CN117409334B - 一种基于静止卫星遥感数据的气溶胶类型识别方法 - Google Patents
一种基于静止卫星遥感数据的气溶胶类型识别方法 Download PDFInfo
- Publication number
- CN117409334B CN117409334B CN202311337667.6A CN202311337667A CN117409334B CN 117409334 B CN117409334 B CN 117409334B CN 202311337667 A CN202311337667 A CN 202311337667A CN 117409334 B CN117409334 B CN 117409334B
- Authority
- CN
- China
- Prior art keywords
- data
- aerosol type
- aerosol
- sample
- satellite
- 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
- 239000000443 aerosol Substances 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 22
- 230000003287 optical effect Effects 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000002779 inactivation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000001228 spectrum Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 6
- 239000000428 dust Substances 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- RGNPBRKPHBKNKX-UHFFFAOYSA-N hexaflumuron Chemical compound C1=C(Cl)C(OC(F)(F)C(F)F)=C(Cl)C=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F RGNPBRKPHBKNKX-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于静止卫星遥感数据的气溶胶类型识别方法。该方法包括:利用地基数据中的气溶胶光学厚度,生成真实气溶胶类型标签;与Himawari‑8/AHI静止卫星数据、云产品数据进行空间和时间上的匹配,生成训练和验证样本,并进行预处理和独热编码操作;利用XGBoost分析训练和验证样本中光谱特征信息的重要性,并将重要性低的波段剔除;联合时间、空间和光谱三个维度信息,作为神经网络的输入特征联合约束气溶胶类型识别;建立全连接神经网络模型,得到固定气溶胶类型识别模型,将Himawari‑8/AHI静止卫星数据和云产品数据输入以对气溶胶类型进行预测。本发明仅利用Himawari‑8/AHI静止卫星数据及云产品数据进行气溶胶类型识别,具有卫星观测数据客观合理、气溶胶类型识别精度高等优点。
Description
技术领域
本说明书一个或多个实施例涉及遥感科学技术领域,尤其涉及一种基于静止卫星遥感数据的气溶胶类型识别方法。
背景技术
大气中的气溶胶是各种化学成分、大小和形状的复杂混合物。气溶胶是影响辐射平衡、区域和全球气候变化以及人类健康的主要大气成分之一,不仅是分析全球气候变化和大气污染的重要参数,同时亦是研究定量遥感不可或缺的因素。然而,大气是一个复杂多变的系统,准确性对于提高定量遥感精度非常重要,特别是在辐射传输计算中气溶胶类型的准确性。不同类型的气溶胶具有不同的光学和辐射特性,而气溶胶的物理化学特性在时空上的不确定性和可变性导致了气溶胶光学特性的不确定性。为了全面了解气溶胶对气候的影响,需要准确获得气溶胶的类型和时空分布信息。
气溶胶类型识别可以提供气溶胶相关的基本成分信息,这有利于提高人类对气溶胶所产生的气候系统影响的认识,也可为遥感影像大气校正提供合适的辐射计算输入参数。随着科技的进步,气溶胶传感器的数量和质量都得到了显著提高。目前在研究气溶胶类型识别的相关领域,研究者们多采用地基数据或气溶胶多源卫星观测数据与类型识别模型相结合的气溶胶类型识别方法。
尽管地基气溶胶观测数据精度高,但其空间分辨率和站点数量都存在不足,且包含多种不确定性,无法实现大范围环境监测任务。卫星观测气溶胶类型在时间分辨率上较低,尚未有仅利用静止卫星数据识别气溶胶类型的研究,对高时间分辨率环境监测及定量遥感难以起到很大作用。
发明内容
为了解决现有技术中存在的问题,本发明利用Himawari-8/AHI静止卫星数据,提出了一种基于静止卫星遥感数据的气溶胶类型识别方法,为大气环境监测以及定量遥感提供信息支撑,可以解决上述技术问题。该方法包括:
利用地基数据中预设波段的气溶胶光学厚度,通过气溶胶图形分类法,生成真实气溶胶类型标签,建立真实气溶胶类型先验库;所述真实气溶胶类型先验库包括时间、经纬度、真实气溶胶类型标签以及气溶胶光学厚度信息;
