【技术实现步骤摘要】
本专利技术设计智能计算和积雪的被动微波遥感两大领域。主要涉及的是积雪深度反演的设计方法。
技术介绍
作为积雪的重要参数之一，积雪深度信息对于全球变化研究和雪水资源的评估有重要意义。如何准确地反演积雪深度，一直是积雪遥感研究中的重要内容。在积雪遥感研究中，被动微波遥感是一个十分活跃的研究领域，已成为了积雪遥感的主要研究手段之一。现有的算法有NASA算法，MEMLS模型，HUT模型，致密介质辐射传输模型等。蚁群算法是一种群集智能算法，算法模拟了蚁群在搜索食物源时所体现的寻优能力，用于解决离散系统优化中的困难问题。目前有关蚁群算法的应用研究表明，蚁群智能算法在求解复杂优化问题方面具有显著的优越性。作为一种全局搜索算法，蚁群算法能够有效避免局部极优解的出现，某几次的错误运算不会影响到整体结果，有很高的容错性。作为一个高度非线性问题，积雪深度反演无法得到一个精确的显式反演公式，而蚁群算法采用概率模拟的方法进行运算，更加贴近于复杂的真实情况。因此，蚁群算法在积雪深度反演研究中有着独到的优势。
技术实现思路
本专利技术将蚁群算法应用于被动微波遥感的积雪深度反演设计方法中，该方法的优点在于I.算法流程清楚，易于实现；2.具有较强的可移植性，输入频率可以依具体条件而改变；3.相对于基于统计的其他雪深反演模型，算法的适用范围更广；基于蚁群算法的积雪深度反演算法设计的具体步骤包括的具体步骤包括 I)将积雪被动微波辐射传输模型计算得到的模拟数据进行离散化。通过积雪的被动微波辐射传输模型模拟得到的数据，为各个频率辐射亮温-积雪深度的组合，进行离散化时，考虑算法运行效率与算法精度两方面...
【技术保护点】
【技术特征摘要】
1.一种基于蚁群算法的积雪深度反演设计方法，其特征在于，该方法包括如下步骤 1)将积雪被动微波辐射传输模型计算得到的模拟数据进行离散化，作为蚁群算法中蚁群的路径空间，经过离散化得到的每一个亮温区间都作为一个可能的路径点，每一个积雪深度区间都作为一个可能的路径终点； 2)设定路径空间中各路径点的初始信息素浓度T与信息素的挥发系数P;并设定初始参数，即蚁群中蚂蚁数量K、最大循环次数N和最小样本比例C ； 3)根据模拟数据的统计特征，构造蚁群算法的启发函数n，计算每一个条件节点的启发函数值； 4)按照路径节点的信息素浓度和启发函数值，计算该节点被选择到路径中的概率P，蚂蚁按照此概率选择节点构造路径； 5)当一条路径构造完成后，计算该路径的有效性Q，并对规则进行修剪； 6)当整个蚁群经过一次迭代后，按照信息素的挥发系数P与节点所属规则的有效性Q对所有节点的信息素浓度进行更新； 7)当达到最大迭代次数或未被选入到路径中的训练样本数小于预设值时，算法流程结束，此时蚁群算法产生的最终路径构成反演规则列表，并输出经过优化的积雪深度的反演值。2.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤I)中，通过积雪的被动微波辐射传输模型模拟得到的数据，为各个频率辐射亮温-积雪深度的组合，进行离散化时，考虑算法运行效率与算法精度两方面的要求，以一定的区间长度，将辐射亮温与积雪深度划分为一系列离散的区间，构成蚁群算法的路径空间，亮温的离散区间作为蚁群中蚂蚁的路径节点，积雪深度区间作为路径的终点。3.基于权利要求I所述的一种基于蚁群算法的积雪深度反演设计方法，其特征在于所述步骤2)中，在蚁群算法进行迭代之前，各个路径节点的...
【专利技术属性】
技术研发人员：李震，邵雨阳，陈权，
申请(专利权)人：中国科学院对地观测与数字地球科学中心，
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。