本發(fā)明涉及衛(wèi)星數(shù)據(jù)融合，具體涉及一種基于深度學(xué)習(xí)的靜止衛(wèi)星和極軌衛(wèi)星數(shù)據(jù)融合方法。

背景技術(shù)：

1、衛(wèi)星遙感技術(shù)在地球觀測和環(huán)境監(jiān)測中發(fā)揮著不可替代的作用。然而，單一衛(wèi)星數(shù)據(jù)在空間和時間分辨率上存在局限，難以滿足現(xiàn)代科學(xué)研究和實際應(yīng)用的需求。

2、靜止衛(wèi)星保持相對于地球表面固定的位置，能夠持續(xù)監(jiān)測同一地區(qū)，提供連續(xù)、不間斷的數(shù)據(jù)，這對于天氣預(yù)報、氣象監(jiān)測和災(zāi)害預(yù)警至關(guān)重要。靜止衛(wèi)星的高時間分辨率允許頻繁更新圖像和數(shù)據(jù)，實時捕捉快速變化的現(xiàn)象。其廣覆蓋范圍和大視野使得一個衛(wèi)星可以監(jiān)測地球表面的大片區(qū)域，特別是赤道附近的地區(qū)。靜止衛(wèi)星雖然具有高時間分辨率和廣覆蓋范圍的優(yōu)勢，但也存在顯著缺點。首先，由于位于地球上空約36,000公里的同步軌道，靜止衛(wèi)星的空間分辨率通常較低，無法提供高細(xì)節(jié)的圖像。尤其是，靜止衛(wèi)星直接俯瞰赤道地區(qū)，對高緯度地區(qū)的觀測角度低，導(dǎo)致圖像和數(shù)據(jù)的質(zhì)量差，觀測圖像存在幾何失真和分辨率嚴(yán)重降低的問題。相比之下，極軌衛(wèi)星沿近極地軌道運行，覆蓋地球表面的不同區(qū)域，能夠提供覆蓋全球的數(shù)據(jù)。極軌衛(wèi)星的優(yōu)勢在于提供高空間分辨率的數(shù)據(jù)，可以捕捉地表細(xì)節(jié)。然而，其時間分辨率較低，觀測頻次較低，不適合實時監(jiān)測。靜止衛(wèi)星和極軌衛(wèi)星的數(shù)據(jù)具有互補性，通過融合兩者的數(shù)據(jù)，可以有效提升遙感數(shù)據(jù)的時空分辨率，實現(xiàn)更全面、準(zhǔn)確的地球觀測。

3、深度學(xué)習(xí)技術(shù)在圖像處理和時間序列分析中表現(xiàn)出色。利用深度學(xué)習(xí)模型，可以有效提取和融合多源衛(wèi)星數(shù)據(jù)的時空特征。目前已有的深度學(xué)習(xí)多源衛(wèi)星數(shù)據(jù)融合方法僅針對某一特定的數(shù)據(jù)產(chǎn)品，如海霧產(chǎn)品、氣溫產(chǎn)品等，然而未有針對衛(wèi)星遙感一級數(shù)據(jù)產(chǎn)品，即多光譜通道數(shù)據(jù)的時空融合方法。一級數(shù)據(jù)產(chǎn)品是后續(xù)高級數(shù)據(jù)產(chǎn)品生成的基礎(chǔ)。許多二級和三級數(shù)據(jù)產(chǎn)品，如植被指數(shù)、土壤濕度、海表溫度等，都由一級數(shù)據(jù)反演得到。

4、因此，現(xiàn)需要能夠更加全面、準(zhǔn)確地進行地球觀測的基于深度學(xué)習(xí)的靜止衛(wèi)星和極軌衛(wèi)星數(shù)據(jù)融合方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種基于深度學(xué)習(xí)的靜止衛(wèi)星和極軌衛(wèi)星數(shù)據(jù)融合方法，以解決現(xiàn)有技術(shù)中不能全面、準(zhǔn)確地進行地球觀測的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于深度學(xué)習(xí)的靜止衛(wèi)星和極軌衛(wèi)星數(shù)據(jù)融合方法，具體包括如下步驟：

3、s1，下載靜止衛(wèi)星數(shù)據(jù)、極軌衛(wèi)星數(shù)據(jù)和地理信息數(shù)據(jù)，靜止衛(wèi)星數(shù)據(jù)和極軌衛(wèi)星數(shù)據(jù)均包括：衛(wèi)星傳感器原始數(shù)據(jù)和衛(wèi)星地理信息數(shù)據(jù)，地理信息數(shù)據(jù)包括：地表高程數(shù)據(jù)和地表類型數(shù)據(jù)；

