基于条件生成对抗网络的高分辨率气溶胶估算方法技术

本发明专利技术提供一种基于条件生成对抗网络的高分辨率气溶胶估算方法，包括：构建条件生成对抗网络，条件生成对抗网络包括生成器网络和判别器网络；生成器网络通过初步分辨率提升和细节质量提升两个阶段对输入图像进行分辨率的提升；构建样本集，样本集包括原始高分辨率AOD图像、环境特征数据、估计高分辨率AOD图像和低分辨率AOD图像；通过样本集对生成器网络进行训练，训练好的生成器网络用于对待处理的低分辨率AOD图像进行高分辨率AOD图像的估计；其中，将低分辨率AOD图像作为空间条件，将环境特征数据作为环境条件对生成器网络进行训练。本发明专利技术能够实现对高分辨率AOD图像的准确估算。算。算。

【技术实现步骤摘要】
基于条件生成对抗网络的高分辨率气溶胶估算方法


[0001]本专利技术涉及遥感信息
，尤其涉及一种基于条件生成对抗网络的高分辨率气溶胶估算方法。

技术介绍

[0002]大气气溶胶是由悬浮在空气中的固体或液体颗粒组成的一种气体分散系统。气溶胶通过与太阳辐射，云层和大气化学物质的复杂相互作用，对地球的辐射平衡和气候产生直接和间接的影响。有害的气溶胶颗粒还会损害人体健康，增加罹患心血管和呼吸系统疾病的风险。研究人员通常将大气消光系数在垂直方向上的积分定义为气溶胶光学厚度(AOD，Aerosol Optical Depth)，并作为气溶胶相关研究的关键参数。
[0003]时空完备的高精度AOD产品可以促进各种气溶胶相关研究。现有的AOD获取方式可以分为三类：地面观测，卫星检索和模型模拟。气溶胶机器人网络(AERONET)能够提供精确的AOD全球分布观测，但空间覆盖范围有限。通过大气化学模型对AOD进行模拟，例如全球3
‑
D大气化学迁移模型(GEOS
‑
Chem)，能够生成具有高时间分辨率的气溶胶剖面和柱浓度数据，但空间分辨率和准确性仍然受到限制。卫星检索可以获得高空间覆盖率AOD，例如中等分辨率成像光谱辐射仪(MODIS)和静止卫星Himawari
‑
8。然而，由于有限的条幅宽度，云层覆盖的影响以及AOD检索算法理论固有局限性，单个卫星传感器AOD产品在准确性和时空完整性方面仍存在缺陷，但是来自不同卫星传感器的AOD产品可以进行优劣互补。因此，通过融合来自不同卫星传感器的卫星AOD产品，可以获取时空完备的高精度AOD产品。
[0004]目前国内外学者在估算高分辨率气溶胶研究中取得了一定的成果，融合多传感器AOD产品时，主要利用多源AOD产品的像素值来填充同一位置上AOD产品的缺失值。例如，通过不同卫星传感器在相同地理位置处的AOD值的函数关系，研究人员开发了多项式回归模型，最大似然估计模型，最小二乘估计模型，最优插值，经验正交函数以及一些简化的混合方法。此外，还有一些地理统计学方法，包括通用克里格法，地理统计逆向建模法和空间统计数据融合法。但是这些插值方法通常会导致平滑扩散，从而增加了AOD的不确定性，无法保证高分辨率AOD图像估算的准确性。

