[发明专利]基于神经网络的星载遥感水汽空间反演方法及系统

权利要求书

1.一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，包括：

获取空基遥感观测数据、土地覆盖类型数据以及地基GNSS水汽观测数据；

基于线性插值算法，在全球内对获取的三类数据进行时空匹配，获得全球范围内的匹配数据；

基于待水汽反演区域的位置信息及所述全球范围内的匹配数据，确定当前位置信息对应的匹配数据；

将所述位置信息及其对应的匹配数据输入预先训练的深度学习模型，输出待水汽反演区域的水汽反演结果；其中，所述位置信息采用经纬度信息，所述对应的匹配数据包括亮度温度极化差、地表高程以及地表温度；

基于全球范围内的匹配数据中的土地覆盖类型对获得的待水汽反演区域的水汽反演结果进行精确度评价。

2.如权利要求1所述的一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，所述深度学习模型的训练过程具体为：

获取空基遥感观测历史数据、土地覆盖类型历史数据以及地基GNSS水汽观测历史数据；

基于线性插值算法，在全球内对获取的三类历史数据进行时空匹配，获得全球范围内的历史匹配数据；

以所述历史匹配数据作为训练集，对构建的深度学习模型进行训练，获得训练好的深度学习模型。

3.如权利要求1所述的一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，所述对获取的三类数据进行时空匹配，具体包括空间匹配和时间匹配，所述空间匹配为基于GNSS测站的经纬度分别在AMSR2全球网格数据及MODIS全球网格数据中查询测站周围的4个点，并分别利用双线性插值法确定测站的亮度温度和土地覆盖类型；所述时间匹配为基于AMSR2扫描时间最接近的两个GNSS观测时间对应的大气可降水量值，根据线性插值确定AMSR2扫描时间的PWV值。

4.如权利要求1所述的一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，所述深度学习模型的训练过程中，其输入层包括历史匹配数据中多种频率下的亮度温度极化差、地表高程、地表温度以及经纬度值，输出层为历史匹配数据中的大气可降水量值。

5.如权利要求4所述的一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，所述多种频率包括18GHz、23GHz、36GHz及89GHz。

6.如权利要求1所述的一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，所述空基遥感观测数据采用AMSR2全球网格数据，所述土地覆盖类型数据采用MODIS全球网格数据，所述地基GNSS水汽观测数据采用Suominet GNSS测站数据。

7.如权利要求6所述的一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，所述MODIS全球网格数据，具体为：每个网格点由一个整数表示该区域的土地覆盖类别，其取值范围为大于等于0且小于等于16的整数。

8.如权利要求1所述的一种基于神经网络的星载遥感水汽空间反演方法，其特征在于，所述深度学习模型采用BP神经网络型。

9.一种基于神经网络的星载遥感水汽空间反演系统，其特征在于，包括：

数据获取单元，其用于获取空基遥感观测数据、土地覆盖类型数据以及地基GNSS水汽观测数据；

时空匹配单元，其用于基于线性插值算法，在全球内对获取的三类数据进行时空匹配，获得全球范围内的匹配数据；

水汽反演单元，其用于基于待水汽反演区域的位置信息及所述全球范围内的匹配数据，确定当前位置信息对应的匹配数据；将所述位置信息及其对应的匹配数据输入预先训练的深度学习模型，输出待水汽反演区域的水汽反演结果；其中，所述位置信息采用经纬度信息，所述对应的匹配数据包括亮度温度极化差、地表高程以及地表温度；

评价单元，其用于基于全球范围内的匹配数据中的土地覆盖类型对获得的待水汽反演区域的水汽反演结果进行精确度评价。