融合深度学习算法的大气辐射传输模拟方法技术

本发明专利技术提供的一种融合深度学习算法的大气辐射传输模拟方法，包括以下步骤：获取目标位置典型的大气背景数据，并对典型的大气背景数据进行预处理，根据预处理后的典型的大气背景数据确定出卫星通道平均透过率；构建深度学习网络，将预处理后的典型的大气背景数据以及将卫星通道平均透过率作为标签并输入至深度学习网络中对深度学习网络进行训练；实时获取目标位置的大气背景数据，并将实时的大气背景数据以及卫星观测天顶角输入至训练完成的深度学习网络中进行处理，得到大气透过率预测值；构建大气辐射传输模拟模型，将大气透过率预测值输入至大气辐射传输模拟模型中得到辐射强度，基于辐射强度确定出目标位置的辐射亮温

【技术实现步骤摘要】
融合深度学习算法的大气辐射传输模拟方法、可读存储介质及计算设备


[0001]本专利技术涉及一种大气辐射传输模拟方法及其设备，尤其涉及一种融合深度学习算法的大气辐射传输模拟方法
、
可读存储介质及计算设备
。

技术介绍

[0002]大气辐射传输模拟作为观测算子是利用卫星观测资料对数值天气预报模式进行直接同化时的一个重要工具，其模拟得到的亮温精度会直接影响卫星观测资料的同化效果，进而影响数值模式预报结果的准确度
。
同时，对于基于卫星观测资料的大气温度
、
湿度
、
云微物理参数等要素的变分反演，大气辐射传输模拟作为重要的前向算子，其模拟精度对遥感反演准确度也会造成直接影响
。
另外，卫星发星前，需要对卫星设计方案是否合理
、
能否提高数值预报模式的同化增量进行观测系统模拟试验，该试验通常采用辐射传输模式对卫星观测数据进行模拟来实现
。
[0003]因此，辐射传输模拟是卫星发星前，检验载荷设计方案是否合理的一个重要工具
。
而对于在轨运行的卫星，需要对卫星观测状态
、
定标偏差
、
定标衰减等状态进行监测，目前国际上较常采用的方法主要是通过辐射传输模拟得到亮温
(
红外和微波通道
)
或反射率
(
短波通道
)
，并将其与实测值进行对比和偏差计算，根据偏差变化情况来判断和调整定标系数
。
[0004]现有技术中，
LBLRTM、DISORT、6S、MODTRAN
等模型可以针对不同波段高光谱分辨率的大气辐射传输过程进行较高精度的模拟，是经过较长时间发展并被广泛使用和验证的大气辐射传输逐线计算模型
。
虽然这些逐线大气辐射传输模型可以模拟得到精度较高的卫星载荷响应结果，但由于其存储需求过大
、
计算效率过低，无法在同化系统和变分反演中直接使用
。
随着技术的发展，逐渐出现了一系列既不会较大程度牺牲模拟精度，又能提高计算效率的快速辐射传输模式，这些方法主要包括两类：一类是基于相关
k
分布
(CKD)
的计算方法；另一类是基于统计回归计算快速透过率系数的方法
。
国际上应用最广的两个快速辐射传输模式是美国国家航天宇航局
(NASA)
卫星资料同化中心开发的
CRTM
，和欧洲中期天气预报中心
(ECMWF)
开发的
RTTOV。
基于
CKD
方法的辐射传输模拟能在一定程度上提高计算效率，但由于对于宽通道的模拟通常需要将通道划分为多个谱段分别进行计算，这对于高光谱分辨率
、
高空间分辨率的卫星探测器或像静止卫星这种观测范围较广的模拟来说，计算效率依然较低，不能满足同化
、
变分反演等的技术需求
。
而如
RTTOV、CRTM
这类基于统计回归计算快速透过率系数的方法，虽然计算效率比
CKD
方法有显著提高，但由于回归方程中的预报因子是根据统计特征确定的一系列间接参数，具有一定的不确定性，并且逐线计算使用的经典大气廓线不一定能很好地代表模拟区域的廓线特征，这些影响因素均会对模拟结果的精度造成影响
。
另外，像
RTTOV、CRTM
这种快速辐射传输模型针对多种大气成分吸收作用进行模拟，需要先分析针对不同气体的透过率预报因子，如果同时考虑的吸收气体较大，将是一个比较复杂且容易带来误差的过程
。
[0005]因此，为了解决上述技术问题，亟需提出一种新的技术手段加以解决
。

