基于静止卫星的地面热异常识别算法制造技术

本发明专利技术提供基于静止卫星的地面热异常识别算法，包括以下步骤：获取静止卫星的中红外通道的像元亮度DN值及观测几何角度数据集，首先将DN值转换为光强I，进而将光强转换为辐射亮温；利用卫星观测辐射亮温受到地表温度，大气水汽以及臭氧在红外波段的吸收影响；利用静止卫星观测的高时间分辨率优势以提高信噪比，多次（次数为N）重复观测噪声信号降低正比于∝

【技术实现步骤摘要】
基于静止卫星的地面热异常识别算法
本专利技术涉及卫星热异常遥感监测
，特别涉及基于静止卫星的地面热异常识别算法。
技术介绍
卫星热异常遥感可以提供森林火情、秸秆焚烧、工厂热源等的实时监测。现有的基于卫星遥感的地面热异常监测来源于每日或多日过境一次的极轨卫星，无法实现更高时间分辨率的实时动态监测。高轨同步卫星受限于卫星信噪比及观测角度影响，常规的热异常物理反演算法的关键性能指标都比较有限。因此，亟须一种能够实现高时间分辨率和高精度的卫星热异常监测算法。
技术实现思路
本专利技术的主要目的在于提供了一种适用于静止（高轨）卫星的特征的，能够实现低信噪比和低空间分辨率下的高精度热异常识别算法。为实现上述目的，本专利技术采取的技术方案为：基于静止卫星的地面热异常识别算法，包括以下步骤：S1、获取静止卫星的中红外通道的像元亮度DN值及观测几何角度数据集，首先将DN值转换为光强I，S2、进而将光强转换为辐射亮温：其中α，β为定标常数，h为普朗克常数，c为光速，k为玻尔兹曼常数，λ为中心波长；S3、利用静止卫星观测获取周平均下的地表植被指数NDVI，地表植被含水量NDWI；S4、利用静止卫星观测的高时间分辨率优势以提高信噪比，多次（次数为N）重复观测噪声信号降低正比于∝；S5、获取时间邻域的N个连续观测值，空间领域5*5格点区域的静止卫星观测的红外亮温、观测角度、模拟的温度、压强、风速、风向、相对湿度、累积降水量、大气水汽柱总量、臭氧柱总量以及地表覆盖类型；S6、模型采用深度时空卷积神经网络模型，模型结构如下：其中为模型模拟的火辐射强度，为卫星红外通道亮温，soz为太阳天顶角，raa为相对方位角，RH为地表相对湿度，Temperature为地表温度，Wind为风速及风向，O3为臭氧柱总量，Water为水汽柱总量，Precipitation为五日内的累积降水量，NDVI为归一化的植被指数，NDWI为归一化的水体指数，DEM为海拔高度，Land_use为地表类型；其中Xinput_layer为输入层，Xoutput_layer为输出层，Ϝ为传递函数，θ为训练参数。优选的，所述步骤S3中考虑卫星观测辐射亮温受到地表温度，大气水汽以及臭氧在红外波段的吸收影响；通过WRF-Chem模拟得到温度、压强、风速、风向、相对湿度、累积降水量、水汽柱总量、臭氧含量等数据，将数据重新格点到相同坐标尺度下；以及考虑到卫星观测与地形关系，使用地表高程数据；以及考虑到地表热异常的不同类型：林火、草原火灾、秸秆燃烧、工厂热源、爆炸等等，采用高精度的地表类型数据，这些数据作为热异常的潜在指示依据，为红外通道辐射亮温提供判定依据。优选的，所述步骤S4中考虑到静止卫星观测信噪比问题，不采用简单的取平均值的做法，考虑到观测亮温可能受到多种瞬时效应影响以及热异常发生的瞬时性，采用深度时空卷积时空网络模型来提取时空背景特征以及热异常的突发性特征。优选的，所述步骤S5中获取空间邻域下与时间标量下的：地表高程、地表类型、NDVI、NDWI数据；标签数据采用MODIS、VIIRS等极轨卫星观测到的地表热异常火强度数据集。优选的，所述步骤S6中更为具体的，对于每个子模块有：Xoutput_layer(t,t-1,...,t-k)＝ConvLSTM(Xinput_layer(t,t-1,...,t-k))对于不同输出层采用不同的时间轴长度k,对于最终输出层之前的输出层,k＝N即输入数据序列长度，对于最终输出层k＝0。损失函数：其中为模型预测结果，为样本标签。与现有技术相比，本专利技术具有如下有益效果：本专利技术中开发的基于静止卫星的高分辨率地面热异常识别算法，利用静止卫星的中红外通道观测地表热异常火强度数据集，再利用搭建的深度时空卷积神经网络模型，利用样本标签与模型预测结果对比，从而快速得出结论。附图说明图1为本专利技术的工作流程示意图；图2为本专利技术图1中的时空残差模块结构示意图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。基于静止卫星的地面热异常识别算法，包括以下步骤：S1、获取静止卫星的中红外通道的像元亮度DN值及观测几何角度数据集，首先将DN值转换为光强I，S2、进而将光强转换为辐射亮温：其中α，β为定标常数，h为普朗克常数，c为光速，k为玻尔兹曼常数，λ为中心波长；S3、利用静止卫星观测获取周平均下的地表植被指数NDVI，地表植被含水量NDWI；S4、利用静止卫星观测的高时间分辨率优势以提高信噪比，多次（次数为N）重复观测噪声信号降低正比于∝；S5、获取时间邻域的N个连续观测值，空间领域5*5格点区域的静止卫星观测的红外亮温、观测角度、模拟的温度、压强、风速、风向、相对湿度、累积降水量、大气水汽柱总量、臭氧柱总量以及地表覆盖类型；S6、模型采用深度时空卷积神经网络模型，模型结构如下：其中为模型模拟的火辐射强度，为卫星红外通道亮温，soz为太阳天顶角，raa为相对方位角，RH为地表相对湿度，Temperature为地表温度，Wind为风速及风向，O3为臭氧柱总量，Water为水汽柱总量，Precipitation为五日内的累积降水量，NDVI为归一化的植被指数，NDWI为归一化的水体指数，DEM为海拔高度，Land_use为地表类型；其中Xinput_layer为输入层，Xoutput_layer为输出层，Ϝ为传递函数，θ为训练参数。在本实施例中，步骤S3中考虑卫星观测辐射亮温受到地表温度，大气水汽以及臭氧在红外波段的吸收影响；通过WRF-Chem模拟得到温度、压强、风速、风向、相对湿度、累积降水量、水汽柱总量、臭氧含量等数据，将数据重新格点到相同坐标尺度下；以及考虑到卫星观测与地形关系，使用地表高程数据；以及考虑到地表热异常的不同类型：林火、草原火灾、秸秆燃烧、工厂热源、爆炸等等，采用高精度的地表类型数据，这些数据作为热异常的潜在指示依据，为红外通道辐射亮温提供判定依据。在本实施例中，步骤S4中考虑到静止卫星观测信噪比问题，不采用简单的取平均值的做法，考虑到观测亮温可能受到多种瞬时效应影响以及热异常发生的瞬时性，采用深度时空卷积时空网络模型来提取时空背景特征以及热异常的突发性特征。在本实施例中，步骤S5中获取空间邻域下与时间标量下的：地表高程、地表类型、NDVI、NDWI数据；标签数据采用MODIS、VIIRS等极轨卫星观测到的地表热异常火强度数据集。在本实施例中，步骤S6中更为具体的，对于每个子模块有：Xoutput_layer(t,t-1,...,t-k)＝ConvLSTM(Xinput_layer(t,t-1,...,t-k))本文档来自技高网...