4、s2，對衛(wèi)星傳感器原始數(shù)據(jù)進行校準(zhǔn)與糾正，從衛(wèi)星地理信息數(shù)據(jù)中獲取太陽天頂角、太陽方位角、衛(wèi)星天頂角和衛(wèi)星方位角。

5、s3，根據(jù)傳感器各通道的中心波段確定與每個靜止衛(wèi)星傳感器通道最接近的極軌衛(wèi)星傳感器通道，進一步根據(jù)光譜響應(yīng)函數(shù)利用光譜角度判斷靜止衛(wèi)星與極軌衛(wèi)星最相近傳感器通道的相似程度，判斷為光譜相似的情況按照s4進行時空匹配后直接進入s6步驟，判斷為光譜不相似的情況執(zhí)行s4后需執(zhí)行s5步驟。

6、s4，根據(jù)衛(wèi)星數(shù)據(jù)名稱中的時間信息找到目標(biāo)范圍內(nèi)同時掃描的靜止衛(wèi)星和極軌衛(wèi)星數(shù)據(jù)，并按照步驟s3所確定的對應(yīng)通道順序制作靜止衛(wèi)星與極軌衛(wèi)星數(shù)據(jù)對，將靜止衛(wèi)星和極軌衛(wèi)星數(shù)據(jù)統(tǒng)一至高空間分辨率經(jīng)緯度網(wǎng)格。

7、s5，使用最小化概率分布距離方法，以wasserstein距離作為度量指標(biāo)進行圖像配準(zhǔn)。

8、s6，針對每一個靜止衛(wèi)星通道構(gòu)建swin?transformer模型，其中輸入為靜止衛(wèi)星光譜通道數(shù)據(jù)、衛(wèi)星天頂角、衛(wèi)星方位角、太陽天頂角、太陽方位角、經(jīng)緯度、高程、地表類型，標(biāo)簽為對應(yīng)的極軌衛(wèi)星光譜通道數(shù)據(jù)。

9、s7，針對每一個預(yù)訓(xùn)練模型，構(gòu)建遷移學(xué)習(xí)模型使swin?transformer模型能夠泛化到所有區(qū)域，最終形成智能降尺度模型。

10、s8，針對靜止衛(wèi)星的每一個通道，以高時間分辨率的靜止衛(wèi)星光譜通道數(shù)據(jù)、經(jīng)緯度數(shù)據(jù)、高程數(shù)據(jù)和地表類型數(shù)據(jù)作為輸入，通過步驟s6中訓(xùn)練好的swin?transformer模型進行降尺度，得到高時空分辨率的光譜通道數(shù)據(jù)，結(jié)合步驟s7中訓(xùn)練好的智能降尺度模型形成覆蓋靜止衛(wèi)星掃描全域的高時空分辨率多光譜通道數(shù)據(jù)。

11、進一步地，步驟s1中的靜止衛(wèi)星數(shù)據(jù)為靜止衛(wèi)星成像儀的一級數(shù)據(jù)產(chǎn)品，包括傳感器各通道的光譜信息數(shù)據(jù)和地理信息數(shù)據(jù)；極軌衛(wèi)星數(shù)據(jù)為極軌衛(wèi)星成像儀的一級數(shù)據(jù)產(chǎn)品，包括傳感器各通道的光譜信息數(shù)據(jù)和地理信息數(shù)據(jù)。

12、進一步地，步驟s2中的數(shù)據(jù)校準(zhǔn)與糾正具體為：

13、對一級數(shù)據(jù)產(chǎn)品進行輻射校正，將衛(wèi)星傳感器原始數(shù)字信號轉(zhuǎn)換為輻亮度；根據(jù)輻亮度和大氣條件，將可見光到近紅外波段0.2-4μm的通道數(shù)據(jù)根據(jù)公式（1）轉(zhuǎn)換為表觀反射率，將熱紅外波段4-14μm波段通道數(shù)據(jù)根據(jù)公式（2）轉(zhuǎn)換為亮溫：

14、????????????????????（1）；

15、其中，是表觀反射率，是衛(wèi)星觀測到的輻亮度，是地球和太陽之間的距離，是太陽輻照度，是太陽天頂角；

16、???????????????????（2）；

17、?????????????????????（3）；

18、??????????????????????（4）；

19、其中，是亮溫，是衛(wèi)星觀測到的輻亮度，是波長，是普朗克常數(shù)，取6.626×10-34?js，是光速，取3×108?m/s，是波爾茲曼常數(shù)，取1.38×10-23?j/k，為普朗克第一常數(shù)，為普朗克第二常數(shù)。

