一种基于深度学习的三维云层辐射传输计算方法技术

本发明专利技术涉及一种基于深度学习的三维云层辐射传输计算方法，方法基于卷积神经网络和含云大气场景属性，通过三维云层单色辐射传输快速计算模型，提升三维云层辐射传输计算的效率和精度。本发明专利技术基于实际工程中三维云层区域内的散射复杂，而云层辐射传输计算难以同时满足速度与精度的特点，该方法依据辐射传输方程挑选合适的含云大气场景属性并有序排列作为输入层，建立针对性的卷积核和卷积策略，使用池化和上采样操作实现云体单元的合并与拆分，并引入亚像素卷积模块进行优化，结合log法构建合理的损失函数以进一步提高模型的精度，以达到对三维云层辐射传输进行快速计算的目的。实验表明，本发明专利技术可以有效提升三维云层辐射传输计算的精度和效率。计算的精度和效率。计算的精度和效率。

【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，所述三维云层辐射传输计算方法的具体过程为：
[0007]步骤1：将太阳辐射通量、路径长度、不对称因子、温度、消光系数和单次散射反照率组合成含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，利用三维卷积核对输入层中的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，得到新的云层场景属性；
[0008]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重新拆分后的云层场景属性。
[0009]步骤4：对云体单元的重新拆分后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。
[0010]进一步的，所述步骤1具体为：
[0011]根据辐射传输公式(1)～(5)，辐射传输计算需要的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，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，就得到满足网络训练要求的输入层；
[0012][0013]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。
[0014]源函数的表达式如下：
[0015]J
E
(s,Ω)＝[1
‑
ω(s)]B[T(s)]ꢀꢀꢀ
(2)
[0016][0017][0018]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
′
)为在s处沿Ω
′
方向的入射辐射强度，B[T(s)]为普朗克函数，是大气温度T的函数。
[0019]相函数的表达式如下：
[0020][0021]式中，g(s)为不对称因子。
[0022]更进一步的，所述步骤2具体为：
[0023]将三维卷积核的大小设置为云体单元大小的三倍，使得卷积核的感受野能感受到邻域的相关信息，同时卷积步长对应属性数组H(x,y,z)的大小，对输入的含云大气属性进行卷积操作；当前一层神经网络表示的云层场景只有一层时，仅需考虑水平领域间的辐射传输过程，三维卷积核便退化成二维卷积核；考虑到在不同的边界条件下，云层与外部辐射的交换情况并不相同，当边界条件为周期性边界时，采用循环填充与之对应，当边界条件为开放边界时，采用零填充与之对应。
[0024]更进一步的，所述步骤3具体为：
[0025]采用步长为云体单元大小整数倍的卷积操作来实现池化效果；使用亚像素卷积来进行上采样操作，亚像素卷积的过程为，先对长
×
宽
×
高为c
×
h
×
d属性数组做两次步长为1
×1×
1的卷积。再做一次步长为1
×1×
1的卷积，生成通道数r3的中间计算结果，再将长
×
宽
×
高
×
通道数为c
×
h
×
d
×
r3的中间计算结果重组为rc
×
rh
×
rd的上采样结果。
[0026]更进一步的，所述步骤4具体为：
[0027]对经过云体单元的重新拆分后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的计算结果，使用log法对三维云层的辐射亮度进行放缩，以降低神经网络计算三维云层上行辐射亮度的相对误差，同时在损失函数中加入正则化以防止出现过拟合的问题，损失函数表达式如下所示：
[0028][0029]式中，Loss表示损失函数，I
j
表示第j个云层辐射亮度真实值，I
j
′
表示第j个网络计算出的云层辐射亮度，λ为正则化强度，w
i
为第i个模型参数，n为模型参数数量，N为云层辐射亮度计算结果数量。
[0030]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0031]本专利技术可适用于三维云层单色辐射传输计算，克服了常规算法在计算速度与精度上难以统一的问题，有效提升三维云层单色辐射传输计算速度。
附图说明
[0032]图1是本专利技术三维云层辐射传输计算方法的整体流程示意图；
[0033]图2是本专利技术三维云层辐射传输计算方法输入层示意图；
[0034]图3是本专利技术三维云层辐射传输计算方法三维卷积核示意图；
[0035]图4是本专利技术三维云层辐射传输计算方法亚像素卷积流程示意图；
[0036]图5是本专利技术三维云层辐射传输计算方法计算结果示例图；
[0037]图6是本专利技术三维云层辐射传输计算方法计算结果辐射亮度分布直方图。
具体实施方式
[0038]下面结合附图对本专利技术的技术方案做进一步的详细说本文档来自技高网...

【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：