基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法技术

本发明专利技术涉及基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法，与现有技术相比解决了基于查找表的气溶胶反演方法使用局限性大的缺陷。本发明专利技术包括以下步骤：输入数据的生成；构建深度堆栈自动编码机；无监督训练深度堆栈稀疏自动编码机网络；有监督学习微调5层深度堆栈稀疏自编码机网络；大气气溶胶反演结果的获得。本发明专利技术采用堆栈稀疏自编码器的深度网络模型实现气溶胶厚度和粗细粒子比的反演，提高了反演计算效率和处理速度。

【技术实现步骤摘要】
基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法
本专利技术涉及遥感数据处理
，具体来说是基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法。
技术介绍
大气气溶胶是由悬浮于大气中的固液态小微粒共同组成的胶体分散体系，是地气系统的主要组成部分，大气气溶胶在地球辐射收支中具有重要作用。气溶胶光学厚度(AOT)和粗细粒子比是表征大气中气溶胶含量、描述大气气候效应的一个关键因子。大气气溶胶具有时空分布的变化性，掌握全球大气气溶胶性质，有利于地球大气环境监测、天气预报、气候变迁研究、大气科学研究以及航空和空间科学研究工作。另外，由于近年来经济社会发展，人为气溶胶源增多，环境大气质量状况不容乐观，影响着人类健康。目前国内外学者在气溶胶遥感反演方面取得了一定的成果，但是大多数的反演方法都是基于查找表的计算方法，依据残差最小来反推气溶胶光学厚度。由于查找表是离散的，在计算过程中需要多种数据组合，计算复杂度相当高，同时计算结果会造成一定的误差，在卫星遥感的气溶胶生产业务化、自动化处理计算流程中，有很大局限性。由于气溶胶散射辐射具有强偏振特性，而大多数陆地表面反射辐射具有弱偏振特性且其时空变化较小，因此利用偏振信息可以有效的将气溶胶和地表的贡献区分开。通过多角度、多光谱偏振辐射信息可以提高不同下垫面情况的气溶胶(包括沙尘暴粒子)参数确定能力，在反演精度方面具有很大优势。因此，如何设计出一种能够有效利用多角度、多光谱偏振辐射信息的气溶胶反演方法已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中基于查找表的气溶胶反演方法使用局限性大的缺陷，提供一种基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法来解决上述问题。为了实现上述目的，本专利技术的技术方案如下：一种基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法，包括以下步骤：输入数据的生成，利用传感器获取到的多角度、多通道、多类型的偏振图像信息，结合观测几何参数，经归一化处理后，生成输入数据；构建深度堆栈自动编码机，建立深度堆栈自动编码机，并对其网络层数、各层节点数进行设定；无监督训练深度堆栈稀疏自动编码机网络，通过不带二维标签分值的训练样本训练深度堆栈稀疏自动编码机，求取堆栈稀疏自动编码机网络参数；有监督学习微调5层深度堆栈稀疏自编码机网络，利用标签样本集进行5层深度堆栈稀疏自编码机网络的训练；大气气溶胶反演结果的获得，建立测试数据集，输入5层深度堆栈稀疏自编码机网络，输出气溶胶光学厚度和粗细粒子比二维预测值。