[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

说明书

本发明提供了一种基于神经网络的星载遥感水汽空间反演方法及系统，其属于水汽反演预测技术领域，所述方案包括：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。

技术领域

本发明属于水汽空间反演预测技术领域，尤其涉及一种基于神经网络的星载遥感水汽空间反演方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

虽然目前已经提出了大量针对PWV（Precipitable Water Vapor）反演的神经网络算法，并且也取得了不错的效果，但是，这些算法大多数都是通过例如NCEP（国家环境预测中心）和ECMEF（欧洲中尺度天气预报中心）的再分析数据建立的。

与再分析数据相比，地基GNSS（全球导航卫星系统）观测可以在固定测站上提供更高精度和时间分辨率PWV值。然而，发明人发现，GNSS测站的零散分布降低了算法的空间通用性，现有的联合星载遥感数据和地基GNSS数据，且基于地基GNSS测站建立的神经网络算法通常只是在固定GNSS站上进行时域验证，而对于未建设有GNSS测站的地区，由于其不存在相应GNSS测站历史数据，导致无法利用神经网络算法进行准确的PWV反演；同时，由于空间中复杂的土地覆盖类型，尤其是在微波反演中，土地覆盖类型的复杂性导致了微波发射率参数的多变性，进而导致基于固定站建立的算法仍然是点域算法，没有扩展到空间域。

发明内容

本发明为了解决上述问题，提供了一种基于神经网络的星载遥感水汽空间反演方法及系统，所述方法通过在神经网络模型的构建中引入GNSS测站的经纬度数据作为空间参数，使得该方法从点域扩展到空间域；同时，结合土地覆盖类型对反演精度的影响，实现对包括未设置GNSS测站在内的所有地域PWV的精确反演。

根据本发明实施例的第一个方面，提供了一种基于神经网络的星载遥感水汽空间反演方法，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。

进一步的，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。

进一步的，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。

进一步的，所述位置信息采用经纬度信息。