一种基于深度学习的地表太阳辐射计算方法技术

本发明专利技术公开一种基于深度学习的地表太阳辐射计算方法，解决现有方法计算时间长、普适性差、无法应用在有云条件的问题。所述方法，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。本发明专利技术实现了对地表太阳辐射的全面、快速、准确计算。

A Method for Calculating Surface Solar Radiation Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的地表太阳辐射计算方法
本专利技术涉及卫星遥感反演领域，尤其涉及一种基于深度学习的地表太阳辐射计算方法。
技术介绍
现有的常用于计算地表太阳短波辐射的方法有传统的辐射传输方程法、经验模型。传统的辐射传输方程法物理模型复杂，计算量大，从而导致计算时间过长，因而在业务化运行时会被慎重考虑；经验模型主要依靠大量的地表实测数据，建立气象参数(如温度、湿度、降水、云参数和气溶胶含量等)与地表太阳短波辐射实测值之间的回归关系，该模型取决于当地的实际地理环境情况，因而普适性不高。同时这些方法常应用于晴空条件下的地表太阳短波辐射计算，而在有云条件下则未进行考虑。
技术实现思路
本专利技术提供一种基于深度学习的地表太阳辐射计算方法，解决现有方法计算时间长、普适性差、无法应用在有云条件的问题。本专利技术实施例指出一种基于深度学习的地表太阳辐射计算方法，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。进一步地，在上述步骤之后，所述方法还包含：实时提取卫星的大气产品中的太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率参数，采用所述深度学习模型，计算得到地表太阳辐射计算结果。优选地，所述地表太阳短波辐射数据集包含三种云相态的数据：晴空、水云、冰云。优选地，所述基于大气辐射传输模型，构建地表太阳短波辐射数据集的步骤，进一步包含：基于大气辐射传输模型，模拟得到每个像元的像素值和对应的气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数，所述气溶胶卫星气溶胶产品包含气溶胶比例系数、气溶胶附加系数，所述卫星云产品包含云相态比例系数、云相态附加系数、云光学厚度比例系数、云光学厚度附加系数、云粒子有效半径比例系数、云粒子有效半径附加系数，所述水汽产品包含水汽含量比例系数、水汽含量附加系数，所述卫星太阳几何包含太阳天顶角比例系数、太阳天顶角附加系数，所述地表条件参数包含地表反照率比例系数、地表反照率附加系数；将每个像元的所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数转换为所述气溶胶光学厚度、云相态、云光学厚度、云粒子有效半径、大气水汽含量、太阳天顶角、地表反照率：y＝ki×DN+bi，i＝1,2,3,…,7其中，DN为所述像素值，k1～k7分别为所述气溶胶比例系数、云相态比例系数、云光学厚度比例系数、云粒子有效半径比例系数、水汽含量比例系数、太阳天顶角比例系数、地表反照率比例系数，b1～b7分别为所述气溶胶附加系数、云相态附加系数、云光学厚度附加系数、云粒子有效半径附加系数、水汽含量附加系数、太阳天顶角附加系数、地表反照率附加系数。优选地，所述神经网络包含1个输入层、1个输出层、3个隐藏层，3个隐藏层分别含有256、128、64个神经元。优选地，所述大气辐射传输模型为RSTAR模型，大气模式设定为美国标准大气。优选地，所述卫星选择日本气象卫星葵花-8。进一步地，所述地表太阳短波辐射数据集的云相态为晴空时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述气溶胶光学厚度为0-3，间隔为0.25，所述水汽含量为0-8g/cm2，间隔为0.25；所述地表太阳短波辐射数据集的云相态为水云时，所述太阳天顶角为0、5、10、15、20、25、30、35、40、45、50、55、60、70、80和90度，所述云光学厚度为1、5、10、20、30、50、100、150，云粒子有效半径为4、8、16、32μm；所述地表太阳短波辐射数据集的云相态为冰云时，所述云光学厚度为1、5、10、20、30、50、100、150，粒子有效半径为16、32、64、128μm，地表反照率设置为0、0.1、0.2、0.3、0.4、0.5、0.75和1.0。进一步地，模拟得到所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数的平台为Python编程语言平台。本专利技术有益效果包括：本专利技术提出的基于深度学习的地表太阳辐射计算方法，利用了卫星气溶胶和云产品资料，采用神经网络的方法，能够快速计算晴空和有云条件下的地表太阳短波辐射结果。该方法不仅能计算晴空下的地表太阳短波辐射，还能计算有云条件下的地表太阳短波辐射，同时还能计算任意卫星气溶胶和云产品的地表太阳短波辐射，具备快速、准确地计算能力，具有全面、快、准的特点。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为一种基于深度学习的地表太阳辐射计算方法流程实施例；图2为一种包含实时提取卫星产品的基于深度学习的地表太阳辐射计算方法流程实施例；图3为一种包含地表太阳短波辐射数据集计算的基于深度学习的地表太阳辐射计算方法流程实施例。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术具体实施例及相应的附图对本专利技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。到达地表的太阳短波辐射是地表辐射收支平衡的重要组成部分，也是地表能量平衡和地气相互作用的重要驱动因素及陆面过程与气候变化研究的重要参数。高精度的地表太阳短波辐射资料不仅对全球气候变化及旱灾洪涝等气候灾害预报具有现实意义，也可为人类生态环境相关的决策提供帮助。因此地表太阳短波辐射的快速计算对于灾害预报、太阳能的估算等方面具有重要的意义。目前，地表太阳短波辐射测量仍是以地面观测为主，这种方法虽然具有测量精度高的特点，但是在全球尺度上的测量则需要非常多的站点来辅助才能实现。由于近些年卫星遥感技术的快速发展，使得在全球尺度上的连续地表太阳短波辐射的估算成为可能。如日本的气象卫星葵花-8能以10分钟的时间分辨率观测地球一次，这给地表太阳短波辐射的连续观测带来了非常大的潜力。以下结合附图，详细说明本专利技术各实施例提供的技术方案。图1为一种基于深度学习的地表太阳辐射计算方法流程实施例，本专利技术实施例提供一种基于深度学习的地表太阳辐射计算方法，具体包含以下步骤：步骤101，基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大本文档来自技高网...

