基于MODIS数据大气水汽含量反演方法及系统技术方案

本发明专利技术公开基于MODIS数据大气水汽含量反演方法及系统，包括获取遥感数据并构建辐射传输方程，通过辐射传输方程对所述遥感数据进行计算，得到通道亮度温度，通过利用深度学习神经网络模型对通道亮度温度进行反演计算，得到大气水汽含量反演结果。通过上述技术方案，本发明专利技术能够有效的提高大气水汽含量反演的精度。发明专利技术能够有效的提高大气水汽含量反演的精度。发明专利技术能够有效的提高大气水汽含量反演的精度。

【技术实现步骤摘要】
基于MODIS数据大气水汽含量反演方法及系统


[0001]本专利技术涉及大气数据反演
，特别涉及基于MODIS数据大气水汽含量反演方法及系统。

技术介绍

[0002]大气水汽含量(Atmospheric Water Vapor)也可称为大气可降水量，在大气中含量相对较少，却表现活跃的大气成分，它是天气变化的主要动力因素之一，在天气变化中起着重要作用。大气水汽含量时空变化与许多天气过程和气候变化直接相关，它是大气中对太阳辐射影响最大的变量，随时间、地点的变化很大，是大气分子中最不稳定、最难准确获取的数据。水汽含量变化影响着全球热量循环、水循环以及辐射能量平衡，在晴空情况下，水蒸气约占大气总辐射吸收量的70％，水汽能强烈地吸收地表发出的长波辐射，也能放出长波辐射，水汽的蒸发和凝结又能吸收和放出潜热，这都直接影响到地面和空气的温度，在干旱监测、气候变化和温度反演等各种研究中也很重要。其中，对于大气水汽含量反演方式采用光
‑
近红外反演及红外反演，光
‑
近红外反演大气水汽含量虽然应用较为成熟，但受天气状况和波段特性的影响较大，其扫描辐射计只能在白天成像，水汽产品在时间尺度上往往不能满足很多应用的需求。
[0003]与近红外反演相比，红外反演的精度和空间分辨率较低，全天均可使用，且对云量敏感。热红外波段有两个具有代表性算法：基于多波段的红外统计回归方法和分裂窗方法。其中，统计回归方法建立亮度温度与大气水汽含量间的回归方程，计算稳定，算法简单，但物理意义不明确，这类方法多用于大气湿度廓线获取，由于廓线反演的复杂性,基于物理算法反而精度不会很高。分裂窗方法是一种物理意义明确的水汽反演方法，通常基于辐射传输方程模型，构建亮度温度与大气水汽含量之间的关系。针对AVHRR数据将热红外分裂窗方法应用于大气水汽含量反演，基于分裂窗口通道内的水汽差分吸收，建立水汽弱敏感通道的亮温差与大气水汽含量的关系。在过去的几十年中，已有多种分窗算法被提出用于大气水汽含量以及地表温度的反演中，虽然这些算法的精度都很高，但它们仍然需要对大气的先验知识做出一些假设，在计算过程也必然存在着简化，对反演精度造成一定影响，并且高精度的获得通常以拟合参数的增加为代价，但参数之间的非线性关系和相互作用的因素很难描述清楚，每一种参数的获得并不能完全依靠数学公式来进行描述，而且不具有推广性。

