论文部分内容阅读
海表温度(Sea Surface Temperature，SST)影响着海洋及大气的物理状况，而海水温度的三维空间分布反映了海洋内部的特征，它们在海洋研究领域都有着重要意义。在海表温度测量方面，现有的方法有现场测量、卫星红外遥感、卫星微波遥感等，使用其中单一的测量手段测量获得的海表温度数据不能完全满足应用需求，通常需要将不同测量方法获取的海表温度数据融合，获得更高质量的海表温度数据。然而，现有的海表温度融合方法在时间分辨率、空间覆盖率、数据精度等方面还需要提升，因此需要选择更合适的融合方法。在海水温度的三维空间分布测量方面，沿深度方向的海水温度只有浮标提供某些离散点上的数据，因此需要建立海水温度三维分布模型，以获得海水温度的三维分布数据。
为获得更高质量的海表温度数据，本文提出了基于优化神经网络的红外与微波遥感海表温度数据融合方法。该方法用遗传算法(Genetic Algorithm，GA)优化BP(Back Propagation)神经网络，用优化的BP神经网络(GA-BP)对红外遥感海表温度数据与微波遥感海表温度数据进行融合。该方法利用神经网络学习复杂映射关系的能力，进行数据融合；利用遗传算法全局最优化的优势，避免了BP神经网络陷入局部最优解；同时考虑风速对于海温的影响，以提高数据融合的精度。用该方法对星载红外辐射计AVHRR和星载微波辐射计AMSR-2在区域(10°N~40°N，20°W~60°W)遥感的海表温度数据进行融合，得到时间分辨率为12小时的融合数据。结果表明：融合数据空间覆盖率比AVHRR提高了67%，比AMSR-2提高了33%；融合数据信息熵比AVHRR提升了约164%，比AMSR-2提升了约51%，包含的信息量更大；融合数据清晰度比AVHRR提升了约20%，比AMSR-2提升了约45%，图像质量更佳；与浮标数据对比，日间融合数据误差为0.10±0.49℃，夜间融合数据误差为-0.10±0.42℃，数据精度较高。说明融合后的数据质量更高。
为了获得海水温度的三维分布，本文利用遗传算法优化的BP神经网络(GA-BP)，建立了海水温度三维分布模型。该模型利用海表温度数据，以及有限位置的浮标的海水垂直温度分布数据，使用优化的BP神经网络模拟其中复杂的非线性关系，获得海水温度三维分布数据。将该模型用于(20°N~40°N，20°W~40°W)水深范围(0~2000m)立体区域的海水温度三维分布建模，结果表明：模型得到的2016年和2017年全年的误差均方根的均值分别为0.36℃和0.31℃；将模型拓展应用区域，全年的均方根误差的均值为1.08℃；与文献的结果对比，本文模型在精度上提升了约30%。说明本文的模型具有更强的时间泛化能力、空间泛化能力，更具优势。
为获得更高质量的海表温度数据，本文提出了基于优化神经网络的红外与微波遥感海表温度数据融合方法。该方法用遗传算法(Genetic Algorithm，GA)优化BP(Back Propagation)神经网络，用优化的BP神经网络(GA-BP)对红外遥感海表温度数据与微波遥感海表温度数据进行融合。该方法利用神经网络学习复杂映射关系的能力，进行数据融合；利用遗传算法全局最优化的优势，避免了BP神经网络陷入局部最优解；同时考虑风速对于海温的影响，以提高数据融合的精度。用该方法对星载红外辐射计AVHRR和星载微波辐射计AMSR-2在区域(10°N~40°N，20°W~60°W)遥感的海表温度数据进行融合，得到时间分辨率为12小时的融合数据。结果表明：融合数据空间覆盖率比AVHRR提高了67%，比AMSR-2提高了33%；融合数据信息熵比AVHRR提升了约164%，比AMSR-2提升了约51%，包含的信息量更大；融合数据清晰度比AVHRR提升了约20%，比AMSR-2提升了约45%，图像质量更佳；与浮标数据对比，日间融合数据误差为0.10±0.49℃，夜间融合数据误差为-0.10±0.42℃，数据精度较高。说明融合后的数据质量更高。
为了获得海水温度的三维分布，本文利用遗传算法优化的BP神经网络(GA-BP)，建立了海水温度三维分布模型。该模型利用海表温度数据，以及有限位置的浮标的海水垂直温度分布数据，使用优化的BP神经网络模拟其中复杂的非线性关系，获得海水温度三维分布数据。将该模型用于(20°N~40°N，20°W~40°W)水深范围(0~2000m)立体区域的海水温度三维分布建模，结果表明：模型得到的2016年和2017年全年的误差均方根的均值分别为0.36℃和0.31℃；将模型拓展应用区域，全年的均方根误差的均值为1.08℃；与文献的结果对比，本文模型在精度上提升了约30%。说明本文的模型具有更强的时间泛化能力、空间泛化能力，更具优势。