[发明专利]一种使用机器学习反演北极积雪深度的方法

说明书

本发明公开了一种使用机器学习反演北极积雪深度的方法，获取OIB积雪深度数据，根据OIB积雪深度数据中的经纬度和AMSR2L1R亮温的经纬度数据，对两数据进行匹配。构建积雪深度的训练样本集和测试样本集，本发明所要解决的技术问题是提供一种基于机器学习的北极积雪深度自动化反演。其既解决了传统线性回归方程中无法反演复杂的非线性关系而导致模型不确定性，具有能学习复杂非线性关系降低积雪深度不确定性的特点。也解决了传统方法中需要额外确定多年冰、一年冰以及海冰密集度等辅助参数等需要复杂的辅助输入数据等问题，具有输入数据简单易实现的特点。

技术领域

本发明涉及一种遥感卫星自动反演北极积雪深度的方法，不仅适用于反演一年冰上的积雪深度而且也适用于多年冰上的积雪深度，属于遥感信息提取领域。

背景技术

北极海冰是气候系统得重要组成部分，北极海冰的变化对北极局地乃至全球大气、海洋、生态系统都有着重要影响。北极积雪深度是研究北极气候变化、北极海冰预报的重要参数。北极积雪具有很高的反射率，对北极的地表能量和热量平衡有很强的影响。由于其导热系数低，因此即使是几厘米厚得雪层也会削弱海洋-大气通过海冰进行得热量交换。北极积雪的反照率相比于开阔海洋的反照率是非常高的，因此北极积雪对北极能量的转移有很强的影响。

对北极积雪深度进行现场观测是很困难的，因为在北极的现场观测需要充足的日光条件，这也导致了大多数北极积雪深度测量在冬季之前就结束了。尽管浮标数据可以测量整个冬季的积雪，但是它仅仅只能反应小部分区域的积雪深度[1]。随着卫星遥感技术的发展，Markus等人发现被动微波辐射计37Ghz和19Ghz的垂直通道的梯度比(gradientratio，GR)与一年冰有很好的相关性，因此他们利用观测资料结合GR(37v/19v)建立了积雪深度的经验线性回归方程[2]。但是这个方法只能反演一年冰上的积雪深度，对于多年冰上的积雪深度采用的是苏联在多年冰上的观测站，获得的长时间多年冰积雪深度序列结合空间位置推导出的Warren 1999(W99)模型[3]。但是这种模型推导的积雪深度空间分辨较低，而且需要通过二维二次方程来推导积雪深度，方程系数有很大的不确定性。Markus等人发现使用AMSR-E/2被动微波微波辐射计的低频通道可以改善被动微波辐射计的积雪深度反演[4]。因为低频通道对较深的雪比较敏感，而且受到天气影响较小。

目前关于利用被动微波辐射计反演整个北极冰上积雪深度，首先都需要先确定一年冰和多年冰，然后建立两个经验方程分别反演北极一年冰和多年冰的积雪深度。其次辐射计的亮温还需要利用海冰密集度的资料和开放水典型亮温进行校正，以消除开放水对亮温的影响，这些工作无疑是复杂，且会对积雪深度的反演过程产生影响。最后亮温与积雪深度之间主要表现为非线性特征，因此仅仅使用线性回归方程来推导整个北极区域的积雪深度会增加不确定性。

参考文献：

[1]Webster M A,Rigor I G,Nghiem S V,et al.Interdecadal changes insnow depth on Arctic sea ice[J].Journal of Geophysical Research:Oceans,2014,119(8):5395-5406.

[2]Markus T,Cavalieri D J.Snow depth distribution over sea ice in theSouthern Ocean from satellite passive microwave data[J].Antarctic sea ice:physical processes,interactions and variability,1998,74:19-39.

[3]Warren S G,Rigor I G,Untersteiner N,et al.Snow depth onArctic seaice[J].Journal ofClimate,1999,12(6):1814-1829.