CN117390593B - 一种基于辐射计数据的海表参量确定方法以及设备 - Google Patents
一种基于辐射计数据的海表参量确定方法以及设备 Download PDFInfo
- Publication number
- CN117390593B CN117390593B CN202311697966.0A CN202311697966A CN117390593B CN 117390593 B CN117390593 B CN 117390593B CN 202311697966 A CN202311697966 A CN 202311697966A CN 117390593 B CN117390593 B CN 117390593B
- Authority
- CN
- China
- Prior art keywords
- data
- radiometer
- data set
- sea surface
- matching
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000010200 validation analysis Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 238000013136 deep learning model Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开一种基于辐射计数据的海表参量确定方法以及设备,涉及海表参量确定技术领域,用于解决现有技术中海表参量反演过程依赖辐射传输正向模型和海表参量先验信息,以及统计回归反演算法拟合能力弱的问题。包括:确定辐射计训练数据,并对辐射计训练数据进行网格化处理,得到网格化辐射计数据;对网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集;基于匹配数据集,确定训练数据集、测试数据集以及验证数据集;基于训练数据集和测试数据集进行深度学习网络模型的训练,确定海表参量估算模型,并基于验证数据集,对海表参量估算模型进行验证;基于辐射计的原始测量数据以及海表参量估算模型,确定对应的海表参量。
Description
技术领域
本发明涉及海表参量确定技术领域,尤其涉及一种基于辐射计数据的海表参量确定方法以及设备。
背景技术
在现有技术中,从微波辐射计测量数据中获取海面参数信息(如海面温度),主要包含两个步骤,一是微波辐射计定标获取海面辐射亮温,二是采用海面辐射亮温结果进行反演获取海面参数。微波辐射计原始测量数据为电压信号,辐射计定标需要确定电压与亮温之间的关系,将测量电压转换为表征海面微波辐射强弱的亮温。基于亮温数据,结合海面微波辐射传输正向模型或者构建海表参数和微波辐射计多通道辐射亮温之间的统计回归关系,反演获得海表温度。
但在现有技术中,辐射计在轨定标需要测量已知亮温的参考源(冷源和热源),确定辐射计测量电压和亮温之间的一一对应关系。但在测量时受天线旁瓣及背瓣的影响,辐射计测量的电压通常还包含地球和其他星体等的辐射,且辐射计冷空反射面和热源均存在非理想因素,难以准确确定其温度分布及微波辐射率,电压值和亮温值难以准确对应。因此,在定标时,需要考虑的影响因素多,建立亮温和电压关系的过程复杂。
且现有技术中辐射计定标和反演是分开进行的,处理过程中容易传递误差,降低反演精度。辐射计定标将辐射计测量电压数据转换为辐射计测量的大气层顶辐射亮温,通过反演算法,基于亮温反演获得海表参量。因此,辐射计定标过程中引入的亮温误差,将会传递至反演误差中。
再者,基于现有技术反演海表参量或构建反演算法时,通常依赖海面微波辐射传输正向模型和海表参量先验信息。正向模型描述的是微波辐射亮温与海表和大气状态之间的关系,但由于海洋和大气状态复杂,各参量之间变化相互影响,难以建立高精度辐射传输正向模型。此外,海表参量先验信息通常是通过其他手段获取的,存在测量或估算误差。
发明内容
本发明的目的在于提供一种基于辐射计数据的海表参量确定方法以及设备,用于提供一种解决现有技术中海表参量反演过程依赖辐射传输正向模型和海表参量先验信息,以及统计回归反演算法拟合能力弱的问题的技术方案。
第一方面,本发明提供了一种基于辐射计数据的海表参量确定方法,所述方法包括以下步骤:
确定辐射计训练数据,并对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据;其中,所述辐射计训练数据为利用辐射计测量的数据;
对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集;
基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集;
基于所述训练数据集和所述测试数据集进行深度学习网络模型的训练,确定海表参量估算模型,并基于验证数据集,对所述海表参量估算模型进行验证;
基于所述辐射计的原始测量数据以及所述海表参量估算模型,确定对应的海表参量。
