(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111403977.4 (22)申请日 2021.11.24 (65)同一申请的已公布的文献号 申请公布号 CN 114139444 A (43)申请公布日 2022.03.04 (73)专利权人 大连海事大学 地址 116026 辽宁省大连市高新园区凌海 路1号 (72)发明人 胡姣婵　赵桐　马泓涵　唐慎钰　 于浩洋　李清波　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 姜玉蓉　李洪福 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/764(2022.01)G06F 30/27(2020.01) G06V 10/774(2022.01) G06N 20/00(2019.01) G06F 111/08(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 113408742 A,2021.09.17 艾波等.基 于深度学习的海表温度遥感反演 模型. 《遥感信息》 .2018,(第0 5期), 郑贵洲等.利用MODIS数据反演南海南部海 表温度及时空变化分析. 《遥感技 术与应用》 .2020,(第01期), 周旋等.基 于大气辐射传输模型的单通道海 表温度反演算法研究. 《热 带气象学报》 .2012, (第05期), 审查员 李祖布 (54)发明名称 一种基于机器学习的近海海表温度反演方 法 (57)摘要 本发明公开了一种基于机器学习的近海海 表温度反演方法， 包括： 基于遥感影像数据， 引入 传感器视角、 初始估计温度场、 初始辅助温度场 和时间表征变量并添加组合变量数据作为特征 扩展， 解决传统温度反演算法中参数关系表达不 充分的缺点； 通过近海浮标 实测数据作为数据集 输入数据训练模 型， 有效校正参数空间匹配受混 合像元的影 响； 采用随机森 林算法提供特征重要 性的选择指标， 得到最优温度反演参数组合， 构 建机器学习模型实现有 限实测数据下的高精度 近海海表温度反演。 权利要求书3页 说明书7页 附图2页 CN 114139444 B 2022.11.04 CN 114139444 B 1.一种基于 机器学习的近海 海表温度反演方法， 其特 征在于包括： S1： 收集组合近海浮标海表温度实测数据Y并下 载与其时空相匹配的遥感影 像数据； S2： 对遥感影 像数据进行图像预处 理； S3： 获取遥感影像数据中预处理后的传感器数据和波段数据， 并以波段数据为基础计 算大气条件数据， 将传感器数据、 波段 数据和大气条件数据作为原 始特征X’； S4： 利用海表温度反演传统算法计算海表温度， 将该海表温度作为初始估计温度场 Tsfc、 并生成初始辅助温度场Tsfc′； S5： 获取预处理后遥感影像中的时间表征变量， 并对原始特征X ’进行运算生成新的组 合变量数据， 将时间表征变量、 组合变量数据、 初始估计温度场Tsfc和初始辅助温度场Tsfc′ 作为辅助数据F， 将原 始特征X’扩展为新特征X； S6： 将新特 征数据X和海表温度实测数据Y匹配生成机器学习样本数据集； S7： 对样本数据集进行预处理、 并分为训练集和测试集两部分， 采用随机森林算法对模 型进行训练和参数优化， 获得 特征量的最优组合Xbest， 构建最优机器学习模型ML； S8： 将测试集中的最优组合Xbest作为机器 学习模型ML的输入数据， 运行机器 学习模型ML 得到对应的输出数据， 通过与测试集中的海表温度实测数据Y对比验证、 进行该模型的反演 结果评价。 2.