CN115712807A - 一种利用卫星遥感数据反演海洋三维温盐场的方法 - Google Patents
一种利用卫星遥感数据反演海洋三维温盐场的方法 Download PDFInfo
- Publication number
- CN115712807A CN115712807A CN202211496372.9A CN202211496372A CN115712807A CN 115712807 A CN115712807 A CN 115712807A CN 202211496372 A CN202211496372 A CN 202211496372A CN 115712807 A CN115712807 A CN 115712807A
- Authority
- CN
- China
- Prior art keywords
- matrix
- remote sensing
- satellite remote
- sensing data
- ocean
- 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
Links
Images
Classifications
-
- 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
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种利用卫星遥感数据反演海洋三维温盐场的方法,属于海洋观测领域;具体为首先,针对待处理的海洋区域,获取历史数据构建训练集;然后,构建基于U‑Net神经网络的深度学习网络模型;通过在不同卷积层建立跳跃连接,使不同卷积层中的所有信息都能在上采样过程中得到保留。接着,利用训练集对深度学习网络进行训练,得到智能反演模型。最后,输入待采集时刻的卫星遥感数据,利用智能反演模型得到对应的海洋三维温盐场;本发明由于加入了时间变量使得反演模型具备了学习时间规律特征的能力。在保证实际可行性前提下提高了反演精确度,卫星遥感数据的利用价值和利用效率,同时具备良好的通用性。
Description
技术领域
本发明属于海洋观测技术领域,具体涉及一种利用卫星遥感数据反演海洋三维温盐场的方法。
背景技术
卫星可以提供大范围的海洋遥感信息,但是其局限性在于卫星遥感只能观测海洋表面,为了获取更丰富的海面以下的海洋参数,需要利用卫星遥感反演技术,结合海洋表面的参数特征,如海表面温度(SST),海表面盐度(SSS)和海表面高度(SSH)等,对海面以下的参数信息进行反演计算,提高了遥感数据的利用价值和利用效率。
现有的卫星遥感智能反演算法中,常采用三类神经网络:全连接神经网络(ANN)、卷积神经网络(CNN)和长短期记忆网络(LSTM);其中,ANN能抓取足够充分的信息,但是其计算量相对较大;CNN能在减小计算量的同时抓取空间特征,但是其存在信息丢失的问题;LSTM能较好的抓取时间规律特征,但是其在空间特征抓取上有所欠缺。
目前,还没有能在保证可行性前提下弥补以上缺点的智能反演算法。
发明内容
针对上述问题,本发明提出了一种利用卫星遥感数据反演海洋三维温盐场的方法,能够有效弥补现有智能反演算法中的缺陷问题。
具体步骤如下:
步骤一:针对待处理的海洋区域,获取历史卫星遥感数据和海洋历史再分析数据,分别构建训练样本数据集和训练标签数据集;
卫星遥感数据包括SST、SSS和SSH,每种数据分别是一个二维矩阵;
将各卫星遥感数据根据各自的时刻打上相应的时间标签,构成时间二维矩阵;
然后,将3个卫星遥感数据的二维矩阵和时间二维矩阵合并成4层的三维矩阵,即构建出训练样本数据集S={S1,S2,...,Sn};
同时,提取历史再分析资料中对应时刻的温盐场,构建训练标签数据集L={L1,L2,...,Ln}。
步骤二:构建基于U-Net神经网络的深度学习网络模型;
所述深度学习网络模型包括:卷积层、跳跃连接、下采样和上采样。
其中,卷积层包括卷积操作、批标准化操作和激活函数,下采样为平均值池化操作,上采样为双线性插值;卷积核大小为3×3;
U-Net神经网络前半部分的作用是特征提取,后半部分的作用是上采样;通过在不同卷积层建立跳跃连接,使不同卷积层中的所有信息都能在上采样过程中得到保留,避免信息丢失。
步骤三:利用训练样本数据集和训练标签数据集对深度学习网络进行训练,得到智能反演模型。
具体步骤为:
首先,人为根据实际需要设定深度学习网络的超参数:学习率和训练次数等。
学习率采用自适应可变学习率,以适应不同应用需求;训练次数主要是依据网格大小直接设定。
然后,将训练样本数据集S={S1,S2,...,Sn},以4层图片的形式输入深度学习网络中;
其中,输入数据为4*512*512;通过2次卷积变为16*512*512的三维特征矩阵S1;该矩阵S1将流向两条不同的路径:
