CN116883594A - 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 - Google Patents
融合卫星与浮标观测的海洋三维温度遥感超分重建方法 Download PDFInfo
- Publication number
- CN116883594A CN116883594A CN202310862233.1A CN202310862233A CN116883594A CN 116883594 A CN116883594 A CN 116883594A CN 202310862233 A CN202310862233 A CN 202310862233A CN 116883594 A CN116883594 A CN 116883594A
- Authority
- CN
- China
- Prior art keywords
- data
- remote sensing
- resolution
- model
- observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004451 qualitative analysis Methods 0.000 abstract description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种融合卫星与浮标观测的海洋三维温度遥感超分重建方法,包括:获取海洋多源卫星遥感观测数据与海洋内部温度数据并预处理;根据Argo实测格网数据的坐标,将海洋内部温度量数据与海表遥感及时空参量对应,标记、合并为相应矩阵后划分训练、验证和测试数据集;基于CNN‑LSTM网络模型构建基于多源卫星遥感观测和海洋内部Argo浮标实测数据的智能遥感时序超分重建模型,输入1º分辨率的训练数据集训练模型;将0.25º×0.25º空间分辨率的海表遥感数据组为长时序特征矩阵并输入模型,重建考虑时空特征的长时序高空间分辨率全球海洋三维温度数据;对重建精度进行定量和定性分析。该方法可以实现卫星观测从海表到海洋内部的扩展,提高海洋三维温度观测的空间分辨率。
Description
技术领域
本发明涉及遥感信息处理与应用领域,具体涉及一种融合卫星与浮标观测的海洋三维温度遥感超分重建方法。
背景技术
海洋内部动态过程复杂,Argo浮标观测数据的时间序列太短,无法支持长期的海洋现象分析。因此,对全球海洋三维温度数据集进行长时序重建势在必行。20世纪70年代以来,卫星遥感技术提供了高时空分辨率、长时间序列的海洋观测,促进了大气和海洋科学的发展。但是,由于海洋的物理性质,卫星遥感的电磁波不能直接穿透海洋,因此无法直接获得海洋内部观测。
发明内容
本发明的目的在于提供一种融合卫星与浮标观测的海洋三维温度遥感超分重建方法,该方法可以实现卫星观测从海表到海洋内部的扩展,提高海洋三维温度观测的空间分辨率。
为了实现上述目的,本发明采用的技术方案是:一种融合卫星与浮标观测的海洋三维温度遥感超分重建方法,包括以下步骤:
步骤S1:获取全球海洋多源卫星遥感观测数据与海洋内部温度数据并进行预处理;
步骤S2:根据Argo实测格网数据的经纬度坐标,将每个格网点上的海洋内部温度量数据ST与海表遥感及时空参量一一对应,分别标记为遥感参量特征矩阵X、实测温度ST标签矩阵Y,合并为矩阵A后划分为训练数据集、验证数据集和测试数据集;
步骤S3:基于CNN-LSTM网络模型构建基于多源卫星遥感观测和海洋内部Argo浮标实测数据的智能遥感时序超分重建模型,并输入1°分辨率的训练数据集进行模型训练,基于验证数据集调节模型的网络结构和超参数,从而得到最优的智能遥感时序超分重建模型,然后将测试数据集作为输入数据,用均方根误差衡量最终模型的泛化能力;
步骤S4:将设定年限内高空间分辨率0.25°×0.25°的海表遥感数据组为长时序特征矩阵X',输入到训练好的智能遥感时序超分重建模型中,重建考虑时空特征的长时序高空间分辨率全球海洋三维温度数据;
步骤S5:选择R2和NRMSE为评价指标,利用评价指标和空间分布格局对重建精度进行定量和定性分析。
进一步地,所述步骤S1具体包括以下步骤:
