向光学斜路径的大气可降水量总含量构建的模型;
全球导航卫星系统获取的光学斜路径的大气可降水量总含量,即GNSS PWV*;
GNSS PWV表示:全球导航卫星系统获取得到的天顶方向的大气可降水量总含量;其中,GNSS表示全球导航卫星系统;PWV表示大气可降水量;
二通道比值法PWV(2-Channel Ratio PWV)表示:基于二通道比大气透过率与GNSSPWV*构建的模型获取得到的大气可降水量。其中,GNSS PWV*表示:全球导航卫星系统获取的光学斜路径的大气可降水量总含量;
三通道比值法PWV(3-Channel Ratio PWV)表示:基于三通道比大气透过率与GNSSPWV*构建的模型获取得到的大气可降水量。其中,GNSS PWV*表示:全球导航卫星系统获取的光学斜路径的大气可降水量总含量;
波段17的大气透过率,即T17;
波段18的大气透过率,即T18;
波段19的大气透过率,即T19;
在图2中:
波段17的大气透过率,即T17;
波段18的大气透过率,即T18;
波段19的大气透过率,即T19;
GNSS PWV*表示:全球导航卫星系统获取的光学斜路径的大气可降水量总含量;
在图3中:
横坐标GNSS PWV表示:全球导航卫星系统获取得到的天顶方向的大气可降水量总含量;单位:mm;
纵坐标2-Channel Ratio PWV:基于二通道比大气透过率与GNSS PWV*构建的模型的大气可降水量;单位:mm;其中,GNSS PWV*表示:全球导航卫星系统获取的光学斜路径的大气可降水量总含量;
纵坐标3-Channel Ratio PWV:基于三通道比大气透过率与GNSS PWV*构建的模型的大气可降水量;单位:mm;其中,GNSS PWV*表示:全球导航卫星系统获取的光学斜路径的大气可降水量总含量;
R表示:相关系数;
RMSE表示:均方根误差;单位:mm;
STD表示:标准差;单位:mm;
Bias表示:偏差;单位:mm;
N表示:数据点的个数;
在图4中:
2-Channel Ratio PWV表示:基于二通道比大气透过率与GNSS PWV*构建的模型的大气可降水量;单位:mm;其中,GNSS PWV*表示:全球导航卫星系统获取的光学斜路径的大气可降水量总含量;
3-Channel Ratio PWV表示:基于三通道比大气透过率与GNSS PWV*构建的模型的大气可降水量;单位:mm;其中,GNSS PWV*表示:全球导航卫星系统获取的光学斜路径的大气可降水量总含量;
NIR PWV表示:近红外光谱可降水量;单位:mm;
RMSE表示:均方根误差;单位:mm;
STD表示:标准差;单位:mm;
Bias表示:偏差;单位:mm;
R表示:相关系数;
在图5中:
GNSS表示:全球导航卫星系统;
NIR表示:近红外光谱;
2-Channel Ratio表示:基于二通道比大气透过率与全球导航卫星系统获取得到的天顶方向光学斜路径的大气可降水量总含量构建的模型;
3-Channel Ratio表示:基于三通道比大气透过率与全球导航卫星系统获取得到的天顶方向光学斜路径的大气可降水量总含量构建的模型;
在图6中:
GNSS PWV表示:全球导航卫星系统获取得到的天顶方向的大气可降水量总含量;
MODIS表示:中分辨率成像光谱仪;
GNSS表示:全球导航卫星系统。
其它未说明的部分均属于现有技术。
Claims (6)
1.一种基于神经网络且顾及地表差异的MODIS水汽反演方法,其特征在于:包括以下步骤,
步骤S1:研究区域的GNSS PWV数据解算;
步骤S2:研究区域MODIS大气水汽透射率计算;
步骤S3:将GNSS 获取得到的天顶方向的PWV总含量转换为光学斜路径的PWV总含量;
步骤S4:构建GNSS PWV*和大气透过率的空间映射关系,并将地表植被覆盖因子作为重要建模因子。
2.根据权利要求1所述的基于神经网络且顾及地表差异的MODIS水汽反演方法,其特征在于:在步骤S1中,研究区域的GNSS PWV数据解算,具体包括如下步骤:
CMONOC站点天顶总延迟ZTD解算;
上式(1)中:s、r、i表示为卫星、接收机和频率号;和分别表示载波相位和伪距观
测值,单位为m;表示用户与卫星之间的几何距离;c表示真空中的光速,单位为m/s;
和表示接收机钟差和卫星钟差;表示电离层误差;表示对流层误差;表示波长
因子;表示整周模糊度;和表示为接收机和卫星相位偏差;和表示接收机
和卫星伪距偏差;和分别表示相位和伪距噪声;根据式(1),利用精密单点定位模
型中的无电离层延迟组合方法估算天顶对流层延迟ZTD;
GNSS PWV获取;
天顶对流层延迟ZTD由两部分组成,天顶干延迟ZHD和湿延迟ZWD,利用GNSS反演大气可降水量,则需要从ZTD中分离湿延迟量ZWD,其关键一步是精确计算干延迟ZHD;
ZHD利用Saastamoinen模型计算:
ZWD和PWV通过以下公式计算:
ZWD=ZTD-ZHD (4)
3.根据权利要求1或2所述的基于神经网络且顾及地表差异的MODIS水汽反演方法,其特征在于:在步骤S2中,研究区域MODIS大气水汽透射率计算,具体包括如下步骤:
MODIS的17、18、19通道于近红外波段,具有较强的水汽吸收太阳辐射能力;而MODIS的2、5通道对大气的透过率接近于1,因此,将MODIS的2和5两波段作为大气窗口通道;因此大气透过率通过吸收通道和窗口通道的比值来计算,再由大气透过率与GNSS PWV构建改进模型以实现大范围水汽反演;
大气水汽透射率的计算有两种方法,分别为二通道比值法和三通道比值法,其中二通道比值法为:
三通道比值法如下:
5.根据权利要求4所述的基于神经网络且顾及地表差异的MODIS水汽反演方法,其特征在于:在步骤S4中,将地表植被覆盖因子作为重要建模因子构建GNSS PWV*和大气透过率的空间映射关系,同时引入机器学习模型,以构建非线性关系,具体包括如下步骤:
