基于MODIS数据大气水汽含量反演方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114581791A(43)申请公布日2022.06.03(21)申请号202210202976.1G06F17/11(2006.01)(22)申请日2022.03.02G06V10/82(2022.01)G06V10/774(2022.01)(71)申请人中国农业科学院农业资源与农业区划研究所地址100081北京市海淀区中关村南大街12号中国农业科学院资划所33号楼(72)发明人毛克彪梅茹玉孟飞王旭明袁紫晋(74)专利代理机构北京东方盛凡知识产权代理事务所(普通合伙)11562专利代理师许佳(51)Int.Cl.G06V20/13(2022.01)G06N3/08(2006.01)G06K9/62(2022.01)权利要求书2页说明书10页附图1页(54)发明名称基于MODIS数据大气水汽含量反演方法及系统(57)摘要本发明公开基于MODIS数据大气水汽含量反演方法及系统，包括获取遥感数据并构建辐射传输方程，通过辐射传输方程对所述遥感数据进行计算，得到通道亮度温度，通过利用深度学习神经网络模型对通道亮度温度进行反演计算，得到大气水汽含量反演结果。通过上述技术方案，本发明能够有效的提高大气水汽含量反演的精度。CN114581791ACN114581791A权利要求书1/2页1.基于MODIS数据大气水汽含量反演方法，其特征在于，包括：获取遥感数据，构建辐射传输方程，通过辐射传输方程对所述遥感数据进行计算，得到通道亮度温度，通过深度学习神经网络模型对通道亮度温度进行处理，得到大气水汽含量反演结果。2.根据权利要求1所述基于MODIS数据大气水汽含量反演方法，其特征在于：所述遥感数据的获取过程包括：获取MODIS影像数据，对所述MODIS影像数据进行预处理，得到遥感数据，其中预处理包括辐射定标、几何校正和反射率定标。3.根据权利要求1所述基于MODIS数据大气水汽含量反演方法，其特征在于：所述辐射传输方程的构建过程包括：基于普朗克函数，构建辐射传输方程，其中，所述辐射传输方程如下式所示：Bi(Ti)＝εiBi(Ts)τi(θ)+(1+(1‑εi))τi(θ)(1‑τi(θ))Bi(Ta)，其中，Ti是通道i的卫星上亮度温度，Bi(Ti)是传感器接收到的通道亮度温度；Bi(Ts)为地表辐射，其中，Ts为地表温度；τi(θ)是通道i在观测角度为θ时的大气透过率；εi是i通道的地表发射率，Bi(Ta)为大气平均辐射，其中，Ta为大气有效平均作用温度。4.根据权利要求1所述基于MODIS数据大气水汽含量反演方法，其特征在于：通过深度学习神经网络模型对通道亮度温度进行处理的过程包括：获取地表温度及地表发射率，在将通道亮度温度作为深度学习神经网络模型输入的过程中，同时将所述地表温度及所述地表发射率作为深度学习神经网络模型的输入，通过深度学习神经网络模型对通道亮度温度、地表温度及所述地表发射率进行处理，得到大气水汽含量反演结果。5.根据权利要求4所述基于MODIS数据大气水汽含量反演方法，其特征在于：通过深度学习神经网络模型对通道亮度温度进行处理之前包括：获取最佳红外波段组合，通过深度学习神经网络模型对最佳红外波段组合物下的所述通道亮度温度、所述地表温度及所述地表发射率进行处理；其中，所述最佳红外波段组合基于预设红外波段组合下的大气水汽含量反演结果准确率进行获取，所述预设红外波段组合基于气体吸收光谱获取。6.基于权利要求1‑5任一项所述基于MODIS数据大气水汽含量反演方法的反演系统，其特征在于，包括：获取模块，生成模块；所述获取模块用于获取遥感数据并构建辐射传输方程，通过辐射传输方程对所述遥感数据进行计算，得到通道亮度温度；所述生成模块用于通过深度学习神经网络模型对通道亮度温度进行处理，得到大气水汽含量反演结果。7.根据权利要求6所述基于MODIS数据大气水汽含量反演系统，其特征在于：获取模块包括第一获取模块；所述第一获取模块用于获取MODIS影像数据，对所述MODIS影像数据进行预处理，得到遥感数据，其中预处理包括辐射定标、几何校正和反射率定标。8.根据权利要求6所述基于MODIS数据大气水汽含量反演系统，其特征在于：2CN114581791A权利要求书2/2页所述获取模块包括第二获取模块；所述第二获取模块用于基于普朗克函数，构建辐射传输方程，其中，所述辐射传输方程如下式所示：Bi(Ti)＝εiBi(Ts)τi(θ)+(1+(1‑εi))τi(θ)(1‑τi(θ))Bi(Ta)，其中，Ti是通道i的卫星上亮度温度，Bi(Ti)是传感器接收到的通道亮度温度；Bi(Ts)为地表辐射，其中，Ts为地表温度；τi(θ)是通道i在观测角度为θ时的大气透过率；εi是i通道的地表发射率，Bi