CN115438566A - 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法 - Google Patents

一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法 Download PDF

Info

Publication number
CN115438566A
CN115438566A CN202210890748.8A CN202210890748A CN115438566A CN 115438566 A CN115438566 A CN 115438566A CN 202210890748 A CN202210890748 A CN 202210890748A CN 115438566 A CN115438566 A CN 115438566A
Authority
CN
China
Prior art keywords
radiation transmission
network
atmospheric radiation
atmospheric
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
CN202210890748.8A
Other languages
English (en)
Inventor
李俊
徐嘉蔚
盛庆红
王博
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 Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210890748.8A priority Critical patent/CN115438566A/zh
Publication of CN115438566A publication Critical patent/CN115438566A/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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，包括如下步骤：将模拟对象MODTRAN模型分解为大气辐射传输计算和传感器光谱响应计算两个环节，并对这两个过程的参数进行模版参数设计；将设计好的两个过程的模版参数输入MODTRAN模型进行模拟，分别得到大气辐射传输和传感器光谱响应样本集；建立正向模拟网络，并且通过大气辐射传输和传感器光谱响应样本集训练正向模拟网络；基于正向模拟网络对传感器入瞳辐亮度进行仿真计算。本发明利用RNN神经网络对大气辐射传输模型进行了全面的模拟，有效避免了传统方法只针对某个特定问题进行模拟的较大局限性；并且使用RNN神经网络对大气辐射传输模型进行模拟，能够较大地提升计算的速度、精度。

