[发明专利]一种基于深度学习的地表太阳辐射计算方法

说明书

本发明公开一种基于深度学习的地表太阳辐射计算方法，解决现有方法计算时间长、普适性差、无法应用在有云条件的问题。所述方法，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。本发明实现了对地表太阳辐射的全面、快速、准确计算。

技术领域

本发明涉及卫星遥感反演领域，尤其涉及一种基于深度学习的地表太阳辐射计算方法。

背景技术

现有的常用于计算地表太阳短波辐射的方法有传统的辐射传输方程法、经验模型。传统的辐射传输方程法物理模型复杂，计算量大，从而导致计算时间过长，因而在业务化运行时会被慎重考虑；经验模型主要依靠大量的地表实测数据，建立气象参数(如温度、湿度、降水、云参数和气溶胶含量等)与地表太阳短波辐射实测值之间的回归关系，该模型取决于当地的实际地理环境情况，因而普适性不高。同时这些方法常应用于晴空条件下的地表太阳短波辐射计算，而在有云条件下则未进行考虑。

发明内容

本发明提供一种基于深度学习的地表太阳辐射计算方法，解决现有方法计算时间长、普适性差、无法应用在有云条件的问题。

本发明实施例指出一种基于深度学习的地表太阳辐射计算方法，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。

进一步地，在上述步骤之后，所述方法还包含：实时提取卫星的大气产品中的太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率参数，采用所述深度学习模型，计算得到地表太阳辐射计算结果。

优选地，所述地表太阳短波辐射数据集包含三种云相态的数据：晴空、水云、冰云。

优选地，所述基于大气辐射传输模型，构建地表太阳短波辐射数据集的步骤，进一步包含：

基于大气辐射传输模型，模拟得到每个像元的像素值和对应的气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数，所述气溶胶卫星气溶胶产品包含气溶胶比例系数、气溶胶附加系数，所述卫星云产品包含云相态比例系数、云相态附加系数、云光学厚度比例系数、云光学厚度附加系数、云粒子有效半径比例系数、云粒子有效半径附加系数，所述水汽产品包含水汽含量比例系数、水汽含量附加系数，所述卫星太阳几何包含太阳天顶角比例系数、太阳天顶角附加系数，所述地表条件参数包含地表反照率比例系数、地表反照率附加系数；

将每个像元的所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数转换为所述气溶胶光学厚度、云相态、云光学厚度、云粒子有效半径、大气水汽含量、太阳天顶角、地表反照率：

y＝k_i×DN+b_i，i＝1,2,3,…,7