[發(fā)明專利]基于靜止衛(wèi)星的地面熱異常識別算法

在審

• 申請?zhí)枺?/td>: 202011550067.4
• 申請日: 2020-12-24
• 公開（公告）號: CN112834040A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計）人: 趙飛
• 申請（專利權(quán)）人: 合肥冬行信息科技有限公司
• 主分類號: G01J5/00
• 分類號: G01J5/00;G01D21/02;G06K9/00;G06K9/52;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于靜止衛(wèi)星的地面熱異常識別算法，其特征在于：包括以下步驟：

S1、獲取靜止衛(wèi)星的中紅外通道的像元亮度DN值及觀測幾何角度數(shù)據(jù)集，首先將DN值轉(zhuǎn)換為光強I，

I＝α*DN+β

S2、進而將光強轉(zhuǎn)換為輻射亮溫：

其中α，β為定標常數(shù)，h為普朗克常數(shù)，c為光速，k為玻爾茲曼常數(shù)，λ為中心波長；

S3、利用靜止衛(wèi)星觀測獲取周平均下的地表植被指數(shù)NDVI，地表植被含水量NDWI；

S4、利用靜止衛(wèi)星觀測的高時間分辨率優(yōu)勢以提高信噪比，多次(次數(shù)為N)重復(fù)觀測噪聲信號降低正比于

S5、獲取時間鄰域的N個連續(xù)觀測值，空間領(lǐng)域5*5格點區(qū)域的靜止衛(wèi)星觀測的紅外亮溫、觀測角度、模擬的溫度、壓強、風(fēng)速、風(fēng)向、相對濕度、累積降水量、大氣水汽柱總量、臭氧柱總量以及地表覆蓋類型；

S6、模型采用深度時空卷積神經(jīng)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如下：

y^predict＝f(T_b1,T_b2,...,T_bN,soz,raa,O₃,RH,Temperature,

Wind,Water,Precipitation,NVDI,NDWI,Land_Use,DEM)

其中y^predict為模型模擬的火輻射強度，T_b1,T_b2,...,T_bN為衛(wèi)星紅外通道亮溫，soz為太陽天頂角，raa為相對方位角，RH為地表相對濕度，Temperature為地表溫度，Wind為風(fēng)速及風(fēng)向，O₃為臭氧柱總量，Water為水汽柱總量，Precipitation為五日內(nèi)的累積降水量，NDVI為歸一化的植被指數(shù)，NDWI為歸一化的水體指數(shù)，DEM為海拔高度，Land_use為地表類型；

X_{output_layer}＝X_{input_layer}+F(X_{input_layer},Θ)

其中X_{input_layer}為輸入層，X_{output_layer}為輸出層，F(xiàn)為傳遞函數(shù)，θ為訓(xùn)練參數(shù)。

2.根據(jù)權(quán)利要求1所述的基于靜止衛(wèi)星的地面熱異常識別算法，其特征在于：所述步驟S3中考慮衛(wèi)星觀測輻射亮溫受到地表溫度，大氣水汽以及臭氧在紅外波段的吸收影響；通過WRF-Chem模擬得到溫度、壓強、風(fēng)速、風(fēng)向、相對濕度、累積降水量、水汽柱總量、臭氧含量等數(shù)據(jù)，將數(shù)據(jù)重新格點到相同坐標尺度下；以及考慮到衛(wèi)星觀測與地形關(guān)系，使用地表高程數(shù)據(jù)；以及考慮到地表熱異常的不同類型：林火、草原火災(zāi)、秸稈燃燒、工廠熱源、爆炸等等，采用高精度的地表類型數(shù)據(jù)，這些數(shù)據(jù)作為熱異常的潛在指示依據(jù)，為紅外通道輻射亮溫提供判定依據(jù)。

3.根據(jù)權(quán)利要求1所述的基于靜止衛(wèi)星的地面熱異常識別算法，其特征在于：所述步驟S4中考慮到靜止衛(wèi)星觀測信噪比問題，不采用簡單的取平均值的做法，考慮到觀測亮溫可能受到多種瞬時效應(yīng)影響以及熱異常發(fā)生的瞬時性，采用深度時空卷積時空網(wǎng)絡(luò)模型來提取時空背景特征以及熱異常的突發(fā)性特征。

4.根據(jù)權(quán)利要求1所述的基于靜止衛(wèi)星的地面熱異常識別算法，其特征在于：所述步驟S5中獲取空間鄰域下與時間標量下的：地表高程、地表類型、NDVI、NDWI數(shù)據(jù)；標簽數(shù)據(jù)采用MODIS、VIIRS等極軌衛(wèi)星觀測到的地表熱異常火強度數(shù)據(jù)集。

5.根據(jù)權(quán)利要求1所述的基于靜止衛(wèi)星的地面熱異常識別算法，其特征在于：所述步驟S6中更為具體的，對于每個子模塊有：

X_{output_layer}(t,t-1,...,t-k)＝ConvLSTM (X_{input_layer}(t,t-1,...,t-k))

對于不同輸出層采用不同的時間軸長度k,對于最終輸出層之前的輸出層,k＝N即輸入數(shù)據(jù)序列長度，對于最終輸出層k＝0。

損失函數(shù)：

其中為模型預(yù)測結(jié)果，為樣本標簽。