【技术实现步骤摘要】
本专利技术涉及卫星，具体地说，涉及基于多源卫星载荷的海面风场网格化智能融合方法。
技术介绍
1、在气象学中，海面风场数据的准确性和时空分辨率对于天气预测、海洋环境研究以及航海安全等领域具有至关重要的作用。然而，由于海洋面积辽阔，单一卫星载荷的观测能力有限，难以满足高精度、高时空分辨率的海面风场数据需求。
2、为了解决这个问题，多源卫星载荷的海面风场数据融合技术应运而生。这种技术通过整合来自不同卫星载荷的观测数据，可以显著提高海面风场数据的覆盖范围和时空分辨率。然而，由于不同卫星载荷的观测原理、精度和时空特性存在差异，如何有效地融合这些数据成了一个技术难题。
3、例如，由于不同卫星载荷的观测原理和技术规格不同，它们提供的数据格式、分辨率、覆盖范围等也会有所不同。这导致了在数据融合时面临兼容性问题，需要复杂的预处理工作来使不同来源的数据能够相互匹配。各种卫星载荷的观测精度存在差异，有些载荷可能提供更准确的数据，而有些则可能存在较大的误差。在融合过程中，如何平衡不同精度的数据，确保融合结果的准确性，是一个技术难题。
技术实现思路
1、本专利技术要解决的技术问题在于克服现有技术的不足，提供基于多源卫星载荷的海面风场网格化智能融合方法，实现了对多源卫星载荷海面风场数据的高效融合，能够提高海面风场数据的精度和时空分辨率。
2、为解决上述技术问题，本专利技术采用技术方案的基本构思是：
3、第一方面，基于多源卫星载荷的海面风场网格化智能融合方法，包括
4、对风云、海洋卫星多源散射计进行星-星交叉定标，以及对预报场数据进行风速修正，以得到海风融合背景场；
5、构建深度神经网络模型，以及结合d-matrix统计算法的中低风速反演优势，获取全风速段mwri海面风速产品；
6、多源卫星数据与ec背景场时空匹配处理，获取融合分析时段的数据源；
7、将ec背景场与融合风场各点的风速、散度、涡度及风速的二阶导数项结合，求得代价函数；
8、根据代价函数，求取代价函数内各代价函数的梯度项，并进行求和，以得到函数梯度；
9、根据代价函数以及函数梯度，求取最终的融合风场。
10、优选的，对风云、海洋卫星多源散射计进行星-星交叉定标，以及对预报场数据进行风速修正，以得到海风融合背景场，包括：
11、利用气旋风速产品对风云、海洋卫星多源散射计进行星-星交叉定标，以得到坐标数据；
12、对预报场数据进行风速修正，以得到修正后的预报场数据；
13、根据坐标数据和预报场数据，建立海风融合背景场，以得到海风融合背景场。
14、优选的，构建深度神经网络模型，以及结合d-matrix统计算法的中低风速反演优势，获取全风速段mwri海面风速产品，包括：
15、根据海风融合背景场，构建以物理约束为基础、适用于mwri大风反演的深度神经网络，以得到反演深度神经网络；
16、将反演深度神经网络结合d-matrix统计算法的中低风速反演优势，并构建二维变分同化多源海风融合技术进行调优，以得到mwri海面风速产品。
17、优选的，多源卫星数据与ec背景场时空匹配处理，获取融合分析时段的数据源；
18、将规定的日期和时刻，生成以选定时刻时间戳前后各3小时为边界的时间窗，并将数据文件转化为时间戳，以得到时间窗及文件时间戳；
19、基于时间窗及文件时间戳，筛取时间戳落在时间窗内的文件，分别读取多源卫星海面风场数据，并分别根据轨道区域筛选数据并完成数据质量控制和处理，以得到处理后数据；
20、获取ec背景场数据，将ec背景场作为融合风场的初始估计，以得到ec背景场与融合风场数据；
21、将ec背景场与融合风场各点的风速、散度、涡度及风速的二阶导数项结合，求得代价函数。
22、优选的，代价函数的公式为：
23、
24、其中，j1表示代价函数值；n表示融合风场中点的数量；m表示观测数据点的数量；vec，i表示ec背景场在第i点的风速；vfuse，i表示融合风场在第i点的风速；divec，i表示ec背景场在第i点的散度；divfuse，i表示融合风场在第i点的散度；vorec，i表示ec背景场在第i点的涡度；vorfuse，i表示融合风场在第i点的涡度；δvec，i表示ec背景场在第i点的风速二阶导数；δvfuse，i表示融合风场在第i点的风速二阶导数；vobs，j表示在第j点的观测风速；vfuseinterp，j表示融合风场经过空间插值后在第j点的风速。
25、优选的，函数梯度的公式为：
26、
27、其中，θ表示融合风场模型的参数向量，对θ的偏导数，其每个元素对应于代价函数相对于θ中每个参数的偏导数；和j表示融合风场和观测数据的索引；j2表示函数梯度值。
28、优选的，根据代价函数以及函数梯度，求取最终的融合风场，包括：