所述输入数据的生成包括以下步骤：利用多角度、多通道偏振探测仪获取的遥感图像，对于指定经纬度的像素，在传感器若干个有效观测天顶角θv下获取中心波长分别为λ1＝670nm、λ2＝865nm的偏振参数，其包括Stokes矢量I、Q、U数据以及太阳天顶角Θs、传感器方位角φs与太阳方位角φv参数；偏振参数还包括气体分子偏振反射率与地表偏振反射率气体分子偏振反射率为大气分子散射产生的偏振反射率贡献，地表偏振反射率分为陆地、海洋两类，陆地采用NB模型获得，海洋采用Cox-Munk模型获得；观测几何中传感器方位角φs与太阳方位角φv,统一用相对方位角φ＝|φs-φv|表示；有效观测天顶角θv的设定条件为：在规定时刻内传感器对于同一像素观测角度不少于9个，该像素有效，否则舍弃该像素；根据λ1和λ2这2个波段偏振Stokes矢量I、Q、U数据，计算该有效点的大气顶总偏振反射率公式如下所示：其中，μs为太阳天顶角余弦值，E0为大气顶辐射通量密度；对偏振图像有效像素生成batch数据集U，每个样本x为一个54维的矢量，其中，λ1适用陆地下垫面，λ2适用海洋下垫面，对于遥感图像某个像素均采用一个通道，反射率为3个参数，观测几何为3个参数，当9个观测方向观测同一点气溶胶时共有54个特征参数，即54维；定义数据样本集U＝{x(1)…x(m)}，其中m为batch数据集U的样本数，x为像素54维矢量数据；无监督训练输入数据的产生，对batch数据集U中包含的数据进行归一化处理，获得归一化处理后的变量值Pnorm，变量值Pnorm作为输入数据。所述构建深度堆栈自动编码机包括以下步骤：建立一个深度堆栈自动编码机，其网络层数依次设定为输入层、第一隐含层、第二隐含层、第三隐含层和输出层；将深度堆栈自动编码机的输入层设定为54个节点，第一、第二、第三隐含层分别依次设定为80、60、40个节点，输出层为2个节点。所述无监督训练深度堆栈稀疏自动编码机包括以下步骤：初始化预训练阶段，通过单个自动编码机网络的堆叠，形成5层深度堆栈自编码机网络；初始化单个自动编码机网络中节点的权重和偏置；单个自动编码机网络由输入层L1、隐层L2、重构层组成,随机初始化网络参数w、b，其中w表示节点连接权重，b表示偏置量；以无监督的方式将batch样本集U归一化后的变量值Pnorm送入单个自动编码机网络，开始训练神经网络；以网络重构误差损失函数在设定初始学习率η下，使用梯度下降法训练网络，其中x、x’分别为输入、重构数据；将单个自动编码机的L2层单元的输出作为第二个自动编码机的输入，再训练第二个堆栈自动编码机，依此堆叠起来组成5层深度堆栈自编码机网络；5层深度堆栈稀疏自编码机网络的训练，对深度堆栈自动编码机引入稀疏性参数ρ约束和权重衰减项，构建一个深度堆栈稀疏自编码机网络，重建稀疏网络整体损失函数Jspare(w,b)，其表达式如下所示：其中，定义为未引入稀疏约束但包含权重衰减的网络整体损失函数，为整个网络的权重衰减，λ为权重衰减系数，nl为层数，sl为上一层节点编号，sl+1为本层节点编号；β定义为控制稀疏性惩罚因子的权重，稀疏惩罚因子如下：其中，为神经网络第l隐层第j节点神经元在batch训练集U上的平均活跃度；用梯度下降法反向传播，训练5层深度堆栈稀疏自编码机网络，更新无监督网络整体权重w和偏置b。所述有监督学习微调5层深度堆栈稀疏自编码机网络包括以下步骤：前向传播，输入标签样本集其中m为batch数据集的样本数，x为像素54维矢量数据，y为对应的二维标签分值y＝[τ，FMF]，τ＝[0.02-3.0]为气溶胶光学厚度，共80个等级，FMF＝[0.1-1.0]为粗细粒子比，共10个等级；将x的54维数据连接至预训练后的5层深度堆栈稀疏自编码机网络的输入层节点，计算各神经网络各层L2,L3…直到输出层Lnl各节点的线性组合值和激活值；X对应y的二维标签分值连接至5层深度堆栈稀疏自编码机网络的输出层，输出层采用Sigmoid激活函数，以EuclidienLoss作为损失函数第一项，重新定义损失函数J(w,b)，其以下所示：其中，N＝2表示输出标签为一个二维矢量，为第k个数据从网络输出的第score维预测值，为该样本第score维已知标签值；反向传播，根据损失函数J(w,b)，对于输出层的每个节点计算残差，逐次从后向前传导，求出各l层节点的残差；用梯度下降法式训练5层深度堆栈稀疏自编码机网络，按照误差最小原则修正权值和偏置，获得所需神经网络参数。所述大气气溶胶反演结果的获得包括以下步骤：建立测试数据集；定义bach测试集Utest，size＝本文档来自技高网...

