一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法技术

本发明专利技术公开了一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，包括如下步骤：将模拟对象MODTRAN模型分解为大气辐射传输计算和传感器光谱响应计算两个环节，并对这两个过程的参数进行模版参数设计；将设计好的两个过程的模版参数输入MODTRAN模型进行模拟，分别得到大气辐射传输和传感器光谱响应样本集；建立正向模拟网络，并且通过大气辐射传输和传感器光谱响应样本集训练正向模拟网络；基于正向模拟网络对传感器入瞳辐亮度进行仿真计算。本发明专利技术利用RNN神经网络对大气辐射传输模型进行了全面的模拟，有效避免了传统方法只针对某个特定问题进行模拟的较大局限性；并且使用RNN神经网络对大气辐射传输模型进行模拟，能够较大地提升计算的速度、精度。精度。精度。

【技术实现步骤摘要】
一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法


[0001]本专利技术属于大气辐射传输和深度学习
，具体涉及一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法。

技术介绍

[0002]大气辐射传输模型对于遥感影像的应用起着关键作用，但是其计算量巨大，十分耗时是一直以来的一个重要缺点。国内外研究人员针对这一问题，在保证大气辐射传输模型精度的同时，提高其效率进行了积极探索，从方法上看可以分为两种：利用查找表简化大气辐射传输模型计算和基于深度学习对大气辐射传输模型进行模拟。
[0003]查找表方法主要构建的是波段
‑
反射率
‑
入瞳辐亮度查找表，其方法是：首先，设定仿真时刻和场景的大气状况参数和几何条件参数；然后，在选定的成像条件下，以特定的反射率数值写入大气辐射传输模型，得到这几个反射率数值下的入瞳辐亮度，进一步求解简化方程中的未知参数；最后，在[0,1]范围内离散取值并逐一写入已知的简化模型，求得各个反射率在不同波长下的入瞳辐亮度，在依据传感器的光谱响应函数进行积分运算，求得不同波段的入瞳辐亮度值，形成波段
‑
反射率
‑
入瞳辐亮度查找表。然而，由于查找表方法的插值的过程存在着一定的误差，并且随着卫星观测模型和应用场景的变化，查找表的规模也会变得巨大，随着数据量急剧增长，利用查找表方法简化大气辐射传输模型的计算量带来了巨大的挑战。
[0004]利用深度学习的方法来模拟大气辐射传输模型的方法，主要是针对大气辐射传输模型不同的应用场景，设计合适的深度学习网络，在基于深度学习的大气辐射传输模型框架的基础上，对选择的模型进行模拟，实现地表反射率
‑
传感器入瞳辐亮度的对应输入输出。但是，由于现有的利用深度学习的方法对大气辐射传输模型进行模拟的研究只是针对某一特定问题或特定传感器，很少考虑从大气辐射传输模型原理上去进行模拟，因此具有较大的应用局限性，在不同的应用场景或是面向不同传感器应用时均无法使用。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，提供一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，能够对大气辐射传输模型的计算过程进行模拟，实现地表反射率和传感器入瞳辐亮度的对应输入输出。
[0006]技术方案：为实现上述目的，本专利技术提供一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，包括如下步骤：
[0007]S1：将模拟对象MODTRAN模型分解为大气辐射传输计算和传感器光谱响应计算两个环节，并对这两个过程的参数进行模版参数设计；
[0008]S2：将设计好的两个过程的模版参数输入MODTRAN模型进行模拟，分别得到大气辐射传输和传感器光谱响应样本集；
[0009]S3：建立正向模拟网络，并且通过大气辐射传输和传感器光谱响应样本集训练正向模拟网络；
[0010]S4：基于正向模拟网络对传感器入瞳辐亮度进行仿真计算。
[0011]进一步地，所述步骤S1中模版参数设计包括不变参数设置和可变参数设置，不变参数包括模拟谱段、吸收谱线参数、气溶胶模型、大气模式、模型解算方式和气体吸收计算方式，可变参数包括太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率。
[0012]进一步地，所述步骤S2中大气辐射传输数据集的获取过程为：
[0013]根据地表反射率的取值范围和间隔，对参数组合分为201层进行采样，每层随机生成480种参数组合，共计96480组数据组合，每组数据包含太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度、地表反射率和MODIS第1到第4波段，以1nm为间隔的大气层顶辐亮度。
[0014]进一步地，所述步骤S2中传感器光谱响应样本集的获取过程为：
[0015]A1：在大气辐射传输数据集的基础上，计算每种参数的标准差，标准差公式：
[0016][0017]其中，μ为每种参数在其取值范围内，不同取值出现次数的平均值，x
i
为第i个取值出现的次数，n为每种参数的取值可能数；