获取Himawari-8/AH静止卫星数据中的波段数据、太阳和卫星天顶角、方位角数据以及云产品数据,将所述真实气溶胶类型先验库与Himawari-8/AH静止卫星数据和云产品数据进行时间和经纬度匹配,生成具有真气溶胶类型标签的训练样本和验证样本;
对所述训练样本和验证样本进行预处理操作;对预处理后的训练样本和验证样本中的气溶胶类型进行独热编码;
利用机器学习方法分析所述预处理后的训练样本和验证样本中光谱特征信息的重要性,并将样本中重要性低的波段进行剔除;
将所述剔除重要性低的波段的训练样本联合时间以及空间信息作为输入特征训练全连接神经网络模型;利用所述预处理后的验证样本对全连接神经网络模型进行验证,建立固定气溶胶类型识别模型;
利用所得固定气溶胶类型识别模型,将Himawari-8/AHI静止卫星数据和云产品数据输入以对气溶胶类型进行预测。
在一个实施例中,所述机器学习方法包括XGBoost机器学习方法。
在一个实施例中,所述云产品数据包括晴空像元数据。
在一个实施例中,所述训练样本和验证样本中遥感数据仅使用Himawari-8/AHI静止卫星数据和云产品数据。
在一个实施例中,所述全连接神经网络模型的建立,通过线性整流函数relu、批量归一化、随机失活Dropout和全连接层参数设置,经过多次迭代,最终建立固定气溶胶类型识别模型。
在一个实施例中,所述将剔除重要性低的波段的训练样本联合时间以及空间信息作为输入特征训练全连接神经网络模型,输入特征数N定义为:
N=round(Spix 2×RDark)×T×NSB
其中,Spix是卫星影像中以每个地面站点为中心的像元边长,RDark是在Spix×Spix像元的每个区域中,暗像元与总晴空像元的比率。T是单时相或三时相数据的样本,NSB是通过机器学习方法从输入特征中选择的重要性高的特征数。
本发明仅利用Himawari-8/AHI静止卫星数据及云产品数据即可进行气溶胶类型识别,具有卫星观测数据客观合理、气溶胶类型识别精度高等优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面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是本申请实施例提供的一种基于静止卫星遥感数据的气溶胶类型识别方法的步骤流程示意图;
图2是本申请实施例提供的一种基于静止卫星遥感数据的气溶胶类型识别方法的流程示意图;
图3是本申请实施例提供的气溶胶图形分类法划分的气溶胶类型示意图;
图4是本申请施例提供的光谱特征信息重要性示意图;
图5是本申请实施例提供的全连接神经网络的模型图;
图6是本申请实施例提供的直接使用静止卫星数据识别气溶胶类型的生产者精度图;
图7是本申请实施例提供的联合时间、空间和光谱信息约束静止卫星数据识别气溶胶类型的生产者精度图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
为了使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本申请实施例中的技术方案进行描述。
在本申请实施例的描述中,“示例性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它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”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“和/或”,仅仅是一种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,单独存在B,同时存在A和B这三种情况。另外,除非另有说明,术语“多个”的含义是指两个或两个以上。
针对在气溶胶类型的识别中,地面测站局地性强,且气溶胶在全球分布不均匀的情况,本发明提出了一种基于静止卫星遥感数据的气溶胶类型识别方法,该方法充分考虑了静止卫星数据的时间、空间和光谱信息,通过Himawari-8/AHI静止卫星数据和云产品数据进行气溶胶类型识别。
图1是本发明实施例提供的一种基于静止卫星遥感数据的气溶胶类型识别方法的步骤流程示意图,图2是本发明实施例提供的一种基于静止卫星遥感数据的气溶胶类型识别的流程示意图,如图1和图2所示,该方法包括以下步骤:
(1)步骤S110,利用地基数据中预设波段的气溶胶光学厚度,通过气溶胶图形分类法,生成真实气溶胶类型标签,建立真实气溶胶类型先验库;所述真实气溶胶类型先验库包括时间、经纬度、真实气溶胶类型标签以及气溶胶光学厚度信息。
本发明实施例采用的地基数据为全球气溶胶自动观测网(AErosol ROboticNETwork,简称AERONET)地基数据和太阳-天空辐射观测网(Sun-sky radiometerObservation NETwork,简称SONET)地基数据中440nm和1020nm处的气溶胶光学厚度(Aerosol Optical Depth,简称AOD)。
本发明实施例使用440nm和1020nm两个波段处的气溶胶光学厚度(AOD440和AOD1020)获得气溶胶相对光学厚度(AROD),并使用AOD440和AROD利用气溶胶图形分类法来确定每种气溶胶类型的范围。
