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。Cavalieri等利用SSM/I的亮温数据，提出NASATeam算法，该算法可用于一年冰以及多年冰密集度的反演。目前国内外学者对海冰分布的反演研究已做了不少工作，虽然也取得了相对较好的进展，不同区域的精度不同，即选取数据时受采样点的影响，估算结果存在高估和低估，海冰的分布精度不高的问题。
技术实现思路
本专利技术要解决的技术问题是提供一种基于改进U型卷积神经网络的海冰分布探测方法，以解决海冰的分布精度不高的技术问题。为解决上述技术问题，本专利技术采用如下技术方案：1.设计一种基于改进U型卷积神经网络的海冰分布探测方法，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算输出海冰分布探测结果与遥感光学数据结果的差异来评估训练结果；4):在评估训练结果的基础上改变跳跃连接的重复次数，寻找最优反卷积过程跳跃连接次数的最优值，实现图像海冰分布探测结果。优选的，所述光谱梯度率GR：GR＝[Tb(37V)-Tb(19V)]/[Tb(37V)+Tb(19V)](1)在式(1)Tb是指某通道观测亮温，式中的数字代表卫星通道中心频率，单位：GHz；式中的V是指被动微波观测的垂直极化方式。优选的，所述优化U型卷积神经网络模型结合了下采样时的底层特征信息和上采样时的高层特征信息，并通过跳跃连接填补底层信息以提高分割精度。优选的，所述优化U型卷积神经网络模型包括卷积层、池化层、反卷积层；卷积层的作用是通过卷积运算使原信号特征增强以实现图像的特征提取，并且降低噪声的作用；池化层的作用是降低特征图分辨率、减少参数量，达到加速收敛并增强网络的鲁棒性；反卷积层包括激活函数，激活函数的作用是加入非线性因素，提高神经网络对数据的表达能力。与现有技术相比，本专利技术的有益技术效果在于：1.本专利技术实现端对端的像素级语义分割且具有良好的泛化能力的改进U型卷积神经网络进行海冰分布探测研究。本专利技术可以准确获取极地海冰分布信息，对全球变化、地球水圈辐射、极地气候等研究具有重要意义。本专利技术采用一种能实现端对端的像素级语义分割且具有良好的泛化能力的改进U型卷积神经网络进行海冰分布探测研究。基于特殊传感器微波成像仪(SpecialSensorMicrowave/Imager,SSM/I)的37GHz和19GHz的垂直极化数据获得南极区域海冰分布探测结果，其结果与NASATEAM算法结果进行了对比验证，结果表明，基于改进U型卷积神经网络的海冰分布探测方法是可行的；同MODSI光学得到的海冰分布结果进行对比验证，结果表明：基于改进U型卷积神经网络的海冰分布探测方法提高了海冰分布探测精度。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。2.本专利技术利用SSM/I的37GHz和19GHz的垂直极化观测数据不仅可以减少部分云雾影响，拉大了海冰和海水的区别。3.本专利技术利用SSM/I数据的一年冰、多年冰以及无冰海面在亮温上的差异，确定了利用卷积神经网络对亮温和辐射亮温极化比率进行非线性拟合的方法来区分海冰和海水的方法。本专利技术利用U型卷积神经网络的方法基于SSM/I的亮温数据极化比率来用于南极海冰的识别与分类，并通过神经网络的改进，研究建立了更准确的海冰判识方法。4.本专利技术该方法通过增加卷积过程中编码器和解码器的个数和不同网络结构的连通性，增强了图像特征的提取能力，得到了海冰分布探测结果。该方法的海冰分布探测结果与NASATEAM算法得到的海冰分布结果相比精度更高。基于深度学习的海冰分类不必提前设计特征，对不同的数据产品具有更强的鲁棒性和迁移能力。附图说明图1为U型卷积神经网络的结构图；图2为改进U型卷积神经网络框架图；图3为基于NASATEAM算法的海冰分布；图4为基于改进U型卷积神经网络的海冰分布；图5为基于NASATEAM算法的海冰分割结果图；图6为基于改进U型卷积神经网络的海冰分割结果图；图7为MODIS数据采用反射率阈值法分割后的海冰结果。具体实施方式下面结合附图和实施例来说明本专利技术的具体实施方式，但以下实施例只是用来详细说明本专利技术，并不以任何方式限制本专利技术的范围。实施例1：一种基于改进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；/n2):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；/n3):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算输出海冰分布探测结果与遥感光学数据结果的差异来评估训练结果；/n4):在评估训练结果的基础上改变跳跃连接的重复次数，寻找最优反卷积过程跳跃连接次数的最优值，实现图像海冰分布探测结果。/n...

【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