【技术保护点】
1.一种基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法，其特征在于，包括以下步骤：11)输入数据的生成，利用传感器获取到的多角度、多通道、多类型的偏振图像信息，结合观测几何参数，经归一化处理后，生成输入数据；12)构建深度堆栈自动编码机，建立深度堆栈自动编码机，并对其网络层数、各层节点数进行设定；13)无监督训练深度堆栈稀疏自动编码机网络，通过不带二维标签分值的训练样本训练深度堆栈稀疏自动编码机，求取堆栈稀疏自动编码机网络参数；14)有监督学习微调5层深度堆栈稀疏自编码机网络，利用标签样本集进行5层深度堆栈稀疏自编码机网络的训练；15)大气气溶胶反演结果的获得，建立测试数据集，输入5层深度堆栈稀疏自编码机网络，输出气溶胶光学厚度和粗细粒子比二维预测值。

【技术特征摘要】
1.一种基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法，其特征在于，包括以下步骤：11)输入数据的生成，利用传感器获取到的多角度、多通道、多类型的偏振图像信息，结合观测几何参数，经归一化处理后，生成输入数据；12)构建深度堆栈自动编码机，建立深度堆栈自动编码机，并对其网络层数、各层节点数进行设定；13)无监督训练深度堆栈稀疏自动编码机网络，通过不带二维标签分值的训练样本训练深度堆栈稀疏自动编码机，求取堆栈稀疏自动编码机网络参数；14)有监督学习微调5层深度堆栈稀疏自编码机网络，利用标签样本集进行5层深度堆栈稀疏自编码机网络的训练；15)大气气溶胶反演结果的获得，建立测试数据集，输入5层深度堆栈稀疏自编码机网络，输出气溶胶光学厚度和粗细粒子比二维预测值。2.根据权利要求1所述的基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法，其特征在于，所述输入数据的生成包括以下步骤：21)利用多角度、多通道偏振探测仪获取的遥感图像，对于指定经纬度的像素，在传感器若干个有效观测天顶角θv下获取中心波长分别为λ1＝670nm、λ2＝865nm的偏振参数，其包括Stokes矢量I、Q、U数据以及太阳天顶角Θs、传感器方位角φs与太阳方位角φv参数；偏振参数还包括气体分子偏振反射率与地表偏振反射率气体分子偏振反射率为大气分子散射产生的偏振反射率贡献，地表偏振反射率分为陆地、海洋两类，陆地采用NB模型获得，海洋采用Cox-Munk模型获得；观测几何中传感器方位角φs与太阳方位角φv,统一用相对方位角φ＝|φs-φv|表示；有效观测天顶角θv的设定条件为：在规定时刻内传感器对于同一像素观测角度不少于9个，该像素有效，否则舍弃该像素；22)根据λ1和λ2这2个波段偏振Stokes矢量I、Q、U数据，计算该有效点的大气顶总偏振反射率公式如下所示：其中，μs为太阳天顶角余弦值，E0为大气顶辐射通量密度；23)对偏振图像有效像素生成batch数据集U，每个样本x为一个54维的矢量，其中，λ1适用陆地下垫面，λ2适用海洋下垫面，对于遥感图像某个像素均采用一个通道，反射率为3个参数，观测几何为3个参数，当9个观测方向观测同一点气溶胶时共有54个特征参数，即54维；24)定义数据样本集U＝{x(1)…x(m)}，其中m为batch数据集U的样本数，x为像素54维矢量数据；25)无监督训练输入数据的产生，对batch数据集U中包含的数据进行归一化处理，获得归一化处理后的变量值Pnorm，变量值Pnorm作为输入数据。3.根据权利要求1所述的基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法，其特征在于，所述构建深度堆栈自动编码机包括以下步骤：31)建立一个深度堆栈自动编码机，其网络层数依次设定为输入层、第一隐含层、第二隐含层、第三隐含层和输出层；32)将深度堆栈自动编码机的输入层设定为54个节点，第一、第二、第三隐含层分别依次设定为80、60、40个节点，输出层为2个节点。4.根据权利要求1所述的基于多角度多通道偏振信息与深度学习技术相结合的大气气溶胶反演方法，其特征在于，所述无监督训练深度堆栈稀疏自动编码机包括以下步骤：41)初始化预训练阶段，通过单个自动编码机网络的堆叠，形成5层深度堆栈自编码机网络；411)初始化单个自动编码机网络中节点的权重和偏置；单个自动编码机网络由输入层L1、隐层L2、重构层组成,随机初始化网络参数w、b，其中w表示节...

【专利技术属性】
技术研发人员：方薇，张冬英，易维宁，杜丽丽，黄红莲，孙晓兵，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽,34