基于深度学习的SAR图像风场与波浪场反演方法及系统与流程
本发明涉及遥感卫星和风工程,具体为基于深度学习的sar图像风场与波浪场反演方法及系统。
背景技术:
1、海上风能、波浪能的研究正不断被关注,面对广阔无垠的海洋与无法准确预测的环境与挑战,风浪发电装置的选址问题也成为安装前的难题。首先需要对风能与波浪能的能源储量进行较好的判定,现如今地面气象观测站点分布已趋于饱和,海上观测站点地建立不仅考虑人工技术问题,还需考虑海面多变的环境因素,难度较大,因此,海面的气象观测站点数量稀少,分布也较为疏散,无法集中对一片海域进行详细测量,而对于风能波浪能此类大规模检测的数据无法通过观测站来获得。
2、此外利用数值模拟方法可以获得高分辨率与纵向能源分布信息。小尺度数值模式、中尺度数值模式、中小尺度耦合模式、模式同化融合站位测风资料及卫星遥感资料等均可对风能波浪能进行评估,但数值模拟存在模拟误差较大且运算复杂的问题。随着遥感卫星勘测技术的迅速发展,大范围高精度的特点使卫星遥感能够迅速检测海洋表面的风场信息,数据庞大且使用成本较低。
3、近年来,深度学习技术在图像处理与特征提取领域展现出强大能力,为sar数据反演海洋动力要素提供了新的技术思路。然而,现有基于深度学习的反演方法多针对单一要素(如风场或波浪场)独立开展研究,缺乏风场与波浪场的联合反演框架;同时,网络结构多依赖人工设计,超参数选择具有主观性,模型的自适应能力与泛化性能有待提升。
4、为此,本发明提供基于深度学习的sar图像风场与波浪场反演方法及系统。
技术实现思路
1、本发明的目的在于提供基于深度学习的sar图像风场与波浪场反演方法及系统,以解决上述背景技术中提出的问题。
2、根据本发明的第一方面,为实现上述目的,本发明提供如下技术方案:基于深度学习的sar图像风场与波浪场反演方法,包括以下步骤:
3、接收sar卫星图像数据与era5再分析气象数据,并对sar卫星图像数据进行预处理,得到处理后的sar卫星图像;
4、将处理后的sar卫星图像与era5再分析气象数据进行时间及空间匹配,得到匹配后的数据集;
5、基于深度神经网络构建dl-hpo神经网络模型,采用循环迭代寻优的深度神经网络架构搜索策略,结合贝叶斯优化与adam自适应优化算法,对dl-hpo神经网络模型进行联合训练优化,得到训练后的dl-hpo神经网络模型;
6、将数据集中vv极化sar后向散射系数、vh极化sar后向散射系数、入射角及方位角作为输入特征,采用dl-hpo神经网络模型进行风场反演,输出风速数据,得到风场反演结果;
7、将数据集中vv极化sar后向散射系数、vh极化sar后向散射系数、入射角及截断波长作为输入特征,采用dl-hpo神经网络模型进行波浪场反演,输出有效波高及平均波周期数据,得到波浪场反演结果;
8、其中,vv极化sar后向散射系数为雷达垂直极化发射、垂直极化接收的后向散射回波强度,vh极化sar后向散射系数为雷达垂直极化发射、水平极化接收的后向散射回波强度。
9、进一步地,对sar卫星图像数据进行预处理具体包括辐射定标、地形校正、陆地掩膜及噪声处理,噪声处理采用refined lee滤波器进行相干斑滤波。
10、进一步地,所述辐射定标采用的是绝对定标,将原始的sar图像像元灰度值转变成同像素点的后向散射截面,定标表达式为:
11、
12、式中:为后向散射截面;
dn为图像灰度值;为噪声参数;
a为后向散射校正参数。
13、进一步地,将处理后的sar卫星图像与era5再分析气象数据进行时间及空间匹配,具体包括:
14、时间匹配:以所述sar图像数据的时间分辨率为基准,与逐小时的era5再分析资料按最近时间进行匹配,时间间隔控制在三十分钟以内;
15、空间匹配:根据经纬度进行匹配,将era5再分析资料的像素点与sar图像中对应经纬度像素点周围0.125°范围内的区域进行匹配。
16、进一步地,对dl-hpo神经网络模型进行联合训练优化,具体步骤如下:
17、定义搜索空间: 确定待优化的超参数及其取值范围,具体包括网络深度、每层神经元数量、学习率、批量大小、dropout比例、l2正则化系数;
18、初始化代理模型与采样: 初始化高斯过程代理模型,在搜索空间内通过拉丁超立方采样生成初始超参数组合,对每个组合训练深度神经网络,并在验证集上计算误差;
19、贝叶斯优化迭代: 根据已有的评估结果更新高斯过程代理模型,利用采集函数选择下一个超参数组合,对该组合进行完整的网络训练与验证,获取验证误差;
