[发明专利]一种基于机器学习的高精度海表温度反演方法

权利要求书

1.一种基于机器学习的高精度海表温度反演方法，其特征在于该方法包括如下步骤：

步骤(1)、组合时间序列海表温度实测数据；

步骤(2)、准备与海表实测温度数据具有相近时间域的遥感影像数据；

步骤(3)、建立遥感影像是否有云判别标准；

步骤(4)、将步骤(1)与步骤(2)的数据进行时间关联，匹配与实测海表温度空间位置相近的遥感影像数据，按照步骤(3)判别是否为云，将匹配得到遥感影像中波段数据和辅助数据以及是否有云，作为原始特征X'；具体如下；

步骤41.根据是实测数据的时间匹配时间相同的遥感数据，遥感数据的文件名中包含时间信息；

步骤42.以实测海表温度空间位置为中心提取遥感数据，以实测数据位置为中心建立3×3窗口提取与海表温度有关遥感数据的平均值；

步骤43.根据步骤(1)检验步骤(2)中提取的遥感数据是否存在云层；只要一个窗口存在云层在提取的数据中添加“YL＝1”的标签，无云的数据添加“YL＝0”的标签；将卫星天顶角、卫星方位角、太阳天顶角、太阳方位角作为原始特征X'的辅助数据，匹配得到遥感数据中波段数据和辅助数据及云标签作为原始特征X'；

步骤(5)、将步骤(4)数据和实测海表温度数据(Y)进行匹配，形成机器学习训练样本集合；

步骤(6)、根据当前海表温度反演研究，制定扩展特征标准，用以扩展原始特征X'，形成新的特征X；形成新的特征X的方法为；

根据当前海表温度反演研究，将原始特征中所有波段性相减和相除扩展成新的特征，波段性相减和相除拓展特征方式如下式所示，

feature2＝band_i-band_j

其中band_i表示第i波段，band_j表示第j波段；

步骤(7)、对所有特性X进行标准化；

步骤(8)、构建机器学习子模型，以机器学习回归模型:随机森林回归，支持向量机回归，XGBoot回归和ANN作为子模型，训练数据，获得Level0输出数据；构建机器学习子模型，以机器学习回归模型，具体如下：

步骤81.随机森林回归使用CART回归树，利用最小均方差搜索各个特征及特征值划分点，其表达式为，

进而建立随机森林回归模型(RFR)，其中c₁为样本D₁的均值，c₂为样本D₂的均值，A表示特征，s表示切分点；

步骤82.选取样本数据集中80％数据进行训练，对随机森林关键参数：树的数量(n_estimators)和最大特征数(max_features)进行迭代，设置迭代次数为1000，获得模型最优参数，建立最佳随机森林模型；

步骤83.根据步骤(2)中最佳随机森林模型，反演所有样本数据，得到随机森林预测的海表温度序列P₁；

步骤84.基于高斯核函数，其表达式为：

利用scikit-learn构建支持向量机回归模型；

步骤85.选取样本数据集中80％数据进行支持向量机模型训练，基于该训练模型反演所有样本数据，得到支持向量机回归预测的海表温度序列P₂；

步骤86.根据特征数量构建多层神经网络，输入参数为标准化后的特征，输出参数为海表温度，多层神经网络，表达式为；

其中x_i(i＝1,…),N0指输入层中的一个元素,它们表示卫星天顶角、卫星方位角、太阳天顶角、太阳方位角以及原始波段特征和扩展特征总计36个变量；N0＝36表示输入层中的元素数；N₁、N₂和N₃表示三个隐藏层中的神经元数量；w_1，ji，w_2，kj，w_3，lk，w_4，ml，表示三个隐藏层和输出层的权重；b_1，j，b_2，k，b_3，l，和b_4，m，表示三个隐藏层和输出层的偏差值，权重和偏差值由训练算法确定；f代表等式中的双曲正切sigmoid函数，y_m表示输出层中的第m个元素，指第m个波段的遥感反射率，同时m的最大值为10，表示Himawari卫星数据10个亮温波段；

步骤87.根据步骤(6)构建多层神经网络，选取80％样本数据进行迭代训练，将最优模型反演所有样本数据，得到多层神经网络预测的海表温度序列P₃；

步骤(9)、以逻辑回归作为集成模型，以Level0输出数据作为输入，以最小二乘算法作为回归检验算法，集成Level0层输出，得到Level1层输出数据；

步骤(10)、构建机器学习模型反演结果评价指标；

步骤(11)、以步骤(9)输出数据和对应的实测数据结果对，按照步骤(10)评价指标进行模型评判。