Description

一种基于全连接和RNN神经网络的大气辐射传输模型模拟 方法
技术领域
本发明属于大气辐射传输和深度学习技术领域，具体涉及一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法。
背景技术
大气辐射传输模型对于遥感影像的应用起着关键作用，但是其计算量巨大，十分耗时是一直以来的一个重要缺点。国内外研究人员针对这一问题，在保证大气辐射传输模型精度的同时，提高其效率进行了积极探索，从方法上看可以分为两种：利用查找表简化大气辐射传输模型计算和基于深度学习对大气辐射传输模型进行模拟。
查找表方法主要构建的是波段-反射率-入瞳辐亮度查找表，其方法是：首先，设定仿真时刻和场景的大气状况参数和几何条件参数；然后，在选定的成像条件下，以特定的反射率数值写入大气辐射传输模型，得到这几个反射率数值下的入瞳辐亮度，进一步求解简化方程中的未知参数；最后，在[0,1]范围内离散取值并逐一写入已知的简化模型，求得各个反射率在不同波长下的入瞳辐亮度，在依据传感器的光谱响应函数进行积分运算，求得不同波段的入瞳辐亮度值，形成波段-反射率-入瞳辐亮度查找表。然而，由于查找表方法的插值的过程存在着一定的误差，并且随着卫星观测模型和应用场景的变化，查找表的规模也会变得巨大，随着数据量急剧增长，利用查找表方法简化大气辐射传输模型的计算量带来了巨大的挑战。
利用深度学习的方法来模拟大气辐射传输模型的方法，主要是针对大气辐射传输模型不同的应用场景，设计合适的深度学习网络，在基于深度学习的大气辐射传输模型框架的基础上，对选择的模型进行模拟，实现地表反射率-传感器入瞳辐亮度的对应输入输出。但是，由于现有的利用深度学习的方法对大气辐射传输模型进行模拟的研究只是针对某一特定问题或特定传感器，很少考虑从大气辐射传输模型原理上去进行模拟，因此具有较大的应用局限性，在不同的应用场景或是面向不同传感器应用时均无法使用。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，能够对大气辐射传输模型的计算过程进行模拟，实现地表反射率和传感器入瞳辐亮度的对应输入输出。
技术方案：为实现上述目的，本发明提供一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，包括如下步骤：
S1：将模拟对象MODTRAN模型分解为大气辐射传输计算和传感器光谱响应计算两个环节，并对这两个过程的参数进行模版参数设计；
S2：将设计好的两个过程的模版参数输入MODTRAN模型进行模拟，分别得到大气辐射传输和传感器光谱响应样本集；
S3：建立正向模拟网络，并且通过大气辐射传输和传感器光谱响应样本集训练正向模拟网络；
S4：基于正向模拟网络对传感器入瞳辐亮度进行仿真计算。
进一步地，所述步骤S1中模版参数设计包括不变参数设置和可变参数设置，不变参数包括模拟谱段、吸收谱线参数、气溶胶模型、大气模式、模型解算方式和气体吸收计算方式，可变参数包括太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率。
进一步地，所述步骤S2中大气辐射传输数据集的获取过程为：
根据地表反射率的取值范围和间隔，对参数组合分为201层进行采样，每层随机生成480种参数组合，共计96480组数据组合，每组数据包含太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度、地表反射率和MODIS第1到第4波段，以1nm为间隔的大气层顶辐亮度。
进一步地，所述步骤S2中传感器光谱响应样本集的获取过程为：
A1：在大气辐射传输数据集的基础上，计算每种参数的标准差，标准差公式：
Figure BDA0003767492440000021
其中，μ为每种参数在其取值范围内，不同取值出现次数的平均值，xi为第i个取值出现的次数，n为每种参数的取值可能数；
A2：随机选取大气辐射传输数据集中的1组数据，并经过MODTRAN模型模拟得到辐亮度模拟结果；
A3：在MODTRAN给出的太阳辐射范围，对MODIS第1到第4波段内的太阳辐亮度随机取值，生成1000000组均匀分布的辐亮度组合，并将其与补零后的光谱响应函数进行卷积，
Lk＝∫L(λ)Rk(λ)dλ
其中，Lk为传感器记录的辐射能量值，L(λ)为入瞳处波长为λ的辐射能量，Rk(λ)为MODIS某一波段在波长λ处的光谱响应率；
生成1000000组数据，每组数据分别由MODIS第1到第4波段入瞳辐亮度和以1nm为间隔的大气层顶辐亮度组成。
进一步地，所述步骤S2中由于得到的两组数据集中不同参数具有不同的取值范围，为了便于神经网络模型的训练，对数据中的每个参数进行标准化处理至0-1之间，采用极差法进行标准化处理的公式如下：
Figure BDA0003767492440000031
其中，Xmax为特征取值的最大值，Xmin为特征取值的最小值。
进一步地，所述步骤S3中正向模拟网络包括大气辐射传输计算网络和MODIS光谱响应计算网络，
所述大气辐射传输计算网络由1个输入层、4个隐藏层和1个输出层组成，损失函数为MSE，输入层神经元数量为7个，分别是太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率，输出层神经元数量为125个，分别是MODIS第1到第4波段内的1nm间隔的大气层顶辐亮度；
所述MODIS光谱响应计算网络包括数据处理、网络训练和网络预测三个部分，其中，数据处理过程包括：数据预处理、数据归一化；网络训练过程：以损失函数最小化为优化目标，优化求解过程；网络预测：基于训练好的RNN算法对传感器入瞳辐亮度时间序列进行预测。
进一步地，所述步骤S3中正向模拟网络的训练方法为：