一条路径是下采样,通过池化操作水平网格数缩小2倍,变成16*256*256,并通过2次卷积变为32*256*256的矩阵特征S2;
矩阵特征S2继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成32*128*128,并通过2次卷积变为64*128*128的矩阵特征S3;
矩阵特征S3继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成64*64*64,并通过2次卷积变为128*64*64的矩阵特征S4;
矩阵特征S4继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成128*32*32的矩阵特征S5,并通过2次卷积输出;另一条为跳跃连接,矩阵特征S4与经上采样的特征矩阵S5合并,形成64*64*64的特征矩阵S6,并通过2次卷积输出;
矩阵特征S3另一条为跳跃连接,该矩阵与经上采样的特征矩阵S6合并,形成128*128*128的特征矩阵S7,并通过2次卷积输出;
矩阵特征S2另一条为跳跃连接,该矩阵与经上采样的特征矩阵S7合并,形成64*256*256的特征矩阵S8,并通过2次卷积输出;
矩阵特征S1另一条路径是跳跃连接,该矩阵将与上采样得到的特征矩阵S8合并,形成32*512*512的特征矩阵并通过2次卷积输出;
所述U-Net神经网络采用Adam梯度下降法作为优化器,MSEloss损失函数作为代价函数,激活函数采用ReLU;采用自适应学习率的方法逐步对U-Net神经网络中的参数进行训练,通过多次的迭代循环后得到最优的参数,将最优参数下的深度学习网络作为智能反演模型;
步骤四:输入新时刻下采集的卫星遥感数据,利用智能反演模型得到对应的海洋三维温盐场;
具体步骤为:
首先,将新时刻采集的卫星遥感数据SST、SSS、SSH根据时刻打上相应的时间标签,构成时间矩阵集;
然后,将卫星遥感数据和时间矩阵集堆叠,得到测试样本数据集T={T1,T2,...,Tn};
最后,将测试样本数据集T={T1,T2,...,Tn}直接输入到智能反演模型中,得到海面以下的温盐场。
本发明的有益效果为:
本发明一种利用卫星遥感数据反演海洋三维温盐场的方法,利用U-Net神经网络,设计了一种具有时空学习特性的智能反演方案。可以有效抓取空间特征规律并改善卷积神经网络的信息丢失问题,同时由于加入了时间变量使得反演模型具备了学习时间规律特征的能力。在保证实际可行性前提下提高了反演精确度,提高了卫星遥感数据的利用价值和利用效率,同时具备良好的通用性。
附图说明
图1是本发明利用卫星遥感数据反演海洋三维温盐场的智能算法的步骤流程图;
图2是本发明将训练样本数据集以4层图片的形式输入深度学习网络中示意图;
图3是本发明实施例中反演模型架构示意图;
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明一种利用卫星遥感数据反演海洋三维温盐场的方法,如图1所示,包括如下步骤:
步骤一:针对待处理的海洋区域,获取历史卫星遥感数据和海洋历史再分析数据,分别构建训练样本数据集和训练标签数据集;
卫星遥感数据包括SST、SSS和SSH,每种数据分别是一个二维矩阵;
将各卫星遥感数据根据各自的时刻打上相应的时间标签,构成时间二维矩阵;构建时间矩阵集是为了给神经网络增加时间这一参量,进而使反演模型具备学习时间规律特征的能力。
然后,将3个卫星遥感数据的二维矩阵和时间二维矩阵堆叠,合并成4层的三维矩阵,即构建出训练样本数据集S={S1,S2,...,Sn};
同时,提取历史再分析资料中对应时刻的温盐场,构建训练标签数据集L={L1,L2,...,Ln}。
步骤二:构建基于U-Net神经网络的深度学习网络模型;
所述深度学习网络模型采用U-Net神经网络模型架构,包括:卷积层、跳跃连接、下采样和上采样。
其中,卷积层包括卷积操作、批标准化操作和激活函数,下采样为平均值池化操作,上采样为双线性插值;卷积核大小为3×3;
特征提取能力是决定反演效果的最重要因素;在现有的智能反演方法中最能有效提取海表面参数特征的是卷积神经网络。卷积神经网络在卷积过程中,卷积层中的神经元只与上一层的部分神经元相连接,这就实现了局部感知。局部感知可强化近距离网格点之间的特征关系而弱化远距离网格点之间的特征关系。通过卷积核的滑动和不断的卷积可实现全局的特征提取。池化层的作用是当局部网格点参数发生变化时依然能通过平均值识别出特征,这样就提高了的卷积神经网络的普适性。然而卷积神经网络在卷积过程中尤其是池化过程中必然存在着信息丢失问题,这些丢失的细节信息会降低智能反演的精确度。因此在卷积神经网络基础之上,本发明提出了基于U-Net神经网络的智能反演方法来解决传统卷积神经网络中存在的信息丢失问题。