29、根据代价函数以及函数梯度，通过θk+1＝θk+αkpk计算代价函数的最小值，其中，k＝0，1,2，...，θk+1是第k+1次迭代后的参数向量，θk是第k次迭代的参数向量，αk是在第k次迭代中通过线搜索确定的步长，pk是在第k次迭代中搜索方向；
30、根据代价函数的最小值，获取融合风场，以获得最终的融合风场。
31、第二方面，基于多源卫星载荷的海面风场网格化智能融合系统，包括：
32、获取模块，用于对风云、海洋卫星多源散射计进行星-星交叉定标，以及对预报场数据进行风速修正，以得到海风融合背景场；构建深度神经网络模型，以及结合d-matrix统计算法的中低风速反演优势，获取全风速段mwri海面风速产品。
33、处理模块，多源卫星数据与ec背景场时空匹配处理，获取融合分析时段的数据源；将ec背景场与融合风场各点的风速、散度、涡度及风速的二阶导数项结合，求得代价函数；根据代价函数，求取代价函数内各代价函数的梯度项，并进行求和，以得到函数梯度；根据代价函数以及函数梯度，求取最终的融合风场。
34、第三方面，计算设备，包括：
35、一个或多个处理器；
36、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
37、第四方面，计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
38、采用上述技术方案后，本专利技术与现有技术相比具有以下有益效果：
39、通过对风云、海洋卫星多源散射计进行星-星交叉定标，以及对预报场数据进行风速修正，该方法能够消除不同卫星载荷之间的系统误差，从而提高海面风场数据的准确性和可靠性。该方法融合了来自多个卫星载荷的数据，有效增加了数据的覆盖范围和观测频次，从而提高了海面风场数据的本文档来自技高网...
【技术保护点】
1.基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，包括：
2.根据权利要求1所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，对风云、海洋卫星多源散射计进行星-星交叉定标，以及对预报场数据进行风速修正，以得到海风融合背景场，包括：
3.根据权利要求2所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，构建深度神经网络模型，以及结合D-Matrix统计算法的中低风速反演优势，获取全风速段MWRI海面风速产品，包括：
4.根据权利要求3所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，多源卫星数据与EC背景场时空匹配处理，获取融合分析时段的数据源，包括：
5.根据权利要求4所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，代价函数的公式为：
6.根据权利要求5所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，函数梯度的公式为：
7.根据权利要求6所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，根据代价函数以及函数梯度，
8.基于多源卫星载荷的海面风场网格化智能融合系统，包括：
9.一种计算设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，包括：
2.根据权利要求1所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，对风云、海洋卫星多源散射计进行星-星交叉定标，以及对预报场数据进行风速修正，以得到海风融合背景场，包括：
3.根据权利要求2所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，构建深度神经网络模型，以及结合d-matrix统计算法的中低风速反演优势，获取全风速段mwri海面风速产品，包括：
4.根据权利要求3所述的基于多源卫星载荷的海面风场网格化智能融合方法，其特征在于，多源卫星数据与ec背景场时空匹配处理，获取融合分析时段的数据源，包括：<...
【专利技术属性】
技术研发人员：翟晓春，曹广真，张云开，马志淳，田圣戎，徐娜，陈林，
申请(专利权)人：国家卫星气象中心国家空间天气监测预警中心，
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。