[发明专利]一种基于机器学习的高精度海表温度反演方法

说明书

本发明公开了一种基于机器学习的高精度海表温度反演方法，该方法通过堆栈泛化构建的机器学习模型可以降低云层对不同波段频谱噪声影响，通过扩展亮度温度波段特征和实测温度相匹配反演含云遥感数据的海面温度，解决传统算法无法预估含云遥感数据的问题。同时，构建的模型不需要预处理数据，直接将匹配的数据用于海面温度的反演，减少反演繁琐步骤，提高了海表温度反演精度。

技术领域

本发明涉及海表温度的反演算法模型，特别是针对现有海表温度(SST)反演算法模型参数构建繁琐，且反演精度易受频谱噪声的影响，尤其是无法预估有云遥感数据的海表温度的缺点，基于机器学习实现有云无云情况下高精度海面温度一致性反演。

背景技术

海表温度(Sea surface temperature，SST)是预估海洋和大气之间复杂关系的基础物理变量，对渔业的环境和可持续管理具有重要的影响，可以为水产养殖的活动和规划提供重要的信息。参考现有科学文献中海表温度的研究，简单的线性回归算法预估海面温度容易受到大气和海域变化的影响降低反演精度，一些非线性算法在一定程度上能够消除大气和海域的影响，但受到外界不确定因素反演精度相对较低。此外，受到云层干扰无法预测含云遥感数据的海温。

现有最为广泛的反演算法是非线性海表温度反演算法，非线性算法能够较高精度的预估海面温度，但是面向全球海温，非线性算法主要表现以下：算法无法反演含云数据的海面温度，只能剔除云遮挡的数据，预估晴空数据的海面温度；算法需要繁琐的数据预处理，通过拟合的方式得到预估海温的表达式。

例如，中国专利申请201510812028.X公开了一种基于Landsat8数据的海表温度反演方法及系统。该方法包括：读入Landsat8光学与热红外遥感图像及与其对应的大气廓线数据；基于水体与海水发射率数据，结合Landsat8热红外传感器TIRS的光谱响应函数，以大气廓线为驱动，模拟在不同大气状况、不同海表温度与发射率等组合条件下TIRS两个通道在大气层顶的通道亮温；利用获得的大气柱水汽含量，将大气柱水汽含量分为若干区间，并结合劈窗算法构建各个水汽含量区间的海表温度反演算法，进而计算海表温度并输出结果。

前面该专利是通过劈窗算法构建海表温度反演算法，虽然在一定程度上能够消除大气和海域的影响，但受到外界不确定因素反演精度相对较低；此外，易受到云层干扰无法预测含云遥感数据的海温。

发明内容

基于此，为了解决上述问题，本发明的首要目的在于提供一种基于机器学习的高精度海表温度反演方法，该方法针对现有海表温度反演算法模型参数构建繁琐，且反演精度易受频谱噪声的影响，尤其是无法预估有云遥感数据的海表温度的缺点，提出了一种基于机器学习的实现有云无云情况下高精度海面温度一致性反演。

本发明的另一个目的在于提供一种基于机器学习的高精度海表温度反演方法，该方法构建的反演模型可以有效地解决以上问题，通过堆栈泛化构建的机器学习模型可以降低云层对不同波段频谱噪声影响，通过扩展亮度温度波段特征和实测温度相匹配反演含云遥感数据的海面温度，解决传统算法无法预估含云遥感数据的问题。此外构建的模型不需要预处理数据，直接将匹配的数据用于海面温度的反演，减少反演繁琐步骤，提高了海表温度反演精度。

本发明的再一个目的在于提供一种基于机器学习的高精度海表温度反演方法，该方法选取Himawari-8数据利用堆栈泛化技术基于机器学习算法进行高精度海表温度反演，有利于建立满足机器学习模型的反演海表温度的数据集，通过特征扩展方法，消除部分频谱噪声，提高单个机器学习精度，利用堆栈泛化技术，消除云噪声带来的海表温度反演误差。

为实现上述目的，本发明提供如下技术方案：

一种基于机器学习的高精度海表温度反演方法，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；