U-Net神经网络是一种Encoder-Decoder的卷积神经网络,前半部分的作用是特征提取,后半部分的作用是上采样;利用U-Net神经网络解决信息丢失问题的方案就是在不同卷积层建立跳跃连接,使不同卷积层中的所有信息都能在上采样过程中得到保留。这样既保证了特征提取能力又防止了细节信息的丢失。
步骤三:利用训练样本数据集S={S1,S2,...,Sn}和训练标签数据集L={L1,L2,...,Ln}对深度学习网络进行训练,得到智能反演模型。
具体步骤为:
首先,人为根据实际需要设定深度学习网络的超参数:学习率和训练次数等。
学习率采用自适应可变学习率,以适应不同应用需求;训练次数主要是依据网格大小直接设定。
传统反演算法只利用了SST、SSS和SSH,事实上,海洋温盐场还有随时间变化的规律特征。本发明改进了反演方法,利用添加时间要素的方式使得模型具备预测时间序列变化规律的能力;
将训练样本数据集S={S1,S2,...,Sn},以4层图片的形式输入深度学习网络中;如图2所示。
如图3所示,其中,输入数据为4*512*512;通过2次卷积变为16*512*512的三维特征矩阵S1;该矩阵S1将流向两条不同的路径:
一条路径是下采样,通过池化操作水平网格数缩小2倍,变成16*256*256,并通过2次卷积变为32*256*256的矩阵特征S2;
矩阵特征S2继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成32*128*128,并通过2次卷积变为64*128*128的矩阵特征S3;
矩阵特征S3继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成64*64*64,并通过2次卷积变为128*64*64的矩阵特征S4;
矩阵特征S4继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成128*32*32的矩阵特征S5,并通过2次卷积输出;另一条为跳跃连接,矩阵特征S4与经上采样的特征矩阵S5合并,形成64*64*64的特征矩阵S6,并通过2次卷积输出;
矩阵特征S3另一条为跳跃连接,该矩阵与经上采样的特征矩阵S6合并,形成128*128*128的特征矩阵S7,并通过2次卷积输出;
矩阵特征S2另一条为跳跃连接,该矩阵与经上采样的特征矩阵S7合并,形成64*256*256的特征矩阵S8,并通过2次卷积输出;
矩阵特征S1另一条路径是跳跃连接,该矩阵将与上采样得到的特征矩阵S8合并,形成32*512*512的特征矩阵并通过2次卷积输出;
跳跃连接既包含了全局的特征信息又保留了原始矩阵信息,故而解决了传统卷积神经网络中存在的信息丢失问题。重复以上过程,通过加深卷积层数可进一步提升反演效果,
所述U-Net神经网络采用Adam梯度下降法作为优化器,MSEloss损失函数作为代价函数,激活函数采用ReLU;采用自适应学习率的方法逐步对U-Net神经网络中的参数进行训练,通过多次的迭代循环后得到最优的参数,将最优参数下的深度学习网络作为智能反演模型;
步骤四:输入新时刻下采集的卫星遥感数据,利用智能反演模型得到对应的海洋三维温盐场;
具体步骤为:
首先,将新时刻采集的卫星遥感数据SST、SSS、SSH根据时刻打上相应的时间标签,构成时间矩阵集;
然后,将新采集时刻的SST、SSS、SSH数据和时间矩阵集堆叠,得到测试样本数据集T={T1,T2,...,Tn};
最后,将测试样本数据集T={T1,T2,...,Tn}直接输入到智能反演模型中,得到海面以下的温盐场。
下面结合一个实际的实例对本发明进行具体说明:
以2016年中国南海温盐场的遥感反演为例,利用卫星遥感数据反演海洋三维温盐场,卫星遥感数据和海洋历史再分析数据来自于CMEMS;首先,获取待处理区域1993年到2015年的月均卫星遥感数据,包括SST、SSS和SSH;根据其时刻打上相应的时间标签,构成时间矩阵集。将SST、SSS、SSH和时间矩阵集堆叠,构建训练样本数据集S={S1,S2,...,Sn};将对应时刻的历史再分析资料中的温盐场提取出来,构建训练标签数据集L={L1,L2,...,Ln}。接着构建基于U-Net神经网络的深度学习网络模型;包括:卷积层、跳跃连接、下采样和上采样。
利用训练样本数据集S={S1,S2,...,Sn}和训练标签数据集L={L1,L2,...,Ln}对深度学习网络模型进行训练,得到智能反演模型;最后,输入待采集时刻的卫星遥感数据,利用智能反演模型得到海洋三维温盐场。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (5)
1.一种利用卫星遥感数据反演海洋三维温盐场的方法,其特征在于,具体包括以下步骤:
首先,针对待处理的海洋区域,获取历史卫星遥感数据和海洋历史再分析数据,分别构建训练样本数据集和训练标签数据集;
