[发明专利]基于气象预报和机器学习的卫星红外成像效果预测方法

说明书

本发明提供了一种基于气象预报和机器学习的卫星红外成像效果预测方法，首先对图像数据进行云判，将成像数据分为不同类别。以预报气象的多个属性为基准，挖掘气象数据产品中各属性的相关性和主特征；然后将历史气象数据和图像类别组成样本集，利用最小二乘支持向量机建立多分类模型，实现气象条件预报下的卫星红外成像效果高精度预测。实际业务应用表明，该方法得到的成像预估结果有较高的准确度，为卫星任务规划提供有效的决策支持。

技术领域

本发明属于航天器遥感图像领域，涉及一种红外成像效果预测方法。

背景技术

红外成像卫星具有全天时工作、敏感度高的特点，广泛应用于海洋监测、林火警报、灾害预报等领域。由于目标的红外辐射经过云雨环境会被明显吸收，表现为辐射亮度降低甚至完全不可见。中低轨道卫星在单圈次多采用分段载荷工作模式，如何利用卫星短弧段、多弧段的灵活性，对可成像弧段上的位置进行成像效果预测，是任务规划精细化面临的重要问题。

实际日常任务规划时，以目标点位和探测时间为重要输入条件，往往不考虑气象条件直接进行规划，导致成像结果容易受不确定气象条件影响出现目标遮挡、数据有效率较低等问题。当前对红外成像效果研究主要集中于不同条件下红外辐射大气透过率的计算，而如何利用有限的气象预报条件构建中低轨道红外卫星的成像效果预测模型，是现有文献资料较少研究涉及的。

发明内容

为了克服现有技术的不足，本发明提供一种基于气象预报和机器学习的卫星红外成像效果预测方法，结合历史气象条件和遥感影像，通过建立气象数据与对应红外成像效果的关系模型，从气象预报角度分析影响成像质量的重要因素，并实现卫星成像效果的预测。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1，选择气象预报产品中与云量云属关系紧密的特征，包括总云量、低云量、不同气压下的湿度和温度；进行特征分量分析，计算特征属性{总云量，低云量，不同气压下的湿度和温度}构成的多维样本数据集合中每个特征向量的方差值占总方差值的比例，将特征向量按照对应比例从大到小排列成矩阵，若需要降K维，则只需取前K列主成分分量；

步骤2，选择降维后的云层属性值矩阵和对应影像的目标结果标示作为样本集，记为{(X_i,y_i),i＝1,2,...,N}，其中X_i和y_i分别为输入向量和输出量，表示云层属性值和目标类别标示，根据影像中的云雨是否影像判读和处理，目标结果分别用数字0、1、2标示厚云遮蔽、无云清晰和薄云降质；利用最小二乘支持向量机进行样本集的分类训练和测试，获得红外卫星成像效果分类模型；

步骤3，根据目标经纬度信息，利用预报模型获得气象预报信息中的主要信息，即步骤1中前K列主成分分量的特征属性值；将特征属性值作为输入向量，输入效果红外卫星成像效果分类模型，模型输出的结果即为预测的结果标示。

所述的步骤1中云量取值为[0,10]，湿度取值范围[0,100％]，500hpa温度取值范围[-50℃,0℃]，700hpa温度范围[-50℃,25℃]，850hpa温度取值范围[-40℃,35℃]。

所述的步骤1在特征分量分析之前对历史气象数据进行完整性检查，对特征属性缺失3个值以上的数据直接丢弃；采用Z-score规范化将各维度的特征数据调整为正态分布。

所述的步骤2将样本集随机区分为训练集和测试集；根据训练集的分类超平面约束式为式中，φ(X_i)为输入量在高维空间R^D的映射，为超平面的法线方向ε_i为松弛向量，常数b∈R；建立拉格朗日函数，引入惩罚因子c得到式中，α为拉格朗日因子，优化求解得到K(X,X_i)为核函数，是低维空间到高维空间的映射；采用交叉验证和网格搜索法结合确定核宽度γ和惩罚系数c以训练分类模型；利用测试集对模型进行测试，其准确率记为历史数据分类预测的精度。