在采用上述技术方案的情况下,本发明直接从辐射计的原始测量数据出发估算海表参量,简化了数据处理步骤,改进了误差传递和计算效率问题。再者,本发明对比现有技术对正向辐射传输模型、先验信息和统计回归反演算法的依赖,本发明采用深度学习网络模型构建辐射计原始电压数据和海表参量之间的映射关系,降低了对外部信息的依赖,提高了数学计算和数据拟合能力,提升了海表参量估算精度。最后,本发明利用深度学习网络模型,构建辐射计直接测量数据和海表参量之间的多层网络模型,规避现有技术中辐射传输模型不准确引入的误差,降低从辐射计数据到海表参量获取过程中对外部信息的依赖,并提升估算模型拟合和计算能力,进一步提高了海表参量估算精度。
进一步的,确定辐射计训练数据,并对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据包括:
根据所述辐射计的多个测量数据以及所述辐射计的多个状态遥测数据,确定所述辐射计训练数据;
基于所述标准化的海表参量数据的空间网格大小,对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据。
进一步的,所述辐射计训练数据包括辐射计对地观测多通道电压数据、辐射计对冷空观测多通道电压数据、辐射计对热源观测多通道电压数据、辐射计测量热源的物理温度、辐射计测量的接收机温度、辐射计升降轨标识数据、辐射计测量的入射角、扫描角和纬度信息。
进一步的,对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集包括:
基于经纬度和时间信息,利用时空匹配阈值法或采用双线性插值方法,对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集。
进一步的,在对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集之后,在基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集之前,所述基于辐射计数据的海表参量确定方法还包括:
利用阈值控制法和归一化处理法对所述匹配数据集进行预处理,得到预处理后的匹配数据集;
所述基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集包括:将所述预处理后的匹配数据集进行打乱处理,得到乱序的匹配数据集;
基于所述乱序的匹配数据集,确定训练数据集、测试数据集以及验证数据集。
进一步的,所述阈值控制法为基于降雨、海冰、陆地和射频干扰,去除所述匹配数据集中满足预设条件的数据。
进一步的,所述预设条件包括:数据质量差,数据被标记为陆地,数据被标记为海冰,数据为时空匹配的降水数据不为0,数据为时空匹配的云中液态水含量大于0.2mm,数据为时空匹配的海表温度小于0℃。
进一步的,所述归一化处理法满足:
;
式中,表示归一化处理前所述匹配数据集的第j个特征参数的所有数据,表示
所述匹配数据集第j个特征参数的所有数据的平均值,表示所述匹配数据集第j个特征参
数的所有数据的标准差,表示归一化处理后所述匹配数据集的第j个特征参数的数据,其
均值为0,标准差为1。
进一步的,当所述辐射计为多频多通道微波辐射计时,所述海表参量估算模型的输出层为海表温度或海表盐度或海表风速;当所述辐射计为单频L波段微波辐射计,所述海表参量估算模型的输出层为海表盐度。
第二方面,本发明还提供一种基于辐射计数据的海表参量确定设备,包括处理器以及与处理器耦合的通信接口;处理器用于运行计算机程序或指令,以实现上述任一项基于辐射计数据的海表参量确定方法。
第三方面,本发明还提供一种计算机存储介质,计算机存储介质中存储有指令,当指令被运行时,实现上述基于辐射计数据的海表参量确定方法。
与现有技术相比,本发明第二方面和第三方面的有益效果与上述技术方案基于辐射计数据的海表参量确定方法的有益效果相同,此处不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明提供的一种基于辐射计数据的海表参量确定方法流程示意图;
图2为本发明提供的辐射计数据网格化示意图;
图3为本发明提供的深度学习多层前馈感知网络框架示意图;
图4为本发明实施例提供的基于辐射计数据的海表参量确定设备的硬件结构示意图;
图5为本发明实施例提供的芯片的结构示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一阈值和第二阈值仅仅是为了区分不同的阈值,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本发明中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b的结合,a和c的结合,b和c的结合,或a、b和c的结合,其中a,b,c可以是单个,也可以是多个。
在现有技术中,从微波辐射计测量数据中获取海面参数信息(如海面温度),主要包含两个步骤,一是微波辐射计定标获取海面辐射亮温,二是采用海面辐射亮温结果进行反演获取海面参数。微波辐射计原始测量数据为电压信号,辐射计定标需要确定电压与亮温之间的关系,将测量电压转换为表征海面微波辐射强弱的亮温。基于亮温数据,结合海面微波辐射传输正向模型或者构建海表参数和微波辐射计多通道辐射亮温之间的统计回归关系,反演获得海表温度。