20、模型训练与评估: 对每组超参数组合,采用adam优化器进行梯度下降优化,结合早停法防止过拟合,并记录训练过程中的最优模型权重;
21、迭代与终止: 重复执行贝叶斯优化迭代和模型训练与评估步骤,直到达到预设的最大迭代次数或验证误差收敛至阈值范围内,输出全局最优的超参数组合及对应的深度神经网络模型,作为最终dl-hpo神经网络模型。
22、进一步地,所述超参数搜索空间包括网络深度范围为2-30层,每层神经元数量范围为32-1024,学习率搜索范围为1e-5至1e-2,批量大小为16-256。
23、进一步地,所述贝叶斯优化的初始样本点为10,最大迭代次数为50。
24、根据本发明的第二方面,本发明提供一种基于深度学习的sar图像风场与波浪场反演系统,用于实现第一方面描述的基于深度学习的sar图像风场与波浪场反演方法,包括:
25、数据预处理模块,用于接收sar卫星图像数据与era5再分析气象数据,并对sar卫星图像数据进行预处理,得到处理后的sar卫星图像;
26、数据集构建模块将处理后的sar卫星图像与era5再分析气象数据进行时间及空间匹配,得到匹配后的数据集;
27、模型构建及训练模块,用于基于深度神经网络构建dl-hpo神经网络模型,采用循环迭代寻优的深度神经网络架构搜索策略,结合贝叶斯优化与adam自适应优化算法,对dl-hpo神经网络模型进行联合训练优化,得到训练后的dl-hpo神经网络模型;
28、风场反演模块,用于将数据集中vv极化sar后向散射系数、vh极化sar后向散射系数、入射角及方位角作为输入特征,采用dl-hpo神经网络模型进行风场反演,输出风速数据,得到风场反演结果;
29、波浪场反演模块,用于将数据集中vv极化sar后向散射系数、vh极化sar后向散射系数、入射角及截断波长作为输入特征,采用dl-hpo神经网络模型进行波浪场反演,输出有效波高及平均波周期数据,得到波浪场反演结果;
30、其中,vv极化sar后向散射系数为雷达垂直极化发射、垂直极化接收的后向散射回波强度,vh极化sar后向散射系数为雷达垂直极化发射、水平极化接收的后向散射回波强度。
31、根据本发明的第三方面,本发明提供一种终端设备,包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序,其特征在于,所述存储器中存储有能够在处理器上运行的计算机程序,所述处理器加载并执行计算机程序时,采用了第一方面描述的基于深度学习的sar图像风场与波浪场反演方法。
32、根据本发明的第四方面,本发明提供一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面描述的基于深度学习的sar图像风场与波浪场反演方法。
33、本发明至少具备以下有益效果:
34、1.本发明突破了传统方法中风场反演与波浪场反演相互独立的局限,通过统一的dl-hpo神经网络模型框架,实现了对风速、有效波高及平均波周期等海洋动力要素的同步获取,为海洋风能与波浪能资源的综合评估提供了完整的技术解决方案。
35、2.本发明充分考虑了海面粗糙度、入射角、极化方式及截断波长等多因素对反演结果的影响,通过数据匹配模块实现sar数据与era5再分析资料在时空上的精确配准,使反演方法能够适应不同海域、不同海况条件下的工程应用需求,为海上风电场及波浪能装置的选址规划提供了可靠的数据支撑。
36、3.本发明采用的dl-hpo神经网络模型通过循环迭代寻优策略,结合贝叶斯优化与adam自适应优化算法,对网络深度、层宽及训练超参数进行联合优化,使模型结构能够根据数据特征自适应调整,避免了人工设计网络结构的主观性和局限性,显著提升了模型的泛化性能,且在超参数优化过程中引入早停法与学习率衰减策略,结合贝叶斯优化的高效全局搜索能力,在保证模型性能的前提下有效减少了训练迭代次数,降低了计算资源消耗。
37、4.本发明将vv极化与vh极化后向散射系数同时作为网络输入特征,充分利用了不同极化方式对海面粗糙度的互补表征能力,通过神经网络自主分配特征权重,有效克服了单一极化方式在不同风速区间适用性受限的问题,使反演结果更加稳定可靠。
38、5.本发明结合sar遥感数据与era5再分析资料,充分发挥了sar卫星全天候、全天时、大范围观测的技术优势,突破了传统气象观测站点空间分布稀疏的瓶颈,实现了对广阔海域风能与波浪能资源的高效评估,为海洋能源开发及海洋环境监测提供了新的技术手段。
39、当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com