使用大气辐射传输样本数据集对大气辐射传输计算网络进行训练，在训练之前将96480个样本数据按照3：1：1的比例划分为训练集、测试集和验证集；
使用传感器光谱响应样本数据集对光谱响应计算网络进行训练，在训练之前要将1000000个样本数据按照3：1：1的比例分为训练集、测试集和验证集。
进一步地，所述步骤S4具体为：
B1：将太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、气溶胶光学厚度和地表反射率数据输入到大气辐射传输计算网络，计算获取到大气层顶辐亮度；
B2：将大气层顶辐亮度时间序列输入到MODIS光谱响应计算网络，计算获取到传感器入瞳辐亮度。
有益效果：本发明与现有技术相比，与传统的基于深度学习的大气辐射传输模型模拟方法不同，主要针对大气辐射传输模型的原理进行模拟；利用RNN神经网络对大气辐射传输模型的大气辐射传输计算、传感器光谱响应两部分进行了全面的模拟，有效避免了传统方法只针对某个特定问题进行模拟的较大局限性；并且使用RNN神经网络对大气辐射传输模型进行模拟，能够较大地提升计算的速度、精度。
附图说明
图1为本发明方法的流程图；
图2为传感器入瞳辐亮度的获取示意图；
图3为大气辐射传输计算网络的结构图；
图4为光谱响应计算网络的结构图；
图5为传感器入瞳辐亮度的仿真计算流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，如图1和图2所示，其包括如下步骤：
S1：将模拟对象MODTRAN模型分解为大气辐射传输计算和传感器光谱响应计算两个环节，并对这两个过程的参数进行模版参数设计；
具体的过程为：
1)大气辐射传输模型可以分为大气辐射传输计算和传感器光谱响应两个互不干扰的过程，分别具有相应的参数输入。大气辐射传输计算过程的输入参数主要包括几何参数、气溶胶参数、大气模式参数等等；传感器光谱响应过程的输入参数为光谱响应函数；
2)设置不变参数，不变参数的具体设置如表1所示。
表1-MODTRAN模型不变参数设计
Figure BDA0003767492440000041
Figure BDA0003767492440000051
3)设置可变参数，可变参数具体设置如表2所示；
表2-MODTRAN模型可变参数设计表
Figure BDA0003767492440000052
4)设计传感器光谱响应参数，选取MODIS的第1到第4波段的光谱响应函数进行模拟。
S2：将设计好的两个过程的模版参数输入MODTRAN模型进行模拟，分别得到大气辐射传输和传感器光谱响应样本集；
具体过程如下：
1)据地表反射率的取值范围和间隔，对参数组合分为201层进行采样，每层随机生成480种参数组合，共计96480组数据组合，每组数据包含太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度、地表反射率和MODIS第1到第4波段内，以1nm为间隔的大气层顶辐亮度；
2)在上述步骤的基础上，计算每种参数的标准差，标准差公式：
Figure BDA0003767492440000053
其中，μ为每种参数在其取值范围内，不同取值出现次数的平均值，xi为第i个取值出现的次数，n为每种参数的取值可能数；
3)随机选取步骤1)中得到的数据组合中的1组数据，并经过MODTRAN模型模拟得到辐亮度模拟结果；
4)在MODTRAN给出的太阳辐射范围，对MODIS第1到第4内的太阳辐亮度随机取值，生成1000000组均匀分布的辐亮度组合，并将其与补零后的光谱响应函数进行卷积，
Lk＝∫L(λ)Rk(λ)dλ
其中，Lk为传感器记录的辐射能量值，L(λ)为入瞳处波长为λ的辐射能量，Rk(λ)为MODIS第1波段在波长λ处的光谱响应率。
生成1000000组数据，每组数据分别由MODIS第1到第4波段入瞳辐亮度和以1nm为间隔的大气层顶辐亮度组成；
5)由于步骤(1)和步骤(4)得到的两组数据集中不同参数具有不同的取值范围，为了便于神经网络模型的训练，需要对数据中的每个参数进行标准化处理至0-1之间。采用极差法进行标准化处理的公式如下：
Figure BDA0003767492440000061
其中，Xmax为特征取值的最大值，Xmin为特征取值的最小值。
S3：建立正向模拟网络，正向模拟网络包括大气辐射传输计算网络和MODIS光谱响应计算网络；
如图3所示，大气辐射传输计算网络由1个输入层、4个隐藏层和1个输出层组成，损失函数为MSE，输入层神经元数量为7个，分别是太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率，输出层神经元数量为125个，分别是MODIS第1到第4波段内的1nm间隔的大气层顶辐亮度。
如图4所示，MODIS光谱响应计算网络包括数据处理、网络训练和网络预测三个部分，其中，数据处理过程包括：数据预处理、数据归一化；网络训练过程：以损失函数最小化为优化目标，优化求解过程；网络预测：基于训练好的RNN算法对传感器入瞳辐亮度时间序列进行预测。
使用大气辐射传输样本数据集对大气辐射传输计算网络进行训练，在训练之前将96480个样本数据按照3：1：1的比例划分为训练集、测试集和验证集；
使用传感器光谱响应样本数据集对光谱响应计算网络进行训练，在训练之前要将1000000个样本数据按照3：1：1的比例分为训练集、测试集和验证集。
S4：基于正向模拟网络对传感器入瞳辐亮度进行仿真计算，如图5所示，具体的计算过程包括如下步骤：
1)将太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、气溶胶光学厚度和地表反射率数据输入到大气辐射传输计算网络，计算获取到大气层顶辐亮度；
2)将大气层顶辐亮度时间序列输入到MODIS光谱响应计算网络，计算获取到传感器入瞳辐亮度。

