【技术实现步骤摘要】
本专利技术涉及一种甲烷反演方法，具体为基于bp神经网络的地表高分辨率甲烷反演方法，属于甲烷监测。
技术介绍
1、甲烷是具有正四面体结构的非极性分子，是最简单的有机物。甲烷作为常规天然气、页岩气、可燃冰等的主要组成成分，是非常重要的碳基资源。它是一种最主要的非co2温室气体，在大气的平流层，甲烷会被分解为水蒸气，从而导致臭氧层被破坏；
2、甲烷是第二大温室气体，甲烷监测对于节能减排有重要意义。然而现今甲烷监测中，卫星监测分辨率不足，地面监测覆盖面不广且监测费用高昂，成为阻碍甲烷监测的重要因素。目前，普通的光学遥感卫星的分辨率已经得到了很大提高，可以实现米级的遥感监测，但是甲烷遥感卫星由于测试技术和造价的问题，导致卫星影像上甲烷浓度的分辨率较低。为此，提出一种基于bp神经网络的地表高分辨率甲烷反演方法及使用方法。
技术实现思路
1、有鉴于此，本专利技术提供一种基于bp神经网络的地表高分辨率甲烷反演方法及使用方法，以解决或缓解目前地表甲烷观测分辨率和覆盖率不足的技术问题，至少提供有益的选择。
2、本专利技术实施例的技术方案是这样实现的：一种基于bp神经网络的地表高分辨率甲烷反演方法，包括以下步骤：
3、s01、将遥感数据转化为数组，带入机器学习模型进行训练；
4、s02、用低分辨率的普通卫星遥感影像数据与相同低分辨率甲烷遥感卫星影像数据训练，得到普通卫星影像数据转化为甲烷遥感卫星影像数据的模型；
5、s03、将高分辨率的普通卫星
6、s04、通过机器学习的正向演算得出高分辨率的甲烷影像。
7、一种基于bp神经网络的地表高分辨率甲烷反演方法的使用方法，包括以下步骤：
8、s1、建立bp神经网络学习模型；
9、s2、构建gui图形界面软件；
10、s3、调节bp神经网络学习参数；
11、s4、通过软件进行训练数据导入、目标数据导入、bp神经网络训练、预测数据导入、数据预测和预测结果产出。
12、进一步优选的，所述s1中，通过bp神经网络学习相同低分辨率普通遥感卫星影像数据与甲烷遥感卫星影像数据之间的关系，并根据关系建立bp神经网络学习模型。
13、进一步优选的，所述s1中，将高分辨率普通卫星遥感影像数据带入bp神经网络学习模型得到高分辨率的甲烷反演数据。
14、进一步优选的，所述s2中，所述gui图形界面软件采用java语言建立，用于实现bp神经网络对同分辨率普通卫星遥感影像数据与甲烷卫星遥感影像数据关系学习的可视化。
15、进一步优选的，所述s2中，所述gui图形界面软件包括数据导入界面、目标数据导入界面、机器学习参数设置界面、模型训练界面、预测数据输入界面和预测结果界面。
16、进一步优选的，所述s3中，利用机器学习参数设置界面调节bp神经网络学习参数，所述学习参数包括学习率、训练次数、隐藏节点数和隐藏层数。
17、进一步优选的，所述s4中，利用数据导入界面进行训练数据导入，导入进行机器学习的图像；
18、利用目标数据导入界面进行目标数据导入，导入目标数据作为训练数据的结果。
19、进一步优选的，所述s4中，利用模型训练界面进行bp神经网络训练，将bp神经网络学习参数带入bp神经网络学习模型进行实例化，并对数据进行训练；
20、利用预测数据输入界面进行预测数据导入，导入预测用的图片或遥感影像。
21、进一步优选的，所述s4中，利用预测结果界面进行数据预测和预测结果产出，使用训练好的bp神经网络学习模型带入预测数据，生成预测结果。
22、进一步优选的，所述gui图形界面软件还包括菜单栏，所述菜单栏用于重置数据和重置参数。
23、进一步优选的，所述gui图形界面软件还包括菜单栏，所述菜单栏用于重置数据和重置参数。
24、本专利技术实施例由于采用以上技术方案，其具有以下优点：
25、一、本专利技术通过利用bp神经网络学习相同低分辨率普通卫星遥感影像数据与甲烷遥感卫星影像数据之间的关系并建立bp神经网络学习模型，然后利用gui图形界面软件实现数据从训练到产出的全流程操作，方便广大遥感科研工作者进行遥感数据的学习和预测；且软件具有良好的扩展性，除了进行甲烷遥感反演还能进行其它遥感解译的机器学习。
26、二、本专利技术使用机器学习技术，获取高分辨率甲烷分布情况，解决了地表甲烷观测分辨率和覆盖率不足的问题，有利于推动甲烷监测和环境保护。
