基于MODIS数据大气水汽含量反演方法及系统

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。

说明书

技术领域

本发明涉及大气数据反演技术领域，特别涉及基于MODIS数据大气水汽含量反演方法及系统。

背景技术

大气水汽含量(Atmospheric Water Vapor)也可称为大气可降水量，在大气中含量相对较少，却表现活跃的大气成分，它是天气变化的主要动力因素之一，在天气变化中起着重要作用。大气水汽含量时空变化与许多天气过程和气候变化直接相关，它是大气中对太阳辐射影响最大的变量，随时间、地点的变化很大，是大气分子中最不稳定、最难准确获取的数据。水汽含量变化影响着全球热量循环、水循环以及辐射能量平衡，在晴空情况下，水蒸气约占大气总辐射吸收量的70％，水汽能强烈地吸收地表发出的长波辐射，也能放出长波辐射，水汽的蒸发和凝结又能吸收和放出潜热，这都直接影响到地面和空气的温度，在干旱监测、气候变化和温度反演等各种研究中也很重要。其中，对于大气水汽含量反演方式采用光-近红外反演及红外反演，光-近红外反演大气水汽含量虽然应用较为成熟，但受天气状况和波段特性的影响较大，其扫描辐射计只能在白天成像，水汽产品在时间尺度上往往不能满足很多应用的需求。

与近红外反演相比，红外反演的精度和空间分辨率较低，全天均可使用，且对云量敏感。热红外波段有两个具有代表性算法：基于多波段的红外统计回归方法和分裂窗方法。其中，统计回归方法建立亮度温度与大气水汽含量间的回归方程，计算稳定，算法简单，但物理意义不明确，这类方法多用于大气湿度廓线获取，由于廓线反演的复杂性,基于物理算法反而精度不会很高。分裂窗方法是一种物理意义明确的水汽反演方法，通常基于辐射传输方程模型，构建亮度温度与大气水汽含量之间的关系。针对AVHRR数据将热红外分裂窗方法应用于大气水汽含量反演，基于分裂窗口通道内的水汽差分吸收，建立水汽弱敏感通道的亮温差与大气水汽含量的关系。在过去的几十年中，已有多种分窗算法被提出用于大气水汽含量以及地表温度的反演中，虽然这些算法的精度都很高，但它们仍然需要对大气的先验知识做出一些假设，在计算过程也必然存在着简化，对反演精度造成一定影响，并且高精度的获得通常以拟合参数的增加为代价，但参数之间的非线性关系和相互作用的因素很难描述清楚，每一种参数的获得并不能完全依靠数学公式来进行描述，而且不具有推广性。

发明内容

为解决上述现有技术中所存在的反演精度不足等问题，本发明提供了基于MODIS数据大气水汽含量反演方法及系统，能够对大气水汽含量反演精度进行有效提升，同时能够减少拟合参数的使用。

为了实现上述技术目的，本发明提供了如下技术方案：

基于MODIS数据大气水汽含量反演方法，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。

可选的，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。

可选的，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：

B

其中，T

可选的，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。

可选的，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。

为了更好的实现上述技术目的，本发明还提供了基于MODIS数据大气水汽含量反演系统，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。

可选的，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。

可选的，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：

B

其中，T

可选的，生成模块包括第一生成模块；

所述第一生成模块用于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。

可选的，生成模块还包括第二生成模块；

所述第二生成模块用于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。

本发明具有如下技术效果：

本发明提出了将辐射传输方程与深度学习神经网络相结合的方法，以辐射传输方程作为具体的模型，深度学习神经网络作为优化算法，以此求取最优解，以在辐射传输中起重要作用的LST和LSE作为经验知识，提高AWV的反演精度。同时通过深度学习神经网络来拟合地球物理参数各参数之间的联系，可以减少辐射传输方程中未知数的个数，而先验知识的存在，可以进一步提高反演精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

如图1所述，本发明提供了基于MODIS数据大气水汽含量反演方法，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。

