System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及沙尘反演识别,具体地讲,是涉及一种基于机器学习的静止卫星反演沙尘顶高方法。
技术介绍
1、沙尘气溶胶在气候变化和全球变暖中起着重要作用,准确的沙尘参数对数值天气预报和气候变化研究具有重要意义。沙尘顶高(在沙尘天气中,沙尘颗粒悬浮在大气垂直方向上的最高高度)的确定对于研究沙尘输运、沙尘源和沙尘沉积也具有十分重要的意义,并且对沙尘顶高测定的改进将有助于理解沙尘生命周期。现有测定沙尘顶高的方法大多利用极轨卫星搭载的多光谱成像仪器,通过不同波段的反射率和透过率来获取沙尘的特征,从而推算沙尘的高度。
2、在使用遥感卫星反演沙尘顶高的方法中,主要是通过将不同波段与沙尘顶高建立相关统计关系,需要反演某次沙尘顶高时通过检索方式,推断沙尘顶高。peyridieu在《saharan dust infrared optical depth and altitude retrieved from airs:afocusover north atlantic—comparison to modis and calipso》中开发了一种基于查表的方法,从airs测量中获得大西洋上空的沙尘高度。de souza-machado在《infraredretrievals of dust using airs:comparisons of optical depths and heightsderived for a north african dust storm to other collocated eos a-train ands
3、上述方法大致实现过程为:根据卫星传感器波段的特点,选取近红外、热红外等多个通道光谱值,通过物理特性分析不同波段对沙尘的反射情况,建立波段与沙尘高度的统计关系,通过检索方式,推断沙尘的顶高。其存在的问题主要是:现有研究沙尘顶高的数据主要来源于极轨卫星,虽然其距离地面更近,观测数据的空间分辨率较高,但是其时间分辨率较低,在同一位置一天只能过境1-2次,而沙尘天气过程通常随时间变化较大,极轨卫星很难监测沙尘时空分布的变化情况,缺乏对整个沙尘过程顶高的反演能力。其次,现有沙尘顶高研究方法大多将卫星多个波段与沙尘顶高建立关系,通过物理检索方法,制作匹配数据库,进而推断沙尘顶高,该方法受限于沙尘类型和辐射传输模型的影响,强烈依赖于匹配数据库,使用限制较多。
技术实现思路
1、针对上述现有技术中的上述问题,本专利技术提供一种基于机器学习的静止卫星反演沙尘顶高方法,利用静止卫星数据解决现有研究数据时间分辨率较低的问题,并通过机器学习的方式解决现有基于物理统计方法反演沙尘顶高的诸多限制问题。
2、为了实现上述目的,本专利技术采用的技术方案如下:
3、一种基于机器学习的静止卫星反演沙尘顶高方法,包括以下步骤:
4、s10、收集历史沙尘过程中同期地球静止卫星数据和calipso星载激光雷达卫星遥感获得的沙尘顶高数据,根据时间和空间信息进行整合匹配,形成静止卫星多通道和对应沙尘顶高的原始数据样本;
5、s20、对静止卫星多通道和对应沙尘顶高的原始数据样本进行预处理,形成沙尘顶高数据集;
6、s30、构建基于xgboost的特征提取模型,通过沙尘顶高数据集训练特征提取模型确定完整的树结构,以特征提取模型的树结构的叶子节点为索引,通过one-hot独热编码方法进行处理后获得沙尘顶高数据集中每个数据样本的叶子特征,将这些叶子特征加入沙尘顶高数据集形成带特征沙尘顶高数据集;
7、s40、构建基于elasticnet的沙尘顶高模型,使用步骤s30中获得的带特征沙尘顶高数据集训练并确定沙尘顶高模型;
8、s50、在发生沙尘天气过程时,通过获取地球静止卫星数据,使用所述沙尘顶高模型进行沙尘顶高反演。
9、进一步地,所述步骤s10的具体过程包括:
10、s11、收集历史沙尘过程中同期地球静止卫星数据和calipso星载激光雷达卫星遥感获得的沙尘顶高数据,筛选出calipso星载激光雷达卫星经过沙尘区域的时间信息和空间范围信息;
11、s12、根据步骤s11筛选的时间信息,在同期地球静止卫星数据中查询获得最近的静止卫星数据,完成两种数据的时间匹配;
12、s13、在时间匹配的条件下,根据calipso星载激光雷达卫星扫描的沙尘格点经纬度,提取静止卫星数据的经纬度信息,完成空间信息匹配;
13、s14、将时间匹配和空间信息匹配的数据进行整合,提取calipso星载激光雷达卫星的沙尘顶高数据,进一步提取匹配的沙尘格点对应的静止卫星所有通道数据,形成用于反演沙尘顶高的原始数据样本。
