【技術實現步驟摘要】
本專利技術是關于電子信息的，特別是關于人工智能自動挖掘的微波雨林輻射場輻射建模方法和裝置。
技術介紹
1、雨林作為微波波段空間遙感儀器的地表輻射定標目標，具有亮溫穩定、各向輻射同性程度相對較高的優點，像亞馬遜雨林就是微波遙感儀器常用的輻射定標場，中國云南思茅地區雨林是國產衛星使用較多的地基輻射定標場，基于輻射校正場的定標往往采用同瞳觀測方式，在遙感衛星觀測輻射校正場時，通過基準衛星的近同時觀測，配合地面觀測設備，構成帶有輻射基準的輻射校正場觀測數據，對待定標遙感儀器進行輻射定標。
2、然而事實上，對于微波遙感來說，當某一具體的微波遙感儀器觀測雨林時，微波穿透性決定觀測到的輻射量(或者亮溫)由地表發射率、雨林溫度環境、濕度環境、樹冠發射率等多種因素按照不同觀測條件構成的權重進行復雜混合，這種復雜的過程導致單次微波遙感儀器對雨林定標場的觀測不確定性比較大，雖然雨林是相對較好的微波遙感儀器地基輻射定標場，但是對于高精度定標要求來說，還有一定差距。
3、公開于該
技術介紹
部分的信息僅僅旨在增加對本專利技術的總體背景的理解，而不應當被視為承認或以任何形式暗示該信息構成已為本領域一般技術人員所公知的現有技術。
技術實現思路
1、本專利技術的目的在于提供人工智能自動挖掘的微波雨林輻射場輻射建模方法和裝置，以解決上述部分或全部問題。
2、為實現上述目的，本專利技術提供了人工智能自動挖掘的微波雨林輻射場輻射建模方法，包括以下步驟：
3、s1：選定一系列時
4、s2：將某個時間點上的雨林內部環境溫度場和濕度場的測量值、在微波輻射基準源觀測雨林時的觀測幾何角作為神經網絡的輸入，將該時間點所對應的外在微波輻射基準源的觀測結果作為神經網絡的輸出，對神經網絡進行訓練；
5、s3：將雨林溫度場測量值、雨林濕度場測量、觀測天頂角和方位角輸入到訓練好的模型中，通過網絡輸出獲得任意時刻遙感儀器的定標結果。
6、在本專利技術的一實施方式中，所述外在微波輻射基準源觀測雨林時的觀測幾何角包括天頂角和方位角。
7、在本專利技術的一實施方式中，步驟s2具體包括以下步驟：
8、s201：將雨林內部環境的溫度場測量值[t1，t2，…，tm]、雨林濕度場測量值[p1，p2，…，pn]、觀測天頂角βi和方位角αi共同為輸入，將該時間點所對應的外在微波輻射基準源的觀測結果ri作為神經網絡的輸出為標簽；
9、s202：對所有輸入以及標簽進行歸一化處理；
10、s203：創建含有輸入層、至少一層隱含層和輸出層的全連接類型作為待訓練的神經網絡模型；
11、s204：用歸一化處理后的輸入和標簽對神經網絡模型進行訓練。
12、在本專利技術的一實施方式中，步驟s304具體包括以下步驟：在訓練過程中，前向傳播計算神經網絡輸出的預測值ypred，根據預測值ypred和真實標簽y計算當前模型的損失值；根據各輪訓練中的損失值，計算并記錄梯度，之后清零梯度并根據損失值執行反向傳播算法以計算模型參數的新梯度值，根據計算出的新梯度值調整模型的參數；重復上述操作直到損失值小于設定的閾值，停止訓練過程。
13、在本專利技術的一實施方式中，步驟s304中：
14、損失函數采用形式，其中，ypred表示神經網絡輸出的預測值，y表示步驟s2中得到的交叉定標結果值。
15、本專利技術還提供了人工智能自動挖掘的微波雨林輻射場輻射建模裝置，包括：數據處理模塊、訓練模塊和數據獲取模塊；
16、所述數據處理模塊用于選定一系列時間點，獲取該一系列時間點上的雨林內部環境溫度場和濕度場的測量值；并獲取外在微波輻射基準源觀測雨林時的觀測幾何角以及外在微波輻射基準源的觀測結果；
17、所述訓練模塊用于將某個時間點上的雨林內部環境溫度場和濕度場的測量值、在微波輻射基準源觀測雨林時的觀測幾何角作為神經網絡的輸入，將該時間點所對應的外在微波輻射基準源的觀測結果作為神經網絡的輸出，對神經網絡進行訓練；
18、所述數據獲取模塊用于將雨林溫度場測量值、雨林濕度場測量、觀測天頂角和方位角輸入到訓練好的模型中，通過網絡輸出獲得任意時刻遙感儀器的定標結果。
19、在本專利技術的一實施方式中，所述外在微波輻射基準源觀測雨林時的觀測幾何角包括天頂角和方位角。
20、在本專利技術的一實施方式中，所述訓練模塊包括：輸入子模塊、處理子模塊、模型創建子模塊和訓練子模塊
21、所述輸入子模塊用于將雨林內部環境的溫度場測量值[t1，t2，…，tm]、雨林濕度場測量值[p1，p2，…，pn]、觀測天頂角βi和方位角αi共同為輸入，將該時間點所對應的外在微波輻射基準源的觀測結果ri作為神經網絡的輸出為標簽；
22、所述處理子模塊，用于對所有輸入以及標簽進行歸一化處理；
23、所述模型創建子模塊，用于創建含有輸入層、至少一層隱含層和輸出層的全連接類型作為待訓練的神經網絡模型；
24、所述訓練子模塊，用于用歸一化處理后的輸入和標簽對神經網絡模型進行訓練。