为了验证深度学习神经网络方法的适用性以及推广作用，首先利用MODTRAN对MODIS红外波段进行模拟，以此得到算法的理论精度。选择MODIS数据和ERA5数据构建训练数据库，对算法进行评价，利用GPS参考数据进行站点验证。在实际应用中，应排除异常和不具有代表性的数据，以确保所选数据反映所有的物理条件。

红外的大气窗口范围有两个：3.5～5.5μm以及8～14μm，我们选择位于大气窗口区内的水汽吸收波段，尽可能不与其他气体吸收光谱重叠，即20、22、23、29、31、32波段，33波段虽然与CO

MODTRAN为中等光谱分辨率大气透过率及辐射传输算法和计算模型，是目前应用最为广泛精度较高的辐射传输模型之一。在模拟过程中通常使用标准大气，并根据实际情况进行修改参数。但由于现实中天气状况十分复杂，MODTRAN模拟十分有限，因此，模拟数据仅适合进行理论的分析验证。本发明对MODIS的红外波段进行模拟，空间分率最大为0.05°，我们将地表近似看作由四种类型(土壤、植被、水和岩石)构成，进行参数设置，最终得到亮度温度结果用于构建深度学习的训练和测试数据库。

电磁波在大气层中传输时受到大气的吸收、散射等作用会发生衰减作用，这种衰减作用可用大气辐射传输方程来描述。它建立了太阳辐射在大气-地表系统中的传递和接收信号形成的数学模型，然后求解反问题，以确定所寻求的参数。通常讲，地表不是黑体，我们通常是基于基尔霍夫定律来表达一般辐射体与黑体之间的关系，其值与地表发射率相同，因此，地表本身的发射率也需要考虑。在卫星热红外遥感反演中，卫星在大气层顶探测到的辐射值通常是地表发射率、地表温度和大气辐射之间的耦合结果，星上传感器所接受到的辐射主要包括三个部分：a)地表辐射经过大气之后达到传感器的辐射，b)大气上行辐射，c)大气下行辐射到达地面后反射的能量。

在地球大气系统中，地-气系统内部不断进行能量的交换，大气垂直方向密度不均匀，向上和向下传输不同，常将大气辐射表达成向上和向下两种形式，在基于辐射传输方程算法的具体应用中，核心的部分就是要精确获得大气上、下行辐射以及大气透过率的值。在晴空条件下，传感器某一角度上的辐射亮度值可以表示为：

T

R

T

B

由上式可以看出，每个通道的辐射传输公式都有四个未知数(透过率、地表温度、大气平均作用温度、地表发射率)，如果有N个辐射传输方程，就会有2N+2个未知数，这是一个典型的病态问题，但这些参数彼此之间不是独立的，而是相互联系的。为了更准确地求解大气水汽含量，我们需要分析参数之间的联系。

地表和大气辐射的耦合意味着亮度温度包含地表和大气信息，地表温度与发射率是地表—大气系统长波辐射和潜热通量交换的直接驱动力，地面的发射率是波长的函数，对同一地物而言，波段发射率又存在局部线性关系，如公式(4)所示。地表温度影响着大气水汽含量反演的精度，1K温度反演误差则需要0.6g/cm

ε＝f(ε

LST＝f(ε

大气温度和水汽的垂直分布密切相关，两者的影响相互纠缠，根据Sobrino和Caselles的研究定义，大气有效平均作用温度(T

其中，w是从地面即高度为0处到高度Z的大气水汽总含量，单位是cm；dw(z,Z)是高度为z时的大气水汽含量；T

T

T

T

T

许多大气成分，如水蒸气、O

大量研究表明，水汽含量与通道观测亮温差值有关。因此，透过率与通道亮度温度差异一定存在某个函数的关系。

AWV＝f(ΔBT) (10)

τ

τ

x为常数，表示其它大气吸收成分(二氧化碳、臭氧、甲烷和氧气等)对大气透过率的影响；AWV为大气水汽含量。从上面的公式，我们可以看出发射率、地表温度和AWV之间相互纠缠，存在强相关性。