对获取的研究区域光学遥感数据进行预处理操作,包括对MOD021KM数据集的2、5、17、18、19波段提取、辐射定标、几何校准以云区域剔除,得到可用的MODIS PWV反演观测数据;
GNSS PWV 和MODIS数据的时空匹配;
在空间上,采用双线性插值方法进行匹配;
在时间上,取GNSS PWV前后15分钟的MODIS数据进行匹配;
使用DEM和土地覆盖类型作为模型输入参数以提升模型反演精度;采用双线性插值匹配GNSS站点和DEM数据,用最近邻插值法匹配 GNSS站点和土地覆盖类型数据;
利用机器学习模型构建GNSS PWV*和MODIS大气水汽透过率、DEM、土地利用类型参数的映射关系;
构建两个模型,分别为:基于二通道比大气透过率与GNSS PWV*构建的模型称为2-
Channel Ratio Model ();基于三通道比大气透过率与GNSS 构建的模型称为
3-Channel Ratio Model ();
基于二通道比大气透过率与GNSS PWV*构建的模型或基于三通道比大气透过率与GNSSPWV*构建的模型包括输入变量、输入层、隐含层、输出层、输出变量;
构建上述两种模型时,使用的模型结构类似,构建上述两种模型的区别在于输入变量不同,其中二通道比用的是二通道比值法计算的大气透过率,三通道比值法用的是三通道比值法计算的大气透过率,输入变量有上述区别,其他输入变量相同;
在基于二通道比大气透过率与GNSS PWV*构建的模型或基于三通道比大气透过率与
GNSS PWV*构建的模型中,输入层由8个神经元组成,分别包括纬度、经度、高程、时间、土地
覆盖类型和17,18, 19三个水汽吸收通道的大气透过率,输出层由一个神经元组成,为GNSS
PWV*;机器学习模型架构为BPNN模型,通过该模型建立输入数据和输出数据之间的函数映
射关系和;
6.根据权利要求5所述的基于神经网络且顾及地表差异的MODIS水汽反演方法,其特征在于:土地覆盖类型包括耕地、林地、草地、裸地、城区、水体六类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210855024.XA CN115099159B (zh) | 2022-07-20 | 2022-07-20 | 基于神经网络且顾及地表差异的modis水汽反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210855024.XA CN115099159B (zh) | 2022-07-20 | 2022-07-20 | 基于神经网络且顾及地表差异的modis水汽反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115099159A true CN115099159A (zh) | 2022-09-23 |
CN115099159B CN115099159B (zh) | 2023-03-07 |
Family
ID=83298172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210855024.XA Active CN115099159B (zh) | 2022-07-20 | 2022-07-20 | 基于神经网络且顾及地表差异的modis水汽反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099159B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129526A (zh) * | 2023-08-25 | 2023-11-28 | 深圳市宏大联合实业有限公司 | 工业环境下高精度瞬态露点检测方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936877A (zh) * | 2010-03-05 | 2011-01-05 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演大气水汽含量方法 |
US20120119944A1 (en) * | 2010-05-30 | 2012-05-17 | Trimble Navigation Limited | Gnss atmospheric estimation with ambiguity fixing |
CN103902839A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 卫星遥感产品支持的单通道法地表温度反演方法 |
CN104180907A (zh) * | 2013-05-21 | 2014-12-03 | 江碧涛 | 一种基于近红外高光谱和热红外单通道影像的海表温度协同反演方法 |
CN104483663A (zh) * | 2014-12-25 | 2015-04-01 | 武汉大学 | 一种高光谱遥感影像大气纠正方法及系统 |
CN107389595A (zh) * | 2017-06-20 | 2017-11-24 | 东南大学 | 一种基于modis三通道加权平均的水汽反演方法 |
CN107843943A (zh) * | 2017-10-30 | 2018-03-27 | 西安科技大学 | 一种基于函数基的三维水汽探测方法 |
CN108345009A (zh) * | 2018-02-08 | 2018-07-31 | 中国石油大学(华东) | 无先验信息约束的gps三维水汽层析方法和装置 |
CN109001382A (zh) * | 2018-09-20 | 2018-12-14 | 武汉大学 | 一种基于cors的区域大气水汽实时监测方法及系统 |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
