CN115438562A - 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 - Google Patents

一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 Download PDF

Info

Publication number
CN115438562A
CN115438562A CN202210837861.XA CN202210837861A CN115438562A CN 115438562 A CN115438562 A CN 115438562A CN 202210837861 A CN202210837861 A CN 202210837861A CN 115438562 A CN115438562 A CN 115438562A
Authority
CN
China
Prior art keywords
sensor
atmospheric
radiation
satellite
simulation
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.)
Pending
Application number
CN202210837861.XA
Other languages
English (en)
Inventor
周纪
金子纯
马晋
丁利荣
杨晓杰
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210837861.XA priority Critical patent/CN115438562A/zh
Publication of CN115438562A publication Critical patent/CN115438562A/zh
Pending legal-status Critical Current

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

Abstract

本发明公开了一种大范围快速光学卫星传感器星上观测辐亮度模拟方法，属于卫星传感数据处理技术领域。本发明是一种将大气辐射传输模型与机器学习方法相结合从而快速获取大范围光学卫星传感器星上观测辐亮度的方法。首先使用大量高精度且具有代表性的大气廓线作为大气辐射传输模型仿真的输入参数，得到大量仿真的星上辐亮度值及对应的地表状态、观测角度及大气状态参数数据集作为构建机器学习算法的训练数据集，使用机器学习算法对仿真结果中的星上辐亮度及其影响因子间的非线性关系进行拟合，得到可快速进行光学卫星传感器星上观测辐亮度预测的机器学习模型。本发明解决了传感器无相应全球通道反射率的问题，且大幅缩短了仿真所需机时及计算资源。

