[發(fā)明專利]一種全球海洋表面亮溫確定方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110729585.0
• 申請日: 2021-06-29
• 公開（公告）號: CN113435119B
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 鄢俊潔;瞿建華;冉茂農(nóng);史墨杰;卜鵬舉
• 申請（專利權(quán)）人: 北京華云星地通科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 王愛濤

1.一種全球海洋表面亮溫確定方法，其特征在于，包括：

獲取單層數(shù)據(jù)集和氣壓層數(shù)據(jù)集；所述單層數(shù)據(jù)集包括：衛(wèi)星方位角、衛(wèi)星天頂角、緯度、經(jīng)度、地表氣壓、2米比濕、2米溫度、10米U風量以及10米V風量；所述氣壓層數(shù)據(jù)集包括：溫度廓線、臭氧廓線、比濕廓線以及氣壓廓線數(shù)據(jù)；

根據(jù)所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集，采用深度學習方法，確定訓練好的AI-RTTOV深度網(wǎng)絡(luò)；所述AI-RTTOV深度網(wǎng)絡(luò)包括局部連接層、殘差連接層、多層感知器層以及輸出層；所述AI-RTTOV深度網(wǎng)絡(luò)將輸入的單層數(shù)據(jù)集和氣壓層數(shù)據(jù)集首先經(jīng)過原始特征映射與殘差學習，其次將學習得到的特征輸入多層感知器層進行深層次特征提取，并將不同層次網(wǎng)絡(luò)特征進行融合，輸出基于RTTOV模擬的FY3-D MWHS 183±1GHz的全球范圍海洋上亮溫值；

根據(jù)所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集，利用所述訓練好的AI-RTTOV深度網(wǎng)絡(luò)確定基于RTTOV模擬的FY3-D MWHS 183±1GHz的全球范圍海洋上亮溫值。

2.根據(jù)權(quán)利要求1所述的一種全球海洋表面亮溫確定方法，其特征在于，所述根據(jù)所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集，采用深度學習方法，確定訓練好的AI-RTTOV深度網(wǎng)絡(luò)，具體包括：

將所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集分別分為訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集；

利用所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集劃分的訓練數(shù)據(jù)集、驗證數(shù)據(jù)集進行AI-RTTOV深度網(wǎng)絡(luò)的訓練與超參數(shù)調(diào)優(yōu)；

利用所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集劃分的測試集進行訓練好的AI-RTTOV深度網(wǎng)絡(luò)的測試。

3.根據(jù)權(quán)利要求1所述的一種全球海洋表面亮溫確定方法，其特征在于，所述局部連接層的核大小為3，步長為1。

4.根據(jù)權(quán)利要求1所述的一種全球海洋表面亮溫確定方法，其特征在于，所述輸出層的激活函數(shù)為linear激活函數(shù)。

5.根據(jù)權(quán)利要求1所述的一種全球海洋表面亮溫確定方法，其特征在于，所述局部連接層、殘差連接層以及多層感知器層的激活函數(shù)均為relu激活函數(shù)。

6.一種全球海洋表面亮溫確定系統(tǒng)，其特征在于，包括：

數(shù)據(jù)集獲取模塊，用于獲取單層數(shù)據(jù)集和氣壓層數(shù)據(jù)集；所述單層數(shù)據(jù)集包括：衛(wèi)星方位角、衛(wèi)星天頂角、緯度、經(jīng)度、地表氣壓、2米比濕、2米溫度、10米U風量以及10米V風量；所述氣壓層數(shù)據(jù)集包括：溫度廓線、臭氧廓線、比濕廓線以及氣壓廓線數(shù)據(jù)；

深度網(wǎng)絡(luò)確定模塊，用于根據(jù)所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集，采用深度學習方法，確定訓練好的AI-RTTOV深度網(wǎng)絡(luò)；所述AI-RTTOV深度網(wǎng)絡(luò)包括局部連接層、殘差連接層、多層感知器層以及輸出層；所述AI-RTTOV深度網(wǎng)絡(luò)將輸入的單層數(shù)據(jù)集和氣壓層數(shù)據(jù)集首先經(jīng)過原始特征映射與殘差學習，其次將學習得到的特征輸入多層感知器層進行深層次特征提取，并將不同層次網(wǎng)絡(luò)特征進行融合，輸出基于RTTOV模擬的FY3-D MWHS 183±1GHz的全球范圍海洋上亮溫值；

亮溫值確定模塊，用于根據(jù)所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集，利用所述訓練好的AI-RTTOV深度網(wǎng)絡(luò)確定基于RTTOV模擬的FY3-D MWHS183±1GHz的全球范圍海洋上亮溫值。

7.根據(jù)權(quán)利要求6所述的一種全球海洋表面亮溫確定系統(tǒng)，其特征在于，所述深度網(wǎng)絡(luò)確定模塊具體包括：

數(shù)據(jù)集劃分單元，用于將所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集分別分為訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集；

深度網(wǎng)絡(luò)訓練單元，用于利用所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集劃分的訓練數(shù)據(jù)集、驗證數(shù)據(jù)集進行AI-RTTOV深度網(wǎng)絡(luò)的訓練與超參數(shù)調(diào)優(yōu)；

深度網(wǎng)絡(luò)測試單元，用于利用所述單層數(shù)據(jù)集和所述氣壓層數(shù)據(jù)集劃分的測試集進行訓練好的AI-RTTOV深度網(wǎng)絡(luò)的測試。