[发明专利]一种基于MODIS数据和Transformer网络的地表热红外发射率反演方法有效
申请号: | 202210847111.0 | 申请日: | 2022-07-19 |
公开(公告)号: | CN115422703B | 公开(公告)日: | 2023-09-19 |
发明(设计)人: | 李俊;张玥杰;盛庆红;王博 | 申请(专利权)人: | 南京航空航天大学 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06N3/0464;G06N3/08 |
代理公司: | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人: | 向文 |
地址: | 210016 江苏省南京*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 modis 数据 transformer 网络 地表 红外 发射 反演 方法 | ||
1.一种基于MODIS数据和Transformer网络的地表热红外发射率反演方法,其特征在于,包括如下步骤:
S1:获取MODIS数据;
S2:对获取的MODIS数据进行数据预处理,得到网络训练数据集;
S3:构建基于Transformer的深度学习网络,通过深度学习网络对网络训练数据集中的训练数据进行训练,生成地表热红外发射率反演模型;
S4:利用生成的地表热红外发射率反演模型反演地表热红外发射率,得到地表热红外发射率数据,并评定反演精度;
所述步骤S2中数据预处理包括MODIS02数据辐射定标、时空匹配和异常值剔除;
所述步骤S2中,
MODIS02数据辐射定标:利用辐射定标公式,得到热红外波段的卫星观测辐射值;
时空匹配:根据各个数据的获取时间和经纬度坐标,以影像像元为单位,将同一地理位置在同一时刻的数据对应匹配,使获取的MODIS数据在像元尺度上一一对应,将同一像元处获取的所有数据编为一组,构建输入数据集;
异常值剔除:利用MODIS35云掩膜数据,将“确信晴空”和“可能晴空”像元视为无云像元,剔除有云的像元,绘制所建立的数据集的箱型图,根据箱型图结果剔除数据中的异常值,得到可以输入到网络中进行训练的数据集;
所述步骤S3中深度学习网络的构建方法为:
设计基于Transformer的深度学习网络,包括encoder-decoder和attention机制;
encoder由6个编码器叠加而成,每层包括两个sub-layers,第一个sub-layer是multi-head self-attention机制,用来计算输入的self-attention;self-attention机制的转换方式如下:输入x1和x2,想转换成z1和z2,先把x1转换成三个不一样的向量,分别叫做q1、k1、v1,然后把x2转换成三个不一样的向量,分别叫做q2、k2、v2,需要三个不同的矩阵WQ、WK、WV,利用向量与矩阵相乘将一个向量变换成另一个向量,即:
q1=x1WQ
k1=x1WK
v1=x1WV
q2=x2WQ
k2=x2WK
v2=x2WV
然后用v1和v2两个向量的线性组合,来得到z1和z2,即:
z1=θ11v1+θ12v2
z2=θ21v1+θ22v2
在Transformer中,每一个子层之后都会接一个残差模块,并且有一个Layernormalization,Normalization的目的就是把输入转化成均值为0方差为1的数据,LN是在每一个样本上计算均值和方差,公式为:
decoder也由6个编码器叠加而成,每层包括3个sub-layer,sub-layer1使用的是“Masked”Multi-Headed Attention机制,为了防止模型看到要预测的数据,导致数据泄露;sub-layer2是一个Encoder-Decoder Multi-head Attention,对encoder的输入进行attention计算;sub-layer3的输出后面采用LinearLayer和SigmoidLayer,来预测对应的预测概率;“Masked”表示掩码,它对某些值进行掩盖,使其在参数更新时不产生效果;Transformer模型里面涉及两种mask,分别是padding mask和sequence mask;Encoder-Decoder Multi-head Attention中,输入不仅有前一层的输出x,还有来自Encoder的输出m,然后把Encoder产生的向量m作为Decoder的key和value,Decoder的x作为query,然后进行Self-Attention,即有:
q=xWQ
k=mWK
v=mWV
Transformer网络模型的损失函数选择均方误差损失函数,优化器选择Adam优化器,将网络结构中编码器和解码器的前馈神经网络替换为CNN;
所述步骤S1中MODIS数据包括热红外波段观测值、大气参数、地表温度和发射率、其他数据;
所述热红外波段观测值包括MODIS02定标辐射数据;
所述大气参数包括MODIS04气溶胶光学厚度数据、MODIS05大气可降水量数据、MODIS07大气温湿廓线和臭氧含量数据;所述地表温度和发射率包括MODIS11地表温度数据和热红外波段地表发射率数据;所述其他数据包括MODIS03经纬度坐标数据、MODIS13归一化植被指数(NDVI)数据、MODIS35云掩膜数据。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京航空航天大学,未经南京航空航天大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210847111.0/1.html,转载请声明来源钻瓜专利网。
- 数据显示系统、数据中继设备、数据中继方法、数据系统、接收设备和数据读取方法
- 数据记录方法、数据记录装置、数据记录媒体、数据重播方法和数据重播装置
- 数据发送方法、数据发送系统、数据发送装置以及数据结构
- 数据显示系统、数据中继设备、数据中继方法及数据系统
- 数据嵌入装置、数据嵌入方法、数据提取装置及数据提取方法
- 数据管理装置、数据编辑装置、数据阅览装置、数据管理方法、数据编辑方法以及数据阅览方法
- 数据发送和数据接收设备、数据发送和数据接收方法
- 数据发送装置、数据接收装置、数据收发系统、数据发送方法、数据接收方法和数据收发方法
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置
- 基于Transformer+LSTM神经网络模型的商品销量预测方法及装置
- 一种基于Transformer模型自然场景文字识别方法
- 一种深度Transformer级联神经网络模型压缩算法
- 点云分割方法、系统、介质、计算机设备、终端及应用
- 基于Transformer的中文智能对话方法
- 一种基于改进Transformer模型的飞行器故障诊断方法和系统
- 一种基于Transformer模型的机器翻译模型优化方法
- 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法
- 基于U-Transformer多层次特征重构的异常检测方法及系统
- 基于EfficientDet和Transformer的航空图像中的飞机检测方法