Description

一种大范围快速光学卫星传感器星上观测辐亮度模拟方法
技术领域
本发明属于卫星传感数据处理技术领域，具体涉及一种大范围快速光学卫星传感器星上观测辐亮度模拟方法。
背景技术
随着卫星传感器性能的快速发展，可见光波段传感器的成像方式已经逐渐由传统的日成像转换为全时段成像(日+月成像)。转换过程中一个难点是如何提前设置传感器的动态范围(传感器单幅影像内的辐亮度范围跨度可达十个数量级)，以保证传感器在轨观测结果的可靠性。为了解决这个问题，在传感器波段设计阶段，需要提前了解传感器在轨运行过程中单幅影像内所有可能观测状态下的星上辐亮度变化范围以辅助传感器动态范围设置。基于大气辐射传输理论的星上辐亮度仿真方法是解决上述问题经济且快速的方式。现有的卫星传感器星上辐亮度仿真方案大多通过野外实验获取特定地理位置处“点状”的大气参数，这种方法精度较高但数据获取频率低、数据覆盖范围小且成本高，因此无法实现大范围、高时间分辨率的星上辐亮度仿真以服务于传感器动态范围的设置。目前也存在部分仿真方法从性能优秀且定标稳定的卫星传感器反演得到的水汽、臭氧及气溶胶光学厚度等产品或再分析资料产品中获取“面状”的大气状态信息，实现对特定光学传感器的大范围星上观测值仿真。然而，目前想要基于卫星大气参数反演产品或再分析资料产品实现大范围、高时间分辨率的光学卫星传感器星上观测辐亮度仿真还存在以下问题：
(1)在卫星传感器的动态范围设计过程中，由于需要了解卫星运行过程中传感器所有观测影像内全部像元的星上辐亮度的量级及不同辐亮度量级的像元在观测影像中的分布，需要进行大量的仿真。若使用传统的基于物理过程驱动的大气辐射传输模型进行仿真，将耗费巨量的时间及计算机资源。并且，传感器的光谱响应函数设置需要多次调整以达到设计目标，现有仿真方法显然已经无法满足快速、高效的使用需求；
(2)对于尚在设计阶段的传感器，无直接可用的地表反射率产品为仿真提供可靠的地表背景场信息。受制于不同传感器之间光谱响应函数的差异，现有传感器的地表反射率产品无法直接应用于其他传感器。
发明内容
本发明提供了一种大范围快速光学卫星传感器星上观测辐亮度模拟方法，可用于提高大范围卫星传感器星上观测值的仿真精度。
本发明采用的技术方案如下：
一种大范围快速光学卫星传感器星上观测辐亮度模拟方法，其特征在于，包括下列步骤：
步骤S1、构建典型地物光谱库，并从卫星传感器的光谱响应函数库中选取波段范围与待仿真传感器的光谱响应函数波段范围存在重合的传感器，将两者的光谱响应函数分别与地物光谱库中的典型地物光谱进行积分，得到波段λ的通道反射率ρb：
Figure BDA0003749235460000021
其中，ρ(λ)表示地物的连续光谱曲线，f(λ)表示波段λ的光谱响应函数，λmax和λmin分别为光谱响应函数波段范围的上下界；
使用机器学习算法拟合两种通道反射率间的转换公式，则ρb＝f(ρ1,ρ2...ρn)，其中，ρ1,ρ2…ρn表示提供反射率背景场的传感器的通道反射率，f(ρ1,ρ2…ρn)表示拟合的背景场反射率到某波段通道反射率的转换关系；
步骤S2、对全球大气廓线数据集进行筛选，构建大气廓线数据集：
筛选去除相对湿度超过指定值的廓线：在高纬度地区，基于设定的第一阈值对廓线进行剔除；在中低纬度地区，基于设定的第二阈值对廓线进行剔除；
再剔除海拔低于指定海拔阈值的廓线；
步骤S3、辐射传输模拟：
基于步骤S2构建的大气廓线数据集，设置辐射源(太阳及月亮)天顶角为在区间[0°,180°]内以步长a°变化的M个值，设置传感器观测天顶角为在区间[0°,90°]内以步长b°变化的N个值，设置传感器观测月相角在区间[0°,180°]内以步长c°变化的L个值，共进行K×M×N×(L+1)次仿真，并使用仿真结果构建机器学习模型的训练数据集；
设置传感器入瞳处总辐射Ltoa(θ1,θ2,ρt)、传感器入瞳处总辐射L(θ1,θ2,ρt)和传感器通道辐亮度Lc(θ1,θ2,ρt)：
Ltoa(θ1,θ2,ρt)＝Ls(θ1,θ2,ρt)+Lm(θ1,θ2,ρt)；
Figure BDA0003749235460000022
Figure BDA0003749235460000031