[0018]A2：随机选取大气辐射传输数据集中的1组数据，并经过MODTRAN模型模拟得到辐亮度模拟结果；
[0019]A3：在MODTRAN给出的太阳辐射范围，对MODIS第1到第4波段内的太阳辐亮度随机取值，生成1000000组均匀分布的辐亮度组合，并将其与补零后的光谱响应函数进行卷积，
[0020]L
k
＝∫L(λ)R
k
(λ)dλ
[0021]其中，L
k
为传感器记录的辐射能量值，L(λ)为入瞳处波长为λ的辐射能量，R
k
(λ)为MODIS某一波段在波长λ处的光谱响应率；
[0022]生成1000000组数据，每组数据分别由MODIS第1到第4波段入瞳辐亮度和以1nm为间隔的大气层顶辐亮度组成。
[0023]进一步地，所述步骤S2中由于得到的两组数据集中不同参数具有不同的取值范围，为了便于神经网络模型的训练，对数据中的每个参数进行标准化处理至0
‑
1之间，采用极差法进行标准化处理的公式如下：
[0024][0025]其中，X
max
为特征取值的最大值，X
min
为特征取值的最小值。
[0026]进一步地，所述步骤S3中正向模拟网络包括大气辐射传输计算网络和MODIS光谱响应计算网络，
[0027]所述大气辐射传输计算网络由1个输入层、4个隐藏层和1个输出层组成，损失函数为MSE，输入层神经元数量为7个，分别是太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率，输出层神经元数量为125个，分别是
MODIS第1到第4波段内的1nm间隔的大气层顶辐亮度；
[0028]所述MODIS光谱响应计算网络包括数据处理、网络训练和网络预测三个部分，其中，数据处理过程包括：数据预处理、数据归一化；网络训练过程：以损失函数最小化为优化目标，优化求解过程；网络预测：基于训练好的RNN算法对传感器入瞳辐亮度时间序列进行预测。
[0029]进一步地，所述步骤S3中正向模拟网络的训练方法为：
[0030]使用大气辐射传输样本数据集对大气辐射传输计算网络进行训练，在训练之前将96480个样本数据按照3：1：1的比例划分为训练集、测试集和验证集；
[0031]使用传感器光谱响应样本数据集对光谱响应计算网络进行训练，在训练之前要将1000000个样本数据按照3：1：1的比例分为训练集、测试集和验证集。
[0032]进一步地，所述步骤S4具体为：
[0033]B1：将太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、气溶胶光学厚度和地表反射率数据输入到大气辐射传输计算网络，计算获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，包括如下步骤：S1：将模拟对象MODTRAN模型分解为大气辐射传输计算和传感器光谱响应计算两个环节，并对这两个过程的参数进行模版参数设计；S2：将设计好的两个过程的模版参数输入MODTRAN模型进行模拟，分别得到大气辐射传输和传感器光谱响应样本集；S3：建立正向模拟网络，并且通过大气辐射传输和传感器光谱响应样本集训练正向模拟网络；S4：基于正向模拟网络对传感器入瞳辐亮度进行仿真计算。2.根据权利要求1所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S1中模版参数设计包括不变参数设置和可变参数设置，不变参数包括模拟谱段、吸收谱线参数、气溶胶模型、大气模式、模型解算方式和气体吸收计算方式，可变参数包括太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度和地表反射率。3.根据权利要求1所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S2中大气辐射传输数据集的获取过程为：根据地表反射率的取值范围和间隔，对参数组合分为201层进行采样，每层随机生成480种参数组合，共计96480组数据组合，每组数据包含太阳天顶角、观测天顶角、相对方位角、观测点海拔高度、边界层能见度、气溶胶光学厚度、地表反射率和MODIS第1到第4波段，以1nm为间隔的大气层顶辐亮度。4.根据权利要求3所述的一种基于全连接和RNN神经网络的大气辐射传输模型模拟方法，其特征在于，所述步骤S2中传感器光谱响应样本集的获取过程为：A1：在大气辐射传输数据集的基础上，计算每种参数的标准差，标准差公式：其中，μ为每种参数在其取值范围内，不同取值出现次数的平均值，x
i
为第i个取值出现的次数，n为每种参数的取值可能数；A2：随机选取大气辐射传输数据集中的1组数据，并经过MODTRAN模型模拟得到辐亮度模拟结果；A3：在MODTRAN给出的太阳辐射范围，对MODIS第1到第4波段内的太阳辐亮度随机取值，生成1000000组均匀分布的辐亮度组合，并将其与补零后的光谱响应函数进行卷积，L
k
＝∫L(λ)R
k
(λ)dλ其中，L
k
为传感器记录的辐射能量值，L(λ)为入瞳处波长为λ的辐射能量，R
k
(λ)为...

【专利技术属性】
技术研发人员：李俊，徐嘉蔚，盛庆红，王博，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：