步骤S11:获取全球海洋多源卫星遥感观测数据与海洋内部温度数据,全球海洋多源卫星遥感观测数据包括海表高度SSH、海表温度SST和海表风场SSW,其中海表风场需分解成水平分量USSW和垂直分量VSSW,海洋内部温度数据包括Argo实测格网数据和EN4廓线数据;
步骤S12:对获取的数据进行包括质量控制、去除异常值和陆地空值的预处理;基于矢量数据栅格化的思想将EN4廓线数据处理为0.25°空间分辨率的稀疏格网化数据产品;将获取的所有数据的时间分辨率统一处理为月,将所有海表遥感观测数据的空间分辨率0.25°×0.25°利用最优插值法统一为Argo格网观测的空间分辨率1°×1°,并保留0.25°的海表参量用于时序超分重建;基于Argo观测数据的空间覆盖范围对1°海表卫星观测数据进行掩膜,使1°数据的空间覆盖统一;基于WOA提供的0.25°掩膜数据对0.25°海表参量和海洋内部温度数据进行空间覆盖统一。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:根据Argo实测格网数据的经纬度坐标,将海洋内部温度量数据ST与输入模型的海表遥感及时空参量在1°×1°的格网上一一对应,分别标记为特征矩阵X、标签矩阵Y;
步骤S22:按照CNN-LSTM网络模型的数据接受形式将X和Y进行纵向合并得到二维矩阵A,基于时间序列将矩阵A划分为训练数据集、验证数据集和测试数据集。
进一步地,所述步骤S3具体包括以下步骤:
步骤S31:基于CNN-LSTM网络模型构建基于多源卫星遥感观测和海洋内部Argo浮标实测数据的智能遥感时序超分重建模型;模型训练时输入1°分辨率的海表遥感参量和海洋内部温度数据,模型利用Cov1D模块进行空间特征的提取,在训练和测试中,端到端映射以低分辨率图像为训练输入,重建时输出高分辨率图像,即训练时模型接受的单个特征通道大小为x*1,训练后的模型可输入同样降维处理的0.25°分辨率的海表遥感参量,但单个特征通道大小变为16x*1;
步骤S32:在智能遥感时序超分重建模型中,利用CNN模块从卫星海表数据中提取与格网中心点温度相关的空间特征,利用LSTM模块学习每个网格点温度的时间相关性,通过验证数据集和格网搜索方法调节隐藏层层数、池化层类型、激活函数类型、丢弃率和学习率以获得最优的网络结构和超参数,得到最优的智能遥感时序超分重建模型;
步骤S33:在模型的网络结构和超参数调整后,将测试数据集输入最终得到的模型中,利用精度评价因子均方根误差RMSE衡量最终模型的泛化能力。
进一步地,所述步骤S4具体包括以下步骤:
步骤S41:获取1993至2020年的高空间分辨率0.25°×0.25°的海表遥感观测和时空位置共7个参量的数据,标记为长时序特征矩阵X';
步骤S42:将长时序特征矩阵X'输入步骤S3训练好的模型,利用模型在训练数据集中学习到的时空依赖关系,由X'直接预测得到长时序高分辨率全球海洋次表层温度矩阵Y',实现高时空分辨率卫星遥感观测向海洋内部映射,重建考虑时空特征的长时序高空间分辨率全球海洋三维温度数据,并命名为DORS-0.25°。
进一步地,所述步骤S5具体包括以下步骤:
步骤S51:选择R2和NRMSE为评价指标,其表达式如下:
其中,yi为实测温度值,为模型估算的温度值,/>为实测温度的平均值,ymax和ymin为实测数据集中最大最小值,n为样本总数;
步骤S52:利用评价指标和空间分布格局对DORS-0.25°的重建精度进行定量和定性分析,并基于DORS-0.25°数据集追踪近三十年来全球海洋上层2000m温度变化趋势。
与现有技术相比,本发明具有以下有益效果:本发明利用现有的丰富的海表卫星遥感观测和海洋内部实测数据,结合深海遥感技术,基于顾及时序依赖性和空间特征的卷积长短期记忆神经网络CNN-LSTM方法,重构长时序高空间分辨率全球海洋三维温度数据集,实现了卫星观测从海表到海洋内部的扩展,填补pre-Argo时期海洋内部观测数据的空白,将全球海洋三维温度观测的空间分辨率提高至0.25°。
附图说明
图1为本发明实施例的方法实现流程示意图;
图2为本发明实施例的智能遥感时序超分重建模型的网络结构图;
图3为本发明实施例的DORS-0.25°与EN4稀疏格网化数据的精度评价图;
图4为本发明实施例的结果展示图,依次为2016年1月100m、500m深度层,Argo ST(左图)和DORS-0.25°ST(右图);
