一种深度学习星载微波辐射计遥感亮温超分辨率重建方法技术

本发明专利技术属于星载微波辐射计遥感亮温处理技术领域，公开了一种深度学习星载微波辐射计遥感亮温超分辨率重建方法，包括构建微波亮温超分辨率数据集；构建微波亮温超分辨率模型MW

【技术实现步骤摘要】
一种深度学习星载微波辐射计遥感亮温超分辨率重建方法


[0001]本专利技术属于星载微波辐射计亮温处理
，特别涉及一种深度学习星载微波辐射计遥感亮温超分辨率重建方法。

技术介绍

[0002]高分辨率的地球表面亮温对于地球系统变化研究具有重要作用。由于天线尺寸和卫星重量受到限制，星载微波辐射计遥感亮温的分辨率通常都比较低，使得数据无法得到充分使用，因此需要提高微波遥感亮温分辨率。
[0003]提升微波辐射计遥感亮温的空间分辨率主要有两种措施：一方面是从载荷物理技术角度，提升载荷辐射计的天线的口径，从而得到主波束效率高、半功率宽度较小的天线方向图的载荷天线。但是星载微波辐射计天线口径受制于平台空间的限制，存在口径大小的极限，且由于航天设备的特殊性，使其具有研发周期长，耗资高的特点。此外，大尺寸的天线会增加卫星的重量，在卫星工作中大天线的形变、抖动等因素会影响微波辐射计亮温的质量。从卫星系统设计的角度来看，不能为了提升空间分辨率而无限制增加天线的口径，并且硬件设备受到工业技术的限制，也已趋近于极限。另一方面则是从数据处理的角度，提升微波辐射计亮温的空间分辨率。通过各种超分辨率的算法，将高分辨率的亮温通过反卷积技术恢复出来，即超分辨率亮温重建技术，该技术能在不改变物理天线尺寸的限制下，获取更高分辨率的亮温。但是现有超分辨率亮温重建方法在处理微波亮温时效果差，无法实现高分辨率的重建。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术提供一种深度学习星载微波辐射计遥感亮温超分辨率重建方法，有效提升微波亮温的分辨率，实现4倍超分辨率重建。
[0005]为了解决上述技术问题，本专利技术采用的技术方案是：
[0006]一种深度学习星载微波辐射计遥感亮温超分辨率重建方法，包括以下步骤：
[0007]S1、构建微波亮温超分辨率数据集；
[0008]S2、基于步骤S1的微波亮温超分辨率数据集构建基于UNet的深度卷积神经网络微波亮温超分辨率模型MW
‑
SRUNet(Microwave Super Resolution UNet)：将UNet网络引入微波亮温超分辨率模型，所述微波亮温超分辨率模型MW
‑
SRUNet包括编码器部分和解码器部分，在编码器部分，首先通过反卷积对原始亮温进行上采样，然后通过卷积、池化提取地球表面地物亮温信息，生成特征矩阵；解码器部分的网络结构是编码器结构的镜像，通过反卷积把亮温恢复至原始亮温的尺寸；
[0009]S3、将原始低分辨率微波亮温输入步骤S2构建的微波亮温超分辨率模型MW
‑
SRUNet，模型的输出即为重建后的高分辨率微波亮温。
[0010]进一步的，步骤S1中的数据集为高
‑
低分辨率亮温匹配数据集，低分辨率亮温为微波辐射计原始亮温，高分辨率亮温为对应区域分辨率增强型亮温，具体包括：
[0011]S101:将全球微波亮温进行掩膜，只保留有亮温值的区域；
[0012]S102:将全球微波亮温的有值区域进行切块以建立超分辨率数据集，其中：将低分辨率亮温切块，像元大小设置为n1×
n1，则对应的高分辨率亮温块大小为n2×
n2，n2＝4n1；
[0013]S103:将切块的全球微波亮温进行顺序统计滤波，以对亮温进行批量截取，并且可以设置截取歩长以降低亮温块之间的重复性；
[0014]S104:将预处理得到的全球微波亮温块按照测量时间进行迭代连接，使数据以三维矩阵形式储存，第一维为样本数，第二维和第三维为亮温的长和宽，构建用于微波亮温超分辨率模型MW
‑
SRUNet的高
‑
低分辨率亮温匹配数据集。
[0015]进一步的，步骤S2具体包括：
[0016]S201:微波亮温超分辨率模型MW
‑
SRUNet训练过程中，将步骤S1构建的微波亮温超分辨率数据集的70％用于训练，20％作为验证集对迭代的参数进行验证，保存验证集误差最小的模型，余下10％数据作为模型的预测集；
[0017]S202：微波亮温超分辨率模型MW
‑
SRUNet基于Tensorflow
‑
Keras框架实现，优化方法使用Adam，回调函数使用Reduce LR On Plateau，用于自适应调整学习率；