技术实现思路

[0005]本专利技术提供一种基于条件生成对抗网络的高分辨率气溶胶估算方法，用以解决现有技术中高分辨率AOD图像估算结果精度低的缺陷，实现对高分辨率AOD图像的准确估算，以保证获得的高分辨率AOD图像更加接近真实分布。
[0006]本专利技术提供一种基于条件生成对抗网络的高分辨率气溶胶估算方法，包括：
[0007]构建条件生成对抗网络，所述条件生成对抗网络包括生成器网络和判别器网络；所述生成器网络通过两个阶段对输入图像进行分辨率的提升，其中，第一个阶段对所述输入图像进行初步分辨率提升，第二个阶段对初步分辨率提升后的所述输入图像进行细节质量提升；
[0008]构建样本集，所述样本集包括原始高分辨率AOD图像、环境特征数据、估计高分辨率AOD图像和低分辨率AOD图像；其中，所述低分辨率AOD图像通过对所述原始高分辨率AOD图像进行降采样得到；所述估计高分辨率AOD图像通过将所述低分辨率AOD图像和所述环境特征数据输入至所述生成器网络得到；
[0009]通过所述样本集对所述生成器网络进行训练，得到训练好的所述生成器网络，训练好的所述生成器网络用于对待处理的低分辨率AOD图像进行高分辨率AOD图像的估计；其中，将所述低分辨率AOD图像作为空间条件，将所述环境特征数据作为环境条件对所述生成器网络进行训练；训练过程中，将所述样本集输入所述判别器网络，根据所述判别器网络的输出对所述生成器网络进行监督训练；满足预设条件，则得到训练好的所述生成器网络，否则，对所述生成器网络进行参数调整，并基于损失函数对所述生成器网络进行二次训练。
[0010]根据本专利技术提供的一种基于条件生成对抗网络的高分辨率气溶胶估算方法，得到训练好的所述生成器网络之后，还包括：获取待处理的低分辨率AOD图像，将所述待处理的低分辨率AOD图像和相应的所述环境特征数据输入训练好的所述生成器网络，得到高分辨率AOD图像；其中，所述样本集中的所述原始高分辨率AOD图像采用高空间、低时间分辨率的MODIS AOD数据；所述待处理的低分辨率AOD图像采用低空间、高时间分辨率的Himawari AOD数据，得到的所述高分辨率AOD图像为高空间、高时间分辨率的AOD估算数据。
[0011]根据本专利技术提供的一种基于条件生成对抗网络的高分辨率气溶胶估算方法，所述生成器网络包括依次连接的编
‑
解码器网络、残差网络；
[0012]所述编
‑
解码器网络用于输入所述低分辨率AOD图像，并根据所述低分辨率AOD图像生成第一高分辨率AOD图像，完成所述低分辨率AOD图像的初步分辨率提升；
[0013]所述残差网络用于输入所述第一高分辨率AOD图像和所述环境特征数据，根据所述环境特征数据对所述第一高分辨率AOD图像进行修正，得到所述估计高分辨率AOD图像，完成所述低分辨率AOD图像细节质量的提升。
[0014]根据本专利技术提供的一种基于条件生成对抗网络的高分辨率气溶胶估算方法，所述根据所述判别器网络的输出对所述生成器网络进行监督训练包括：
[0015]将所述样本集输入所述判别器网络，根据所述低分辨率AOD图像的降采样条件和所述环境特征数据，通过所述判别器网络对所述原始高分辨率AOD图像和所述估计高分辨率AOD图像进行判定，根据所述判别器网络的判定结果对所述生成器网络进行监督训练；若所述判别器网络无法区分所述原始高分辨率AOD图像和所述估计高分辨率AOD图像，则得到训练好的所述生成器网络，否则，训练失败。
[0016]根据本专利技术提供的一种基于条件生成对抗网络的高分辨率气溶胶估算方法，所述基于损失函数对所述生成器网络进行二次训练包括：
[0017]固定所述判别器网络的参数，并调整所述生成器网络的参数，根据所述生成器网络和所述判别器网络的相互对抗反馈，对所述生成器网络和所述判别器网络进行交替更新，得到训练好的所述生成器网络；其中，以最小化所述损失函数为目标，对所述生成器网络和所述判别器网络进行交替更新。
[0018]根据本专利技术提供的一种基于条件生成对抗网络的高分辨率气溶胶估算方法，所述损失函数如下式所示：
[0019]Loss_1(θ
G
，θ
D
)＝
‑
log D(M
HR
，M
′
LR
)
‑
log(1
‑
D(G(M
′
LR
)，M
′
LR
))
[0020]Loss_2(θ
G
，θ
D
)＝
‑
log D(M
HR...