其中，辐射源包括太阳和月亮，θ1表示太阳天顶角，θ2表示传感器天顶角，ρt表示观测目标处的地表反射率，Ls(θ1,θ2,ρt)表示传感器入瞳处的太阳辐射，Lm(θ1,θ2,ρt)表示传感器入瞳处的月球辐射，L0(θ1,θ2)表示大气程辐射，Fd(θ1)表示地表入射辐射，T(θ2)表示大气上行辐射透过率，S(θ1,θ2)表示大气下表面的球面反照率；
步骤S4，基于机器学习模型的仿真：
使用机器学习算法分别建立大气程辐射L0(θ1,θ2)、地表入射辐射Fd(θ1)、大气下表面的球面反照率S(θ1,θ2)、大气上行辐射透过率T(θ2)与仿真输入间的非线性映射关系：
L0(θ1,θ2)＝f1(AOD,TQV,O3,θ1,θ2)；
Fd(θ1)＝f2(AOD,TQV,O3,θ1)；
S(θ1,θ2)＝f3(AOD,TQV,O3,θ1,θ2)；
T(θ2)＝f4(AOD,TQV,O3,θ2)；
其中，AOD表示再分析资料的气溶胶光学厚度，TQV表示再分析资料的大气水汽含量，O3表示再分析资料的臭氧含量，f1()表示气溶胶光学厚度、大气水汽含量、臭氧含量、太阳天顶角及传感器天顶角与大气程辐射间的非线性关系，f2()表示气溶胶光学厚度、大气水汽含量、臭氧含量及太阳天顶角与地表入射辐射间的非线性关系，f3()表示气溶胶光学厚度、大气水汽含量、臭氧含量、太阳天顶角及传感器天顶角与大气球面反照率间的非线性关系，f4()表示气溶胶光学厚度、大气水汽含量、臭氧含量及传感器天顶角与大气透过率间的非线性关系；
步骤S5，根据搭载待仿真传感器卫星的轨道参数设置获取仿真区域逐像元的传感器观测天顶角及观测时间，根据观测时间计算每个像元处的辐射源天顶角，并结合AOD、TQV和O3，通过非线性关系f1()～f4()计算大气程辐射L0(θ1,θ2)、地表入射辐射Fd(θ1)、大气下表面的球面反照率S(θ1,θ2)和大气上行辐射透过率T(θ2)的仿真结果，将该仿真结果代入传感器入瞳处总辐射L(θ1,θ2,ρt)的表达式，得到基于机器学习模型的待仿真传感器入瞳处总辐射L(θ1,θ2,ρt)，即星上辐亮度观测值。
进一步的，第一阈值包括经度差阈值、纬度差阈值、高程差阈值，大气水汽含量差值，第二阈值包括经度差阈值、纬度差阈值、高程差阈值、大气水汽含量差值和月份差阈值。
进一步的，根据观测时间计算每个像元处的辐射源天顶角具体为：
α＝|MS-ML±180°|；
sin(Hs)＝sin(φ)·sin(δ)+cos(φ)·cos(δ)·cos(t)；
Figure BDA0003749235460000041
其中，α表示月相角，MS表示太阳的视黄经，ML表示月球的视黄经，Hs表示太阳高度角，φ表示当地纬度，δ表示太阳赤纬，t表示地方太阳时，As表示太阳方位角。
本发明提供的技术方案至少带来如下有益效果：
在本发明中，使用MODTRAN辐射传输模型构建机器学习算法的训练数据集，数据集中包含所有可能的卫星观测状态并同时考虑了日月辐射对卫星观测结果的影响。在机器学习模型训练结束后，使用该模型替代传统的辐射传输模拟过程极大地降低仿真所需时间、可快速获取大区域的可见光波段卫星传感器星上观测值仿真结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种大范围快速光学卫星传感器星上观测辐亮度模拟方法的处理过程示意图；
图2是本发明实施例提供的一种大范围快速光学卫星传感器星上观测辐亮度模拟方法的反射率转换验证结果图示意图。
图3是本发明实施例中，使用辐射传输模型进行仿真的仿真精度验证结果图。其中，(3-a)为与地表站点观测值的验证结果；(3-b)为与MODIS第4波段星上观测值的验证结果；(3-c)为与VIIRS DNB波段星上观测值的验证结果。
图4是本发明实施例中，构建的机器学习算法建立的大气程辐射、大气球面反照率、地表入射辐射及大气上行透过率的预测模型测试集验证精度图。其中，(4-a)为地表入射辐射；(4-b)为球面反照率；(4-c)为程辐射；(4-d)为大气上行透过率。
