[发明专利]基于深度学习的一维综合孔径辐射计海面风速反演方法

权利要求书

1.一种海面风速反演方法，其特征在于，包括如下步骤：

获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量，构成反演数据；

将反演数据依次输入至辐射传输正演模型与一维综合孔径微波辐射计模型中，得到仿真亮温；

将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型，得到海面风速；

所述深度学习反演模型的卷积神经网络共有10层，其中，第一层为批量归一化层；第二层为卷积层，第三层为平均池化层，第四层至第九层为卷积层，第十层为全连接层；

所述卷积神经网络的第二层的激活函数为tanh函数；所述卷积神经网络的第四层至第九层的激活函数为Sigmoid函数；

所述tanh函数的表达式为：

所述Sigmoid函数的表达式为：

2.根据权利要求1所述的一种海面风速反演方法，其特征在于，所述深度学习反演模型的构建方法如下：

获取历史反演数据及对应的海面风速，构建初始数据集；

将初始数据集随机分为初始训练集和初始验证集；

将初始训练集中的历史反演数据、初始验证集中的历史反演数据分别依次输入到辐射传输正演模型与一维综合孔径微波辐射计模型中，得到对应的仿真亮温；

将对应的仿真亮温分别放回初始训练集与初始验证集；

通过带有仿真亮温的初始训练集对深度学习反演模型进行训练，通过带有仿真亮温的初始验证集对学习反演模型进行验证，得到最终的深度学习反演模型。

3.一种海面风速反演系统，其特征在于，所述系统包括：

第一获取模块：用于获取海面温度、海水盐度、海面相对风向、入射角、大气水汽含量和云液态水含量，构成反演数据；

第二获取模块：用于将反演数据依次输入至辐射传输正演模型与一维综合孔径微波辐射计模型中，得到仿真亮温；

第三获取模块：用于将所述海面温度、海水盐度、海面相对风向、入射角、大气水汽含量、云液态水含量和仿真亮温输入至基于卷积神经网络构建的深度学习反演模型，得到海面风速；

其中，所述深度学习反演模型的卷积神经网络共有10层，其中，第一层为批量归一化层；第二层为卷积层，第三层为平均池化层，第四层至第九层为卷积层，第十层为全连接层；

所述卷积神经网络的第二层的激活函数为tanh函数；所述卷积神经网络的第四层至第九层的激活函数为Sigmoid函数；

所述tanh函数的表达式为：

所述Sigmoid函数的表达式为：

4.一种海面风速反演系统，其特征在于，所述系统包括处理器和存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1-2任一项所述方法的步骤。

5.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-2任一项所述方法的步骤。