但在现有技术中,辐射计在轨定标需要测量已知亮温的参考源(冷源和热源),确定辐射计测量电压和亮温之间的一一对应关系。但在测量时受天线旁瓣及背瓣的影响,辐射计测量的电压通常还包含地球和其他星体等的辐射,且辐射计冷空反射面和热源均存在非理想因素,难以准确确定其温度分布及微波辐射率,电压值和亮温值难以准确对应。因此,在定标时,需要考虑的影响因素多,建立亮温和电压关系的过程复杂。
且现有技术中辐射计定标和反演是分开进行的,处理过程中容易传递误差,降低反演精度。辐射计定标将辐射计测量电压数据转换为辐射计测量的大气层顶辐射亮温,通过反演算法,基于亮温反演获得海表参量。因此,辐射计定标过程中引入的亮温误差,将会传递至反演误差中。
再者,基于现有技术反演海表参量或构建反演算法时,通常依赖海面微波辐射传输正向模型和海表参量先验信息。正向模型描述的是微波辐射亮温与海表和大气状态之间的关系,但由于海洋和大气状态复杂,各参量之间变化相互影响,难以建立高精度辐射传输正向模型。此外,海表参量先验信息通常是通过其他手段获取的,存在测量或估算误差。
接下来,结合附图对本说明书实施例提供的方案进行说明:
如图1所示,本发明实施例提供了一种基于辐射计数据的海表参量确定方法,所述方法包括以下步骤:
S100,确定辐射计训练数据,并对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据;其中,所述辐射计训练数据为利用辐射计测量的数据。
在本发明实施例中,步骤S100具体包括:
根据所述辐射计的多个测量数据以及所述辐射计的多个状态遥测数据,确定所述辐射计训练数据。其中,所述辐射计训练数据包括辐射计对地观测多通道电压数据、辐射计对冷空观测多通道电压数据、辐射计对热源观测多通道电压数据、辐射计测量热源的物理温度、辐射计测量的接收机温度、辐射计升降轨标识数据、辐射计测量的入射角、扫描角和纬度信息。
基于所述标准化的海表参量数据的空间网格大小,对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据。
在本发明实施例中,参照图2,对辐射计训练数据进行网格化处理,根据标准化的
海表参量数据的空间网格大小,在地球上划分网格约束各频段数据的测量区域。例如,海表
温度产品网格大小需求为0.50°,则按全球经纬度信息,构建360720个网格。以每个网格中
心经纬度为参考点,以网格大小为直径,确定落入每个网格的各频段辐射计测量数据并作
平均处理。
S200,对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集。
应理解,对于海表温度和风速的测量通常采用圆锥扫描多频微波辐射计,由于各频段微波波长不同,对应测量的地面足迹大小也不相同,高频足迹小,低频足迹大。为了保持各频段测量数据的区域一致性,需要对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配。
上述步骤S200包括:基于经纬度和时间信息,利用时空匹配阈值法或采用双线性插值方法,对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集。
具体的,时空匹配阈值法是通过比较网格化辐射计数据和海表参量数据的经纬度
信息及时间信息确定两者数据是否匹配。设置经纬度匹配阈值,,和时间匹
配阈值,在每个网格中寻找满足以下条件的海表参量数据,并对找到的数据作平均处
理,将其看作是和该网格匹配的海表参量数据。
;
;
;
式中,,和t分别代表纬度、经度和时间,下标rm和ssp用于区分辐射计和海
表参量数据,经纬度和时间阈值可以根据实际需求进行确定。时间阈值通常为30分钟,经纬
度阈值为网格大小的一半。
双线性插值法是线性插值的扩展,通过在时间和经纬度上分别对数据进行一次线性插值,获得以网格化辐射计数据经纬度和时间上为标准的匹配数据集。
值得注意的是,在本发明实施例中,在对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集之后,在基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集之前,所述基于辐射计数据的海表参量确定方法还包括:
利用阈值控制法和归一化处理法对所述匹配数据集进行预处理,得到预处理后的匹配数据集;其中,所述阈值控制法为基于降雨、海冰、陆地和射频干扰,去除所述匹配数据集中满足预设条件的数据。
所述预设条件包括:数据质量差,数据被标记为陆地,数据被标记为海冰,数据为时空匹配的降水数据不为0,数据为时空匹配的云中液态水含量大于0.2mm,数据为时空匹配的海表温度小于0℃。
所述归一化处理法满足:
;
式中,表示归一化处理前所述匹配数据集的第j个特征参数的所有数据,表示
所述匹配数据集第j个特征参数所有数据的平均值,表示所述匹配数据集第j个特征参数
所有数据的标准差,表示归一化处理后所述匹配数据集的第j个特征参数的数据,其均值
为0,标准差为1。
所述基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集包括:将所述预处理后的匹配数据集进行打乱处理,得到乱序的匹配数据集;
