申请/专利权人：南京信息工程大学

申请日：2024-03-22

公开（公告）日：2024-06-14

公开（公告）号：CN117951485B

主分类号：G06F18/20

分类号：G06F18/20;G06N3/0464;G06N3/08;G06F18/213

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明公开了一种基于深度学习的温度廓线反演方法，包括：1、采集GIIRS长波通道亮温数据、探空观测数据和ERA5温度廓线数据，并调整数据在时空上的匹配；2、构建深度学习训练样本，并对深度学习训练样本中的数值进行归一化处理；3、构建温度廓线反演模型，设定损失函数，对温度廓线反演模型进行训练，得到训练完成的温度廓线反演模型。本发明结合静止卫星红外高光谱亮温资料高时空和垂直分辨率的特点利用先验得通道信息构建通道注意力机制引导反演模型特征提取，通过先验物理信息的嵌入引导模型的反演结果更加符合物理规律，采用深度残差网络深度挖掘红外高光谱亮温数据与大气温度廓线之间的非线性关系，提高反演温度廓线的精度。

主权项：1.一种基于深度学习的温度廓线反演方法，其特征在于，包括如下步骤：步骤1、采集GIIRS长波通道亮温数据、探空观测数据和ERA5温度廓线数据，并调整数据在时空上的匹配，得到调整后的数据；步骤2、基于调整后的数据，构建深度学习训练样本，对探空观测数据进行线性内插处理，将1～1000hpa气压层缺测数据使用ERA5温度廓线数据代替，并对深度学习训练样本中的数值进行归一化处理；步骤3、基于深度学习训练样本，构建温度廓线反演模型，以GIIRS长波通道亮温数据作为输入，温度廓线数据作为输出，设定损失函数，对温度廓线反演模型进行训练，得到训练完成的温度廓线反演模型；步骤3具体包括如下步骤：步骤3.1、GIIRS长波通道亮温数据为原始输入数据，经过通道注意力模块，其包含两层1×7卷积，同时设置与原始输入维度相同的向量X＝[1,0,0,1.....1],1和0分别表示先验选取的温度廓线反演敏感通道和不敏感通道，基于通道权重函数峰值方法挑选敏感的反演敏感通道信息，原始输入经通道注意力模块输出的参数与该向量计算交叉熵损失并优化参数经过sigmoid激活函数操作后与原始输入进行点乘运算，该过程可表示由下列公式表示： 其中F表示输入数据，f1*7表示卷积核为1×7的卷积运算，表示sigmoid函数，表示点乘运算，ω表示ReLU函数，AF表示可学习的权值参数，表示经过注意力机制增强后的数据特征；步骤3.2、经过特征提取模块，一共包含4个阶段，每个阶段包含2个残差模块和一层池化操作，每个阶段输出的特征图通道分别设置为64，128，256，512，卷积核大小均设置为1×3，每个残差模块包含2个卷积层和一层残差连接操作，同时每一层卷积操作后均使用经过BN层最后使用ReLU作为激活函数输出增加非线性映射能力，计算反演输出和标签集损失时优化反演模型的损失函数，最后提取的特征经过两层完全连接层输出温度廓线；所述计算反演输出和标签集损失时优化反演模型的损失函数具体为：分别计算温度廓线反演模型输出与探空观测数据和ERA5温度廓线数据的损失，并赋予两部分损失不同的权重，以提高反演模型精度，模型整体损失函数如下所示：L＝LERA5+αLRadio+βLLoss2其中，LERA5、LRadio分别表示温度廓线反演模型输出与ERA5温度廓线数据和探空观测数据的损失，LLoss2表示通道注意力模块的损失，α和β分别表示不同的权重。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于深度学习的温度廓线反演方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD