【技术实现步骤摘要】
一种基于深度学习的三维云层辐射传输计算方法
[0001]本专利技术属于三维含云遥感辐射计算与机器学习
,具体涉及一种基于深度学习的三维云层辐射传输计算方法。
技术介绍
[0002]随着大气遥感科学的发展,含云大气的辐射传输模型变得更加重要,并且广泛应用于气候变化、环境监测、天气预报等研究领域。由于云层在三维空间内具有较强的非均匀性,且多次散射计算较为复杂,云辐射特性的准确解算十分复杂,如何高效、准确地计算三维云层区域发生的散射是辐射传输计算的难点。
[0003]近年来,机器学习已经应用于物理模拟领域,极大提高了物理模拟的速度。机器学习能够主动从大量的历史数据或者仿真数据中寻找数据间的关联与特征,并通过大量的训练过程对机器学习算法内部参数进行更新以实现机器的自我学习。
[0004]目前已有的三维云层辐射传输方法在计算精度与速度要求较高的遥感领域中难以应用,需要根据含云大气的场景属性,针对性地提出有利于提升计算速度与精度的关键技术。
技术实现思路
[0005]为克服常规三维云层辐射传输计算方法难以同时满足精度与速度的要求,本专利技术提出了一种基于深度学习的三维云层辐射传输计算方法。
[0006]本专利技术提出了基于深度学习的三维云层辐射传输计算方法,该方法依据辐射传输方程系统地组合排列含云大气场景属性,建立针对性的卷积核和策略表示相邻云体单元间的能量交换,引入亚像素卷积模块用于池化和上采样操作的优化,同时创建结合对数方法的损失函数,得到云层辐射亮度对数值的图像,所述三维云层辐 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的三维云层辐射传输计算方法,其特征在于,所述方法依据辐射传输方程系统地组合排列含云大气场景属性,建立针对性的卷积核和策略表示相邻云体单元间的能量交换,引入亚像素卷积模块用于池化和上采样操作的优化,创建基于对数方法的损失函数,得到云层辐射亮度对数值的图像。2.根据权利要求1所述的一种基于深度学习的三维云层辐射传输计算方法,其特征在于,所述三维云层辐射传输计算方法的具体过程为:步骤1:建立云大气场景属性数组,并将含云大气场景属性按云体单元位置排列成作为网络输入层;步骤2:建立针对性的卷积核和卷积策略,利用三维卷积核对所述含云大气场景属性进行卷积操作,计算相邻云体单元间的辐射能量交换,得到更新后的云层场景属性;步骤3:对更新后的云层场景属性进行池化操作,得到经过云体单元合并后的云层场景属性,采用亚像素卷积对经过云体单元合并后的云层场景属性进行上采样,得到经过云体单元的拆分后的云层场景属性;步骤4:对经过云体单元重新拆分的云层场景属性逐层提取辐射亮度信息,最后得到三维云场上行辐射亮度对数值图像。3.根据权利要求2所述的一种基于深度学习的三维云层辐射传输计算方法,其特征在于,所述步骤1具体为:设定辐射传输计算所需的参数,所述参数包括太阳辐射通量、路径长度、不对称因子、温度、消光系数和单次散射反照率,根据辐射传输公式(1)~(5),将上述参数以固定的方式排列,构建数组H(x,y,z),并按照云体单元的空间位置对数组H(x,y,z)进行排序组成云层场景属性数组,得到满足网络训练要求的输入层;式中:s为位置矢量;Ω为方向矢量;k
e
(s)为消光系数;I(s,Ω)表示位置s处沿Ω方向的辐射亮度和辐射源函数,J
E
(s,Ω)、J
SS
(s,Ω)和J
MS
(s,Ω)分别为热源函数、单次散射源函数和多次散射源函数。4.根据权利要求1所述的一种基于深度学习的三维云层辐射传输计算方法,其特征在于,热源函数、单次散射源函数和多次散射源函数的表达式如下:J
E
(s,Ω)=[1
‑
ω(s)]B[T(s)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)式中,ω(s)为单次散射反照率,F
TOA
为到达大气层顶部的太阳辐射通量密度,P(s;Ω,Ω
′0)为s处由Ω
′0方向散射至Ω方向的相函数,I(s,Ω
【专利技术属性】
技术研发人员:张寅,范亦唯,张少帅,闫钧华,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。