14、具体地,所述步骤s20中沙尘顶高数据集包含以每个沙尘格点为基准的静止卫星通道信息和对应的沙尘顶高信息,沙尘顶高数据集表示为{(z1,y1),(z2,y2),…,(zm,ym)},其中,ym表示第m个沙尘格点对应的沙尘顶高,zm表示第m个沙尘格点对应的静止卫星通道信息,第i个沙尘格点的静止卫星通道信息表示为zi:(xi1,xi2,xi3,…,xin),n为静止卫星通道数目。
15、具体地,所述步骤s30中基于xgboost的特征提取模型以如下方式表示:
16、根据沙尘顶高数据集{(z1,y1),(z2,y2),…,(zm,ym)},以ft(x)表示第t次迭代的树模型,则有
17、
18、上式中,表示第t次迭代的预测值,目标函数obj表示为:
19、
20、其中目标函数由模型的损失函数l与抑制模型复杂度的正则项ω组成,yi表示实际值,表示预测值,中t对应t次迭代的t棵树,将其复杂度求和用于防止模型过度拟合。
21、具体地,所述步骤s30中通过沙尘顶高数据集训练特征提取模型确定完整的树结构后,所有的叶子节点表示为{d1,d2,…,dm},通过one-hot独热编码方法进行处理后形成的第i个沙尘格点数据样本的叶子特征表示为di:{ti1,ti2,…,tin},将叶子特征与原有的沙尘顶高数据集结合获得的带特征沙尘顶高数据集表示为{(z1∪d1,y1),(z2∪d2,y2),…,(zm∪dm,ym)}。
22、具体地,所述步骤s40中带特征沙本文档来自技高网...
【技术保护点】
1.一种基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤S10的具体过程包括:
3.根据权利要求2所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤S20中沙尘顶高数据集包含以每个沙尘格点为基准的静止卫星通道信息和对应的沙尘顶高信息,沙尘顶高数据集表示为{(z1,y1),(z2,y2),…,(zm,ym)},其中,ym表示第m个沙尘格点对应的沙尘顶高,zm表示第m个沙尘格点对应的静止卫星通道信息,第i个沙尘格点的静止卫星通道信息表示为zi:(xi1,xi2,xi3,…,xin),n为静止卫星通道数目。
4.根据权利要求3所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤S30中基于XGBoost的特征提取模型以如下方式表示:
5.根据权利要求4所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤S30中通过沙尘顶高数据集训练特征提取模型确定完整的树结构后,所有的叶子节点表示为{d1,d
6.根据权利要求5所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤S40中带特征沙尘顶高数据集训练并确定沙尘顶高模型的过程为:
7.根据权利要求6所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述沙尘顶高模型的训练过程表示为:
...【技术特征摘要】
1.一种基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤s10的具体过程包括:
3.根据权利要求2所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤s20中沙尘顶高数据集包含以每个沙尘格点为基准的静止卫星通道信息和对应的沙尘顶高信息,沙尘顶高数据集表示为{(z1,y1),(z2,y2),…,(zm,ym)},其中,ym表示第m个沙尘格点对应的沙尘顶高,zm表示第m个沙尘格点对应的静止卫星通道信息,第i个沙尘格点的静止卫星通道信息表示为zi:(xi1,xi2,xi3,…,xin),n为静止卫星通道数目。
4.根据权利要求3所述的基于机器学习的静止卫星反演沙尘顶高方法,其特征在于,所述步骤s30中基于xgboost的特...
【专利技术属性】
技术研发人员:张翔,徐艳琴,刘辉,张新禹,陶睿,张彩云,温建伟,李永利,
申请(专利权)人:内蒙古自治区气象数据中心内蒙古自治区气象探测中心,内蒙古自治区气象档案馆,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。