图5是本发明实施例中，使用本发明方法的仿真结果与VIIRS DNB波段真实星上观测值结果对比图。其中，(a)为VIIRS DNB波段真实星上观测值；(b)为本发明方法的仿真结果；(c)为仿真时的月球天顶角；(d)为仿真时的太阳天顶角。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的目的是，首先基于所构建的典型地物光谱库及卫星传感器光谱响应函数库，使用已有的全球地表反射率产品生成待仿真传感器的全球地表反射率产品为仿真的提供稳定可靠的地表背景场信息；其次，使用高精度且具有代表性的大气廓线输入基于物理过程驱动的辐射传输模型获取不同观测状态下的辐亮度仿真结果用于构建机器学习模型的训练数据集，保证仿真方案的准确性；在此基础上，使用机器学习模型拟合各辐射分量与各影响因子间的非线性关系，保证仿真方案的高效性。
本发明实施例提供的一种大范围快速光学卫星传感器星上观测辐亮度模拟方法可以解决下述问题：
(1)构建完备的典型地物光谱库，保证基于该光谱库获取的传感器通道反射率转换关系的可靠性；
(2)基于大气辐射传输模拟结果为机器学习算法构建一个完备的训练数据集，使得训练数据集可代表卫星观测过程中遇到的不同大气状态。
如图1所示，本发明实施例提供的一种大范围快速光学卫星传感器星上观测辐亮度模拟方法包括：
步骤1、地表反射率转换。
为保证方法所构建的通道反射率转换关系的可靠性，本实施例通过以下三种方式收集了大量的典型地物光谱：首先，结合大量国内外典型地物光谱库，下载并筛选光谱库中所提供的不同典型地物光谱数据；其次，进行野外实地典型地物光谱测量实验，收集了部分高质量的典型地物光谱曲线；最后，通过文献查阅获取了部分特殊地物，如海冰、云层等典型地物的光谱信息。在典型地物光谱库构建完毕后，从卫星传感器光谱响应函数库中选取波段范围与待仿真传感器光谱响应函数波段范围存在重合的传感器(已有全球反射率产品)，将二者的光谱响应函数分别与地物光谱库中的典型地物光谱进行积分(式(1))，得到相应的通道反射率，并使用机器学习算法拟合两种通道反射率间的转换公式(式(2))。
Figure BDA0003749235460000061
ρb＝f(ρ1,ρ2…ρn) （2）
式中，ρ(λ)为地物的连续光谱曲线，ρb为某波段的通道反射率，f(λ)为该波段的光谱响应函数，λmax和λmin分别为光谱响应函数波段范围的上下界，ρ1，ρ2…ρ3为提供反射率背景场的传感器的通道反射率，f(ρ1,ρ2…ρn)为背景场反射率到某波段通道反射率的转换关系。
步骤2、大气廓线数据集构建。
为了在保证仿真过程大气状态多样性的前提下减少冗余仿真，缩短仿真机时，本实施例对全球大气廓线数据集按照以下方式进行筛选，以形成全球大气廓线数据库：
筛选去除相对湿度超过指定值(例如85％)的廓线，去除云对廓线的影响；在高纬度地区，基于设定的第一阈值对廓线进行剔除，以去除相似度高的冗余廓线，其中，第一阈值包括经度差阈值、纬度差阈值、高程差阈值，大气水汽含量差值，本实施例中，筛选掉经度差≤60°、纬度差≤15°、高程差≤1000m、大气水汽含量差值≤0.5g·cm-2的廓线，以去除相似度高的冗余廓线；
在中低纬度地区，基于设定的第二阈值对廓线进行剔除，以去除相似度高的冗余廓线，其中，第二阈值包括经度差阈值、纬度差阈值、高程差阈值、大气水汽含量差值和月份差阈值，本实施例中，筛选掉经度差≤30°、纬度差≤10°、高程差≤1000m、大气水汽含量相差不超过0.5g·m-2、月份差≤2个月的廓线，以去除相似度高的冗余廓线。
经过上述条件的筛选，剔除通过以上筛选条件后获取的大气廓线数据库中海拔低于指定海拔阈值(例如0m)的廓线，最终剩余的大气廓线即为构建的全球大气廓线数据库。
步骤3、辐射传输模拟。
光学传感器的卫星传感器入瞳处的辐射包括太阳辐射及月球辐射((3)式)，两种辐射均可分解为(4)式形式，可由大气程辐射、地表反照率、大气球面反照率、地表入射辐射及大气上行透过率表示，而将(4)式与传感器光谱响应函数积分，即可将卫星传感器入瞳处的辐射转换为传感器星上辐亮度观测值((5)式)。其中，地表反射率为地表的固有属性，在假设地表反射各向同性的前提下，其余分量仅与仿真过程中的大气状态、辐射源天顶角及传感器观测天顶角有关。因此，本实施例使用步骤2中筛选出的K条大气廓线数据分别表征仿真过程中的大气状态，设置辐射源(太阳及月亮)天顶角为在区间[0°,180°]内以步长a°变化的M个值，设置传感器观测天顶角为在区间[0°,90°]内以步长b°变化的N个值(在进行月球辐射模拟时还需考虑月相角在区间[0°,180°]内以步长c°变化的L个值)共进行K×M×N×(L+1)次仿真，并使用仿真结果构建机器学习模型的训练数据集。