25、在本專利技術的一實施方式中，所述訓練子模塊具體用于：在訓練過程中，前向傳播計算神經網絡輸出的預測值y_pred，根據預測值y_pred和真實標簽y計算當前模型的損失值；根據各輪訓練中的損失值，計算并記錄梯度，之后清零梯度并根據損失值執行反向傳播算法以計算模型參數的新梯度值，根據計算出的新梯度值調整模型的參數；重復上述操作直到損失值小于設定的閾值，停止訓練過程。
26、在本專利技術的一實施方式中，損失函數采用形式，其中，ypred表示神經網絡輸出的預測值，y表示步驟s2中得到的交叉定標結果值。
27、與現有技術相比，根據本專利技術的人工智能自動挖掘的微波雨林輻射場輻射建模方法和裝置，通過利用神經網絡的強大學習能力，通過人工智能自動挖掘雨林外在輻射表現與指征參數的復雜關系，大大提高了建模的效率和準確性。人工智能能夠處理大量的數據，并快速找到其中的規律和關系，減少了人工干預和誤差，保證可以在任意工況(即由雨林溫度場和濕度場所表示的狀態)下遙感儀器在不同觀測幾何條件下的理論輻射值。
本文檔來自技高網...【技術保護點】
1.人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，包括以下步驟：
2.如權利要求1所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，所述外在微波輻射基準源觀測雨林時的觀測幾何角包括天頂角和方位角。
3.如權利要求1所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，步驟S2具體包括以下步驟：
4.如權利要求3所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，步驟S304具體包括以下步驟：在訓練過程中，前向傳播計算神經網絡輸出的預測值ypred，根據預測值ypred和真實標簽y計算當前模型的損失值；根據各輪訓練中的損失值，計算并記錄梯度，之后清零梯度并根據損失值執行反向傳播算法以計算模型參數的新梯度值，根據計算出的新梯度值調整模型的參數；重復上述操作直到損失值小于設定的閾值，停止訓練過程。
5.如權利要求4所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，步驟S304中：
6.人工智能自動挖掘的微波雨林輻射場輻射建模裝置，其特征在于，包括：數據處理模塊、訓練
7.如權利要求6所述的人工智能自動挖掘的微波雨林輻射場輻射建模裝置，其特征在于，所述外在微波輻射基準源觀測雨林時的觀測幾何角包括天頂角和方位角。
8.如權利要求6所述的人工智能自動挖掘的微波雨林輻射場輻射建模裝置，其特征在于，所述訓練模塊包括：輸入子模塊、處理子模塊、模型創建子模塊和訓練子模塊
9.如權利要求8所述的人工智能自動挖掘的微波雨林輻射場輻射建模裝置，其特征在于，所述訓練子模塊具體用于：在訓練過程中，前向傳播計算神經網絡輸出的預測值y_pred，根據預測值y_pred和真實標簽y計算當前模型的損失值；根據各輪訓練中的損失值，計算并記錄梯度，之后清零梯度并根據損失值執行反向傳播算法以計算模型參數的新梯度值，根據計算出的新梯度值調整模型的參數；重復上述操作直到損失值小于設定的閾值，停止訓練過程。
10.如權利要求9所述的人工智能自動挖掘的微波雨林輻射場輻射建模裝置，其特征在于，損失函數采用形式，其中，ypred表示神經網絡輸出的預測值，y表示步驟S2中得到的交叉定標結果值。
...【技術特征摘要】
1.人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，包括以下步驟：
2.如權利要求1所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，所述外在微波輻射基準源觀測雨林時的觀測幾何角包括天頂角和方位角。
3.如權利要求1所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，步驟s2具體包括以下步驟：
4.如權利要求3所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，步驟s304具體包括以下步驟：在訓練過程中，前向傳播計算神經網絡輸出的預測值ypred，根據預測值ypred和真實標簽y計算當前模型的損失值；根據各輪訓練中的損失值，計算并記錄梯度，之后清零梯度并根據損失值執行反向傳播算法以計算模型參數的新梯度值，根據計算出的新梯度值調整模型的參數；重復上述操作直到損失值小于設定的閾值，停止訓練過程。
5.如權利要求4所述的人工智能自動挖掘的微波雨林輻射場輻射建模方法，其特征在于，步驟s304中：
6.人工智能自動挖掘的微波雨林輻射場輻射建模裝置，其特征在于，包括：數...
【專利技術屬性】
技術研發人員：陳博洋，伍愛群，商建，畢研盟，武勝利，程春悅，惠雯，袁梅，管志超，
申請(專利權)人：國家衛星氣象中心國家空間天氣監測預警中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。