论文部分内容阅读
近年来,卫星观测技术在快速地发展,海洋遥感技术也提高了全球海洋的监测能力。全球海洋表面盐度数据是研究海洋环流、全球水循环以及气候变化等科学问题的重要参数。但由于海洋盐度卫星观测的低空间分辨率(30至100 km)和低时间分辨率(3天或更长时间),限制了卫星观测海洋表面盐度产品的适用性。本文为了能够快速的反演全球海洋表面盐度数据并提升海盐产品的空间分辨率,使用基于深度学习的方法进行反演研究。主要的工作和结论如下:1、以改进的卷积神经网络回归方法作为反演模型,建立了MODIS海水反射率产品和海水温度产品与全球海表盐度数据之间的函数关系。在实验中详细对比分析了不同卷积方式、不同池化方式以及不同模型复杂度对反演精度的影响,实验证明不同的卷积及池化方式对反演精度影响较小,当模型复杂度为11层时,反演精度较高,得到最优模型的决定系数为0.94198,均方根误差为0.06967。从实验结果可得,本文使用的改进的卷积神经网络反演模型的拟合精度良好,能够快速、准确的反演全球海表盐度。2、为了提升海盐产品的空间分辨率,在已有反演模型的基础上,加入了遥感降尺度技术。本文设计使用了一个基于深度学习的深度卷积网络(DCN)模型,使高空间分辨率的海表反射率数据、海水温度数据与低空间分辨率的SMOS海表盐度数据相结合,从而提升海表盐度数据的空间分辨率。本文的DCN模型由两个基本模块组成:(1)特征增强模块,(2)下采样模块。在研究中,本文对比了以改进的CNN、U-net、Resnet、FCNN网络分别作为特征增强模块时,对DCN模型反演精度的影响,以及使用不同尺度输入数据对反演精度的影响。实验证明以Resnet和U-net网络作为特征增强模块时,DCN反演模型精度最高。最优模型的决定系数为0.94228,均方根误差为0.02191。结果表明,DCN模型能够在反演的同时提高产品的空间分辨率。