基于所述乱序的匹配数据集,确定训练数据集、测试数据集以及验证数据集。
在一个具体的实施例中,应理解,微波辐射计通常以被动的方式接收海面辐射信息,在这个过程中容易受外界因素的影响。为了保证后续模型训练质量,首先需要对匹配数据集进行数据预处理。在实际中,影响海面微波辐射测量的影响因素包括降雨、海冰、陆地和射频干扰等,本发明实施例提出阈值控制法对数据进行质量控制,剔除满足以下条件的数据:
(1)被标记为质量差;
(2)被标记为陆地;
(3)被标记为海冰;
(4)时空匹配的降水数据不为0;
(5)时空匹配的云中液态水含量大于0.2mm;
(6)时空匹配的海表温度小于0℃;
然后,将利用辐射计测量数据得到的匹配数据集作为模型的输入特征,将同步匹配的海表参量信息作为模型的输出特征。为了抑制由于各参量数值量级不同导致的模型不易收敛问题,本发明实施例中另一个比较重要的数据预处理方法是对输入特征数据进行归一化处理,处理方法如下:
;
式中,表示归一化处理前所述匹配数据集的第j个特征参数的所有数据,表示
所述匹配数据集第j个特征参数的所有数据的平均值,表示所述匹配数据集第j个特征参
数的所有数据的标准差,表示归一化处理后所述匹配数据集的第j个特征参数的数据,其
均值为0,标准差为1。
S300,基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集。
在本发明实施例中,为了避免数据存放时导致的顺序和时间依赖性,将预处理后的数据集进行打乱处理,打乱其存放顺序。
最后,把数据集划分为训练集、测试集和验证集,数据数量比例设置为6:1:1。也可根据实际需求进行比例设置。
S400,基于所述训练数据集和所述测试数据集进行深度学习网络模型的训练,确定海表参量估算模型,并基于验证数据集,对所述海表参量估算模型进行验证。
参照图3,根据辐射计工作原理和海表参量之间的理论响应特征,本发明实施例所用网络模型包括输入层,隐藏层和输出层。输入层将利用辐射计测量数据得到的训练数据集和所述测试数据集输入到网络,包含多个神经元,表征多个输入特征参数。隐藏层负责描述辐射计原始测量数据和海表参量之间的辐射对应关系,层数为5层以上。输出层输出海表参量,包含一个神经元。深度学习网络模型可以是多层前馈感知机、卷积神经网络、支持向量机、Transformer等深度学习网络结构,网络中激活函数可以是Relu、Sigmoid和Tanh等常规激活函数。优化算法可以是随机梯度下降法、动量法和Adam法等常用优化算法。防止数据过拟合,可以采用正则化和随机丢弃法等处理方法。
然后,根据辐射计海表参量测量影响因素,确定模型输入特征参数。现有技术中影
响辐射计定标及海表参量反演的主要因素包括辐射计测量数据、地理位置和扫描角等。考
虑这些因素,本发明模型输入层的特征参数包括辐射计对地观测多通道电压数据、辐射计
对冷空观测多通道电压数据、辐射计对热源观测多通道电压数据、辐射计测量热源的物理
温度、辐射计测量的接收机温度、辐射计升降轨标识数据、辐射计测量的入射角、扫描角和
纬度信息,并生成输入特征参量数据集。当所述辐射计为多频多通道微波辐射计时,所述
海表参量估算模型的输出层为海表温度或海表盐度或海表风速;当所述辐射计为单频L波
段微波辐射计,所述海表参量估算模型的输出层为海表盐度。
以全连接层和Relu激活函数为例,海表参量估算过程中每一层的输入为上一层的输出,输出结果可以表示为:
;
式中表示第i层输入特征矩阵和权重系数矩阵之间的相关运算,表示第i
层偏置系数, 表示激活函数表达式,函数自变量小于0时,函数结果为0,自变量大
于0时,函数结果为自变量本身,M表示网络结构总层数。经过多个隐藏层后,可以获得海表
参量估计结果
接着,通过调整和优化模型系数和,缩小与时空匹配数据集中的海表参
量真实值差异。该过程通过优化损失函数Loss实现,优化算法可以采用随机梯度下降算
法Adam算法实现。
;
式中,mean表示进行平均运算。
通过多次迭代,当模型训练集和测试集数据的损失函数值趋于稳定时,保存模型,获得海表参量估算模型。
为了保留重要输入特征参数,减少冗余信息,降低模型复杂度,需要进一步优化深度学习模型,通过分析模型输入特征参数重要性实现。
S1,首先,将输入特征参数数据集输入到确定的深度学习模型中,获得
损失函数值。
S2,然后,打乱第j个特征参数的数据顺序,其余特征参数数据保持不变,并生成输
入特征参数数据集。该操作破坏了该特征参数与模型输出参量之间的原有一一对应
关系。
S3,接着,将输入特征参数数据集输入到深度学习模型中,获得损
失函数值。比较和,并通过计算获得。
S4,依次对每个特征参量执行S2-S3步,获得,N表示特征参数的总数
量。
S5,将进行排序,标记的特征参数。
S6,通过去除S5标记的参数,优化模型输入的特征参数数据集,并对模型进行重新
训练,获得最终用于估算海表参量的深度学习模型。
S7,接下来,对模型进行验证。对S300中设置的验证数据集进行处理,去除S5标记的特征参数,生成新的验证数据集。
S8,将新的验证数据集输入到深度学习模型,获得估算的海表参量,并与
同步匹配的海表参量信息对比,计算误差均方根误差,评估模型估算精度。均方根误差计算
方式如下:
;
式中,表示基于深度学习模型估算的海表参量结果,表示同步匹配的