27、上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本专利技术进一步的方面、实施方式和特征将会是容易明白的。
本文档来自技高网...【技术保护点】
1.一种基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于，包括以下步骤：
2.一种根据权利要求1所述的基于BP神经网络的地表高分辨率甲烷反演方法的使用方法，其特征在于，包括以下步骤：
3.根据权利要求1所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S1中，通过BP神经网络学习相同低分辨率普通遥感卫星影像数据与甲烷遥感卫星影像数据之间的关系，并根据关系建立BP神经网络学习模型。
4.根据权利要求2所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S1中，将高分辨率普通卫星遥感影像数据带入BP神经网络学习模型得到高分辨率的甲烷反演数据。
5.根据权利要求2所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S2中，所述GUI图形界面软件采用JAVA语言建立，用于实现BP神经网络对同分辨率普通卫星遥感影像数据与甲烷卫星遥感影像数据关系学习的可视化。
6.根据权利要求1所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S2中，所述GUI图形界面软件包括数据导
7.根据权利要求5所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S3中，利用机器学习参数设置界面调节BP神经网络学习参数，所述学习参数包括学习率、训练次数、隐藏节点数和隐藏层数。
8.根据权利要求5所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S4中，利用数据导入界面进行训练数据导入，导入进行机器学习的图像；
9.根据权利要求5所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S4中，利用模型训练界面进行BP神经网络训练，将BP神经网络学习参数带入BP神经网络学习模型进行实例化，并对数据进行训练；
10.根据权利要求5所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述S4中，利用预测结果界面进行数据预测和预测结果产出，使用训练好的BP神经网络学习模型带入预测数据，生成预测结果。
11.根据权利要求5所述的基于BP神经网络的地表高分辨率甲烷反演方法，其特征在于：所述GUI图形界面软件还包括菜单栏，所述菜单栏用于重置数据和重置参数。
...【技术特征摘要】
1.一种基于bp神经网络的地表高分辨率甲烷反演方法，其特征在于，包括以下步骤：
2.一种根据权利要求1所述的基于bp神经网络的地表高分辨率甲烷反演方法的使用方法，其特征在于，包括以下步骤：
3.根据权利要求1所述的基于bp神经网络的地表高分辨率甲烷反演方法，其特征在于：所述s1中，通过bp神经网络学习相同低分辨率普通遥感卫星影像数据与甲烷遥感卫星影像数据之间的关系，并根据关系建立bp神经网络学习模型。
4.根据权利要求2所述的基于bp神经网络的地表高分辨率甲烷反演方法，其特征在于：所述s1中，将高分辨率普通卫星遥感影像数据带入bp神经网络学习模型得到高分辨率的甲烷反演数据。
5.根据权利要求2所述的基于bp神经网络的地表高分辨率甲烷反演方法，其特征在于：所述s2中，所述gui图形界面软件采用java语言建立，用于实现bp神经网络对同分辨率普通卫星遥感影像数据与甲烷卫星遥感影像数据关系学习的可视化。
6.根据权利要求1所述的基于bp神经网络的地表高分辨率甲烷反演方法，其特征在于：所述s2中，所述gui图形界面软件包括数据导入界面、目标数据导入界面、机器学习参数...
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。