[发明专利]一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法

说明书

本发明公开了一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法。本发明实现的补全近地面紫外辐照度卫星缺失数据的方法突破了卫星直接观测近地面紫外数据的空间分辨率以及覆盖率的限制，充分利用了云信息和地表气象信息和近地面紫外的统计关系，实现了广覆盖、高精度、高分辨率的近地面紫外辐照度的反演。此外，训练后的反演模型(深度学习)计算方便快速，可用于快速反演；转换结果准确，可应用于其他领域的研究。

技术领域

本申请涉及卫星被动遥感的技术领域，尤其涉及卫星近地面紫外辐照度产品，特别是一种基于云信息的近地面紫外辐照度卫星缺失数据补全方法。

背景技术

太阳的紫外辐射对人类健康、陆地和水生生态系统、空气质量等各方面均产生影响，尤其是到达地面的紫外辐射。卫星的被动遥感能够提供高精度的近地面紫外辐射的估计，从而为后续其他领域的研究提供可能性。与此同时，卫星遥感的覆盖率以及分辨率与紫外辐射研究的实用性息息相关。因此，广覆盖、高精度、高分辨率的近地面紫外辐照度的反演是卫星被动遥感技术中的重要应用成果。

当前，卫星的异常状态导致反演近地面紫外辐照度的覆盖率受到严重影响。目前最为常用的近地面紫外辐照度产品为Aura卫星上载荷的OMI仪器，它的扫描通道异常受损，因而仅能实现60％的卫星覆盖率。因此，为实现全覆盖的近地面紫外辐照度的反演，需要对缺失区域的数据进行补全。

缺失数据的区域呈现连续宽条带状特征，并且这些区域的出现没有规律，因而无法通过简单的重采样操作或地理加权回归对进行缺失数据补全。与此同时，由于紫外辐射随时间和空间的变化而变化明显，难以仅根据观测的紫外信息对缺失数据进行推演。这些因素的存在导致难以准确捕捉近地面紫外辐射的分布特征，为实现全覆盖的近地面紫外辐照度的反演增加了难度。与此同时，现有的卫星观测近地面紫外辐照度产品分辨率较低(1°×1°)，在后续应用中的实用性较差，因此实现高分辨率、全覆盖的近地面紫外辐照度的反演是目前该数据应用领域中的难点。

捕捉近地面紫外辐射的特征是实现全覆盖的紫外辐照度的挑战。地表气象信息与卫星被动遥感反演的结果存在一定的相关性，因此之前研究人员往往建立地表气象信息与遥感产品的统计关系，从而达到估计遥感产品的目的。然而，紫外辐射对云相关的信息十分敏感，特别是云覆盖率和云冰晶和液滴的成分。现有的反演方法尚未将这些信息有效利用。

另一方面，由于近地面紫外辐射与地表气象信息存在相当复杂的关系，其物理化学机制无法简单地通过统计关系进行模拟，因此需要使用加强的统计模型，对近地面紫外辐射和其他因素之间的关系进行拟合。近年来，机器学习模型逐渐成为遥感反演领域的常用工具，针对该领域内数据的复杂情况有较好的解决效果。自2016年来，不少文献报道了使用随机森林、残差神经网络等方式对地表气象信息与卫星被动遥感反演结果之间的统计关系进行学习。然而，由于这种关系过于复杂，当前的模型还无法准确捕捉这种统计关系，因此，需要更高级的深度学习来完成这一目标。

综上所述，卫星反演的近地面紫外辐照度具备高精度的特征，利用复杂深度学习模型发展基于云信息和其他信息的近地面紫外辐照度的模型，能充分利用观测近地面紫外辐照度的时空间分布特征，进而对卫星缺失观测数据补全，实现广覆盖、高精度、高分辨率的近地面紫外辐照度的反演。

发明内容

针对卫星观测近地面紫外辐照度存在缺失数据的问题，本发明使用Stacking集成学习叠加Lasso模型的方式来建立云信息、地表气象与近地面紫外辐照度的反演模型。