海表参量信息,k表示数据序号,Nk表示数据总数。
S9,最后,根据所确定的深度网络学习模型,就能够获取海表参量信息。
利用海洋二号卫星微波辐射计在轨数据,采用本发明实施例提供的方法获得的海表温度和海表风速估算误差分别为0.45℃和0.69 m/s,基于传统定标和统计回归反演算法获得的海表温度误差约为0.61℃和0.75 m/s。相比现有技术,本发明实施例提供的方法获得的海表参量估算精度有了明显提升。
S500,基于所述辐射计的原始测量数据以及所述海表参量估算模型,确定对应的海表参量。
基于此,就可以直接将辐射计的原始测量数据输入至上述步骤得到的海表参量估算模型,得到与辐射计的原始测量数据对应的海表参量。
基于以上描述,本发明实施例直接从辐射计的原始测量数据出发估算海表参量,简化了数据处理步骤,改进了误差传递和计算效率问题。再者,本发明实施例对比现有技术对正向辐射传输模型、先验信息和统计回归反演算法的依赖,本发明实施例采用深度学习网络模型构建辐射计原始电压数据和海表参量之间的映射关系,降低了对外部信息的依赖,提高了数学计算和数据拟合能力,提升了海表参量估算精度。最后,本发明实施例利用深度学习网络模型,构建辐射计直接测量数据和海表参量之间的多层网络模型,规避现有技术中辐射传输模型不准确引入的误差,降低从辐射计数据到海表参量获取过程中对外部信息的依赖,并提升估算模型拟合和计算能力,进一步提高了海表参量估算精度。
图4示出了本发明实施例提供的一种基于辐射计数据的海表参量确定设备的硬件结构示意图。如图4所示,该基于辐射计数据的海表参量确定设备80包括处理器801-1和801-2和通信接口802。
如图4所示,上述处理器可以是一个通用中央处理器(central processing unit,CPU),微处理器,专用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。上述通信接口可以为一个或多个。通信接口可使用任何收发器一类的装置,用于与其他设备或通信网络通信。
如图4所示,上述基于辐射计数据的海表参量确定设备还可以包括通信线路803。通信线路可包括一通路,在上述组件之间传送信息。
可选的,如图4所示,该基于辐射计数据的海表参量确定设备还可以包括存储器804。存储器用于存储执行本发明方案的计算机执行指令,并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令,从而实现本发明实施例提供的方法。
如图4所示,上述存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过通信线路与处理器相连接。存储器也可以和处理器集成在一起。
可选的,本发明实施例中的计算机执行指令也可以称之为应用程序代码,本发明实施例对此不作具体限定。
在具体实现中,作为一种实施例,如图4所示,处理器801-1和801-2可以包括一个或多个CPU,如图4中的CPU0和CPU1。
在具体实现中,作为一种实施例,如图4所示,基于辐射计数据的海表参量确定设备可以包括多个处理器,如图4中的处理器801-1和处理器801-2。这些处理器中的每一个可以是一个单核处理器,也可以是一个多核处理器。
图5是本发明实施例提供的芯片的结构示意图。如图5所示,该芯片90包括一个或两个以上(包括两个)处理器801-1和处理器801-2和通信接口802。
可选的,如图5所示,该芯片还包括存储器804,存储器可以包括只读存储器和随机存取存储器,并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory,NVRAM)。
在一些实施方式中,如图5所示,存储器存储了如下的元素,执行模块或者数据结构,或者他们的子集,或者他们的扩展集。
在本发明实施例中,如图5所示,通过调用存储器存储的操作指令(该操作指令可存储在操作系统中),执行相应的操作。
如图5所示,处理器控制基于辐射计数据的海表参量确定设备中任一个的处理操作,处理器还可以称为中央处理单元(central processing unit,CPU)。
如图5所示,存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。例如应用中存储器、通信接口以及存储器通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图5中将各种总线都标为总线系统805。
如图5所示,上述本发明实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
一种可能的实现方式中,如图5所示,通信接口用于获得相机采集的图像。处理器用于执行图1所示的实施例中的基于辐射计数据的海表参量确定方法的步骤101至步骤103。
一方面,提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当指令被运行时,实现上述实施例中由基于辐射计数据的海表参量确定设备执行的功能。