在经典的大气水汽含量反演方法中，通常利用水汽与大气透过率之间的强关联性来处理，这种关系需要使用大气辐射传输模型来进行模拟。我们需要从遥感数据获得各种物理参数，由于观测条件有限，仅从卫星信号中获得这些参数信息是非常困难的，而且参数之间的非线性关系和相互作用的因素很难描述清楚，传统的方法在简化的过程中使得反演精度下降。相比之下，本发明发现DNN能够学习参数之间的强相关性，无需任何专门的适应，只需几个简单的参数就可以实现高精度收敛，将问题从非线性函数上的拟合变为让DNN搜索非线性多函数。虽然还不清楚这在严格的数学意义上是否有利，但这正是DNN在各种实际应用中所擅长的任务。本发明希望将深度学习神经网络引入辐射传输领域，利用过去十年在深度学习方面取得的显著进展为方程各参数求解提供可能。

与传统方法相比，优化深度学习神经网络参数所需计算的数量相当大，因为函数形式非常灵活，这样做的优点是，如果包含新的数据，则无需修改深度学习神经网络。深度学习神经网络的精度仅受训练数据的精度限制，网络结构固定不能用于预测不同系统大小的结果，因为优化权重仅对固定数量的输入节点有效，此外，对DNN中特定参数的细微调整甚至可能导致决策结果发生重大变化，这可能会影响做出正确决策的实际应用。值得注意的是，当训练集有小的变化时,网络学习结果是否也会有小的变化，深度学习的稳健性可能会使结果具有欺骗性。

地球物理参数各参数之间的联系，可以减少辐射传输方程中未知数的个数，而先验知识的存在，可以进一步提高反演精度。深度学习神经网络作为一种模仿生物深度学习神经网络的结构和功能的数学模型或计算模型，一般能够拟合复杂的非线性系统。它作为一种优化算法，根据概率不断的迭代寻求问题的最优解，但优化算法中存在“黑盒函数”，如何将抽象的问题建立成具体的模型是一个难题。基于此，我们提出了将辐射传输方程与深度学习神经网络相结合的方法，以辐射传输方程作为具体的模型，深度学习神经网络作为优化算法，以此求取最优解，以在辐射传输中起重要作用的LST和LSE作为经验知识，提高AWV的反演精度。

MODIS共36个通道，虽然目前使用可见光-近红外的2、5、17、18、19通道反演大气水汽含量方法较多，但是仅适合白天使用，并且MODTRAN模拟过程需考虑太阳和卫星的观测角度，情况复杂，可能会对模拟结果产生较大的影响，因此，本研究仅考虑3～14μm范围内的大气窗口的水汽吸收通道，其中33通道(13.185-13.485μm)位于水汽窗口的边界处，携带部分水汽信息，作为备选通道，3～8μm的红外波段易受太阳影响，因此考虑20、22、23通道用于晚上的数据反演。首先，将MODIS/MODTRAN模拟数据分为三组：1)适合白天和夜间：TIR波段29、31和32(8～12.5μm)的BTs；2)适合白天：TIR波段29、31、32和33(8～13.5μm)的BTs；3)适合晚上：TIR波段29、31、32和MWIR波段20、22和23(3～5μm)。在MODTRAN模拟的三组数据集上验证水汽反演的理论准确性，最后进行实例验证。为了获得更准确的光谱信息，本发明对MODIS影像数据进行了辐射定标、几何校正、大气校正和反射率定标等预处理，得到BTs、AWV、LST以及LSE数据。LST为地表温度，LSE为地面发射率，BTs为通道亮度温度，AWV为大气水汽含量。