Ltoa(θ1,θ2,ρt)＝Ls(θ1,θ2,ρt)+Lm(θ1,θ2,ρt) （3）
Figure BDA0003749235460000071
Figure BDA0003749235460000072
式中，θ1为太阳天顶角，θ2,为传感器天顶角，ρt为观测目标处的地表反射率，Ltoa(θ1,θ2,ρt)为传感器入瞳处总辐射，Ls(θ1,θ2,ρt)为传感器入瞳处的太阳辐射，Lm(θ1,θ2,ρt)为传感器入瞳处的月球辐射，L(θ1,θ2,ρt)为传感器入瞳处总辐射；L0(θ1,θ2)为大气程辐射，Fd(θ1)为地表入射辐射，T(θ2)表示上行辐射透过率，S(θ1,θ2)为大气下表面的球面反照率，Lc(θ1,θ2,ρt)为传感器通道辐亮度；f(λ)为传感器光谱响应函数；λmin为传感器光谱响应函数最小波长；λmax为传感器光谱响应函数最大波长。公式(3)至(5)表示将星上辐亮度拆解为几种不同的参数，进而可以通过机器学习进行模型仿真。
(4)、基于机器学习模型的仿真。
在步骤3的基础上，使用机器学习算法分别建立大气程辐射、大气球面反照率、地表入射辐射及大气上行透过率与仿真输入间的非线性映射关系((6)-(9)式)。
L0(θ1,θ2)＝f1(AOD,TQV,O3,θ1,θ2) （6）
Fd(θ1)＝f2(AOD,TQV,O3,θ1) （7）
S(θ1,θ2)＝f3(AOD,TQV,O3,θ1,θ2) （8）
T(θ2)＝f4(AOD,TQV,O3,θ2) （9）
式中，AOD为再分析资料的气溶胶光学厚度，TQV为再分析资料的大气水汽含量，O3为再分析资料的臭氧含量，f1()表示气溶胶光学厚度、大气水汽含量、臭氧含量、太阳天顶角及传感器天顶角与大气程辐射间的非线性关系，f2()表示气溶胶光学厚度、大气水汽含量、臭氧含量及太阳天顶角与地表入射辐射间的非线性关系，f3()表示气溶胶光学厚度、大气水汽含量、臭氧含量、太阳天顶角及传感器天顶角与大气球面反照率间的非线性关系，f4()表示气溶胶光学厚度、大气水汽含量、臭氧含量及传感器天顶角与大气透过率间的非线性关系；在需要进行大范围快速仿真时，使用再分析资料的气溶胶光学厚度(AOD)、大气水汽含量(TQV)及臭氧含量(O3)作为仿真的大气参数输入，根据搭载待仿真传感器卫星的轨道参数设置获取仿真区域逐像元的传感器观测天顶角及观测时间，根据观测时间使用(10)-(12)式计算每个像元处的辐射源天顶角，代入(6)-(9)式获取到逐像元的大气程辐射、大气球面反照率、地表入射辐射及大气上行透过率仿真结果。将仿真结果与步骤1中的地表反射率代入(4)-(5)式即可得到基于机器学习模型的待仿真传感器入瞳处总辐射L(θ1,θ2,ρt)。
α＝|MS-ML±180°| （10）
sin(Hs)＝sin(φ)·sin(δ)+cos(φ)·cos(δ)·cos(t) （11）
Figure BDA0003749235460000081
式中，α为月相角，MS为太阳的视黄经，ML为月球的视黄经，Hs为太阳高度角，φ表示当地纬度，δ表示太阳赤纬，t表示地方太阳时，As为太阳方位角。
即本发明是一种将大气辐射传输模型与机器学习方法相结合从而快速获取大范围光学卫星传感器星上观测辐亮度的方法。本发明首先使用大量高精度且具有代表性的大气廓线作为大气辐射传输模型仿真的输入参数，得到大量仿真的星上辐亮度值及对应的地表状态、观测角度及大气状态参数数据集作为构建机器学习算法的训练数据集。此后，使用机器学习算法对仿真结果中的星上辐亮度及其影响因子间的非线性关系进行拟合，得到可快速进行光学卫星传感器星上观测辐亮度预测的机器学习模型。
为了进一步验证本发明实施例提供的一种大范围快速光学卫星传感器星上观测辐亮度模拟方法的性能，通过下述仿真实验进行验证。