图5为本发明实施例的全球海洋上层2000m温度时序演变趋势展示图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种融合卫星与浮标观测的海洋三维温度遥感超分重建方法,包括以下步骤:
步骤S1:获取全球海洋多源卫星遥感观测数据与海洋内部温度数据并进行预处理。
在本实施例中,所述步骤S1具体包括以下步骤:
步骤S11:获取全球海洋多源卫星遥感观测数据与海洋内部温度数据,全球海洋多源卫星遥感观测数据包括海表高度SSH、海表温度SST和海表风场SSW,其中海表风场需分解成水平分量USSW和垂直分量VSSW,上述数据的空间分辨率均为0.25°×0.25°;时空位置参量包括经度LON(Longitude)、纬度LAT(Latitude)、时间DOY(Day ofyear)(当前时相处于一年之中的天数);海洋内部温度数据包括由实测浮标插值得到的Argo实测格网数据和来源于世界海洋数据库WOD的EN4廓线数据。
步骤S12:对获取的数据进行预处理:首先对多源海表遥感和海洋内部格网观测数据集进行质量控制、去除异常值和陆地空值处理;其次是基于矢量数据栅格化的思想将EN4廓线数据处理为0.25°空间分辨率的稀疏格网化数据产品;然后是将上述数据的时间分辨率统一处理为月,将所有海表遥感观测数据的空间分辨率(0.25°×0.25°)利用最优插值法统一为Argo格网观测的空间分辨率(1°×1°),并保留0.25°的海表参量用于时序超分重建;最后基于Argo观测数据的空间覆盖范围对1°海表卫星观测数据和海洋内部温度数据集进行掩膜,使1°数据的空间覆盖统一,基于WOA提供的0.25°掩膜数据对0.25°海表参量和海洋内部温度数据进行空间覆盖统一。
步骤S2:根据Argo实测格网数据的经纬度坐标,将每个格网点上的海洋内部温度量数据ST与海表遥感及时空参量一一对应,分别标记为特征矩阵X、标签矩阵Y,合并为矩阵A后划分为训练数据集、验证数据集和测试数据集。
在本实施例中,所述步骤S2具体包括以下步骤:
步骤S21:将上述海表遥感参量和海洋内部温度数据降维至一维,并根据Argo实测格网数据的经纬度坐标,将1°×1°的海洋内部温度量数据ST与输入模型的海表遥感及时空参量在1°×1°的每个格网上一一对应,分别标记为一维的遥感参量特征矩阵X和实测温度ST标签矩阵Y。
步骤S22:按照CNN-LSTM网络模型的数据接受形式将X和Y进行纵向合并得到二维矩阵A,特征通道数量为7,基于时间序列将矩阵A划分为训练数据集、验证数据集和测试数据集。
步骤S3:基于CNN-LSTM网络模型构建基于多源卫星遥感观测和海洋内部Argo浮标实测数据的智能遥感时序超分重建模型,并输入1°分辨率的训练数据集进行模型训练,基于验证数据集调节模型的网络结构和超参数,从而得到最优的智能遥感时序超分重建模型,然后将测试数据集作为输入数据,用均方根误差衡量最终模型的泛化能力。本实施例中构建的智能遥感时序超分重建模型如图2所示。
在本实施例中,所述步骤S具体包括以下步骤:
步骤S31:在模型训练时输入一一对应的1°分辨率的海表遥感参量和海洋内部温度数据,CNN-LSTM模型利用Cov1D模块进行空间特征的提取,与Cov2D相比虽降低了局部特征提取的能力但规避了空间二维数据分辨率不一致导致的输入与输出无法对应的问题。训练和测试中,端到端映射以低分辨率图像为训练输入,重建时输出高分辨率图像,即训练时模型接受的单个特征通道大小为x*1,训练后的模型可输入同样降维处理的0.25°分辨率的海表遥感参量,区别在于单个特征通道大小变为16x*1。
步骤S32:在智能遥感时序超分重建模型中,利用CNN模块从卫星海表数据中提取与格网中心点温度相关的空间特征,利用LSTM模块学习每个网格点温度的时间相关性,通过验证数据集和格网搜索方法调节隐藏层层数、池化层类型、激活函数类型、丢弃率和学习率以获得最优的网络结构和超参数,得到最优的智能遥感时序超分重建模型。
步骤S33:在模型网络结构和超参数调整后,将测试数据集输入最终得到的模型中,利用精度评价因子均方根误差RMSE衡量最终模型的泛化能力。
步骤S4:将设定年限内高空间分辨率(0.25°×0.25°)的海表遥感数据组为长时序特征矩阵X',输入到训练好的智能遥感时序超分重建模型中,重建考虑时空特征的长时序高空间分辨率全球海洋三维温度数据。
在本实施例中,所述步骤S4具体包括以下步骤:
步骤S41:获取1993至2020年的高空间分辨率(0.25°×0.25°)的海表遥感观测和时空位置共7个参量的数据,标记为长时序特征矩阵X'。
步骤S42:将长时序特征矩阵X'输入步骤S3训练好的模型,利用模型在训练数据集中学习到的时空依赖关系,由X'直接预测得到长时序高分辨率全球海洋次表层温度矩阵Y',实现高时空分辨率卫星遥感观测向海洋内部映射,重建考虑时空特征的长时序高空间分辨率全球海洋三维温度数据,并命名为DORS-0.25°。
步骤S5:选择R2和NRMSE为评价指标,利用评价指标和空间分布格局对重建精度进行定量和定性分析。
在本实施例中,所述步骤S5具体包括以下步骤:
步骤S51:选择R2和NRMSE为评价指标,其表达式如下:
其中,yi为实测温度值,为模型估算的温度值,/>为实测温度的平均值,ymax和ymin为实测数据集中最大最小值,n为样本总数。
步骤S52:利用评价指标和空间分布格局对DORS-0.25°的重建精度进行定量和定性分析。定量分析是将DORS-0.25°与实测稀疏格网化EN4数据集进行不同深度层位的精度对比(如图3所示),定性分析是分析对比DORS-0.25°与实测格网化Argo数据集在100和500m深度层位的空间分布(如图4所示),结果表明DORS-0.25°各个层位重建结果均保持较高水平。经过上述精度对比后,基于遥感卫星视角超分重建的DORS-0.25°数据集追踪近三十年来全球海洋上层2000m温度变化趋势,开展海洋内部暖化过程分析(如图5所示)。
本发明提供了一种融合卫星与浮标观测的海洋三维温度遥感超分重建方法,该方法通过重建长时序高空间分辨率全球海洋三维温度数据集(DORS-0.25°),实现了卫星观测从海表到海洋内部的扩展,填补了pre-Argo时期海洋内部观测数据的空白,将全球海洋三维温度观测的空间分辨率提高至0.25°,DORS-0.25°可支持全球海洋温度异常和海洋热含量变化分析以及其他海洋气候变化研究,为海洋内部动力过程、全球变暖和可持续发展目标(SDGs)提供有价值和有前景的数据支持。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种融合卫星与浮标观测的海洋三维温度遥感超分重建方法,其特征在于,包括以下步骤:
步骤S1:获取全球海洋多源卫星遥感观测数据与海洋内部温度数据并进行预处理;
步骤S2:根据Argo实测格网数据的经纬度坐标,将每个格网点上的海洋内部温度量数据ST与海表遥感及时空参量一一对应,分别标记为遥感参量特征矩阵X、实测温度ST标签矩阵Y,合并为矩阵A后划分为训练数据集、验证数据集和测试数据集;
步骤S3:基于CNN-LSTM网络模型构建基于多源卫星遥感观测和海洋内部Argo浮标实测数据的智能遥感时序超分重建模型,并输入1°分辨率的训练数据集进行模型训练,基于验证数据集调节模型的网络结构和超参数,从而得到最优的智能遥感时序超分重建模型,然后将测试数据集作为输入数据,用均方根误差衡量最终模型的泛化能力;
步骤S4:将设定年限内高空间分辨率0.25°×0.25°的海表遥感数据组为长时序特征矩阵X',输入到训练好的智能遥感时序超分重建模型中,重建考虑时空特征的长时序高空间分辨率全球海洋三维温度数据;
步骤S5:选择R2和NRMSE为评价指标,利用评价指标和空间分布格局对重建精度进行定量和定性分析。
2.根据权利要求1所述的融合卫星与浮标观测的海洋三维温度遥感超分重建方法,其特征在于,所述步骤S1具体包括以下步骤:
步骤S11:获取全球海洋多源卫星遥感观测数据与海洋内部温度数据,全球海洋多源卫星遥感观测数据包括海表高度SSH、海表温度SST和海表风场SSW,其中海表风场需分解成水平分量USSW和垂直分量VSSW,海洋内部温度数据包括Argo实测格网数据和EN4廓线数据;
步骤S12:对获取的数据进行包括质量控制、去除异常值和陆地空值的预处理;基于矢量数据栅格化的思想将EN4廓线数据处理为0.25°空间分辨率的稀疏格网化数据产品;将获取的所有数据的时间分辨率统一处理为月,将所有海表遥感观测数据的空间分辨率0.25°×0.25°利用最优插值法统一为Argo格网观测的空间分辨率1°×1°,并保留0.25°的海表参量用于时序超分重建;基于Argo观测数据的空间覆盖范围对1°海表卫星观测数据进行掩膜,使1°数据的空间覆盖统一;基于WOA提供的0.25°掩膜数据对0.25°海表参量和海洋内部温度数据进行空间覆盖统一。