技术实现思路

[0006]有鉴于此，本专利技术的目的是提供一种融合深度学习算法的大气辐射传输模拟方法
、
可读存储介质及计算设备用以解决上述中的技术问题
。
[0007]本专利技术提供的一种融合深度学习算法的大气辐射传输模拟方法，包括以下步骤：
[0008]获取目标位置典型的大气背景数据，并对典型的大气背景数据进行预处理，根据预处理后的典型的大气背景数据确定出卫星通道平均透过率；
[0009]构建深度学习网络，将预处理后的典型的大气背景数据以及将卫星通道平均透过率作为标签并输入至深度学习网络中对深度学习网络进行训练；
[0010]实时获取目标位置的大气背景数据，并将实时的大气背景数据以及卫星观测天顶角输入至训练完成的深度学习网络中进行处理，得到大气透过率预测值；
[0011]构建大气辐射传输模拟模型，将大气透过率预测值输入至大气辐射传输模拟模型中得到辐射强度，基于辐射强度确定出目标位置的辐射亮温
。
[0012]进一步，典型的大气背景数据以及实时获取的典型的大气背景数据均包括大气温度
、
大气的水汽浓度
、
臭氧浓度
、
二氧化碳浓度
、
一氧化二氮浓度
、
甲烷浓度以及一氧化碳浓度的垂直分层信息
。
[0013]进一步，根据预处理后的典型的大气背景数据确定出卫星通道平均透过率包括：
[0014]将典型的大气背景数据输入至逐线模型
LBLRTM
中得到大气廓线在
600
～
4000cm
‑1频率范围，光谱分辨率为
0.001cm
‑1的单色大气透过率；
[0015]计算卫星通道平均透过率：
[0016][0017]其中：
i
为卫星上搭载的探测仪器的通道号，
τ
i
(v)
表示探测仪器第
i
个通道的单色透过率，
φ
(v)
为探测仪器自身携带的光谱相应函数，
v
表示辐射频率，
σ
v
表示光谱分辨率
。
[0018]进一步，对典型的大气背景数据进行预处理包括：
[0019]将大气压强位于
750hPa
以上层的水汽浓度
、
大气压强位于
950hPa
以上层的水汽总量以及
3hPa
以上层的臭氧总量进行对数化处理；
[0020]剔除等压面气压大于地表气压的大气背景数据；
[0021]然后将大气背景数据进行归一化处理；
[0022]根据目标位置的纬度将归一化处理后的大气背景数据划分为三类：
[0023]目标位置的纬度小于
40
°
的大气背景数据划分为第一类；
[0024]将目标位置的纬度大于等于
40
°
且小于等于
70
°
的大气背本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种融合深度学习算法的大气辐射传输模拟方法，其特征在于：包括以下步骤：获取目标位置典型的大气背景数据，并对典型的大气背景数据进行预处理，根据预处理后的典型的大气背景数据确定出卫星通道平均透过率；构建深度学习网络，将预处理后的典型的大气背景数据以及将卫星通道平均透过率作为标签并输入至深度学习网络中对深度学习网络进行训练；实时获取目标位置的大气背景数据，并将实时的大气背景数据以及卫星观测天顶角输入至训练完成的深度学习网络中进行处理，得到大气透过率预测值；构建大气辐射传输模拟模型，将大气透过率预测值输入至大气辐射传输模拟模型中得到辐射强度，基于辐射强度确定出目标位置的辐射亮温
。2.
根据权利要求1所述融合深度学习算法的大气辐射传输模拟方法，其特征在于：典型的大气背景数据以及实时获取的大气背景数据均包括大气温度
、
大气的水汽浓度
、
臭氧浓度
、
二氧化碳浓度
、
一氧化二氮浓度
、
甲烷浓度以及一氧化碳浓度的垂直分层信息
。3.
根据权利要求1所述融合深度学习算法的大气辐射传输模拟方法，其特征在于：根据预处理后的典型的大气背景数据确定出卫星通道平均透过率包括：将典型的大气背景数据输入至逐线模型
LBLRTM
中得到大气廓线在
600
～
4000cm
‑1频率范围，光谱分辨率为
0.001cm
‑1的单色大气透过率；计算卫星通道平均透过率：其中：
i
为卫星上搭载的探测仪器的通道号，
τ
i
(v)
表示探测仪器第
i
个通道的单色透过率，
φ
(v)
为探测仪器自身携带的光谱相应函数，
v
表示辐射频率，
σ
v
表示光谱分辨率
。4.
根据权利要求1所述融合深度学习算法的大气辐射传输模拟方法，其特征在于：对典型的大气背景数据进行预处理包括：将大气压强位于
750hPa
以上层的水汽浓度
、
大气压强位于
950hPa
以上层的水汽总量以及
3hPa
以上层的臭氧总量进行对数化处理；剔除等压面气压大于地表气压的大气背景数据；然后将大气背景数据进行归一化处理；根据目标位置的纬度将归一化处理后的大气背景数据划分为三类：目标位置的纬度小于
40
°
的大气背景数据划分为第一类；将目标位置的纬度大于等于
40
°
且小于等于
...

【专利技术属性】
技术研发人员：张烺，张坤，张平文，
申请(专利权)人：北京大学重庆大数据研究院，
类型：发明
国别省市：