然后,构建基于U-Net神经网络的,包括卷积层、跳跃连接、下采样和上采样的深度学习网络模型;通过在不同卷积层建立跳跃连接,使不同卷积层中的所有信息都能在上采样过程中得到保留;
接着,利用训练样本数据集和训练标签数据集对深度学习网络进行训练,得到智能反演模型;
最后,输入新时刻下采集的卫星遥感数据,利用智能反演模型得到对应的海洋三维温盐场。
2.如权利要求1所述的一种利用卫星遥感数据反演海洋三维温盐场的方法,其特征在于,所述卫星遥感数据包括SST、SSS和SSH,每种数据分别是一个二维矩阵;
将各卫星遥感数据根据各自的时刻打上相应的时间标签,构成时间二维矩阵;
然后,将3个卫星遥感数据的二维矩阵和时间二维矩阵合并成4层的三维矩阵,即构建出训练样本数据集S={S1,S2,...,Sn};
同时,提取历史再分析资料中对应时刻的温盐场,构建训练标签数据集L={L1,L2,...,Ln}。
3.如权利要求1所述的一种利用卫星遥感数据反演海洋三维温盐场的方法,其特征在于,所述卷积层包括卷积操作、批标准化操作和激活函数,下采样为平均值池化操作,上采样为双线性插值;卷积核大小为3×3。
4.如权利要求1所述的一种利用卫星遥感数据反演海洋三维温盐场的方法,其特征在于,所述对深度学习网络进行训练,得到智能反演模型的具体步骤为:
首先,人为根据实际需要设定深度学习网络的超参数:学习率和训练次数;
然后,将训练样本数据集S={S1,S2,...,Sn},以4层图片的形式输入深度学习网络中;
其中,输入数据为4*512*512;通过2次卷积变为16*512*512的三维特征矩阵S1;该矩阵S1将流向两条不同的路径:
一条路径是下采样,通过池化操作水平网格数缩小2倍,变成16*256*256,并通过2次卷积变为32*256*256的矩阵特征S2;
矩阵特征S2继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成32*128*128,并通过2次卷积变为64*128*128的矩阵特征S3;
矩阵特征S3继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成64*64*64,并通过2次卷积变为128*64*64的矩阵特征S4;
矩阵特征S4继续流向两条不同的路径:一条为下采样,通过池化操作水平网格数缩小2倍,变成128*32*32的矩阵特征S5,并通过2次卷积输出;另一条为跳跃连接,矩阵特征S4与经上采样的特征矩阵S5合并,形成64*64*64的特征矩阵S6,并通过2次卷积输出;
矩阵特征S3另一条为跳跃连接,该矩阵与经上采样的特征矩阵S6合并,形成128*128*128的特征矩阵S7,并通过2次卷积输出;
矩阵特征S2另一条为跳跃连接,该矩阵与经上采样的特征矩阵S7合并,形成64*256*256的特征矩阵S8,并通过2次卷积输出;
矩阵特征S1另一条路径是跳跃连接,该矩阵将与上采样得到的特征矩阵S8合并,形成32*512*512的特征矩阵并通过2次卷积输出;
然后,采用Adam梯度下降法作为优化器,MSEloss损失函数作为代价函数,激活函数采用ReLU;采用自适应学习率的方法逐步对U-Net神经网络中的参数进行训练,通过多次的迭代循环后得到最优的参数,将最优参数下的深度学习网络作为智能反演模型。
5.如权利要求1所述的一种利用卫星遥感数据反演海洋三维温盐场的方法,其特征在于,所述对新时刻下采集的卫星遥感数据,利用智能反演模型得到对应的海洋三维温盐场;具体为:
首先,将新时刻采集的卫星遥感数据SST、SSS、SSH根据时刻打上相应的时间标签,构成时间矩阵集;
然后,将卫星遥感数据和时间矩阵集堆叠,得到测试样本数据集T={T1,T2,...,Tn};
最后,将测试样本数据集T={T1,T2,...,Tn}直接输入到智能反演模型中,得到海面以下的温盐场。
测试样本数据集T={T1,T2,...,Tn}输入到智能反演模型中得到海面以下的温盐场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496372.9A CN115712807A (zh) | 2022-11-24 | 2022-11-24 | 一种利用卫星遥感数据反演海洋三维温盐场的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496372.9A CN115712807A (zh) | 2022-11-24 | 2022-11-24 | 一种利用卫星遥感数据反演海洋三维温盐场的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115712807A true CN115712807A (zh) | 2023-02-24 |
Family