本实验选取的数据主要包括中分辨率成像光谱仪(Moderate-ResolutionImaging Spectroradiometer,MODIS)的地表反射率产品MOD09GA；MERRA-2再分析资料的逐时气溶胶光学厚度、大气水汽含量及臭氧含量产品；喷气推进实验室光谱库(JetPropulsion Laboratory,JPL)、约翰霍普金斯大学光谱库(The Johns HopkinsUniversity,JHU)、先进星载热发射和反射射电计光谱库(Advanced Space borne ThermalEmission and Reflection Radiometer,ASTER)、高光谱图像处理与分析系统(Hyperspectral Image Processing and Analysis System,HIPAS)等国内外地物光谱库的典型地物光谱数据；使用SeeBor V5.1大气廓线数据库中的大气廓线构建基础大气廓线数据库；使用中等分辨率大气透过率及辐射传输算法(Moderate Resolution AtmosphericTransmittance Algorithm,MODTRAN)进行辐射传输模拟，构建机器学习算法的训练数据集；使用可见光红外成像辐射仪(Visible infrared Imaging Radiometer,VIIRS)的日/夜(Day/Night)波段作为待仿真传感器。其实施方式可以被分为以下4步。
(1)地表反射率转换。
VIIRS DNB波段的传感器光谱响应函数及MODIS 1-4波段的传感器光谱响应函数分别与本方法构建的典型地物光谱库中的地物光谱进行积分，得到对应的通道反射率，并使用随机森林算法拟合MODIS 1-4波段通道反射率到VIIRS DNB波段通道反射率的转换关系，验证结果见图2。此后，将MODIS 1-4波段的全球地表反射率数据作为输入，获取VIIRSDNB波段的全球地表反射率。
(2)大气廓线数据集构建。
将上述大气廓线数据集收集完毕后，使用技术方案步骤2的大气廓线筛选方案，对SeeBor V5.1大气廓线数据库中15704条大气廓线进行筛选，得到549条具有代表性的大气廓线数据集。
(3)辐射传输模拟。
使用筛选后的549条大气廓线表征仿真过程中的大气状态。对于太阳辐射，设置太阳天顶角在区间[0°,180°]内以步长2°变化，设置传感器观测天顶角为在区间[0°,90°]内以步长2°变化。对于月球辐射，设置月球天顶角在区间[0°,180°]内以步长2°变化，设置传感器观测天顶角为在区间[0°,90°]内以步长2°变化，设置月相角在区间[0°,180°]内以步长15°变化。共进行549×90×45×(12+1)＝28904850次仿真。
(4)基于机器学习模型的仿真。
(3)的仿真结束后，使用随机森林模型分别拟合大气程辐射、大气球面反照率、地表入射辐射及大气上行透过率与气溶胶光学厚度、大气水汽含量、臭氧含量、辐射源角度及传感器角度间的映射关系(模型精度如图3所示)。在模型建立后，使用MERRA-2提供的全球气溶胶光学厚度、大气水汽含量及臭氧含量产品、VIIRS传感器的观测角度参数及预测得到的VIIRS DNB全球地表反射率作为模型输入，获取全球范围内的大气程辐射、大气球面反照率、地表入射辐射及大气上行透过率预测值。将预测值带入(4)式得到VIIRS DNB波段的全球星上辐亮度预测值，图4分别展示了本方法的预测结果与VIIRS DNB波段真实观测值。图5展示了使用本方法仿真得到的大范围卫星传感器星上辐亮度仿真结果(图5-(b))与实际观测值(图5-(a))的对比结果，从图中不难看出仿真结果不论在数值的量级范围还是空间分布方面均与实际观测值具有高度一致性。
本发明可以利用在轨传感器的地表反射率产品、大气廓线产品及再分析资料大气参数进行光学卫星传感器星上观测值模拟；相较于传统的仿真方法，该方法解决了预研中传感器无相应全球通道反射率的问题，在满足传感器动态范围设置精度要求的前提下，大幅缩短了仿真所需机时及计算资源。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (3)

