[发明专利]一种基于机器学习的近海海表温度反演方法

权利要求书

1.一种基于机器学习的近海海表温度反演方法，其特征在于包括：

S1：收集组合近海浮标海表温度实测数据Y并下载与其时空相匹配的遥感影像数据；

S2：对遥感影像数据进行图像预处理；

S3：获取遥感影像数据中预处理后的传感器数据和波段数据，并以波段数据为基础计算大气条件数据，将传感器数据、波段数据和大气条件数据作为原始特征X’；

S4：利用海表温度反演传统算法计算海表温度，将该海表温度作为初始估计温度场T_sfc、并生成初始辅助温度场T_sfc′；

S5：获取预处理后遥感影像中的时间表征变量，并对原始特征X’进行运算生成新的组合变量数据，将时间表征变量、组合变量数据、初始估计温度场T_sfc和初始辅助温度场T_sfc′作为辅助数据F，将原始特征X’扩展为新特征X；

S6：将新特征数据X和海表温度实测数据Y匹配生成机器学习样本数据集；

S7：对样本数据集进行预处理、并分为训练集和测试集两部分，采用随机森林算法对模型进行训练和参数优化，获得特征量的最优组合X_best，构建最优机器学习模型ML；

S8：将测试集中的最优组合X_best作为机器学习模型ML的输入数据，运行机器学习模型ML得到对应的输出数据，通过与测试集中的海表温度实测数据Y对比验证、进行该模型的反演结果评价。

2.根据权利要求1所述的基于机器学习的近海海表温度反演方法，其特征在于：S2中具体采用如下方式：

S21：读取遥感影像对应云掩膜产品的云覆盖情况，筛选出研究区晴空无云的影像；

S22：对筛选出的遥感影像进行定标、几何校正、重采样和重投影预处理操作；

S23：依据改进的归一化差异水体指数对研究区影像进行水体提取及陆地和海岛的掩膜，其中改进的归一化差异水体指数为：

MNDWI＝(b_Green-b_SWIR)/(b_Green+b_SWIR)

式中：MNDWI指改进的归一化差异水体指数；b_Green和b_SWIR分别表示所用卫星传感器的对应波段。

3.根据权利要求1所述的基于机器学习的近海海表温度反演方法，其特征在于：S3中具体采用如下方式：

S31：以海表温度实测空间位置为中心提取卫星传感器视角θ和波段数据，波段数据包括影像第2波段反射率ref₂和第9波段的反射率ref₁₉，并计算第31波段亮度温度BT₁和第32波段的亮度温度BT₂；

S32：根据影像第2波段反射率ref₂和第9波段的反射率ref₁₉，计算大气条件数据，采用两通道比值法估算大气水汽含量ω，利用大气透过率与水汽含量之间的关系计算两个热红外通道的大气透过率τ₁、τ₂，参数间的关系表达为：

[ref₂，ref₁₉]→ω→[τ₁，τ₂]

则有原始特征X’：

X′＝[ref₂，ref₁₉，ω，τ₁，τ₂，BT₁，BT₂，θ]。