一方面,提供一种芯片,该芯片应用于基于辐射计数据的海表参量确定设备中,芯片包括至少一个处理器和通信接口,通信接口和至少一个处理器耦合,处理器用于运行指令,以实现上述实施例中由基于辐射计数据的海表参量确定设备执行的功能。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘(digital video disc,DVD);还可以是半导体介质,例如,固态硬盘(solid state drive,SSD)。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于辐射计数据的海表参量确定方法,其特征在于,所述方法包括以下步骤:
确定辐射计训练数据,并对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据;其中,所述辐射计训练数据为利用辐射计测量的原始电压数据;
对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集;
基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集;
基于所述训练数据集和所述测试数据集进行深度学习网络模型的训练,确定海表参量估算模型,并基于验证数据集,对所述海表参量估算模型进行验证;
基于所述辐射计的原始测量数据以及所述海表参量估算模型,确定对应的海表参量;
所述基于所述训练数据集和所述测试数据集进行深度学习网络模型的训练,确定海表参量估算模型包括:
S1,将输入特征参数数据集输入到确定的所述深度学习网络模型中,获得第一损失函数值/>;其中,所述输入特征参数数据集/>包括利用辐射计测量的原始电压数据;
S2,打乱所述输入特征参数数据集中第j个特征参数的数据顺序,其余特征参数数据保持不变,并生成输入特征参数数据集/>;
S3,将所述输入特征参数数据集输入到所述深度学习网络模型中,获得第二损失函数值/>,比较所述第一损失函数值/>和所述第二损失函数值/>,并得到;
S4,依次对所述输入特征参数数据集中的每个特征参数执行步骤S2-S3,获得,N表示特征参数的总数量;
S5,将进行排序,并标记/>的特征参数;
S6,去除所述输入特征参数数据集中标记的特征参数,并将去除了标记的特征参数的输入特征参数数据集输入至所述深度学习网络模型中进行训练,得到海表参量估算模型。
2.根据权利要求1所述的基于辐射计数据的海表参量确定方法,其特征在于,确定辐射计训练数据,并对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据包括:
根据所述辐射计的多个测量数据以及所述辐射计的多个状态遥测数据,确定所述辐射计训练数据;
基于所述标准化的海表参量数据的空间网格大小,对所述辐射计训练数据进行网格化处理,得到网格化辐射计数据。
3.根据权利要求2所述的基于辐射计数据的海表参量确定方法,其特征在于,所述辐射计训练数据包括辐射计对地观测多通道电压数据、辐射计对冷空观测多通道电压数据、辐射计对热源观测多通道电压数据、辐射计测量热源的物理温度、辐射计测量的接收机温度、辐射计升降轨标识数据、辐射计测量的入射角、扫描角和纬度信息。
4.根据权利要求1所述的基于辐射计数据的海表参量确定方法,其特征在于,对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集包括:
基于经纬度和时间信息,利用时空匹配阈值法或采用双线性插值方法,对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集。
5.根据权利要求1所述的基于辐射计数据的海表参量确定方法,其特征在于,在对所述网格化辐射计数据以及标准化的海表参量数据进行数据匹配,得到匹配数据集之后,在基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集之前,所述基于辐射计数据的海表参量确定方法还包括:
利用阈值控制法和归一化处理法对所述匹配数据集进行预处理,得到预处理后的匹配数据集;
所述基于所述匹配数据集,确定训练数据集、测试数据集以及验证数据集包括:将所述预处理后的匹配数据集进行打乱处理,得到乱序的匹配数据集;
基于所述乱序的匹配数据集,确定训练数据集、测试数据集以及验证数据集。
6.根据权利要求5所述的基于辐射计数据的海表参量确定方法,其特征在于,所述阈值控制法为基于降雨、海冰、陆地和射频干扰,去除所述匹配数据集中满足预设条件的数据;
或,所述预设条件包括:数据质量差,数据被标记为陆地,数据被标记为海冰,数据为时空匹配的降水数据不为0,数据为时空匹配的云中液态水含量大于0.2mm,数据为时空匹配的海表温度小于0℃。
7.根据权利要求5所述的基于辐射计数据的海表参量确定方法,其特征在于,所述归一化处理法满足:
;
式中,表示归一化处理前所述匹配数据集的第j个特征参数的所有数据,/>表示所述匹配数据集第j个特征参数所有数据的平均值,/>表示所述匹配数据集第j个特征参数所有数据的标准差,/>表示归一化处理后所述匹配数据集的第j个特征参数的数据,其均值为0,标准差为1。
8.根据权利要求1所述的基于辐射计数据的海表参量确定方法,其特征在于,当所述辐射计为多频多通道微波辐射计时,所述海表参量估算模型的输出层为海表温度或海表盐度或海表风速;当所述辐射计为单频L波段微波辐射计,所述海表参量估算模型的输出层为海表盐度。