气溶胶图形分类法为气溶胶领域使用较广的阈值分类法,气溶胶图形分类法主要利用米氏理论和多对数正态粒度分布模型的数值计算,来说明不同气溶胶类型的AROD范围。本发明不再赘述。
基于AOD和AROD把气溶胶分为4种类型,图3是本发明实施例提供的气溶胶图形分类法划分的气溶胶类型示意图,如图3所示,气溶胶类型分别为:清洁型(AOD440<0.15,AROD≥0.31)、大陆型(0.15≤AOD440<0.5,AROD<0.81&AOD440≤0.15,AROD<0.31)、沙尘型(AOD440>0.15,AROD≥0.81)、城市工业型(AOD440≥0.5,AROD<0.81)。
(2)步骤S120,获取Himawari-8/AH静止卫星数据中的波段数据、太阳和卫星天顶角、方位角数据以及云产品数据,将所述真实气溶胶类型先验库与Himawari-8/AH静止卫星数据和云产品数据进行时间和经纬度匹配,生成具有真气溶胶类型标签的训练样本和验证样本;所述训练样本和验证样本包括Himawari-8/AH静止卫星的波段数据、角度数据、云产品数据、时间、经纬度、真实气溶胶类型。
本发明实施例仅使用Himawari-8/AHI静止卫星数据和云产品数据,即可以进行气溶胶类型识别。云产品数据为Himawari-8/AHI静止卫星的产品,格式为.netcdf,包括云掩膜数据。
Himawari-8/AHI(Advanced Himawari Imager,简称AHI)是搭载在Himawari-8卫星上对地球系统进行观测的仪器,是一种多通道光谱成像仪,用于捕捉亚太地区的可见光和红外图像。
本发明实施例也可以使用其他静止卫星数据。
时间匹配包括:将Himawari-8/AHI静止卫星数据和云产品数据与真实气溶胶类型先验库中样本的时间相同的数据,作为匹配成功的数据。
空间匹配包括:将Himawari-8/AHI静止卫星数据和云产品数据与真实气溶胶类型先验库中样本的经纬度值相同的数据,作为匹配成功的数据。
在一个实施例中,云产品数据使用晴空像元数据。
(3)步骤S130,对所述训练样本和验证样本进行预处理操作;对预处理后的训练样本和验证样本中的气溶胶类型进行独热编码;
本发明实施例预处理操作包括对训练样本进行归一化,质量控制和数据增广。
质量控制包括:对云、冰、雪等像元进行剔除。
数据增广包括:沙尘型气溶胶样本较少,添加2%高斯噪声进行样本增广。
在本发明实施例中,将气溶胶分为4类,分别为清洁型、大陆型、沙尘型、城市工业型,对应标签为0、1、2、3,进行独热编码后变为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1]。
(4)步骤S140,利用机器学习方法分析所述预处理后的训练样本和验证样本中光谱特征信息的重要性,并将样本中重要性低的波段进行剔除。
在本发明实施例中,使用极值梯度提升(EXtreme Gradient Boosting,简称XGBoost)算法,需要说明的是,本发明不限制使用其他机器学习算法。
将预处理后的训练样本和验证样本输入XGBoost机器学习算法,得到样本中光谱特征信息的重要性,图4是本发明实施例提供的光谱特征信息的重要性示意图,如图4所示,横轴为光谱信息的16个波段的中心波长、太阳天顶角SZ、卫星天顶角VZ、太阳方位角SA和卫星方位角VA的相对方位角RA,共19个特征。
经过机器学习算法分析后,剔除Band11、Band14、Band15三个波段的数据,即图4中中心波长为8.6μm、11.2μm和12.4μm的波段。
(5)步骤S150,将剔除重要性低的波段的训练样本联合时间以及空间信息作为输入特征训练全连接神经网络模型;利用所述预处理后的验证样本对全连接神经网络模型进行验证,建立固定气溶胶类型识别模型。
因为不同类型的气溶胶在可见光和红外光谱范围内的反射和散射特性非常相似,如果单独使用静止卫星提供的观测数据进行气溶胶类型预测,预测精度相对较低,因此本领域技术人员通常不会只选择单一卫星数据来源进行气溶胶类型预测,在本发明实施例提供的方法中,利用联合时间、空间和光谱三个维度信息,通过联合约束反演,能够提供较高精度的气溶胶类型预测。
联合时间、空间和光谱三个维度信息,作为全连接神经网络的输入特征,输入特征数N定义为:
N=round(Spix 2×RDark)×T×NSB (1)
式中,Spix是卫星影像中以每个地面站点为中心的像元边长,例如,Spix≤7为假设气溶胶在小于14km×14km的区域内均匀。RDark是在Spix×Spix像元的每个区域中,暗像元与总晴空像元的比率,暗像元为在Spix×Spix像元区域中选择2.3μm处的大气表现反射率最小值。T是单时相或三时相数据的样本,NSB是通过机器学习方法从输入特征中选择的重要性高的特征数。
三时相数据包括:在训练样本中选择在预设连续时间段存在数据的样本,示例的,10:10分存在样本数据,需要在10:00和10:20也存在样本数据,依据为气溶胶类型在一定时间内保持不变的特性,取10:00、10:10和10:20的样本数据作为一组同时输入全连接神经网络进行训练。根据此规则,对训练样本进一步进行筛选,在训练样本中得到多组样本数据,输入全连接神经网络进行训练。