首先设置LST、各红外波段的LSE、角度以及大气水汽含量范围，利用MODTRAN模型对MODIS波段进行模拟，输出MODIS各波段的亮度温度结果，利用获得亮度温度对模型进行理论精度验证，分为三组数据：适合白天/晚上、适合白天、适合晚上，同时加入先验知识(LST、LSE)和未加入先验知识的数据比较，分析结果。最后，利用预处理的MODIS影像验证实际精度，以MOD/MYD 05大气水汽含量产品进行交叉验证，并以GPS站点数据作为理论真值，进行现场数据的验证。使用DNN算法反演大气水汽含量，可以分为四个基本步骤。该方法既适用于理论精度分析，也适用于精度验证。

获得可靠的训练和测试数据库(AWV，对应红外波段的BTs，有/无LST、LSE)，用于理论精度分析和实际应用。用于精度验证数据(MODIS、ERA5)的各影像的采集时间必须相匹配，如果需要，还会进行重采样，以保证不同图像的匹配。DNN的训练和测试。利用MODIS数据计算BTs。使用DNN反演AWV。

具体设置如下所示，对于来自MODTRAN的MODIS模拟数据，我们对训练数据(126720组)和测试数据(59400组)设置如下：LST(280～330K)、WVC(0.1～4.5g/cm

选择表示结果与真值偏差的衡量的平均绝对误差(MAE)、均方根误差(RMSE)，衡量一组数自身的离散程度的标准差(SD)以及衡量数据之间相关程度的相关系数(R

我们将LST以及LSE作为先验知识，测试数据分为三组来验证深度学习神经网络的准确性，对MODIS数据进行理论精度分析。具体来说，第一组使用29、31、32TIR波段用于白天/晚上的水汽反演；第二组29、31、32、33TIR波段用于白天的水汽反演；第三组20、22、23、29、31、32TIR波段用于晚上的水汽反演，各组都输入先验知识数据。

当隐藏层数为7，隐藏节点数为500(MAE＝0.1396,RMSE＝0.2350，SD＝0.9992,R＝0.9738)时，准确率最高，当隐藏层数为7，隐藏节点数为700时，准确率最高(MAE＝0.1011,RMSE＝0.1551，SD＝1.0159,R＝0.9887)；当隐藏层数为10，隐藏节点数为600时，准确率最高(MAE＝0.0937,RMSE＝0.1304，SD＝1.0171,R＝0.9920)。因此，根据初步分析可以看出，波段信息越多反演效果越好，但同时反演结果越不稳定。

对于无先验知识的模型来说，同样将测试数据分为三组，选取波段有先验知识的模型相同。当隐藏层数为7，隐藏节点数为600(MAE＝0.4110,RMSE＝0.5577，SD＝0.8655,R＝0.8417)时，准确率最高；当隐藏层数为7，隐藏节点数为700时，准确率最高(MAE＝0.3663,RMSE＝0.4973，SD＝0.8930,R＝0.8765)；当隐藏层数为8，隐藏节点数为800时，准确率最高(MAE＝0.1711,RMSE＝0.2472，SD＝0.9964,R＝0.9710)。同样，根据初步分析可以看出，波段信息越多反演效果越好，反演结果的稳定性越差。与有先验知识的模型相比较，反演精度明显下降。

我们将两组模型的最优结果进行比较，发现两组数据都满足随波段数量的增加，误差减小的规律，但自身离散程度增大，反演结果越不稳定，由表1可以看出无论是横向对比还是纵向对比，都满足这一规律，结果不稳定的原因可能是深度学习神经网络随信息量增加，结构不稳定而带来的。在LST和LSE已知的前提下，随波段数量增加，反演结果的精度虽有所提高，但效果并不明显，3个波段的亮度温度就可以很好求解辐射传输方程；而对比无先验知识的数据，发现波段数量增加对反演结果有很大的改善，尤其是在6波段信息的情况下，与已知先验知识的结果相近，但这种精度的提高是以信息量的增加为代价，由此可以看出，先验知识可以明显的提高反演的精度。表1为模型最优结果反演误差对比。

