[發(fā)明專利]一種基于感知計算的衛(wèi)星遙感數(shù)據(jù)智能獲取方法

有效

• 申請?zhí)枺?/td>: 202110167564.4
• 申請日: 2021-02-07
• 公開（公告）號: CN113220894B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設計）人: 范存群;薛依琪;趙現(xiàn)綱;陸風;林曼筠;國鵬;謝利子;羅敬寧;衛(wèi)蘭;崔鵬;肖萌;張璽;張戰(zhàn)云;張宇;常翔宇;陳素晶;吳強;陳偉
• 申請（專利權(quán)）人: 國家衛(wèi)星氣象中心（國家空間天氣監(jiān)測預警中心）
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/33;G06F16/28;G06F16/25;G06N3/0464;G06N3/08;G06N3/084
• 代理公司: 北京紐樂康知識產(chǎn)權(quán)代理事務所(普通合伙) 11210
• 代理人: 王珂

1.一種基于感知計算的衛(wèi)星遙感數(shù)據(jù)智能獲取方法，其特征在于，該方法包括以下步驟：

S1?根據(jù)不同的衛(wèi)星感知系統(tǒng)對陸地和海洋進行監(jiān)測，通過多通道掃描成像輻射計，采用雙掃描鏡結(jié)合三反射光學系統(tǒng)、線列陣探測器獲取衛(wèi)星遙感數(shù)據(jù)，將收集到的衛(wèi)星遙感數(shù)據(jù)存儲在磁盤陣列RAID中，?并上傳到感知計算大腦；

所述S1中衛(wèi)星遙感數(shù)據(jù)的收集進一步包含：

S1.1采用雙掃描鏡結(jié)合三反射光學系統(tǒng),通過東西與南北方向的掃描鏡分別進行線性掃描成像和步進掃描成像，將來自地球景物的輻射反射到三反射光學系統(tǒng)，將入射輻射分裂成可見光波段、近紅外波段和紅外波段，進行波段成像；

S1.2通過干涉式大氣垂直探測儀，以干涉成像的方式，探測垂直方向的大氣溫度濕度廓線，高頻次獲取觀測地區(qū)的大氣溫濕度廓線和痕量氣體含量，實現(xiàn)大氣溫度和濕度參數(shù)的垂直結(jié)構(gòu)觀測；

S1.3采用微波遙感，通過雷達向目標地物發(fā)射微波,獲取云層、雨區(qū)、地下隱蔽的地點和海洋區(qū)域的衛(wèi)星遙感數(shù)據(jù)；

S2?基于感知計算大腦構(gòu)建知識圖譜，衛(wèi)星遙感數(shù)據(jù)收集過程中，不同的衛(wèi)星數(shù)據(jù)源收集到的衛(wèi)星遙感數(shù)據(jù)有重疊部分和非重疊部分，感知計算大腦通過協(xié)調(diào)八個衛(wèi)星數(shù)據(jù)源收集到的衛(wèi)星遙感數(shù)據(jù)進行綜合判斷，構(gòu)建知識圖譜；

所述S2構(gòu)建知識圖譜進一步包含：

S2.1通過深度學習模型對獲取的衛(wèi)星遙感數(shù)據(jù)進行抽取；

S2.2?進行實體關(guān)系的建立，實體關(guān)系分為兩種，一種是屬性、另一種關(guān)系；

S2.3?基于深度學習模型對三元組進行融合；

S3?感知計算大腦根據(jù)用戶查找的關(guān)鍵字，從知識圖譜中搜索出關(guān)鍵詞相關(guān)聯(lián)的實體關(guān)系信息，生成結(jié)構(gòu)化的衛(wèi)星遙感數(shù)據(jù)，并發(fā)送給用戶；

所述S3用戶查找進一步包含：

S3.1?感知計算大腦檢索知識圖譜，若知識圖譜中用戶查找為多個關(guān)鍵字，則感知計算大腦從知識圖譜中檢索到對應的地區(qū)、降水、云水的信息，感知計算大腦會提取出降雨的時間信息發(fā)送給用戶；

S3.2?若知識圖譜中沒有檢索到用戶查找的關(guān)鍵字，則感知計算大腦重新獲取衛(wèi)星數(shù)據(jù)源的信息，對感知計算大腦進行更新后，再次對用戶的關(guān)鍵字進行檢索。

2.根據(jù)權(quán)利要求1所述的基于感知計算的衛(wèi)星遙感數(shù)據(jù)智能獲取方法，其特征在于，所述S2.1深度學習模型訓練進一步包含：

S2.1.1?讀取衛(wèi)星遙感數(shù)據(jù)的原始數(shù)據(jù)，選出訓練樣本數(shù)據(jù)集，給樣本數(shù)據(jù)集加注標簽，所述標簽的類型包含：實體類、時間類、屬性類、數(shù)字類；

S2.1.2?使用TensorFlow框架的卷積神經(jīng)網(wǎng)絡模型進行訓練，運用訓練樣本數(shù)據(jù)集進行深度學習，將待訓練的樣本數(shù)據(jù)集輸入到卷積神經(jīng)網(wǎng)絡模型后，初始化參數(shù)經(jīng)過前向傳播得到卷積神經(jīng)網(wǎng)絡模型的輸出值，計算輸出值和實際標簽的誤差，根據(jù)誤差求導計算梯度，通過反向傳播更新網(wǎng)絡，通過往復循環(huán)訓練出優(yōu)化的卷積神經(jīng)網(wǎng)絡模型；

S2.1.3?最后將獲取的衛(wèi)星遙感數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡模型得到分類結(jié)果，完成衛(wèi)星遙感數(shù)據(jù)抽取。

3.根據(jù)權(quán)利要求1所述的基于感知計算的衛(wèi)星遙感數(shù)據(jù)智能獲取方法，其特征在于，所述S2.2實體關(guān)系的建立進一步包含：

S2.2.1?根據(jù)實體關(guān)系的綜合數(shù)據(jù)構(gòu)成三元組，即實體-關(guān)系-實體或?qū)嶓w-屬性-性值，將實體看作是結(jié)點，實體關(guān)系看作是一條線，由大量三元組的知識庫形成一個龐大的知識圖譜，將知識譜圖存儲在圖數(shù)據(jù)庫Neo4j中。

4.根據(jù)權(quán)利要求1所述的基于感知計算的衛(wèi)星遙感數(shù)據(jù)智能獲取方法，其特征在于，所述S2.3融合三元組進一步包含：

S2.3.1?計算實體相似度，綜合不同的衛(wèi)星數(shù)據(jù)源，判斷知識圖譜中的同名實體之間是否代表不同的含義，以及知識圖譜中是否存在其他命名實體與之表示相同的含義，消除歧義和冗余，并處理錯誤衛(wèi)星遙感數(shù)據(jù)。