1.一种大范围快速光学卫星传感器星上观测辐亮度模拟方法，其特征在于，包括下列步骤：
步骤S1、构建典型地物光谱库，并从卫星传感器的光谱响应函数库中选取波段范围与待仿真传感器的光谱响应函数波段范围存在重合的传感器，将两者的光谱响应函数分别与地物光谱库中的典型地物光谱进行积分，得到波段λ的通道反射率ρb：
Figure FDA0003749235450000011
其中，ρ(λ)表示地物的连续光谱曲线，f(λ)表示波段λ的光谱响应函数，λmax和λmin分别为光谱响应函数波段范围的上下界；
使用机器学习算法拟合两种通道反射率间的转换公式，拟合后的通道反射率ρb＝f(ρ1,ρ2...ρn)，其中，ρ1,ρ2...ρn表示提供反射率背景场的传感器的通道反射率，f(ρ1,ρ2...ρn)表示拟合的背景场反射率到某波段通道反射率的转换关系；
步骤S2、对全球大气廓线数据集进行筛选，构建大气廓线数据集：
筛选去除相对湿度超过指定值的廓线：在高纬度地区，基于设定的第一阈值对廓线进行剔除；在中低纬度地区，基于设定的第二阈值对廓线进行剔除；
再剔除海拔低于指定海拔阈值的廓线；
步骤S3、辐射传输模拟：
基于步骤S2构建的大气廓线数据集，设置辐射源(太阳及月亮)天顶角为在区间[0°,180°]内以步长a°变化的M个值，设置传感器观测天顶角为在区间[0°,90°]内以步长b°变化的N个值，设置传感器观测月相角在区间[0°,180°]内以步长c°变化的L个值，共进行K×M×N×(L+1)次仿真，并使用仿真结果构建机器学习模型的训练数据集；
设置传感器入瞳处总辐射Ltoa(θ1,θ2,ρt)、传感器入瞳处总辐射L(θ1,θ2,ρt)和传感器通道辐亮度Lc(θ1,θ2,ρt)：
Ltoa(θ1,θ2,ρt)＝Ls(θ1,θ2,ρt)+Lm(θ1,θ2,ρt)；
Figure FDA0003749235450000012
Figure FDA0003749235450000021
其中，辐射源包括太阳和月亮，θ1表示太阳天顶角，θ2表示传感器天顶角，ρt表示观测目标处的地表反射率，Ls(θ1,θ2,ρt)表示传感器入瞳处的太阳辐射，Lm(θ1,θ2,ρt)表示传感器入瞳处的月球辐射，L0(θ1,θ2)表示大气程辐射，Fd(θ1)表示地表入射辐射，T(θ2)表示大气上行辐射透过率，S(θ1,θ2)表示大气下表面的球面反照率；
步骤S4，基于机器学习模型的仿真：
使用机器学习算法分别建立大气程辐射L0(θ1,θ2)、地表入射辐射Fd(θ1)、大气下表面的球面反照率S(θ1,θ2)、大气上行辐射透过率T(θ2)与仿真输入间的非线性映射关系：
L0(θ1,θ2)＝f1(AOD,TQV,O3,θ1,θ2)；
Fd(θ1)＝f2(AOD,TQV,O3,θ1)；
S(θ1,θ2)＝f3(AOD,TQV,O3,θ1,θ2)；
T(θ2)＝f4(AOD,TQV,O3,θ2)；
其中，AOD表示再分析资料的气溶胶光学厚度，TQV表示再分析资料的大气水汽含量，O3表示再分析资料的臭氧含量，f1()表示气溶胶光学厚度、大气水汽含量、臭氧含量、太阳天顶角及传感器天顶角与大气程辐射间的非线性关系，f2()表示气溶胶光学厚度、大气水汽含量、臭氧含量及太阳天顶角与地表入射辐射间的非线性关系，f3()表示气溶胶光学厚度、大气水汽含量、臭氧含量、太阳天顶角及传感器天顶角与大气球面反照率间的非线性关系，f4()表示气溶胶光学厚度、大气水汽含量、臭氧含量及传感器天顶角与大气透过率间的非线性关系；
步骤S5，根据搭载待仿真传感器卫星的轨道参数设置获取仿真区域逐像元的传感器观测天顶角及观测时间，根据观测时间计算每个像元处的辐射源天顶角，并结合AOD、TQV和O3，通过非线性关系f1()～f4()计算大气程辐射L0(θ1,θ2)、地表入射辐射Fd(θ1)、大气下表面的球面反照率S(θ1,θ2)和大气上行辐射透过率T(θ2)的仿真结果，将该仿真结果代入传感器入瞳处总辐射L(θ1,θ2,ρt)的表达式，得到基于机器学习模型的待仿真传感器入瞳处总辐射L(θ1,θ2,ρt)，即星上辐亮度观测值。
2.如权利要求1所述的方法，其特征在于，第一阈值包括经度差阈值、纬度差阈值、高程差阈值，大气水汽含量差值，第二阈值包括经度差阈值、纬度差阈值、高程差阈值、大气水汽含量差值和月份差阈值。
3.如权利要求1或2所述的方法，其特征在于，根据观测时间计算每个像元处的辐射源天顶角具体为：
α＝|MS-ML±180°|；
sin(Hs)＝sin(φ)·sin(δ)+cos(φ)·cos(δ)·cos(t)；
Figure FDA0003749235450000031
其中，α表示月相角，MS表示太阳的视黄经，ML表示月球的视黄经，Hs表示太阳高度角，φ表示当地纬度，δ表示太阳赤纬，t表示地方太阳时，As表示太阳方位角。
CN202210837861.XA 2022-07-16 2022-07-16 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 Pending CN115438562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210837861.XA CN115438562A (zh) 2022-07-16 2022-07-16 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210837861.XA CN115438562A (zh) 2022-07-16 2022-07-16 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法