CN111881581A (zh) * | 2020-07-29 | 2020-11-03 | 中国测绘科学研究院 | 一种建立三维水汽格网模型的方法和系统 |
CN112666634A (zh) * | 2021-01-14 | 2021-04-16 | 北京敏视达雷达有限公司 | 一种降水量预测方法及系统 |
WO2021094753A1 (en) * | 2019-11-11 | 2021-05-20 | University Of Newcastle Upon Tyne | Configuration of global satellite navigation system infrastructure |
CN113408111A (zh) * | 2021-06-01 | 2021-09-17 | 国家卫星气象中心(国家空间天气监测预警中心) | 大气可降水量反演方法及系统、电子设备和存储介质 |
CN114002720A (zh) * | 2021-09-14 | 2022-02-01 | 中国科学院空天信息创新研究院 | 基于海洋潮汐负荷的船舶定位及气象数据反演方法 |
CN114019584A (zh) * | 2021-10-11 | 2022-02-08 | 武汉大学 | 一种大高差地区高精度cors网vrs解算方法 |
CN114049570A (zh) * | 2022-01-13 | 2022-02-15 | 山东大学 | 基于神经网络的星载遥感水汽空间反演方法及系统 |
-
2022
- 2022-07-20 CN CN202210855024.XA patent/CN115099159B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936877A (zh) * | 2010-03-05 | 2011-01-05 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演大气水汽含量方法 |
US20120119944A1 (en) * | 2010-05-30 | 2012-05-17 | Trimble Navigation Limited | Gnss atmospheric estimation with ambiguity fixing |
CN104180907A (zh) * | 2013-05-21 | 2014-12-03 | 江碧涛 | 一种基于近红外高光谱和热红外单通道影像的海表温度协同反演方法 |
CN103902839A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 卫星遥感产品支持的单通道法地表温度反演方法 |
CN104483663A (zh) * | 2014-12-25 | 2015-04-01 | 武汉大学 | 一种高光谱遥感影像大气纠正方法及系统 |
CN107389595A (zh) * | 2017-06-20 | 2017-11-24 | 东南大学 | 一种基于modis三通道加权平均的水汽反演方法 |
CN107843943A (zh) * | 2017-10-30 | 2018-03-27 | 西安科技大学 | 一种基于函数基的三维水汽探测方法 |
CN108345009A (zh) * | 2018-02-08 | 2018-07-31 | 中国石油大学(华东) | 无先验信息约束的gps三维水汽层析方法和装置 |
CN109001382A (zh) * | 2018-09-20 | 2018-12-14 | 武汉大学 | 一种基于cors的区域大气水汽实时监测方法及系统 |
WO2021094753A1 (en) * | 2019-11-11 | 2021-05-20 | University Of Newcastle Upon Tyne | Configuration of global satellite navigation system infrastructure |
CN111210082A (zh) * | 2020-01-13 | 2020-05-29 | 东南大学 | 一种基于优化的bp神经网络算法的降水量预测方法 |
CN111881581A (zh) * | 2020-07-29 | 2020-11-03 | 中国测绘科学研究院 | 一种建立三维水汽格网模型的方法和系统 |
CN112666634A (zh) * | 2021-01-14 | 2021-04-16 | 北京敏视达雷达有限公司 | 一种降水量预测方法及系统 |
CN113408111A (zh) * | 2021-06-01 | 2021-09-17 | 国家卫星气象中心(国家空间天气监测预警中心) | 大气可降水量反演方法及系统、电子设备和存储介质 |
CN114002720A (zh) * | 2021-09-14 | 2022-02-01 | 中国科学院空天信息创新研究院 | 基于海洋潮汐负荷的船舶定位及气象数据反演方法 |
CN114019584A (zh) * | 2021-10-11 | 2022-02-08 | 武汉大学 | 一种大高差地区高精度cors网vrs解算方法 |
CN114049570A (zh) * | 2022-01-13 | 2022-02-15 | 山东大学 | 基于神经网络的星载遥感水汽空间反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
SOBRINO J.A等: "Surface temperature and water vapour retrieval from MODIS data", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