技术实现思路

[0004]为解决上述现有技术中所存在的反演精度不足等问题，本专利技术提供了基于MODIS数据大气水汽含量反演方法及系统，能够对大气水汽含量反演精度进行有效提升，同时能够减少拟合参数的使用。
[0005]为了实现上述技术目的，本专利技术提供了如下技术方案：
[0006]基于MODIS数据大气水汽含量反演方法，包括：
[0007]获取遥感数据并构建辐射传输方程，通过辐射传输方程对所述遥感数据进行计
算，得到通道亮度温度，通过深度学习神经网络模型对通道亮度温度进行处理，得到大气水汽含量反演结果。
[0008]可选的，所述遥感数据的获取过程包括：
[0009]获取MODIS影像数据，对所述MODIS影像数据进行预处理，得到遥感数据，其中预处理包括辐射定标、几何校正和反射率定标。
[0010]可选的，所述辐射传输方程的构建过程包括：
[0011]基于普朗克函数，构建辐射传输方程，其中，所述辐射传输方程如下式所示：
[0012]B
i
(T
i
)＝ε
i
B
i
(T
s
)τ
i
(θ)+(1+(1
‑
ε
i
))τ
i
(θ)(1
‑
τ
i
(θ))B
i
(T
a
)，
[0013]其中，T
i
是通道i的卫星上亮度温度，B
i
(T
i
)是传感器接收到的通道亮度温度；B
i
(T
s
)为地表辐射，其中，T
s
为地表温度；τ
i
(θ)是通道i在观测角度为θ时的大气透过率；ε
i
是i通道的地表发射率，B
i
(T
a
)为大气平均辐射，其中，T
a
为大气有效平均作用温度。
[0014]可选的，通过深度学习神经网络模型对通道亮度温度进行处理的过程包括：
[0015]获取地表温度及地表发射率，在将通道亮度温度作为深度学习神经网络模型输入的过程中，同时将所述地表温度及所述地表发射率作为深度学习神经网络模型的输入，通过深度学习神经网络模型对通道亮度温度、地表温度及所述地表发射率进行处理，得到大气水汽含量反演结果。
[0016]可选的，通过深度学习神经网络模型对通道亮度温度进行处理之前包括：
[0017]获取最佳红外波段组合，通过深度学习神经网络模型对最佳红外波段组合物下的所述通道亮度温度、所述地表温度及所述地表发射率进行处理；其中，所述最佳红外波段组合基于预设红外波段组合下的大气水汽含量反演结果准确率进行获取，所述预设红外波段组合基于气体吸收光谱获取。
[0018]为了更好的实现上述技术目的，本专利技术还提供了基于MODIS数据大气水汽含量反演系统，包括：获取模块，生成模块；
[0019]所述获取模块用于获取遥感数据并构建辐射传输方程，通过辐射传输方程对所述遥感数据进行计算，得到通道亮度温度；
[0020]所述生成模块用于通过深度学习神经网络模型对通道亮度温度进行处理，得到大气水汽含量反演结果。
[0021]可选的，获取模块包括第一获取模块；
[0022]所述第一获取模块用于获取MODIS影像数据，对所述MODIS影像数据进行预处理，得到遥感数据，其中预处理包括辐射定标、几何校正和反射率定标。
[0023]可选的，所述获取模块包括第二获取模块；
[0024]所述第二获取模块用于基于普朗克函数，构建辐射传输方程，其中，所述辐射传输方程如下式所示：
[0025]B
i
(T
i
)＝ε
i
B
i
(T
s
)τ
i
(θ)+(1+(1
‑
ε
i
))τ
i
(θ)(1
‑
τ
i
(θ))B
i
(T
a
)，
[0026]其中，T
i
是通道i的卫星上亮度温度，B
i
(T
i
)是传感器接收到的通道亮度温度；B
i
(T
s
)为地表辐射，其中，T
s
为地表温度；τ
i
(θ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MODIS数据大气水汽含量反演方法，其特征在于，包括：获取遥感数据，构建辐射传输方程，通过辐射传输方程对所述遥感数据进行计算，得到通道亮度温度，通过深度学习神经网络模型对通道亮度温度进行处理，得到大气水汽含量反演结果。2.根据权利要求1所述基于MODIS数据大气水汽含量反演方法，其特征在于：所述遥感数据的获取过程包括：获取MODIS影像数据，对所述MODIS影像数据进行预处理，得到遥感数据，其中预处理包括辐射定标、几何校正和反射率定标。3.根据权利要求1所述基于MODIS数据大气水汽含量反演方法，其特征在于：所述辐射传输方程的构建过程包括：基于普朗克函数，构建辐射传输方程，其中，所述辐射传输方程如下式所示：B
i
(T
i
)＝ε
i
B
i
(T
s
)τ
i
(θ)+(1+(1
‑
ε
i
))τ
i
(θ)(1
‑
τ
i
(θ))B
i
(T
a
)，其中，T
i
是通道i的卫星上亮度温度，B
i
(T
i
)是传感器接收到的通道亮度温度；B
i
(T
s
)为地表辐射，其中，T
s
为地表温度；τ
i
(θ)是通道i在观测角度为θ时的大气透过率；ε
i
是i通道的地表发射率，B
i
(T
a
)为大气平均辐射，其中，T
a
为大气有效平均作用温度。4.根据权利要求1所述基于MODIS数据大气水汽含量反演方法，其特征在于：通过深度学习神经网络模型对通道亮度温度进行处理的过程包括：获取地表温度及地表发射率，在将通道亮度温度作为深度学习神经网络模型输入的过程中，同时将所述地表温度及所述地表发射率作为深度学习神经网络模型的输入，通过深度学习神经网络模型对通道亮度温度、地表温度及所述地表发射率进行处理，得到大气水汽含量反演结果。5.根据权利要求4所述基于MODIS数据大气水汽含量反演方法，其特征在于：通过深度学习神经网络模型对通道亮度温度进行处理之前包括：获取最佳红外波段组合，通过深度学习神经网络模型对最佳红外波段组合物下的所述通道亮度温度、所述地表温度及所述地表发射率进行处理；其中，所述最佳红外波段组合基于预设红外波段组合下的大气水汽含量反演结果准确率进行获取，所述预设红外波段组合基于气体吸收光谱获取。6.基于权利要求1
‑
5任一项所述基于MODIS数据大气...

【专利技术属性】
技术研发人员：毛克彪，梅茹玉，孟飞，王旭明，袁紫晋，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：