[发明专利]一种基于深度神经网络的MWHTS模拟亮温计算方法

权利要求书

1.一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，包括以下步骤：

步骤一：建立MWHTS观测亮温与气候学数据集的大气参数在时间和空间上的匹配数据集；

步骤二：根据云水含量将步骤一中建立的匹配数据集分为晴空数据集、有云数据集和有雨数据集，并分别形成对应的晴空分析数据集和晴空验证数据集、有云分析数据集和有云验证数据集、有雨分析数据集和有雨验证数据集；

步骤三：利用步骤二中形成的晴空分析数据集、有云分析数据集和有雨分析数据集分别训练深度神经网络模型，把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入已训练好的相对应的深度神经网络模型，计算MWHTS模拟亮温；

步骤四：分别把步骤二中形成的晴空验证数据集，有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算，基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度与基于深度神经网络的MWHTS模拟亮温的计算精度进行对比，选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的计算结果。

2.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，所述步骤一具体包括：

首先选择的气候学数据集中的大气参数为：温度廓线、湿度廓线、云水廓线、地表温度、地表湿度、地表压强、10m风速以及云水含量；然后按照时间误差小于10分钟，经纬度误差小于0.1°的匹配规则，在时间和空间上对气候学数据集中的这些大气参数与MWHTS观测亮温进行匹配；最后对匹配数据进行质量控制，即删除MWHTS观测亮温和气候学数据集中存在异常值的匹配数据，其中MWHTS亮温值小于180K或者大于310K，以及气候学数据集中的负值均判定为异常值，经过质量控制后的匹配数据形成匹配数据集。

3.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，所述步骤二具体包括：

在步骤一所形成的匹配数据集中，选择出云水含量值为零的匹配数据作为晴空数据集，在晴空数据集中随机选择80%的匹配数据形成晴空分析数据集，剩下的匹配数据形成晴空验证数据集；在步骤一所形成的匹配数据集中，选择出云水含量大于零且小于0.5mm的匹配数据作为有云数据集，在有云数据集中随机选择80%的匹配数据形成有云分析数据集，剩下的匹配数据形成有云验证数据集；在步骤一所形成的匹配数据集中，选择出云水含量大于和等于0.5mm的匹配数据作为有雨数据集，在有雨数据集中随机选择80%的匹配数据形成有雨分析数据集，剩下的匹配数据形成有雨验证数据集。

4.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，所述步骤三具体包括：

首先，晴空验证数据集、有云验证数据集以及有雨验证数据集中的大气参数作为深度神经网络模型的输入，MWHTS观测亮温作为深度神经网络模型的输出，分别利用晴空分析数据集、有云分析数据集和有雨分析数据集对深度神经网络模型进行训练，分别获得晴空深度神经网络模型，有云深度神经网络模型和有雨深度神经网络模型；然后，把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数分别输入相应的晴空深度神经网络模型、有云深度神经网络模型和有雨深度神经网络模型，得到相应的晴空、有云和有雨大气条件下的MWHTS模拟亮温；最后，分别计算晴空、有云和有雨大气条件下的MWHTS模拟亮温与观测亮温之间的均方根误差，分别作为晴空、有云和有雨大气条件下的基于深度神经网络的MWHTS模拟亮温的计算精度。

5.如权利要求1所述的一种基于深度神经网络的MWHTS模拟亮温计算方法，其特征在于，所述步骤四具体包括：

首先，选择基于物理机理建模的辐射传输模型RTTOV作为计算MWHTS模拟亮温的辐射传输模型；然后，分别把晴空验证数据集、有云验证数据集和有雨验证数据集中的大气参数输入到辐射传输模型RTTOV进行MWHTS模拟亮温的计算，并分别获得在晴空、有云和有雨大气条件下的基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度；最后，分别对比在晴空、有云和有雨大气条件下基于深度神经网络的MWHTS模拟亮温的计算精度和相应大气条件下基于辐射传输模型RTTOV的MWHTS模拟亮温的计算精度，选择精度较高的MWHTS通道中的模拟亮温组成MWHTS模拟亮温的最终结果。