[发明专利]一种海面多参数同步反演全局优化方法和装置

说明书

本发明公开了一种海面多参数同步反演全局优化方法和装置，包括：获取初始辅助数据；得到L/C/K波段粗糙海面辐射亮温模型、L波段地物模式函数以及大气衰减模型；确定大气顶层亮温和后向散射系数；获取测量数据；获取1.4GHz交叉极化亮温数据，并利用其对测量数据进行法拉第旋转修正，利用宇宙辐射模型对修正的数据进行宇宙背景辐射修正，得到最终的修正观测数据；根据所述修正观测数据及所述大气顶层亮温和后向散射系数，采用HWOANM算法进行多参数非线性迭代反演，得到目标海面盐度、目标海面风速和目标海面温度。实现全局范围内的海面多参数同步反演。

技术领域

本发明涉及海面参数遥感技术领域，特别涉及一种海面多参数同步反演全局优化方法和装置。

背景技术

海洋盐度微波遥感卫星可以穿透云层大气，能够实现全天24小时的气候监测，在海洋环境监测中有着至关重要的作用。海面盐度、海面温度、海面风速等海洋参数是研究气候变化的重要参数，对海洋水团行成和分布、海水流动、海洋环流强度和流向起着决定性作用。因此，监测海洋参数有助于加深我们对海洋水团及海洋环流的认识。此外，海洋盐度是海洋和大气之间交换的重要影响因素，对海洋盐度的监测可以帮助人们追踪全球水循环，加深对全球水循环变化的认识。

在与主被动微波盐度计相关的海洋参数物理反演算法中，主被动联合反演方法和机器学习方法都是可选的方法，其中物理反演方法采用的是正向模型和反演算法相结合的方式，利用Levenberg-Marquardt(LM算法)优化算法进行迭代，实现海面盐度、海面温度和海面风速多参数的同步反演；相比之下，机器学习算法避免了正向模型的搭建，直接利用亮温和各参数之间的非线性关系对海面盐度、海面温度和海面风速进行反演。虽然机器学习方法能够实现多参数的快速反演，但其物理意义不明确，在卫星在轨之后，无法使用机器学习方法实现对载荷硬件指标的进一步优化。上述物理反演算法借助LM算法实现海面多参数的反演，在反演过程中只能寻求局部最优解，会导致海面参数反演结果不够准确。

在现有技术中，其通过对大气层顶的亮温进行模拟，得到预先设定的多角度辐射模型中的L/C/K三波段下大气层之上的多入射角的亮温模拟值以及L波段的后向散射系数模拟值。通过预设的L/C/K波段的微波辐射辐射计和L波段散射计，分别获取大气层之上的三波段下的多入射角的亮温测量值和L波段后向散射系数测量值。根据上述模拟出的多角度的亮温模拟值和所述的L波段后向散射系数的模拟值及所述的多角度亮温测量值和所述的L波段后向散射系数测量值，对反演的代价函数进行迭代计算，其中代价函数的最优解是使用最小二乘法来进行求解，使用LM算法对其进行优化，可以得到多个反演迭代参数。从上述得到的多个反演迭代参数中选择可以使得所述反演代价函数最小的反演迭代参数作为海表面参数反演的最终反演结果，该物理方法对局部最优解效果较好。若采用机器学习方法，先基于数据的质量表示，获得多频段辐射亮温及L波段的后向散射系数观测数据，使用合适的修正方法对宇宙辐射，法拉第旋转和大气衰减进行修正以此减少对测量数据的影响，获得海表面观测数据。基于深度神经网络、高斯回归过程、支持向量积回归和核岭回归四种机器学习方法，使用优化算法获取四种机器学习方法的最佳参数，从而建立四种最佳训练模型。将修正后的亮温测量数据和相关辅助数据一并输入建立的四种最佳训练模型中，从而实现对海面多参数的共同反演，该反演方法物理意义不明确。

现有技术中存在的问题是其在对反演的代价函数进行迭代计算时，其中代价函数的最优解是使用LM方法来进行求解。但LM算法在优化时容易出现局部最优问题，只能求得一定范围内的最优解，无法实现全局最优。同时运用机器学习的方法，虽然能够实现多参数的快速反演，但物理意义不明确。

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一种海面多参数同步反演全局优化方法，具体涉及一种结合鲸鱼算法(WOA)和Nelder–Mead单纯性算法(NM)的全局优化算法(HWOANM)，进行主被动微波盐度计海面多参数的同步反演，并在对反演的代价函数进行求解时实现全局优化，得到代价函数的全局最优解，以此实现全局范围内的海面多参数同步反演。