20、進一步地，步驟s3中根據(jù)傳感器的光譜響應(yīng)函數(shù)利用光譜角度判斷通道數(shù)據(jù)的相似程度，計算方法如下：

21、???????????????（5）；

22、其中，是光譜角度，單位為弧度，是靜止衛(wèi)星的光譜向量，是極軌衛(wèi)星的光譜向量，是兩個向量的點積，是向量的模，即,?是向量的模，即，設(shè)光譜角度閾值為0.2弧度，若，認(rèn)為兩個光譜相似，根據(jù)步驟s4時空匹配后執(zhí)行步驟s6；若，認(rèn)為兩個光譜不相似，在進行步驟s4的時空匹配之后，執(zhí)行步驟s5以最小化兩個傳感器光譜圖像的概率分布。

23、進一步地，步驟s4具體包括如下步驟：

24、s4.1，靜止衛(wèi)星使用綜合全球觀測系統(tǒng)規(guī)范定義的靜止軌道標(biāo)稱投影，地理位置用不同的行列號表示，將行列號轉(zhuǎn)換為經(jīng)緯度的方法如下：

25、???????????????????（6）；

26、???????????????????（7）；

27、（8）；

28、??????????????????（9）；

29、??????????（10）；

30、??????????????（11）；

31、????????????????????（12）；

32、????????????????????（13）；

33、??????????????（14）；

34、????????????（15）；

35、其中，為靜止衛(wèi)星數(shù)據(jù)標(biāo)稱網(wǎng)格行號，為靜止衛(wèi)星數(shù)據(jù)標(biāo)稱網(wǎng)格列號，和分別為圖像網(wǎng)格坐標(biāo)轉(zhuǎn)換到投影坐標(biāo)的結(jié)果；為從衛(wèi)星到地球表面點的距離；為用于計算地球表面點的中間變量；、和為地球中心坐標(biāo)系中的笛卡爾坐標(biāo)分量，為沿赤道方向的分量，為沿經(jīng)度方向的分量，為垂直方向的分量；為平面上由和構(gòu)成的向量的模；為地理經(jīng)度，為地理緯度；為地球的長半軸，取值6378.137千米；為地球的短半軸，取值6356.7523千米；為地心到衛(wèi)星質(zhì)心的距離，取值42164千米；為衛(wèi)星星下點所在經(jīng)度，取值104.7；和分別為列偏移和行偏移；和分別為列比例因子和行比例因子。

36、s4.2，利用雙線性插值法將靜止衛(wèi)星多光譜通道數(shù)據(jù)及對應(yīng)的角度數(shù)據(jù)、極軌衛(wèi)星多光譜通道數(shù)據(jù)、經(jīng)緯度數(shù)據(jù)、地表高程數(shù)據(jù)、地表類型數(shù)據(jù)統(tǒng)一至1km×1km的經(jīng)緯度網(wǎng)格，計算公式如下：

37、???（16）；

38、其中，為像素點坐標(biāo)對應(yīng)的衛(wèi)星觀測值，為像素點坐標(biāo)對應(yīng)的衛(wèi)星觀測值，和為參數(shù)，,,表示向下取整，表示向下取整，和是鄰近的整數(shù)像素坐標(biāo)。

39、進一步地，步驟s5中對不相似的靜止衛(wèi)星與極軌衛(wèi)星光譜通道對圖像進行如下配準(zhǔn)處理：

40、s5.1，對圖像進行標(biāo)準(zhǔn)化處理，以消除不同數(shù)據(jù)范圍的影響，計算公式如下：

41、????????????????（17）；

42、??????????????????（18）；

43、??????????????（19）；

44、其中，是原始圖像的像素值，是標(biāo)準(zhǔn)化后的像素值，是圖像中像素的總數(shù)，是第個像素的值。

45、s5.2，?將圖像轉(zhuǎn)換為直方圖表示，并歸一化為概率分布：

46、?????????????（20）；

47、其中，是像素值為的概率分布，是像素總數(shù)，是第個像素值，是diracdelta函數(shù)。

48、進一步地，步驟s5中對于判斷為不相似的光譜通道對圖像進行如下處理：

49、s5.3，計算wasserstein距離：

50、???????（21）；

51、其中，和是兩個概率分布，是所有可能的聯(lián)合分布的集合，為下確界，表示在所有可能的聯(lián)合分布中，尋找能夠使得期望值達(dá)到最小值的那個對應(yīng)的最小期望值，是和之間的距離。