3.根据权利要求1所述的融合卫星与浮标观测的海洋三维温度遥感超分重建方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S21:根据Argo实测格网数据的经纬度坐标,将海洋内部温度量数据ST与输入模型的海表遥感及时空参量在1°×1°的格网上一一对应,分别标记为特征矩阵X、标签矩阵Y;
步骤S22:按照CNN-LSTM网络模型的数据接受形式将X和Y进行纵向合并得到二维矩阵A,基于时间序列将矩阵A划分为训练数据集、验证数据集和测试数据集。
4.根据权利要求1所述的融合卫星与浮标观测的海洋三维温度遥感超分重建方法,其特征在于,所述步骤S3具体包括以下步骤:
步骤S31:基于CNN-LSTM网络模型构建基于多源卫星遥感观测和海洋内部Argo浮标实测数据的智能遥感时序超分重建模型;模型训练时输入1°分辨率的海表遥感参量和海洋内部温度数据,模型利用Cov1D模块进行空间特征的提取,在训练和测试中,端到端映射以低分辨率图像为训练输入,重建时输出高分辨率图像,即训练时模型接受的单个特征通道大小为x*1,训练后的模型可输入同样降维处理的0.25°分辨率的海表遥感参量,但单个特征通道大小变为16x*1;
步骤S32:在智能遥感时序超分重建模型中,利用CNN模块从卫星海表数据中提取与格网中心点温度相关的空间特征,利用LSTM模块学习每个网格点温度的时间相关性,通过验证数据集和格网搜索方法调节隐藏层层数、池化层类型、激活函数类型、丢弃率和学习率以获得最优的网络结构和超参数,得到最优的智能遥感时序超分重建模型;
步骤S33:在模型的网络结构和超参数调整后,将测试数据集输入最终得到的模型中,利用精度评价因子均方根误差RMSE衡量最终模型的泛化能力。
5.根据权利要求1所述的融合卫星与浮标观测的海洋三维温度遥感超分重建方法,其特征在于,所述步骤S4具体包括以下步骤:
步骤S41:获取1993至2020年的高空间分辨率0.25°×0.25°的海表遥感观测和时空位置共7个参量的数据,标记为长时序特征矩阵X';
步骤S42:将长时序特征矩阵X'输入步骤S3训练好的模型,利用模型在训练数据集中学习到的时空依赖关系,由X'直接预测得到长时序高分辨率全球海洋次表层温度矩阵Y',实现高时空分辨率卫星遥感观测向海洋内部映射,重建考虑时空特征的长时序高空间分辨率全球海洋三维温度数据,并命名为DORS-0.25°。
6.根据权利要求5所述的融合卫星与浮标观测的海洋三维温度遥感超分重建方法,其特征在于,所述步骤S5具体包括以下步骤:
步骤S51:选择R2和NRMSE为评价指标,其表达式如下:
其中,yi为实测温度值,为模型估算的温度值,/>为实测温度的平均值,ymax和ymin为实测数据集中最大最小值,n为样本总数;
步骤S52:利用评价指标和空间分布格局对DORS-0.25°的重建精度进行定量和定性分析,并基于DORS-0.25°数据集追踪近三十年来全球海洋上层2000m温度变化趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862233.1A CN116883594A (zh) | 2023-07-14 | 2023-07-14 | 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862233.1A CN116883594A (zh) | 2023-07-14 | 2023-07-14 | 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883594A true CN116883594A (zh) | 2023-10-13 |
Family
ID=88263929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862233.1A Pending CN116883594A (zh) | 2023-07-14 | 2023-07-14 | 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633712A (zh) * | 2024-01-24 | 2024-03-01 | 国家卫星海洋应用中心 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