在一个实施例中,本发明实施例中的全连接神经网络设置迭代次数,达到预设次数后完成全连接神经网络模型的训练。全连接神经网络模型训练完成后,输入验证样本,全连接神经网络输出验证样本的预测气溶胶类型。将预测的气溶胶类型和验证样本的真实气溶胶类型标签进行对照,判断气溶胶类型的预测精度。
(6)步骤S160,利用所得固定气溶胶类型识别模型,将Himawari-8/AHI静止卫星数据和云产品数据输入以对气溶胶类型进行预测。
图6是本申请实施例提供的直接使用静止卫星数据识别气溶胶类型的生产者精度图,如图6所示,对四种气溶胶类型进行预测的精度分别为:清洁型约60%、大陆型约50%、沙尘型约55%,城市工业型约63%。图7是本申请实施例提供的联合时间、空间和光谱信息约束静止卫星数据识别气溶胶类型的生产者精度图,清洁型约62%、大陆型约75%、沙尘型约70%,城市工业型约72%。图6的总体精度约55%,图7总体精度约74%,总体精度及四种气溶胶类型的生产者精度都得了提高。
选取UTC 04:00和UTC 07:00的Beijing(39.977°N,116.381°E)、Dezhou(37.45°N,116.37°E)、Taihu(31.421°N,120.215°E)、Zhangye(39.079°N,100.276°E)四个地点进行验证分析,将气溶胶类型结果与中国空气质量在线检测分析平台(www.aqistudy.cn)进行对比验证,中国空气质量在线监测分析平台是公益性质的软件平台,数据源自中国环境监测总站。中国空气质量在线监测分析平台目前收录了全国367个城市的天气信息数据,具体包括AQI,PM2.5,PM10,S02,N02,O3,CO,温度,湿度,风级,风向,卫星云图等监测项,所有数据每隔一小时自动更新一次。结果如表1所示。
表1气溶胶类型识别对比结果
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (2)
1.一种基于静止卫星遥感数据的气溶胶类型识别方法,其特征在于,所述方法包括:
利用地基数据中预设波段的气溶胶光学厚度,通过气溶胶图形分类法,生成真实气溶胶类型标签,建立真实气溶胶类型先验库;所述真实气溶胶类型先验库包括时间、经纬度、真实气溶胶类型标签以及气溶胶光学厚度信息;
获取Himawari-8/AHI静止卫星数据中的波段数据、太阳和卫星天顶角、方位角数据以及云产品数据,将所述真实气溶胶类型先验库与Himawari-8/AHI静止卫星数据和云产品数据进行时间和经纬度匹配,生成具有真气溶胶类型标签的训练样本和验证样本;所述训练样本和验证样本中卫星遥感数据仅使用Himawari-8/AHI静止卫星和云产品数据;
对所述训练样本和验证样本进行预处理操作;对预处理后的训练样本和验证样本中的气溶胶类型进行独热编码;
利用机器学习方法分析所述预处理后的训练样本和验证样本中光谱特征信息的重要性,并将样本中重要性低的波段进行剔除;
将剔除重要性低的波段的训练样本联合时间以及空间信息作为输入特征训练全连接神经网络模型;其中,输入特征数N定义为:
N=round(Spix 2×RDark)×T×NSB,
其中,Spix是卫星影像中以每个地面站点为中心的像元边长,RDark是在Spix×Spix像元的每个区域中,暗像元与总晴空像元的比率;T是单时相或三时相数据的样本,NSB是通过机器学习方法从输入特征中选择的重要性高的特征数;
利用所述预处理后的验证样本对全连接神经网络模型进行验证,建立固定气溶胶类型识别模型;
利用所得固定气溶胶类型识别模型,将Himawari-8/AHI静止卫星数据和云产品数据输入以对气溶胶类型进行预测。
2.根据权利要求1所述的方法,其特征在于,所述全连接神经网络模型的建立,通过线性整流函数relu、批量归一化、随机失活Dropout和全连接层参数设置,经过多次迭代,最终建立固定气溶胶类型识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337667.6A CN117409334B (zh) | 2023-10-16 | 2023-10-16 | 一种基于静止卫星遥感数据的气溶胶类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337667.6A CN117409334B (zh) | 2023-10-16 | 2023-10-16 | 一种基于静止卫星遥感数据的气溶胶类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409334A CN117409334A (zh) | 2024-01-16 |
CN117409334B true CN117409334B (zh) | 2024-04-23 |
Family
ID=89488244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311337667.6A Active CN117409334B (zh) | 2023-10-16 | 2023-10-16 | 一种基于静止卫星遥感数据的气溶胶类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409334B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