表1

在先验知识存在的情况下，以辐射传输模型为基础的深度学习模型对大气水汽含量反演情况，将数据分为三组，分别适合MODIS不同时间段的反演，适合全天反演的含有3个红外波段信息(29、31、32)，适合白天反演的含有4个红外波段信息(29、31、32、33)以及适合晚上反演含有6个红外波段信息(20、22、23、29、31、32)。在已知先验知识的情况下，我们进一步对适合晚上的波段信息进行研究，这里我们补充4个红外波段信息(23、29、31、32)的组合以及5个红外波段信息(20、22、29、31、32)的组合的反演情况。

当红外波段数量为4时，反演结果精度最高的MAE＝0.0803,RMSE＝0.1208，SD＝1.0275,R＝0.9931，当红外波段数量为5时，精度最高为MAE＝0.0765,RMSE＝0.1113，SD＝1.0253,R＝0.9942，但反演精度相差不多，对于波段的增加并不会提高精度。其中，当红外波段数量为4时，与适合白天反演波段相比较，精度也有所提升，MAE提升了0.02，RMSE提升了0.04，23波段比33波段更适合反演大气水汽含量，可见反演大气水汽含量的波段质量会对反演结果产生一定的影响，但由于深度学习模型强大的拟合能力和容错性，程度并不是很大。由于波段数量的增加可能会带来数据冗余，影响反演精度。对于MODIS夜间数据的反演可以采用4波段或者5波段的组合。

以MAE、RMSE和R

为了进一步比较三个AWV反演结果，我们将验证结果按照水汽范围划分为3个分区(总AWV、>2g/cm

表2

利用GPS PWV对反演结果进行了现场验证，我们将MOD/MYD05与GPS以及DNN反演结果与GPS进行了比较，结果如表2所示。表2为不同AWV范围内的反演误差表，在MODIS的三个波段组合中，适合白天和晚上的组合，反演效果最差，MAE和RMSE分别为0.4391和0.4903，适合白天的反演效果最好，MAE和RMSE分别为0.2451和0.2932，反演结果的精度与训练样本精度有很大关系。MODIS 05数据存在高估现象，而在夜间，高AWV存在低估现象，由于夜间没有短波观测导致夜间的云探测比白天差，MODIS并不能识别所有的云像素，也不能完全识别地面GPS站周围的像素是否完全清晰，这可以部分解释夜间高AWV条件下被低估的原因，虽然我们的模型虽然稳定性较差，但可以很好的降低这种高估或者低估现象。此外，数据之间会存在同步测量和空间的差异，大气中的水汽较活跃，各类水汽获取时间或多或少存在误差，并且GPS主要获得的是近低空的水汽含量，而MODIS获取的是斜路径上的水汽。

目前利用辐射传输方程已成为反演AWV的重要手段，但求解过程中我们往往无法获得足够的物理参数，往往成为一种“病态”反演，理论上，这些物理参数之间具有“某些”联系，如何找到这些联系在目前来说是一个难题，而深度学习实际上是一种统计方法，单纯利用深度学习反演AWV，物理意义并不明确，我们将两者相结合，既具有理论支撑，又能利用深度学习模型对非线性的拟合功能，使此方法具有推广作用，对后续其他物理参数反演以及应用具有参考价值。

本发明详细讨论了参数反演的物理机理、各物理参数之间的内在关系以及如何结合波段实现高精度反演，很好地解决了反演中存在的“病态”问题。在此基础上，我们研究了先验知识对于AWV反演的影响，使用MODTRAN对MODIS数据进行模拟，进行理论分析，结果表明，在已知先验知识的情况下，可以大大提高反演精度，波段数量增加也可以提高反演精度，反演结果波动减小，对于相同信息量来说，已知先验知识比波段数量的增加反演具有更高的精度。高含量(>2g/cm

基于模拟数据的验证，最佳波段组合获得的最小MAE小于0.1g/cm

实施例二

本发明还提供了基于MODIS数据大气水汽含量反演系统，包括，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。

可选的，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。

可选的，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：B

可选的，生成模块包括第一生成模块；所述第一生成模块用于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。

可选的，生成模块还包括第二生成模块；所述第二生成模块用于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。本发明中系统与方法内容相对应，不再进行赘述。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。