根据权利要求1所述的基于机器学习的近海海表温度反演方法， 其特征在于： S2中具 体采用如下 方式： S21： 读取遥感影 像对应云掩膜产品的云覆盖情况， 筛 选出研究区晴空无云的影 像； S22： 对筛选出的遥感影 像进行定标、 几何校正、 重采样和重投影预处 理操作； S23： 依据改进的归一化差异水体指数对研究区影像进行水体提取及陆地和海岛的掩 膜， 其中改进的归一 化差异水体指数为： MNDWI＝(bGreen‑bSWIR)/(bGreen+bSWIR) 式中： MNDWI指改进的归一化差异水体指数； bGreen和bSWIR分别表示所用卫星传感器的对 应波段。 3.根据权利要求1所述的基于机器学习的近海海表温度反演方法， 其特征在于： S3 中具 体采用如下 方式： S31： 以海表温度实测空间位置为中心提取卫星传感器视角 θ和波段数据， 波段数据包 括影像第2波段反射率ref2和第9波段的反射率ref19， 并计算第31波段亮度温度BT1和第32 波段的亮度温度BT2； S32： 根据影像第2波段反射率ref2和第9波段的反射率ref19， 计算大气条件数据， 采用 两通道比值法估算大气水汽含量ω， 利用大气 透过率与水汽含量之 间的关系计算两个热红 外通道的大气透过率 τ1、 τ2， 参数间的关系表达为： [ref2， ref19]→ω→[ τ1， τ2] 则有原始特征X’： X′＝[ref2， ref19， ω， τ1， τ2， BT1， BT2， θ ]。 4.根据权利要求1所述的基于机器学习的近海海表温度反演方法， 其特征还在于： S4中 具体采用如下 方式： S41： 以大气辐射传输方程为基础， 采用传统温度反演劈窗算法获得的温度结果作为初权　利　要　求　书 1/3 页 2 CN 114139444 B 2始估计温度场Tsfc， 其表达式为： Tsfc＝A0+A1BT1‑A2BT2 式中： BT1、 BT2分别表示传感器两个热红外波段的亮度温度； A0、 A1、 A2为与比辐射率及大 气透过率有关的系数； S42： 将传感器视角及大气剖面温度的影响考虑到初始估计温度场Tsfc中， 对透过率进 行视角和温度校正， 生成初始辅助温度场Tsfc′， 表示为： 式中： δ τ( θ )为视角校正值， 是传感器天顶角 θ 的函数； θ从与所选遥感影像时空相对应 的地理定位文件中获得； δ τ(T)为温度校正 值， 是亮度温度BT的函数。 5.根据权利要求1所述的基于机器学习的近海海表温度反演方法， 其特征还在于： S5 中 具体采用如下 方式： S51： 将初始估计温度场Tsfc、 初始辅助温度场Tsfc′以及遥感影像数据 中的时间表征变 量doy、 mo nth作为辅助数据F扩展原 始特征X’， 如下式所示： F1＝Tsfc F2＝Tsfc′ F3＝doy F4＝month 式中： doy为影 像获取日期在当年中的天次， mo nth为月份， 均为时间表征变量； S52： 根据当前海表温度反演研究， 对原始特征X ’进行组合运算， 生成新的组合变量数 据， 如下式所示： F5＝BT1‑BT2 F6＝ τ1BT1‑τ2BT2 F7＝(sec( θ ) ‑1)(BT1‑BT2) 则有辅助数据F： F＝[F1～F7] S53： 在原始特征X′的基础上 结合辅助数据F， 将原 始特征X′扩展为新特征X， 表示为： X＝[X′， F]。 6.根据权利要求1所述的基于机器学习的近海海表温度反演方法， 其特征还在于： S7中 具体采用如下 方式： S71： 将样本数据集分为训练集和测试集两部分， 对所有新特征X进行标准化： 先求得训 练集数据的均值和标准差， 利用均值和标准差对训练集和测试集的新特征X标准化， 经过 处 理后的数据符合标准 正态分布， 实现形式为： 式中： 为训练集特 征的平均值； 占为训练集特 征的标准差； S72： 基于Cart回归树进行随机森林回归， 并设置随机森林关键参数， 试验择优选取叶 子节点数与树的数量； S73： 以一定样本数量作为训练集， 采用最小均方差原则在所述训练集中任意切分特征权　利　要　求　书 2/3 页 3 CN 114139444 B 3