CN111079835A (zh) * | 2019-12-16 | 2020-04-28 | 安徽大学 | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 |
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
KR20210018739A (ko) * | 2019-08-09 | 2021-02-18 | 한국전자통신연구원 | 에어로졸 탐지 및 에어로졸 유형 분류 방법 |
-
2023
- 2023-10-16 CN CN202311337667.6A patent/CN117409334B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
KR20210018739A (ko) * | 2019-08-09 | 2021-02-18 | 한국전자통신연구원 | 에어로졸 탐지 및 에어로졸 유형 분류 방법 |
CN111079835A (zh) * | 2019-12-16 | 2020-04-28 | 安徽大学 | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 |
CN111783555A (zh) * | 2020-06-08 | 2020-10-16 | 山东科技大学 | 一种使用统一样本的深度学习卫星数据云检测算法 |
Also Published As
Publication number | Publication date |
---|---|
CN117409334A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tapakis et al. | Equipment and methodologies for cloud detection and classification: A review | |
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 | |
CN106355243B (zh) | 一种基于神经网络的水平面太阳直射散射计算系统及方法 | |
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 | |
CN109406361B (zh) | 一种基于遥感技术的干旱区灰霾污染预警方法 | |
CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
CN110749942A (zh) | 适用于静止卫星资料同化的晴空通道检测质量控制方法 | |
CN113340836A (zh) | 一种针对高纬复杂下垫面的大气温湿廓线反演方法 | |
Li et al. | Cloud detection and classification algorithms for Himawari-8 imager measurements based on deep learning | |
CN114813651A (zh) | 一种结合差分学习率与光谱几何特征的遥感水质反演方法 | |
CN115081557A (zh) | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
Liu et al. | Hyperspectral infrared sounder cloud detection using deep neural network model | |
Jee et al. | Development of GK-2A AMI aerosol detection algorithm in the East-Asia region using Himawari-8 AHI data | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN117409334B (zh) | 一种基于静止卫星遥感数据的气溶胶类型识别方法 | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN113408111A (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN117152637A (zh) | 基于fy-4a卫星云图预测序列的强对流云识别方法 | |
CN116558652A (zh) | 一种气象卫星热红外通道在轨辐射定标方法 | |
CN116124716A (zh) | 基于近感高光谱的水质监测方法及装置 | |
CN115546658A (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 | |
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 | |
CN115421220A (zh) | 一种基于深度学习的多因子局部降水指示方法及系统 |
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 |