基于CGAN进行数据校正的高精度ASI海冰密集度反演算法制造技术

本发明专利技术提供一种基于CGAN进行数据校正的高精度ASI海冰密集度反演算法，属于卫星遥感技术领域，包括如下步骤：S1、数据筛选：找到不受云和水汽等外界环境干扰或干扰小的89GHz数据与36GHz数据之间较为稳定的关系，筛选出受干扰大的89GHz数据；S2、数据校正：CGAN的生成网络与判别网络通过对抗训练，利用可靠性高的36GHz数据与不受云和水汽等外界环境干扰或干扰小的89GHz数据之间的稳定关系，对受干扰大的89GHZ数据进行校正；S3、基于校正后的89GHz数据，采用ASI海冰密集度算法反演海冰密集度。本发明专利技术通过有效地校正混合像素海冰密集度，可以大大减少大气造成的误差。以大大减少大气造成的误差。以大大减少大气造成的误差。

【技术实现步骤摘要】
基于CGAN进行数据校正的高精度ASI海冰密集度反演算法


[0001]本专利技术涉及卫星遥感
，具体涉及一种基于CGAN进行数据校正的高精度ASI海冰密集度反演算法。

技术介绍

[0002]极区海冰的变化与全球大气变化、海洋环流的变化等都有密切的联系，对研究全球气候变化起着重要的作用。海冰密集度(SIC，sea ice concentration)是研究海冰时空变化特征的重要参数之一。
[0003]近几十年来已经提出了许多用于估计更准确的SIC值的反演算法。Comiso(1986,1995)提出了bootstrap算法，该算法主要利用海冰发射率随频段的变化以及海水的不同物理特性来反演海冰密集度。Cavelieri等(1984，1991)提出NT算法，该算法根据辐射亮温的差异并结合极化梯度率和光谱梯度率建立海冰密集度反演方程。2015年Liu等(2015)在NT算法的基础上，提出了利用全约束最小二乘算法的计算南极海冰密集度算法。Cavalieri等(1991)利用SSM/I的亮温数据，提出NASA Team算法，该算法可用于一年冰以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CGAN进行数据校正的高精度ASI海冰密集度反演算法，其特征在于：包括如下步骤：S1、数据筛选：找到不受云和水汽等外界环境干扰或干扰小的89GHz数据与36GHz数据之间较为稳定的关系，筛选出受干扰大的89GHz数据；S2、数据校正：CGAN的生成网络与判别网络通过对抗训练，利用可靠性高的36GHz数据与不受云和水汽等外界环境干扰或干扰小的89GHz数据之间的稳定关系，对受干扰大的89GHZ数据进行校正；CGAN的模型函数如(3)所示：其中，x为受外界环境影响的数据，y为附加信息，z为输入随机噪声，G(z|y)为将随机噪声和附加信息、受外界环境影响输入CGAN的生成网络输出的不受外界环境影响的数据，D(G(z|y))为判别网络判定输入数据为假的概率；由于CGAN的生成网络的目标为尽可能使得生成数据接近不受外界环境影响的数据，所以损失函数设置为1
‑
D(G(z|y))来保证判别网络输出假图像概率尽可能小，而判别网络的目标是提高判断输入数据差异的能力，因此，D(x|y)越大越好，同时希望噪声影响越小越好，则损失函数设置为D(x|y)+1
‑
D(G(z|y))，用表示这一博弈的过程；CGAN模型的训练过程如下：(1)训练前，调整数据集，如旋转、平移，增加数据集的数量，然后，对训练集和测试集进行归一化处理；(2)将训练集输入生成网络，然后进行连续批量归一化+卷积+ReLU+池化的操作，以完成下采样操作；(3)在下采样得到的特征图上进行反褶积、BN和激活函数的连续操作，以完成上采样；(4)在同一个网络层中，将下采样和上采样的输出特征映射连接起来；在不同的网络层中，从顶层神经网络层到底层神经网络层，融合了下采样和下一个神经网络层的上采样的输出特征图，融合后的输出特征图继续被下一个神经网络层的上采样特征图所连接，以此迭代继续进行，直到下一层没有相应的上采样，然后得到89GHz数据和可靠性高的36GHz数据的映射关系，(5)然后将测试集数据即不受干扰的89GHz数据和36GHz的数据关系，以及步骤(4)中得到的89GHz数据和可靠性高的36GHz数据的映射关系输入判别网络；(6)然后进行连续批量归一化+卷积+ReLU+池化的操作，以完...

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