一種利用衛星遙感數據反演海洋三維溫鹽場的方法技術

本發明專利技術公開了一種利用衛星遙感數據反演海洋三維溫鹽場的方法，屬于海洋觀測領域；具體為首先，針對待處理的海洋區域，獲取歷史數據構建訓練集；然后，構建基于U

【技術實現步驟摘要】
一種利用衛星遙感數據反演海洋三維溫鹽場的方法


[0001]本專利技術屬于海洋觀測
，具體涉及一種利用衛星遙感數據反演海洋三維溫鹽場的方法。

技術介紹

[0002]衛星可以提供大范圍的海洋遙感信息，但是其局限性在于衛星遙感只能觀測海洋表面，為了獲取更豐富的海面以下的海洋參數，需要利用衛星遙感反演技術，結合海洋表面的參數特征，如海表面溫度(SST)，海表面鹽度(SSS)和海表面高度(SSH)等，對海面以下的參數信息進行反演計算，提高了遙感數據的利用價值和利用效率。
[0003]現有的衛星遙感智能反演算法中，常采用三類神經網絡：全連接神經網絡(ANN)、卷積神經網絡(CNN)和長短期記憶網絡(LSTM)；其中，ANN能抓取足夠充分的信息，但是其計算量相對較大；CNN能在減小計算量的同時抓取空間特征，但是其存在信息丟失的問題；LSTM能較好的抓取時間規律特征，但是其在空間特征抓取上有所欠缺。
[0004]目前，還沒有能在保證可行性前提下彌補以上缺點的智能反演算法。