9.一种基于辐射计数据的海表参量确定设备,其特征在于,包括处理器以及与处理器耦合的通信接口;所述处理器用于运行计算机程序或指令,以实现如权利要求1至8任一项所述的基于辐射计数据的海表参量确定方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有指令,当所述指令被运行时,实现权利要求1至8任一项所述的基于辐射计数据的海表参量确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697966.0A CN117390593B (zh) | 2023-12-12 | 2023-12-12 | 一种基于辐射计数据的海表参量确定方法以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697966.0A CN117390593B (zh) | 2023-12-12 | 2023-12-12 | 一种基于辐射计数据的海表参量确定方法以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390593A CN117390593A (zh) | 2024-01-12 |
CN117390593B true CN117390593B (zh) | 2024-03-22 |
Family
ID=89465214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311697966.0A Active CN117390593B (zh) | 2023-12-12 | 2023-12-12 | 一种基于辐射计数据的海表参量确定方法以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390593B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010052530A1 (en) * | 2008-11-05 | 2010-05-14 | Ecoserv Remote Observation Centre Co. Ltd. | Multi-polarization combined radar-radiometer system |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
CN113033063A (zh) * | 2021-05-24 | 2021-06-25 | 航天宏图信息技术股份有限公司 | 海表温度的反演方法、装置、电子设备及存储介质 |
CN113935228A (zh) * | 2021-07-19 | 2022-01-14 | 南京中科逆熵科技有限公司 | 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 |
CN114139444A (zh) * | 2021-11-24 | 2022-03-04 | 大连海事大学 | 一种基于机器学习的近海海表温度反演方法 |
CN114970663A (zh) * | 2022-03-07 | 2022-08-30 | 中国海洋大学 | 基于神经网络的微波辐射计的近岸海面温度反演方法 |
CN115455801A (zh) * | 2022-07-18 | 2022-12-09 | 北京信息科技大学 | 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置 |
CN115994608A (zh) * | 2022-10-21 | 2023-04-21 | 中国石油大学(北京) | 基于双向门控循环单元的压裂井产量预测方法及装置 |
-
2023
- 2023-12-12 CN CN202311697966.0A patent/CN117390593B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010052530A1 (en) * | 2008-11-05 | 2010-05-14 | Ecoserv Remote Observation Centre Co. Ltd. | Multi-polarization combined radar-radiometer system |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
CN113033063A (zh) * | 2021-05-24 | 2021-06-25 | 航天宏图信息技术股份有限公司 | 海表温度的反演方法、装置、电子设备及存储介质 |
CN113935228A (zh) * | 2021-07-19 | 2022-01-14 | 南京中科逆熵科技有限公司 | 一种基于机器学习的l波段粗糙海面辐射亮温模拟方法 |
CN114139444A (zh) * | 2021-11-24 | 2022-03-04 | 大连海事大学 | 一种基于机器学习的近海海表温度反演方法 |
