基于改进U型卷积神经网络的海冰分布探测方法技术

本发明专利技术公开了一种基于改进U型卷积神经网络的海冰分布探测方法，包括如下步骤：S1:获取不同时间的极地海冰亮温数据、遥感光学数据，亮温数据包括了37GHz和19GHz下的垂直极化数据；S2:由垂直极化数据得出变量光谱梯度率GR，并以光谱梯度率GR作为训练数据，对训练数据进行图像增强、旋转、平移的操作得到扩展训练数据；S3:以遥感光学数据制作标签，以扩展训练数据建立U型卷积神经网络模型，通过网络结构、网络节点优化U型卷积神经网络模型。旨在解决利用改进U型卷积神经网络具有构建多个非线性变换组合的能力去解决海冰数据判识以及分布问题，提高了海冰分布探测结果的准确率与鲁棒性。

【技术实现步骤摘要】
基于改进U型卷积神经网络的海冰分布探测方法
本专利技术涉及海冰监测研究
，具体涉及一种基于改进U型卷积神经网络的海冰分布探测方法。
技术介绍
全球海冰面积约占海面面积的5％～8％，随着全球变暖日益加剧，南极地区是衡量气候变暖的一个关键地区。海冰是南极地区重要的大气环境影响因子之一。其高反射率、抑制海洋与大气之间的热蒸气交换以及潜热区随其生长和消失的变化，对极地和高纬度地区大气热平衡具有重要意义。南极海冰的异常变化不仅会影响当地的能量平衡，而且会影响全球气候系统的稳定性和变异性。南极独特的地理位置以及大气环流等因素的影响，这导致冰缘位置每天都在变化，使得识别长期趋势特别困难。因此，准确获取南极海冰的分布范围对研究南极海冰变化以及全球气候变化都具有重要意义。然而，由于海冰覆盖地区的恶劣自然环境，传统的观测方法不能及时有效地获取海冰变化的详细信息。目前利用星载微波辐射计亮温数据来反演海冰密集度及分布的比较成熟的方法主要有：Comiso提出的Bootstrap算法主要是利用高频与低频数据之间海水和海冰的极化差异特征来估算海冰密集度。Cav本文档来自技高网...

【技术保护点】
1.一种基于改进U型卷积神经网络的海冰分布探测方法，其特征在于，包括如下步骤：/nS1:获取不同时间的极地海冰亮温数据、遥感光学数据，亮温数据包括了37GHz和19GHz下的垂直极化数据；/nS2:由垂直极化数据得出变量光谱梯度率GR，并以光谱梯度率GR作为训练数据，对训练数据进行图像增强、旋转、平移的操作得到扩展训练数据；/nS3:以遥感光学数据制作标签，以扩展训练数据建立U型卷积神经网络模型，通过网络结构、网络节点优化U型卷积神经网络模型；/n其中，优化U型卷积神经网络模型优化包括如下步骤：/n1)将步骤S2得到的扩展训练数据进行批标准化、卷积、激活函数、池化后得到采样后的特征图像，将池化...

【技术特征摘要】
1.一种基于改进U型卷积神经网络的海冰分布探测方法，其特征在于，包括如下步骤：
S1:获取不同时间的极地海冰亮温数据、遥感光学数据，亮温数据包括了37GHz和19GHz下的垂直极化数据；
S2:由垂直极化数据得出变量光谱梯度率GR，并以光谱梯度率GR作为训练数据，对训练数据进行图像增强、旋转、平移的操作得到扩展训练数据；
S3:以遥感光学数据制作标签，以扩展训练数据建立U型卷积神经网络模型，通过网络结构、网络节点优化U型卷积神经网络模型；
其中，优化U型卷积神经网络模型优化包括如下步骤：
1)将步骤S2得到的扩展训练数据进行批标准化、卷积、激活函数、池化后得到采样后的特征图像，将池化后得到的结果再次进行批标准化、卷积、激活函数、池化后再次得到缩小的采样后的特征图像，多次重复该操作，得到多组缩小的采样后的高维特征图像；
2):将步骤1)得到的多组缩小的采样后的高维特征图像进行反卷积、正则化和激活函数，得到放大后的特征图，并多次重复进行反卷积、正则化和激活函数将缩小的采样后的高维特征图像放大到原图像的尺寸大小得到优化的特征图像；
3):将步骤1)得到的缩小的采样后的高维特征图像和步骤2)得到的优化的特征图像进行跳跃连接，并依次经过卷积、批标准化和激活函数，并以sigmoid作为分类函数，通过交叉熵损失函数计...

【专利技术属性】
技术研发人员：王星东，杨淑绘，张浩伟，赵颜创，王玉华，赵悦，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41