Publications (1)

Publication Number Publication Date
CN115438562A true CN115438562A (zh) 2022-12-06

Family

ID=84240898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210837861.XA Pending CN115438562A (zh) 2022-07-16 2022-07-16 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法

Country Status (1)

Country Link
CN (1) CN115438562A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116466368A (zh) * 2023-06-16 2023-07-21 成都远望科技有限责任公司 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
CN117853950A (zh) * 2024-03-07 2024-04-09 青岛星科瑞升信息科技有限公司 基于光谱库和机器学习的多光谱卫星图像处理方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116466368A (zh) * 2023-06-16 2023-07-21 成都远望科技有限责任公司 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
CN116466368B (zh) * 2023-06-16 2023-08-22 成都远望科技有限责任公司 基于激光雷达和卫星资料的沙尘消光系数廓线估算方法
CN117853950A (zh) * 2024-03-07 2024-04-09 青岛星科瑞升信息科技有限公司 基于光谱库和机器学习的多光谱卫星图像处理方法及系统

Similar Documents

Publication Publication Date Title
García-Haro et al. Derivation of global vegetation biophysical parameters from EUMETSAT Polar System
Min et al. Developing the science product algorithm testbed for Chinese next-generation geostationary meteorological satellites: Fengyun-4 series
Wang et al. Intercomparisons of cloud mask products among Fengyun-4A, Himawari-8, and MODIS
Vermote et al. Atmospheric correction algorithm: spectral reflectances (MOD09)
CN109974665B (zh) 一种针对缺少短波红外数据的气溶胶遥感反演方法及系统
CN115438562A (zh) 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法
Cao et al. Establishing the Antarctic Dome C community reference standard site towards consistent measurements from Earth observation satellites
CN102338871A (zh) 地表反射率计算方法和装置
CN114113001B (zh) 一种气溶胶光学厚度反演方法
Maddy et al. MIIDAPS-AI: An explainable machine-learning algorithm for infrared and microwave remote sensing and data assimilation preprocessing-Application to LEO and GEO sensors
Taylor et al. Satellite retrieval of aerosol microphysical and optical parameters using neural networks: a new methodology applied to the Sahara desert dust peak
Bognar et al. Updated validation of ACE and OSIRIS ozone and NO2 measurements in the Arctic using ground-based instruments at Eureka, Canada
Sun et al. Automatic atmospheric correction for shortwave hyperspectral remote sensing data using a time-dependent deep neural network
Wang et al. Added-value of GEO-hyperspectral infrared radiances for local severe storm forecasts using the hybrid OSSE method
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
CN111079835A (zh) 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法
Tao et al. Estimation of soil moisture using a vegetation scattering model in wheat fields
CN116486931B (zh) 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统
Miura et al. Assessment of cross-sensor vegetation index compatibility between VIIRS and MODIS using near-coincident observations
Del Rocco et al. Real-time spectral radiance estimation of hemispherical clear skies with machine learned regression models
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
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
CN116185616A (zh) 一种fy-3d mersi l1b数据自动化再处理方法
Ye et al. Improving atmospheric CO2 retrieval based on the collaborative use of Greenhouse gases Monitoring Instrument and Directional Polarimetric Camera sensors on Chinese hyperspectral satellite GF5-02
Velazco et al. Total carbon column observing network Philippines: Toward quantifying atmospheric carbon in southeast asia

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