[发明专利]基于PSO-DNN的HY-2B扫描微波辐射计海面风速反演方法和装置

说明书

本发明公开了一种基于PSO‑DNN的HY‑2B扫描微波辐射计海面风速反演方法和装置，包括：收集数据集，所述数据集包括中国海洋卫星HY‑2B扫描微波辐射计L2A_TC数据、欧洲中期天气预报中心ECMWF数据和美国数据浮标中心NDBC数据；对数据集预处理，基于时空匹配原则进行匹配，将ECMWF数据作为风速参考真值，得到匹配数据集，将匹配数据集分为训练集和测试集；用训练集对预先构建的神经模型进行训练，得到训练好的PSO‑DNN反演模型；使用测试集对训练好的PSO‑DNN反演模型进行性能评估；将NDBC数据作为风速参考真值，对PSO‑DNN反演模型获得的海面风速进行评估。利用粒子群算法结构简单、运算高效的特点，对深度神经网络输出结果进行优化，能够快速且准确地优化出组合反演模型，提高海面风速反演精度。

技术领域

本发明涉及海面风场微波遥感技术领域，特别涉及一种基于 PSO-DNN的HY-2B扫描微波辐射计海面风速反演方法和装置。

背景技术

海面风场作为海洋动力学的重要因素，决定了海洋环流的强度和流向，影响着海洋与大气之间的交换，与全球水循环息息相关，从而间接影响着地球气候，对海面风场进行精确探测与深入研究具有重要意义。目前搭载在遥感卫星上用于探测海面风场的传感器可分为主动式和被动式两种：主动式有微波散射计、微波高度计和合成孔径雷达；被动式传感器有微波辐射计。微波辐射计可以穿透云层，能够实现对海面风速、海面盐度、海面温度等海洋物理状态信息的全天候监测。海面风场对于区域和全球气候变化的研究，以及气候预报有不可替代的重要作用。因此，研究微波辐射计的海面风速遥感对全球环境的深入研究有重要意义。

目前，进行海面风速反演的方法有：物理反演方法和神经网络反演方法。物理反演方法是目前使用最为广泛的方法，该方法从物理角度出发，首先基于微波辐射传输方程建立HY-2B辐射计观测亮温与海面风速的函数关系(正演模型)，然后反演时，利用最小二乘优化方法，通过迭代反演出海面风速，最后通过与现场观测数据进行对比分析验证算法的有效性。采用物理反演方法的问题在于：由于海面风速并不仅仅只是一两个因素决定的，且物理模型建模复杂，会导致建立的模型函数容易忽略其他物理因素的影响，且函数关系复杂导致模型精度不高，影响风速反演精度。随着人工智能技术的快速发展，深度学习已逐步被应用于海面参数遥感领域。相比物理反演方法，深度学习反演方法主要形式是借助神经网络的不断学习学习能力，找到多个自变量与因变量复杂的抽象的函数关系，解决了物理反演方法由于正演模型建模复杂而导致的模型精度不高的问题。相比于浅层神经网络，深度神经网络可以从原始输入数据集中挖掘到更深层次的特征，从而实现对目标函数的准确拟合，提高精度。

发明内容

本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的第一个目的在于提出基于PSO-DNN的HY-2B扫描微波辐射计海面风速反演方法，为基于HY-2B扫描微波辐射计数据，且采用粒子群算法结合深度神经网络的海面风速优化反演方法，采用深度神经网络分析多个因素对海面风速的影响，解决物理反演算法因函数关系复杂无法充分考虑全部海面风速的影响因素，进而导致反演精度不高的问题。同时，采用粒子群算法对反演结果进行优化，粒子群算法结构简单、运算效率高，能够快速且准确地优化深度神经网络的输出结果，进一步提高风速反演精度。

本发明的第二个目的在于提出基于PSO-DNN的HY-2B扫描微波辐射计海面风速反演装置。

为达到上述目的，本发明第一方面实施例提出了一种基于 PSO-DNN的HY-2B扫描微波辐射计海面风速反演方法，包括：

S1、收集数据集，所述数据集包括中国海洋卫星HY-2B扫描微波辐射计L2A_TC数据、欧洲中期天气预报中心ECMWF数据和美国数据浮标中心NDBC数据；

S2、对数据集预处理，将中国海洋卫星HY-2B扫描微波辐射计 L2A_TC数据、欧洲中期天气预报中心ECMWF数据和美国数据浮标中心NDBC数据基于时空匹配原则进行匹配，将ECMWF数据作为风速参考真值，得到匹配数据集，将匹配数据集分为训练集和测试集；