【技术保护点】
1.一种基于深度学习的地表太阳辐射计算方法，其特征在于，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。

【技术特征摘要】
1.一种基于深度学习的地表太阳辐射计算方法，其特征在于，包含以下步骤：基于大气辐射传输模型，构建地表太阳短波辐射数据集，所述地表太阳短波数据集包含以下参数数据：太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射；将所述地表太阳短波辐射数据集作为训练样本，通过神经网络训练，得到深度学习模型，其中所述太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率作为神经网络输入层，所述地表反照率、地表下行总太阳辐射、地表下行直射太阳辐射、地表下行漫射太阳辐射、大气层顶向上辐射作为神经网络输出层。2.如权利要求1所述的基于深度学习的地表太阳辐射计算方法，其特征在于，还包含以下步骤：实时提取卫星的大气产品中的太阳天顶角、气溶胶光学厚度、大气水汽含量、云相态、云光学厚度、云粒子有效半径、地表反照率参数，采用所述深度学习模型，计算得到地表太阳辐射计算结果。3.如权利要求1～2任一项所述的基于深度学习的地表太阳辐射计算方法，其特征在于，所述地表太阳短波辐射数据集包含三种云相态的数据：晴空、水云、冰云。4.如权利要求1～2任一项所述的基于深度学习的地表太阳辐射计算方法，其特征在于，所述基于大气辐射传输模型，构建地表太阳短波辐射数据集的步骤，进一步包含：基于大气辐射传输模型，模拟得到每个像元的像素值和对应的气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数，所述气溶胶卫星气溶胶产品包含气溶胶比例系数、气溶胶附加系数，所述卫星云产品包含云相态比例系数、云相态附加系数、云光学厚度比例系数、云光学厚度附加系数、云粒子有效半径比例系数、云粒子有效半径附加系数，所述水汽产品包含水汽含量比例系数、水汽含量附加系数，所述卫星太阳几何包含太阳天顶角比例系数、太阳天顶角附加系数，所述地表条件参数包含地表反照率比例系数、地表反照率附加系数；将每个像元的所述气溶胶卫星气溶胶产品、卫星云产品、水汽产品、卫星太阳几何、地表条件参数转换为所述气溶胶光学厚度、云相态、云光学厚度、云粒子有效...

【专利技术属性】
技术研发人员：胡斯勒图，马润，尚华哲，赫杰，王子明，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京,11