(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110813394.2 (22)申请日 2021.07.19 (71)申请人 南京中科逆熵科技有限公司 地址 210000 江苏省南京市麒 麟科技创新 园麒麟人工智能产业园5号楼6 09室 (72)发明人 杨峰　张兰杰　 (74)专利代理 机构 南京理工大 学专利中心 32203 代理人 岑丹 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种基于机器学习的L波 段粗糙海面辐射亮 温模拟方法 (57)摘要 本发明提出一种基于机器学习的L波 段粗糙 海面辐射亮温模拟方法， 所述方法包括： 基于多 源卫星观测数据和再分析数据， 建立匹配数据 集； 建立基于深度神经网络模型的低风速海面辐 射亮温模型以及基于小样本学习方法的高风速 海面辐射亮温模型； 利用交叉验证方法， 确定可 能影响盐度反演精度的不同海气参数组合； 将现 场观测数据输入最终的辐射亮温模型获得辐射 亮温结果。 本发明具有计算速度快、 精度高的优 势； 将机器学习方法引入到L波段粗糙海面辐射 亮温模拟中， 提高了海面盐度反演精度。 权利要求书2页 说明书6页 附图1页 CN 113935228 A 2022.01.14 CN 113935228 A 1.一种基于 机器学习的L波段粗 糙海面辐射亮温模拟方法， 其特 征在于， 具体步骤为： 步骤1： 基于多源卫星观测数据和再分析数据， 利用数据处理方法和时空匹配原则建立 稳定且有代 表性的匹配数据集； 步骤2： 建立基于深度神经网络模型的低风速海面辐射亮温模型以及基于小样本学习 方法的高风速海面辐射亮温模型； 步骤3： 结合交叉验证方法挖掘可能影响海面盐度反演精度的不同海气参数组合， 将不 同海气参数组合输入低风速、 高风速海面辐 射亮温模型， 确定低风速海面辐 射亮温模型和 高风速海面辐射亮温模型的最终输入参数组合； 步骤4： 通过三种训练方式分别对低 风速和高风速下的模型进行训练和验证， 确定最终 的海面辐 射亮温模型； 三种训练方式分别为： 第一种方式为利用全部低风速或者高风速匹 配数据集对辐射亮温模型进行训练， 第二种方式是使用每月的低风速或者高风速匹配数据 对辐射亮温模型进行训练， 第三种方式是将匹配数据集中的升轨数据和降轨数据分离， 再 分别利用第一、 二种方式对辐射亮温模型进行训练； 步骤5： 将现场观测数据输入最终的辐射亮温模型获得辐射亮温结果， 测试模型的有效 性。 2.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 所述多源卫星观测数据为Aquarius卫星在轨周期内的全部亮温数据。 3.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 所述再分析数据是指相应的辅助数据， 即以时空匹配误差最小为原则， 搜集的RSS  V8.0 版本的SSMIS或V7.0的WindSat风速， NOAA  HDR的H*wind风场、 NCEP  GDAS的风向、 有效波高 和海气温差， WOA13的海面盐度， Reyn olds的海面温度以及C MOPRH的降雨。 4.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 建立的匹配数据集的具体方法为： 搜集卫星观测数据和再分析 数据， 根据质量控制标识剔除受污染的观测数据； 将剔除污染后的观测数据与搜集到的辅助数据进行匹配， 生成匹配数据集， 其中辅助 数据作为输入， 观测数据作为输出 标签； 以设定风速为基准对匹配数据集进行二 次划分， 生成低 风速匹配数据集和高风速匹配 数据集， 并分别对二次划分的两个匹配数据集进行随机抽取， 生成相应的训练数据集和验 证数据集。 5.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 所述深度神经网络隐藏层的前馈传播 为： 式中， m代表第m层隐藏层， zm和ym分别代表第m个隐藏层的输入和输出矢量， wm和bm分别 代表第m个隐藏层的网络权重和 偏置， 代表第m+1隐藏层在第i个节点的输出， rm是独立 的伯努利随机变量， BN{}为归一 化批处理变换函数， f代 表激活函数。权　利　要　求　书 1/2 页 2 CN 113935228 A 26.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 高风速海面辐射亮温模型的工作过程 为： 利用非线性映射将输入向量映射到高维特 征空间； 在高维特征空间中寻找输入量和输出量之间的关系， 利用优化理论构造最优决策函 数， 并利用核函数代替高维空间的点积运算， 构 造最优分类超平面， 其中核函数为高斯径向 基核： σ 为可调参数， x为空间中的随机点， x ’为核函数中心； 决策函数为： 为拉格朗日乘子， xi为空间中的点， x为核函数中心， b为阈值。 7.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 将不同海气参数组合输入低风速、 高风速海面辐射亮温模 型， 确定低风速海面辐射亮温 模型和高风速海面辐射亮温模型的最终输入参数组合的具体方法为： 将具有不同参数组合的验证数据输入低风速辐射亮温模型和高风速辐射亮温模型得 到亮温数据， 并将得到的亮温数据和卫星观测数据中的亮温数据真实值进行比较， 由此计 算性能指标， 将性能指标最优的组合确定为 最终输入参数组合。 8.根据权利要求7所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 所述性能指标为均方根 误差。 9.根据权利要求1所述的基于机器学习的L波段粗糙海面辐射亮温模拟方法， 其特征在 于， 对于低风速下的L波段粗糙海面辐射亮温模型， 在数据输入到深度神经网络之前将借助 零‑均值规范化法对输入参数组合进行归一 化处理， 即： 式中， xi代表输入变量， 代表变量均值， n代 表变量个数。权　利　要　求　书 2/2 页 3 CN 113935228 A 3