王西地: "基于GPS和MODIS数据的大气可降水量算法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129526A (zh) * | 2023-08-25 | 2023-11-28 | 深圳市宏大联合实业有限公司 | 工业环境下高精度瞬态露点检测方法 |
CN117129526B (zh) * | 2023-08-25 | 2024-04-30 | 深圳市宏大联合实业有限公司 | 工业环境下高精度瞬态露点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115099159B (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cong et al. | Imaging geodesy—Centimeter-level ranging accuracy with TerraSAR-X: An update | |
CN101770027B (zh) | 基于InSAR与GPS数据融合的地表三维形变监测方法 | |
CN109001382B (zh) | 一种基于cors的区域大气水汽实时监测方法及系统 | |
Zhao et al. | High-precision ZTD model of altitude-related correction | |
CN116519913B (zh) | 基于星载和地基平台融合的gnss-r数据土壤水分监测方法 | |
CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN115755103B (zh) | 一种抗差自适应的gnss水汽层析方法 | |
CN115099159B (zh) | 基于神经网络且顾及地表差异的modis水汽反演方法 | |
Pierdicca et al. | Excess path delays from sentinel interferometry to improve weather forecasts | |
Liu et al. | Evaluation of HY-2A satellite-borne water vapor radiometer with shipborne GPS and GLONASS observations over the Indian Ocean | |
CN111123345B (zh) | 一种基于gnss测量的经验电离层模型数据驱动方法 | |
CN113009531A (zh) | 一种小尺度高精度的低空对流层大气折射率模型 | |
CN113534194B (zh) | 联合gnss与测风激光雷达的对流层温湿廓线反演方法 | |
Miao et al. | Cross-track error correction and evaluation of the tiangong-2 interferometric imaging radar altimeter | |
Tang et al. | High-spatial-resolution mapping of precipitable water vapour using SAR interferograms, GPS observations and ERA-Interim reanalysis | |
CN112711022B (zh) | 一种GNSS层析技术辅助的InSAR大气延迟改正方法 | |
Huang et al. | A global grid model for the estimation of zenith tropospheric delay considering the variations at different altitudes | |
Xia et al. | Retrieval of tropospheric refractivity profiles using slant tropospheric delays derived from a single ground‐based Global Navigation Satellite System station | |
CN116466376A (zh) | 数值预报模式辅助的实时ppp改善方法 | |
CN116295362A (zh) | 一种基于全天时大气模式的恒星光线偏折计算方法 | |
Rózsa et al. | The role of GNSS infrastructure in the monitoring of atmospheric water vapor | |
CN112528213B (zh) | 基于低地球轨道卫星全球电离层总电子含量多层解析方法 | |
Mateus et al. | Interpolating MERIS and GPS measurements of precipitable water vapour (PWV) to estimate atmospheric phase delay maps | |
Jensen et al. | The effect of different tropospheric models on precise point positioning in kinematic mode | |
Manandhar | GPS signal derived precipitable water vapor and its applications in rainfall prediction |
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 |