-
2023
- 2023-07-14 CN CN202310862233.1A patent/CN116883594A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633712A (zh) * | 2024-01-24 | 2024-03-01 | 国家卫星海洋应用中心 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836610A (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
CN113063737B (zh) | 结合遥感与浮标数据的海洋热含量遥感反演方法 | |
CN110874630B (zh) | 一种基于深度学习的数值模式产品降尺度精细化方法 | |
CN110781169B (zh) | 自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统 | |
CN113139327B (zh) | 一种基于gru网络模型的电离层tec单点预测方法及系统 | |
CN111859054B (zh) | 气象卫星数据的处理方法及装置 | |
Chen et al. | ARU-net: Reduction of atmospheric phase screen in SAR interferometry using attention-based deep residual U-net | |
CN116883594A (zh) | 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 | |
Singh et al. | Deep learning for improved global precipitation in numerical weather prediction systems | |
CN116050163B (zh) | 一种基于气象站的生态系统碳水通量计算方法及系统 | |
CN112329265A (zh) | 卫星遥感降水精细化空间估算方法及系统 | |
CN116341841B (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
CN113935249A (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
González‐Abad et al. | Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches | |
CN117251989A (zh) | 一种气象站点的碳水通量信息确定方法、系统及电子设备 | |
CN115327662A (zh) | 一种基于统计学习的区域电离层tec预测方法 | |
CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
CN114067205A (zh) | 一种轻量型的任意尺度双时相影像变化检测方法 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN116108761B (zh) | 一种耦合深度学习和hasm的区域气候模拟方法和系统 | |
Tian et al. | Estimation model of global ionospheric irregularities: an artificial intelligence approach | |
CN113762383B (zh) | 一种基于多源数据的植被指数融合方法 | |
CN113627465A (zh) | 基于卷积长短期记忆神经网络的降水数据时空动态融合方法 | |
Nguyen | Deep learning for tropical cyclone formation detection |
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 |