ID=85234959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211496372.9A Pending CN115712807A (zh) | 2022-11-24 | 2022-11-24 | 一种利用卫星遥感数据反演海洋三维温盐场的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712807A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116804740A (zh) * | 2023-06-13 | 2023-09-26 | 哈尔滨工程大学 | 基于Inverted U-Net的被动雷达信号智能检测方法 |
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 |
-
2022
- 2022-11-24 CN CN202211496372.9A patent/CN115712807A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116804740A (zh) * | 2023-06-13 | 2023-09-26 | 哈尔滨工程大学 | 基于Inverted U-Net的被动雷达信号智能检测方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833183B (zh) | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 | |
WO2020056791A1 (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
Jiang et al. | Edge-enhanced GAN for remote sensing image superresolution | |
CN105701508B (zh) | 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法 | |
CN107369166B (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
CN107123089A (zh) | 基于深度卷积网络的遥感图像超分辨重建方法及系统 | |
CN113033570A (zh) | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 | |
CN110070489A (zh) | 一种基于视差注意力机制的双目图像超分辨方法 | |
CN109949224B (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
CN110246084A (zh) | 一种超分辨率图像重构方法及其系统、装置、存储介质 | |
CN111553949A (zh) | 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法 | |
CN112560865B (zh) | 一种室外大场景下点云的语义分割方法 | |
CN111861884A (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
CN115712807A (zh) | 一种利用卫星遥感数据反演海洋三维温盐场的方法 | |
CN113421187B (zh) | 一种超分辨率重建方法、系统、存储介质、设备 | |
CN112541459A (zh) | 基于多尺度感知注意力网络的人群计数方法及系统 | |
CN112419150A (zh) | 一种基于双边上采样网络的任意倍数图像超分辨率重建方法 | |
CN115936992A (zh) | 一种轻量级Transformer的垃圾图像超分辨方法及系统 | |
CN113705331A (zh) | 一种基于四元特征金字塔网络的sar船只检测方法 | |
CN116563682A (zh) | 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法 | |
CN112712526A (zh) | 基于非对称卷积神经网络双通道的视网膜血管分割方法 | |
CN111047569B (zh) | 图像处理方法及装置 | |
CN117078516B (zh) | 基于残差混合注意力的矿井图像超分辨率重建方法 | |
CN115511705A (zh) | 一种基于可变形残差卷积神经网络的图像超分辨率重建方法 | |
CN111681168B (zh) | 一种基于并行残差网络的低分辨率细胞超分辨率重建方法 |
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 |