[0018]S203：使用地球表面亮温变化剧烈区域自定义损失函数进行模型的训练，以减少异常值对模型训练的影响，并且可以使网络的收敛性更好，损失函数公式具体如下：式中，N为亮温中的像元个数，I
i
是从真实数据中采样的高分辨率亮温，表示重建的高分辨率亮温；
[0019]S204：使用自定义评价函数对模型训练过程进行评价，以更直观地了解模型训练过程中超分辨率性能，评价函数公式具体如下：过程中超分辨率性能，评价函数公式具体如下：式中，L表示亮温中像素值中的最大值，MSE表示高分辨率亮温与低分辨率亮温之间的均方误差。
[0020]进一步的，微波亮温超分辨率模型MW
‑
SRUNet的输入层为24
×
24个像素的低分辨率亮温，输出层为96
×
96的高分辨率亮温，在编码器部分，首先通过两次2
×
2反卷积对原始亮温进行4倍上采样，然后通过4次卷积、池化提取地球表面地物亮温信息，生成特征矩阵；在解码器部分，通过4次反卷积把亮温恢复至96
×
96，获得微波亮温的4倍超分辨率重建亮温。
[0021]与现有技术相比，本专利技术优点在于：
[0022](1)本专利技术构建的微波亮温超分辨率数据集，可以用于全球范围的微波亮温超分辨率重建，可为今后微波亮温的超分辨率工作提供数据支撑，拓展了星载微波辐射计亮温数据在地球系统变化中的应用研究。
[0023](2)本专利技术的微波亮温超分辨率模型MW
‑
SRUNet，基于UNet网络设计，增加了网络层数可以学习更深层的地球表面地物亮温特征；引入反卷积层对亮温进行自适应的上采样，直接以低分辨率亮温作为网络的输入，构建端到端网络结构，从而能够更加明确地学习地球表面地物亮温的本源信息；通过跳层连接，在上采样过程中融合下采样过程中的特征矩阵，该方法有助于减少由于下采样的数据流中的分辨率降低而导致的信息丢失；使用地球表面亮温变化剧烈区域自定义损失函数进行模型的训练，以减少较大的异常值对模型训练的影响，并且可以使网络的收敛性更好；使用自定义评价函数对模型训练过程进行评价，
以更直观地了解模型训练过程中超分辨率性能。
[0024](3)本专利技术解决了微波亮温分辨率低的问题，成功将36km分辨率的微波亮温提升至9km，实现了微波亮温的4倍超分辨率重建，应用范围广，陆地和海洋亮温分辨率都可以提升。
附图说明
[0025]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习星载微波辐射计遥感亮温超分辨率重建方法，其特征在于，包括以下步骤：S1、构建微波亮温超分辨率数据集；S2、基于步骤S1的微波亮温超分辨率数据集构建基于UNet的深度卷积神经网络微波亮温超分辨率模型MW
‑
SRUNet：将UNet网络引入微波亮温超分辨率模型，所述微波亮温超分辨率模型MW
‑
SRUNet包括编码器部分和解码器部分，在编码器部分，首先通过反卷积对原始亮温进行上采样，然后通过卷积、池化提取地球表面地物亮温信息，生成特征矩阵；解码器部分的网络结构是编码器结构的镜像，通过多次反卷积把亮温恢复至原始亮温的尺寸；S3、将原始低分辨率微波亮温输入步骤S2构建的微波亮温超分辨率模型MW
‑
SRUNet，模型的输出即为重建后的高分辨率微波亮温。2.根据权利要求1所述的一种深度学习星载微波辐射计遥感亮温超分辨率重建方法，其特征在于，所述步骤S1中的数据集为高
‑
低分辨率亮温匹配数据集，低分辨率亮温为微波辐射计原始亮温，高分辨率亮温为对应区域分辨率增强型亮温，具体包括：S101:将全球微波亮温进行掩膜，只保留有亮温值的区域；S102:将全球微波亮温的有值区域进行切块以建立超分辨率数据集，其中：将低分辨率亮温切块，像元大小设置为n1×
n1，则对应的高分辨率亮温块大小为n2×
n2，n2＝4n1；S103:将切块的全球微波亮温进行顺序统计滤波，以对亮温进行批量截取，并且可以设置截取歩长以降低亮温块之间的重复性；S104:将预处理得到的全球微波亮温块按照测量时间进行迭代连接，使数据以三维矩阵形式储存，第一维为样本数，第二维和第三维为亮温的长和宽，构建用于微波亮温超分辨率模型MW
‑
SRUNet的高
‑
低分辨率亮温匹配数据集。3.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：殷晓斌，单鼎，徐青，李炎，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：