[发明专利]一种基于机器学习的近海海表温度反演方法

说明书

本发明公开了一种基于机器学习的近海海表温度反演方法，包括：基于遥感影像数据，引入传感器视角、初始估计温度场、初始辅助温度场和时间表征变量并添加组合变量数据作为特征扩展，解决传统温度反演算法中参数关系表达不充分的缺点；通过近海浮标实测数据作为数据集输入数据训练模型，有效校正参数空间匹配受混合像元的影响；采用随机森林算法提供特征重要性的选择指标，得到最优温度反演参数组合，构建机器学习模型实现有限实测数据下的高精度近海海表温度反演。

技术领域

本发明涉及卫星遥感海表温度反演领域，具体涉及一种基于机器学习的近海海域海表温度反演方法。

背景技术

中国是世界上最大的沿海国家之一，近海海域分布着有大量海水养殖区和海洋牧场示范区。海表温度(Sea Surface Temperature，SST)是近海水域一个重要的动态因子，获取高精度的海表温度是监测和管理近海海域的必要条件。通常情况下，传统海表温度监测数据通过船舶定点、浮标测量等方式收集，不易及时在所需要的时间内获取，且获取到的数据为小范围点数据。随着遥感技术的发展，卫星遥感增加了监测的时间频率和空间覆盖度，有效地补充了传统监测资料的覆盖范围，在发现、认识和解决海洋及沿海环境时空尺度问题上具有现实的应用价值，在海表温度的监测和预报中尤为重要。

当前用于测量海表温度的卫星传感器分为热红外传感器和被动微波传感器，因微波遥感在近海海域极易受陆地信号的干扰，国际上对于海表温度反演应用最广泛的热红外传感器是中分辨率成像光谱仪。参考现有科学文献中海表温度的研究，基于诸多传感器的全球海表温度产品在全球大洋海域有较高的精度验证，但相较于大洋，近海海域情况更加复杂。全球产品对于近海中小尺度的温度变化监测过于平滑，损失了大量的温度变化细节，不利于进一步分析温度变化与近海海域环境的相互作用。此外，对于拥有多个热红外通道的传感器来说，通过劈窗算法来构建海表温度反演算法虽一定程度上消除了大气的影响，但各参数间的关系通过简单的线性描述往往不能表达影响海表温度的各因素之间的复杂关系，造成传统劈窗算法在不同海域适应性较差，且其相应参数优化算法的精度提升效果有限。

发明内容

根据现有技术存在的不足，本发明提出一种基于机器学习的近海海表温度反演方法，充分结合近海浮标实测数据，以解决传统海表温度反演方法在近海海域反演精度低，参数空间匹配受混合像元影响大，参数关系描述不充分的技术问题。此外，模型应用结果具有较高的精度，能够有效解决有限实测数据情况下近海海表温度的获取和监测问题。

为达到上述发明目的，本发明采用的技术方案如下：

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；