[发明专利]一种基于风云气象卫星的海面盐度反演算法

说明书

本发明公开了一种基于风云气象卫星的海面盐度反演算法，包括以下步骤：S1:训练自变量(X)：根据回归任务需要增加隐藏层数量，搭建了用于深度神经网络进行海表盐度卫星反演算法模型，为4波段卫星观测遥感反射率(Rrs)、aCDOM、海表温度(SST)、悬浮物浓度(TSM)共4个自变量；S2:测量海表盐度(Y):通过深度学习模型建立了aCDOM、SST、TSM与海表盐度的关系，利用FY‑3D/MERSI全球观测能力，实现全球海表盐度的观测。本发明基于深度学习方法建立了国产风云气象卫星(FY‑3D/MERSI)的海面盐度反演算法，实现了对海表盐度的高时空分辨率的观测，SMOS和Aquarius/SAC‑D卫星由于其低时空分辨率及数据质量等局限性，导致海表盐度数据覆盖率低，使海表盐度得不到高时空分辨率的观测问题。

技术领域

本发明涉及海表盐度观测技术领域，具体为一种基于风云气象卫星的海面盐度反演算法。

背景技术

海表盐度是海洋的一个重要的物理、化学参量，也是决定海水基本性质的重要参数之一。海表盐度不仅是探索热盐环流、全球海平面变化等海洋现象中必不可少的环境变量，而且也为水团分析、气候研究以及全球海洋模式等研究提供了强迫参考。海表盐度的监测在石油、进出口贸易、军事航道测量以及远洋渔业等诸多领域也有广泛应用。但是传统船舶航测与漂流浮标所测量的海表盐度在时间和空间上是离散的，无法准确探测海表盐度在空间和时间分布上的变化。

我国第二代风云极轨气象FY-3D卫星上搭载的中分辨率光谱成像仪(MERSI-2)整合了原有风云三号卫星两台成像仪器(MERSI-1和VIRR)的功能，是世界上首台能够获取全球250米分辨率红外分裂窗区资料的成像仪器，可以每日无缝隙获取全球250米分辨率真彩色图像，实现云、气溶胶、水汽、陆地表面特性、海洋水色等大气、陆地、海洋参量的高精度定量反演，利用FY-3D/MERSI高时空分辨率(250m，每天扫描一次目标区域)，形成对海面高时空分辨率的观测。

人工智能成为第四次工业革命的核心驱动力，人工智能(ArtificialIntelligence，AI)是一门科学，机器学习是目前最主流的人工智能实现方法，而深度学习则是机器学习的一个分支。深度学习是机器学习中一种基于对数据进行表征学习的方法，由Hinton等人于2006年提出，是一种能够模拟出人脑的神经结构的机器学习方法，为解决深层结构相关的优化难题带来希望。本发明利用深度学习技术开发了一种可用于我国第二代风云极轨气象卫星中分辨率光谱成像仪(FY-3D/MERSI)的海表盐度反演方法。

发明内容

本发明的目的在于提供一种基于风云气象卫星的海面盐度反演算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于风云气象卫星的海面盐度反演算法，包括以下步骤：

S1:训练自变量(X)：根据回归任务需要增加隐藏层数量，搭建了用于深度神经网络进行海表盐度卫星反演算法模型，为4波段卫星观测遥感反射率(Rrs)、aCDOM、海表温度(SST)、悬浮物浓度(TSM)共4个自变量，4个自变量获取步骤如下：

S11:卫星观测遥感反射率(Rrs)；

S12:aCDOM反演；

S13:SST反演；

S14:TSM反演；

S2:测量海表盐度(Y):在FY-3D/MERSI反演a_CDOM、海表温度(SST)、悬浮物浓度(TSM)的基础上，通过深度学习模型建立了a_CDOM、SST、TSM与海表盐度的关系，利用FY-3D/MERSI全球观测能力，实现全球海表盐度的观测。

优选的，所述S11:卫星观测遥感反射率(Rrs)：可由FY-3D/MERSI卫星观测反射率经过大气校正后直接获取。