Claims (8)

1.一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，包括如下步骤：
S1：将模拟对象MODTRAN模型分解为大气辐射传输计算和传感器光谱响应计算两个环节，并对这两个过程的参数进行模版参数设计；
S2：将设计好的两个过程的模版参数输入MODTRAN模型进行模拟，分别得到大气辐射传输和传感器光谱响应样本集；
S3：建立正向模拟网络，并且通过大气辐射传输和传感器光谱响应样本集训练正向模拟网络；
S4：基于正向模拟网络对传感器入瞳辐亮度进行仿真计算。
2.根据权利要求1所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S1中模版参数设计包括不变参数设置和可变参数设置，不变参数包括模拟谱段、吸收谱线参数、气溶胶模型、大气模式、模型解算方式和气体吸收计算方式，可变参数包括太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率。
3.根据权利要求1所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S2中大气辐射传输数据集的获取过程为：
根据地表反射率的取值范围和间隔，对参数组合分为201层进行采样，每层随机生成480种参数组合，共计96480组数据组合，每组数据包含太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度、地表反射率和MODIS第1到第4波段，以1nm为间隔的大气层顶辐亮度。
4.根据权利要求3所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S2中传感器光谱响应样本集的获取过程为：
A1：在大气辐射传输数据集的基础上，计算每种参数的标准差，标准差公式：
Figure FDA0003767492430000011
其中，μ为每种参数在其取值范围内，不同取值出现次数的平均值，xi为第i个取值出现的次数，n为每种参数的取值可能数；
A2：随机选取大气辐射传输数据集中的1组数据，并经过MODTRAN模型模拟得到辐亮度模拟结果；
A3：在MODTRAN给出的太阳辐射范围，对MODIS第1到第4波段内的太阳辐亮度随机取值，生成1000000组均匀分布的辐亮度组合，并将其与补零后的光谱响应函数进行卷积，
Lk＝∫L(λ)Rk(λ)dλ
其中，Lk为传感器记录的辐射能量值，L(λ)为入瞳处波长为λ的辐射能量，Rk(λ)为MODIS某一波段在波长λ处的光谱响应率；
生成1000000组数据，每组数据分别由MODIS第1到第4波段入瞳辐亮度和以1nm为间隔的大气层顶辐亮度组成。
5.根据权利要求4所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S2中由于得到的两组数据集中不同参数具有不同的取值范围，为了便于神经网络模型的训练，对数据中的每个参数进行标准化处理至0-1之间，采用极差法进行标准化处理的公式如下：
Figure FDA0003767492430000021
其中，Xmax为特征取值的最大值，Xmin为特征取值的最小值。
6.根据权利要求1所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S3中正向模拟网络包括大气辐射传输计算网络和MODIS光谱响应计算网络，
所述大气辐射传输计算网络由1个输入层、4个隐藏层和1个输出层组成，损失函数为MSE，输入层神经元数量为7个，分别是太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率，输出层神经元数量为125个，分别是MODIS第1到第4波段内的1nm间隔的大气层顶辐亮度；
所述MODIS光谱响应计算网络包括数据处理、网络训练和网络预测三个部分，其中，数据处理过程包括：数据预处理、数据归一化；网络训练过程：以损失函数最小化为优化目标，优化求解过程；网络预测：基于训练好的RNN算法对传感器入瞳辐亮度时间序列进行预测。
7.根据权利要求6所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S3中正向模拟网络的训练方法为：
使用大气辐射传输样本数据集对大气辐射传输计算网络进行训练，在训练之前将96480个样本数据按照3：1：1的比例划分为训练集、测试集和验证集；
使用传感器光谱响应样本数据集对光谱响应计算网络进行训练，在训练之前要将1000000个样本数据按照3：1：1的比例分为训练集、测试集和验证集。
8.根据权利要求6所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S4具体为：
B1：将太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、气溶胶光学厚度和地表反射率输入大气辐射传输计算网络，得到MODIS第1到第4波段的大气层顶辐亮度。
B2：将上一步得到的大气层顶辐亮度输入到光谱响应计算网络，得到传感器入瞳辐亮度。
CN202210890748.8A 2022-07-27 2022-07-27 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法 Pending CN115438566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210890748.8A CN115438566A (zh) 2022-07-27 2022-07-27 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210890748.8A CN115438566A (zh) 2022-07-27 2022-07-27 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法