技術實現思路

[0005]針對上述問題，本專利技術提出了一種利用衛星遙感數據反演海洋三維溫鹽場的方法，能夠有效彌補現有智能反演算法中的缺陷問題。
[0006]具體步驟如下：
[0007]步驟一：針對待處理的海洋區域，獲取歷史衛星遙感數據和海洋歷史再分析數據，分別構建訓練樣本數據集和訓練標簽數據集；
[0008]衛星遙感數據包括SST、SSS和SSH，每種數據分別是一個二維矩陣；
[0009]將各衛星遙感數據根據各自的時刻打上相應的時間標簽，構成時間二維矩陣；
[0010]然后，將3個衛星遙感數據的二維矩陣和時間二維矩陣合并成4層的三維矩陣，即構建出訓練樣本數據集S＝{S1,S2,...,S
n
}；
[0011]同時，提取歷史再分析資料中對應時刻的溫鹽場，構建訓練標簽數據集L＝{L1,L2,...,L
n
}。
[0012]步驟二：構建基于U
?
Net神經網絡的深度學習網絡模型；
[0013]所述深度學習網絡模型包括：卷積層、跳躍連接、下采樣和上采樣。
[0014]其中，卷積層包括卷積操作、批標準化操作和激活函數，下采樣為平均值池化操作，上采樣為雙線性插值；卷積核大小為3
×
3；
[0015]U
?
Net神經網絡前半部分的作用是特征提取，后半部分的作用是上采樣；通過在不同卷積層建立跳躍連接，使不同卷積層中的所有信息都能在上采樣過程中得到保留，避免信息丟失。
[0016]步驟三：利用訓練樣本數據集和訓練標簽數據集對深度學習網絡進行訓練，得到智能反演模型。
[0017]具體步驟為：
[0018]首先，人為根據實際需要設定深度學習網絡的超參數：學習率和訓練次數等。
[0019]學習率采用自適應可變學習率，以適應不同應用需求；訓練次數主要是依據網格大小直接設定。
[0020]然后，將訓練樣本數據集S＝{S1,S2,...,S
n
}，以4層圖片的形式輸入深度學習網絡中；
[0021]其中，輸入數據為4*512*512；通過2次卷積變為16*512*512的三維特征矩陣S1；該矩陣S1將流向兩條不同的路徑：
[0022]一條路徑是下采樣，通過池化操作水平網格數縮小2倍，變成16*256*256，并通過2次卷積變為32*256*256的矩陣特征S2；
[0023]矩陣特征S2繼續流向兩條不同的路徑：一條為下采樣，通過池化操作水平網格數縮小2倍，變成32*128*128，并通過2次卷積變為64*128*128的矩陣特征S3；
[0024]矩陣特征S3繼續流向兩條不同的路徑：一條為下采樣，通過池化操作水平網格數縮小2倍，變成64*64*64，并通過2次卷積變為128*64*64的矩陣特征S4；
[0025]矩陣特征S4繼續流向兩條不同的路徑：一條為下采樣，通過池化操作水平網格數縮小2倍，變成128*32*32的矩陣特征S5，并通過2次卷積輸出；另一條為跳躍連接，矩陣特征S4與經上采樣的特征矩陣S5合并，形成64*64*64的特征矩陣S6，并通過2次卷積輸出；
[0026]矩陣特征S3另一條為跳躍連接，該矩陣與經上采樣的特征矩陣S6合并，形成128*128*128的特征矩陣S7，并通過2次卷積輸出；
[0027]矩陣特征S2另一條為跳躍連接，該矩陣與經上采樣的特征矩陣S7合并，形成64*256*256的特征矩陣S8，并通過2次卷積輸出；
[0028]矩陣特征S1另一條路徑是跳躍連接，該矩陣將與上采樣得到的特征矩陣S8合并，形成32*512*512的特征矩陣并通過2次卷積輸出；
[0029]所述U
?
Net神經網絡采用Adam梯度下降法作為優化器，MSEloss損失函數作為代價函數，激活函數采用ReLU；采用自適應學習率的方法逐步對U
?
Net神經網絡中的參數進行訓練，通過多次的迭代循環后得到最優的參數，將最優參數下的深度學習網絡作為智能反演模型；
[0030]步驟四：輸入新時刻下采集的衛星遙感數據，利用智能反演模型得到對應的海洋三維溫鹽場；
[0031]具體步驟為：
[0032]首先，將新時刻采集的衛星遙感數據SST、SSS、SSH根據時刻打上相應的時間標簽，構成時間矩陣集；
[0033]然后，將衛星遙感數據和時間矩陣集堆疊，得到測試樣本數據集T＝{T1,T2,...,T
n
}；
[0034]最后，將測試樣本數據集T＝{T1,T2,...,T
n
}直接輸入到智能反演模型中，得到海面以下的溫鹽場。
[0035]本專利技術的有益效果為：
[0036]本專利技術一種利用衛星遙感數據反演海洋三維溫鹽場的方法，利用U
?
Net神經網絡，設計了一種具有時空學習特性的智能反演方案。可以有效抓取空間特征規律并改善卷積神
經網絡的信息丟失問題，同時由于加入了時間變量使得反演模型具備了學習時間規律特征的能力。在保證實際可行性前提下提高了反演精確度，提高了衛星遙感數據的利用價值和利用效率，同時具備良好的通用性。
附圖說明
[0037]圖1是本專利技術利用衛星遙感數據反演海洋三維溫鹽場的智能算法的步驟流程圖；
[0038]圖2是本專利技術將訓練樣本數據集以4層圖片的形式輸入深度學習網絡中示意圖；
[0039]圖3是本專利技術實施例中反演模型架構示意圖；
具體實施方式
[0040]下面結合附圖并舉實施例，對本專利技術進行詳細描述。
[0041]本專利技術一種利用衛星遙感數據反演海洋三維溫鹽場的方法，如圖1所示，包括如下步驟：
[0042]步驟一：針對待處理的海洋區域，獲取歷史衛星遙感數據和海洋歷史再分析數據，分別構建訓練樣本數據集和訓本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種利用衛星遙感數據反演海洋三維溫鹽場的方法，其特征在于，具體包括以下步驟：首先，針對待處理的海洋區域，獲取歷史衛星遙感數據和海洋歷史再分析數據，分別構建訓練樣本數據集和訓練標簽數據集；然后，構建基于U
?
Net神經網絡的，包括卷積層、跳躍連接、下采樣和上采樣的深度學習網絡模型；通過在不同卷積層建立跳躍連接，使不同卷積層中的所有信息都能在上采樣過程中得到保留；接著，利用訓練樣本數據集和訓練標簽數據集對深度學習網絡進行訓練，得到智能反演模型；最后，輸入新時刻下采集的衛星遙感數據，利用智能反演模型得到對應的海洋三維溫鹽場。2.如權利要求1所述的一種利用衛星遙感數據反演海洋三維溫鹽場的方法，其特征在于，所述衛星遙感數據包括SST、SSS和SSH，每種數據分別是一個二維矩陣；將各衛星遙感數據根據各自的時刻打上相應的時間標簽，構成時間二維矩陣；然后，將3個衛星遙感數據的二維矩陣和時間二維矩陣合并成4層的三維矩陣，即構建出訓練樣本數據集S＝{S1,S2,...,S
n
}；同時，提取歷史再分析資料中對應時刻的溫鹽場，構建訓練標簽數據集L＝{L1,L2,...,L
n
}。3.如權利要求1所述的一種利用衛星遙感數據反演海洋三維溫鹽場的方法，其特征在于，所述卷積層包括卷積操作、批標準化操作和激活函數，下采樣為平均值池化操作，上采樣為雙線性插值；卷積核大小為3
×
3。4.如權利要求1所述的一種利用衛星遙感數據反演海洋三維溫鹽場的方法，其特征在于，所述對深度學習網絡進行訓練，得到智能反演模型的具體步驟為：首先，人為根據實際需要設定深度學習網絡的超參數：學習率和訓練次數；然后，將訓練樣本數據集S＝{S1,S2,...,S
n
}，以4層圖片的形式輸入深度學習網絡中；其中，輸入數據為4*512*512；通過2次卷積變為16*512*512的三維特征矩陣S1；該矩陣S1將流向兩條不同的路徑：一條路徑是下采樣，通過池化操作水平網格數縮小2倍，變成16*256*256，并通過2次卷積變為32*256*256的矩陣特征S2；矩陣特征S2繼...

【專利技術屬性】
技術研發人員：高峰，毛鍇，張紹晴，李云波，鐘健，劉廠，
申請(專利權)人：哈爾濱工程大學，
類型：發明
國別省市：