[發明專利]基于深度學習的一維綜合孔徑輻射計海面風速反演方法

有效

• 申請號: 202011013771.6
• 申請日: 2020-09-23
• 公開（公告）號: CN112180369B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 艾未華;喬俊淇;劉茂宏;郭朝剛
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G01S13/90
• 分類號: G01S13/90;G01S7/295
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

本發明公開了一種基于深度學習的一維綜合孔徑輻射計海面風速反演方法，包括如下步驟：獲取海面溫度、海水鹽度、海面相對風向、入射角、大氣水汽含量和云液態水含量；將所述海面溫度、海水鹽度、海面相對風向、入射角、大氣水汽含量和云液態水含量輸入至輻射傳輸正演模型，得到仿真亮溫；將所述海面溫度、海水鹽度、海面相對風向、入射角、大氣水汽含量、云液態水含量和仿真亮溫輸入至基于卷積神經網絡構建的深度學習反演模型，得到海面風速。提高了反演精度，為一維綜合成孔徑微波輻射計反演海面風速提供了方法。

技術領域

本發明涉及遙感技術領域，具體涉及一種基于深度學習的一維綜合孔徑輻射計海面風速反演方法。

背景技術

海面風速影響著海氣相互作用，是海洋環境探測的重要物理量。微波遙感器具有全天時、全天候的觀測能力和一定的次表層探測能力，是探測海面風速的主要手段之一。但對于星載平臺，天線的尺寸和重量都受到嚴格的限制，空間分辨率低。綜合孔徑微波輻射計是干涉技術應用于對地觀測的產物，它采用小孔徑天線陣列，解決了微波輻射計高分辨率與龐大天線的矛盾，顯著地提高了分辨率。但是，綜合孔徑微波輻射計的成像方式與實孔徑微波輻射計截然不同，導致已有的實孔徑微波輻射計海面風速反演算法無法適用于一維綜合孔徑微波輻射計。

綜合孔徑微波輻射計的海面風速反演算法需在多入射角條件下完成，并且海面與大氣輻射傳輸受多因素影響，導致，其物理反演方法復雜，不適合星載運算需求。

發明內容

針對現有技術的不足，本發明的目的在于提供一種基于深度學習的一維綜合孔徑輻射計海面風速反演方法，以解決現有技術中存在的反演海面風速困難的的問題。

為實現上述目的，本發明提供如下技術方案：

一種海面風速反演方法，包括如下步驟：

獲取海面溫度、海水鹽度、海面相對風向、入射角、大氣水汽含量和云液態水含量，構成反演數據；

將反演數據依次輸入至輻射傳輸正演模型與一維綜合孔徑微波輻射計模型中，得到仿真亮溫；

將所述海面溫度、海水鹽度、海面相對風向、入射角、大氣水汽含量、云液態水含量和仿真亮溫輸入至基于卷積神經網絡構建的深度學習反演模型，得到海面風速。

進一步的，所述深度學習反演模型的構建方法如下：

獲取歷史反演數據及對應的海面風速，構建初始數據集；

將初始數據集隨機分為初始訓練集和初始驗證集；

將初始訓練集中的歷史反演數據、初始驗證集中的歷史反演數據分別依次輸入到輻射傳輸正演模型與一維綜合孔徑微波輻射計模型中，得到對應的仿真亮溫；

將對應的仿真亮溫分別放回初始訓練集與初始驗證集；

通過帶有仿真亮溫的初始訓練集對深度學習反演模型進行訓練，通過帶有仿真亮溫的初始驗證集對學習反演模型進行驗證，得到最終的深度學習反演模型。

進一步的，所述深度學習反演模型的卷積神經網絡共有10層，其中，第一層為批量歸一化層；第二層為卷積層，第三層為平均池化層，第四層至第九層為卷積層，第十層為全連接層。

進一步的，所述卷積神經網絡的第二層的激活函數為tanh函數；所述卷積神經網絡的第四層至第九層的激活函數為Sigmoid函數。

進一步的，所述tanh函數的表達式為：

所述Sigmoid函數的表達式為：

進一步的，所述驗證過程中通過反演結果與真實值之間的均方根誤差作為評判模型反演精度的標準，所述均方根誤差的計算公式如下：