【技术实现步骤摘要】
本专利技术属于大气探测，更具体地，本专利技术涉及一种基于可解释机器学习的临近空间温湿度廓线三维反演方法。
技术介绍
1、温湿度是大气的基本参数，直接影响大气层结构和运动，对大气的稳定性和动力学过程起着关键作用。此外，温湿度变化会影响大气中云和降水的形成，从而影响地球气候系统的运行。准确获取和分析温湿度数据不仅对天气预报、气候变化研究等具有重要意义，也对航空航天活动的安全性和效率性起着关键作用。因此，深入研究临近空间的温湿度变化对于理解大气环境变化、气候演变以及保障航空航天活动的安全具有重要意义。
2、为了获取临近空间内温度和湿度等参数的数据，科学家们使用了各种传感器和观测设备。主要有气象卫星、探空仪、微波辐射探测仪等，这些设备能够提供丰富的大气层数据，如timed/saber和aura/mls都提供了大气层的温度和湿度数据，尤其是在高层大气中，这些数据对于理解大气层的结构和动态至关重要。但由于传感器本身不足、观测条件限制以及反演算法的不完善等因素，以致临近空间温湿度数据的精确度和时空分辨率都还有待进一步的提高。
3、传统上，利用shs层析技术反演温湿度廓线通常采用物理方法。这种方法利用临边辐射传输理论和shs层析仪的参数来模拟层析光谱。通过调整大气模式，使仿真光谱与实测光谱最佳匹配，从而获取临近空间的温湿度廓线信息。尽管物理反演方法基于坚实的理论基础和光谱分析原理，直接利用物理模型进行计算，结果具有较强的物理意义和高准确性，但其模型复杂性、计算成本高、对异常数据敏感以及受数据量限制等不足使其在大气遥感领域
技术实现思路
1、本专利技术提供一种基于可解释机器学习的临近空间温湿度廓线三维反演方法，旨在改善上述问题。
2、本专利技术是这样实现的，一种基于可解释机器学习的临近空间温湿度廓线三维反演方法，所述方法具体包括如下步骤：
3、(1)基于样本库中的样本对deeponet深度学习模型进行训练，样本特征为当前观测条件下示踪气体的干涉光谱中提取到的辐射能量，样本标签为温湿度廓线；
4、(2)将双正交shs层析仪相交视场切分成正交视场切块，从每个正交视场切块的示踪气体干涉光谱中提取示踪气体的辐射能量，将观测条件及该观测条件下获得取示踪气体的辐射能量输入训练好的deeponet深度学习模型，deeponet深度学习模型输出各个正交视场切块对应位置的温湿度廓线。
5、进一步的，deeponet深度学习模型包括：
6、一个第一分支网络branch net及三个第一主干网络truck net，第一分支网络branch net及第一主干网络truck net与全连接神经网络mlp连接；一个第二分支网络branch net及三个第二主干网络truck net，第二分支网络branch net及第二主干网络truck net与全连接神经网络mlp连接；全连接神经网络mlp与神经层连接.
7、进一步的，将正交视场切块的水平辐射光谱、垂直辐射光谱分别输入第一分支网络branch net、第二分支网络branch net，同时将对应观测条件中的时空信息输入第一主干网络truck net及第二主干网络truck net；神经层输出正交视场切块对应位置的温湿度廓线。
8、进一步的，时空信息包括：应shs层析仪的经纬、维度(x,y)、正交视场切块的切高h，观测时间t。
9、进一步的，样本库的构建方法具体如下：
10、(11)在不同的观测条件下观测温度廓线及湿度廓线，利用sciatran辐射传输模型模拟当前温度廓线及湿度廓线在不同观测条件下的观测辐射能量，计算对应观测条件下的背景能量，以提取示踪气体的辐射能量，将观测条件、观测辐射能量作为样本特征，对应的温度廓线、湿度廓线作为样本标签；
11、(12)不断改变度廓线及湿度廓线的浓度，每改变一次温湿度廓线则执行步骤(11)，完成样本库的构建。
12、进一步的，观测条件包括空间外差光谱仪的纬度、经度、时间日期、示踪气体浓度、太阳天顶角、相对方位角。
13、进一步的，正交视场切块的形成过程具体如下：
14、将穿轨方向的扫描的shs为主视场方向，沿轨方向扫描的shs为副视场方向；将主视场方向切分成不同切高的视场切片，同时将副视场方向分成水平方向的视场切片，不同切高下不同水平方向的视场切片组成多个正交视场切块。
15、进一步的，双正交shs层析仪包括：第一shs层析仪及第二shs层析仪；
16、通过t1时刻的第一shs层析仪和t2时刻的第二shs层析仪观测结果来形成双正交shs层析仪的相交视场，t2时刻为t1时刻与设定的时间间隔△t之和。
17、进一步的，将样本库中的样本依据8：2划分为训练数据集与测试数据集。
18、本专利技术通过将两台shs层析仪正交设置，构成双正交shs层析仪，再利用物理规律模拟dshs干涉光谱与大气模式的关系建立样本库，对构建的deeponet深度学习模型进行训练，以实现利用训练后的模型实时分析shs层析仪光谱图像并高精度反演三维温湿度廓线的目的。
本文档来自技高网...【技术保护点】
1.一种可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，所述方法具体包括如下步骤：
2.如权利要求1所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，DeepONet深度学习模型包括：
3.如权利要求2所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，将正交视场切块的水平辐射光谱、垂直辐射光谱分别输入第一分支网络BranchNet、第二分支网络Branch Net，同时将对应观测条件中的时空信息输入第一主干网络Truck Net及第二主干网络Truck Net；神经层输出正交视场切块对应位置的温湿度廓线。
4.如权利要求3所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，时空信息包括：对应SHS层析仪的经纬、维度(x,y)、正交视场切块的切高h，观测时间t。
5.如权利要求1所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，样本库的构建方法具体如下：
6.如权利要求5所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，观测
7.如权利要求1所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，正交视场切块的形成过程具体如下：
8.如权利要求1所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，双正交SHS层析仪包括：第一SHS层析仪及第二SHS层析仪；
9.如权利要求8所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，将样本库中的样本依据8：2划分为训练数据集与测试数据集。
...【技术特征摘要】
1.一种可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，所述方法具体包括如下步骤：
2.如权利要求1所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，deeponet深度学习模型包括：
3.如权利要求2所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，将正交视场切块的水平辐射光谱、垂直辐射光谱分别输入第一分支网络branchnet、第二分支网络branch net，同时将对应观测条件中的时空信息输入第一主干网络truck net及第二主干网络truck net；神经层输出正交视场切块对应位置的温湿度廓线。
4.如权利要求3所述基于可解释机器学习的临近空间温湿度廓线三维反演方法，其特征在于，时空信息包括：对应shs层析仪的经纬、维度(x,y)、正交视场切块的切高h...
【专利技术属性】
技术研发人员：麻金继，孙明国，李淼，陶圣荣，宫明艳，骆文慧，罗海燕，熊伟，
申请(专利权)人：安徽师范大学，
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。