CN114970663A (zh) * | 2022-03-07 | 2022-08-30 | 中国海洋大学 | 基于神经网络的微波辐射计的近岸海面温度反演方法 |
CN115455801A (zh) * | 2022-07-18 | 2022-12-09 | 北京信息科技大学 | 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置 |
CN115994608A (zh) * | 2022-10-21 | 2023-04-21 | 中国石油大学(北京) | 基于双向门控循环单元的压裂井产量预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
Aaron Fisher 等.Model Class Reliance:Variable Importance Measures for any Machine Learning Model Class,from the "Rashomon" Perspective.《Computer Science》.2018,全文. * |
基于Aquarius数据的粗糙海面L波段辐射模型研究;王进;张杰;王晶;;中国海洋大学学报(自然科学版);20180321(第05期);全文 * |
星载微波遥感观测海表温度的研究进展;孙广轮;关道明;赵冬至;王新新;王祥;;遥感技术与应用;20130815(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390593A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007021A (zh) | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 | |
CN108460739A (zh) | 一种基于生成对抗网络的遥感图像薄云去除方法 | |
CN116297068B (zh) | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 | |
KR101970098B1 (ko) | 정지궤도 인공위성의 자외선 및 가시광선 영역의 관측 자료를 이용한 지표면 반사도 및 방향성 반사도 함수 결정 방법 및 시스템 | |
CN106940219B (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 | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN114117886A (zh) | 一种用于多光谱遥感水深反演方法 | |
CN112446397A (zh) | 基于遥感和随机森林的产草量估算方法、装置及存储介质 | |
CN116879297A (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
CN111426633A (zh) | 一种夜间pm2.5质量浓度估算方法和装置 | |
Polyakov et al. | Using artificial neural networks in the temperature and humidity sounding of the atmosphere | |
CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
CN113624694A (zh) | 一种大气甲烷浓度的反演方法和装置 | |
Hotta et al. | EFSR: Ensemble forecast sensitivity to observation error covariance | |
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 | |
CN117390593B (zh) | 一种基于辐射计数据的海表参量确定方法以及设备 | |
CN117392564B (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
Zibordi et al. | Automated quality control of AERONET-OC LWN data | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN110132416B (zh) | 宽波段遥感器在轨光谱定标方法及装置 | |
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 | |
CN115877345A (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
CN114298265A (zh) | 射频电路诊断模型训练、诊断方法、装置、介质及终端 | |
CN112595344A (zh) | 一种遥感卫星高分相机在轨绝对辐射定标的方法及装置 |
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 |