【技术保护点】

【技术特征摘要】
1.基于条件生成对抗网络的高分辨率气溶胶估算方法，其特征在于，包括：构建条件生成对抗网络，所述条件生成对抗网络包括生成器网络和判别器网络；所述生成器网络通过两个阶段对输入图像进行分辨率的提升，其中，第一个阶段对所述输入图像进行初步分辨率提升，第二个阶段对初步分辨率提升后的所述输入图像进行细节质量提升；构建样本集，所述样本集包括原始高分辨率AOD图像、环境特征数据、估计高分辨率AOD图像和低分辨率AOD图像；其中，所述低分辨率AOD图像通过对所述原始高分辨率AOD图像进行降采样得到；所述估计高分辨率AOD图像通过将所述低分辨率AOD图像和所述环境特征数据输入至所述生成器网络得到；通过所述样本集对所述生成器网络进行训练，得到训练好的所述生成器网络，训练好的所述生成器网络用于对待处理的低分辨率AOD图像进行高分辨率AOD图像的估计；其中，将所述低分辨率AOD图像作为空间条件，将所述环境特征数据作为环境条件对所述生成器网络进行训练；训练过程中，将所述样本集输入所述判别器网络，根据所述判别器网络的输出对所述生成器网络进行监督训练；满足预设条件，则得到训练好的所述生成器网络，否则，对所述生成器网络进行参数调整，并基于损失函数对所述生成器网络进行二次训练。2.根据权利要求1所述的基于条件生成对抗网络的高分辨率气溶胶估算方法，其特征在于，得到训练好的所述生成器网络之后，还包括：获取待处理的低分辨率AOD图像，将所述待处理的低分辨率AOD图像和相应的所述环境特征数据输入训练好的所述生成器网络，得到高分辨率AOD图像；其中，所述样本集中的所述原始高分辨率AOD图像采用高空间、低时间分辨率的MODIS AOD数据；所述待处理的低分辨率AOD图像采用低空间、高时间分辨率的Himawari AOD数据，得到的所述高分辨率AOD图像为高空间、高时间分辨率的AOD估算数据。3.根据权利要求1所述的基于条件生成对抗网络的高分辨率气溶胶估算方法，其特征在于，所述生成器网络包括依次连接的编
‑
解码器网络、残差网络；所述编
‑
解码器网络用于输入所述低分辨率AOD图像，并根据所述低分辨率AOD图像生成第一高分辨率AOD图像，完成所述低分辨率AOD图像的初步分辨率提升；所述残差网络用于输入所述第一高分辨率AOD图像和所述环境特征数据，根据所述环境特征数据对所述第一高分辨率AOD图像进行修正，得到所述估计高分辨率AOD图像，完成所述低分辨率AOD图像细节质量的提升。4.根据权利要求1所述的基于条件生成对抗网络的高分辨率气溶胶估算方法，其特征在于，所述根据所述判别器网络的输出对所述生成器网络进行监督训练包括：将所述样本集输入所述判别器网络，根据所述低分辨率AOD图像的降采样条件和所述环境特征数据，通过所述判别器网络对所述原始高分辨率AOD图像和所述估计高分辨率AOD图像进行判定，根据所述判别器网络的判定结果对所述生成器网络进行监督训练；若所述判别器网络无法区分所述原始高分辨率AOD图像和所述估计高分辨率AOD图像，则得到训练好的所述生成器网络，否则，训练失败。5.根据权利要求1所述的基于条件生成对抗...

【专利技术属性】
技术研发人员：刘鹏，张罗，赵灵军，何国金，马艳，陈腊娇，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：