【技术保护点】
1.基于静止卫星的地面热异常识别算法，其特征在于：包括以下步骤：/nS1、获取静止卫星的中红外通道的像元亮度DN值及观测几何角度数据集，首先将DN值转换为光强I，/nI＝α*DN+β/nS2、进而将光强转换为辐射亮温：/n

【技术特征摘要】
1.基于静止卫星的地面热异常识别算法，其特征在于：包括以下步骤：
S1、获取静止卫星的中红外通道的像元亮度DN值及观测几何角度数据集，首先将DN值转换为光强I，
I＝α*DN+β
S2、进而将光强转换为辐射亮温：



其中α，β为定标常数，h为普朗克常数，c为光速，k为玻尔兹曼常数，λ为中心波长；
S3、利用静止卫星观测获取周平均下的地表植被指数NDVI，地表植被含水量NDWI；
S4、利用静止卫星观测的高时间分辨率优势以提高信噪比，多次(次数为N)重复观测噪声信号降低正比于
S5、获取时间邻域的N个连续观测值，空间领域5*5格点区域的静止卫星观测的红外亮温、观测角度、模拟的温度、压强、风速、风向、相对湿度、累积降水量、大气水汽柱总量、臭氧柱总量以及地表覆盖类型；
S6、模型采用深度时空卷积神经网络模型，模型结构如下：
ypredict＝f(Tb1,Tb2,...,TbN,soz,raa,O3,RH,Temperature,
Wind,Water,Precipitation,NVDI,NDWI,Land_Use,DEM)
其中ypredict为模型模拟的火辐射强度，Tb1,Tb2,...,TbN为卫星红外通道亮温，soz为太阳天顶角，raa为相对方位角，RH为地表相对湿度，Temperature为地表温度，Wind为风速及风向，O3为臭氧柱总量，Water为水汽柱总量，Precipitation为五日内的累积降水量，NDVI为归一化的植被指数，NDWI为归一化的水体指数，DEM为海拔高度，Land_use为地表类型；
Xoutput_layer＝Xinput_layer+F(Xinput_layer,Θ)
其中Xinput_layer为输入层，Xoutput_layer为输出层...

【专利技术属性】
技术研发人员：赵飞，
申请(专利权)人：合肥冬行信息科技有限公司，
类型：发明
国别省市：安徽;34