Publications (1)

Publication Number Publication Date
CN115438566A true CN115438566A (zh) 2022-12-06

Family

ID=84243558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210890748.8A Pending CN115438566A (zh) 2022-07-27 2022-07-27 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法

Country Status (1)

Country Link
CN (1) CN115438566A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384241A (zh) * 2023-03-31 2023-07-04 南通大学 一种基于深度神经网络构建快速辐射传输模型的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384241A (zh) * 2023-03-31 2023-07-04 南通大学 一种基于深度神经网络构建快速辐射传输模型的方法

Similar Documents

Publication Publication Date Title
Baret et al. The robustness of canopy gap fraction estimates from red and near-infrared reflectances: A comparison of approaches
CN112051222A (zh) 一种基于高分卫星影像的河湖水质监测方法
CN110174359B (zh) 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法
CN112070234B (zh) 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法
CN103712955B (zh) 一种基于神经网络二次优化的二类水体大气校正方法
CN111161362B (zh) 一种茶树生长状态光谱影像鉴别方法
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
CN116297288B (zh) 大气甲烷干空气混合比的快速遥感反演方法及系统
CN110503156B (zh) 一种基于最小相关系数的多变量校正特征波长选择方法
CN115438566A (zh) 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN106940219A (zh) 一种在轨运行的宽波段卫星遥感器的光谱响应获取方法
CN113902622A (zh) 基于深度先验联合注意力的光谱超分辨率方法
CN113256733B (zh) 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法
CN114782584A (zh) 基于深度学习算法的土壤有机碳密度制图方法、系统、计算机设备和存储介质
CN111400658B (zh) 超光谱热红外数据反演气体廓线的通道选择方法
CN116312860B (zh) 基于监督迁移学习的农产品可溶性固形物预测方法
CN111104876A (zh) 一种基于神经网络的红外光谱反卷积方法
CN115206455B (zh) 基于深度神经网络的稀土元素组分含量预测方法及系统
CN114755189B (zh) 一种特征优选的自注意力机制高光谱卫星lai反演方法
CN114034684B (zh) 一种基于一站式光谱模型的土壤属性快速测定方法
CN116108920A (zh) 基于遗传算法优化bp神经网络的mighti中高层大气温度校正方法
CN114062305B (zh) 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统
CN113108949B (zh) 一种基于模型融合的探空仪温度传感器误差预测方法

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