52、計算wasserstein距離的離散形式：

53、???????????????（22）；

54、其中，是聯(lián)合分布矩陣，是代價矩陣。

55、s5.4，定義損失函數(shù)，表示兩幅圖像之間的wasserstein距離：

56、?????????????????（23）；

57、其中，和是變換后圖像和目標(biāo)圖像的概率分布。

58、s5.5，使用優(yōu)化算法最小化損失函數(shù)：

59、?????????????????（24）；

60、其中，是優(yōu)化參數(shù)，是使損失函數(shù)最小化的最優(yōu)參數(shù)，為取最小值。

61、s5.6，使用優(yōu)化后的參數(shù)對極軌衛(wèi)星圖像進行變換，得到與靜止衛(wèi)星圖像匹配的圖像。

62、進一步地，步驟s6具體包括如下步驟：

63、s6.1，設(shè)計swin?transformer模型包括：依次連接的輸入層、卷積層、swintransformer模塊、上采樣模塊和輸出層，其中輸入層即將靜止衛(wèi)星光譜通道數(shù)據(jù)、衛(wèi)星天頂角、衛(wèi)星方位角、太陽天頂角、太陽方位角、經(jīng)緯度、高程、地表類型作為輸入。

64、s6.2，將多種損失函數(shù)組合成混合損失函數(shù)，以同時考慮不同方面的優(yōu)化目標(biāo)：

65、????????（25）；

66、其中，、、是各個損失項的權(quán)重，為均方誤差損失，為感知損失，為對抗損失，各損失表達(dá)式如下：

67、?????????????（26）；

68、?????????（27）；

69、???????????????（28）；

70、其中，是模型預(yù)測的像素值，是對應(yīng)的真實像素值，是像素總數(shù)，表示通過預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取的第層特征圖，是對應(yīng)層的權(quán)重，是判別器對生成圖像的判別概率，是對數(shù)函數(shù)。

71、s6.3，利用結(jié)構(gòu)相似性指數(shù)ssim評估模型性能，對于兩幅圖像和，的計算公式為：

72、???????（29）。

73、其中，和分別為圖像和的平均亮度，和分別為圖像和的亮度方差，是和之間的協(xié)方差，和是用于穩(wěn)定性的小常數(shù)，避免分母為零，通常定義為：

74、???????????????（30）；

75、???????????????（31）；

76、其中，是像素值的動態(tài)范圍，由于已對涉及的所有數(shù)據(jù)進行了歸一化處理，因此取1，和是常量，通常取和。

77、進一步地，步驟s7具體包括如下步驟：

78、s7.1，獲取有標(biāo)簽的源領(lǐng)域數(shù)據(jù)，即匹配好的靜止衛(wèi)星和極軌衛(wèi)星數(shù)據(jù)對和無標(biāo)簽的目標(biāo)領(lǐng)域數(shù)據(jù)，使用卷積神經(jīng)網(wǎng)絡(luò)對源領(lǐng)域和目標(biāo)領(lǐng)域數(shù)據(jù)進行特征提取，并對特征進行歸一化和標(biāo)準(zhǔn)化。

79、s7.2，使用領(lǐng)域?qū)股窠?jīng)網(wǎng)絡(luò)設(shè)計損失函數(shù)，通過訓(xùn)練一個領(lǐng)域分類器來最小化源領(lǐng)域和目標(biāo)領(lǐng)域特征的差異，領(lǐng)域分類器的損失函數(shù)為：

80、????（32）；

81、其中，是領(lǐng)域分類器的預(yù)測概率，是真實領(lǐng)域標(biāo)簽，是樣本數(shù)。

82、s7.3，使用領(lǐng)域?qū)股窠?jīng)網(wǎng)絡(luò)訓(xùn)練模型，使得特征提取網(wǎng)絡(luò)能夠提取對源領(lǐng)域和目標(biāo)領(lǐng)域都具有一致性的特征，源領(lǐng)域樣本的標(biāo)簽預(yù)測誤差使用交叉熵?fù)p失計算，公式如下：

83、?????????（33）；

84、其中，是標(biāo)簽分類器對類別的預(yù)測概率，是真實標(biāo)簽。

85、總損失函數(shù)為：

86、??????????????（34）；

87、其中，是領(lǐng)域?qū)箵p失的權(quán)重超參數(shù)。

88、本發(fā)明具有如下有益效果：

89、本發(fā)明通過將極軌衛(wèi)星的一級數(shù)據(jù)產(chǎn)品作為標(biāo)簽，構(gòu)建基于深度學(xué)習(xí)的靜止衛(wèi)星多光譜通道數(shù)據(jù)降尺度算法，實現(xiàn)靜止-極軌衛(wèi)星多光譜通道數(shù)據(jù)的時空融合，該方法具有以下明顯的優(yōu)勢：

90、（1）自動特征提取：深度學(xué)習(xí)模型能夠自動從原始數(shù)據(jù)中學(xué)習(xí)到高層次的特征表示，相比于依賴手工設(shè)計的傳統(tǒng)特征提取技術(shù)減少了人為干預(yù)，并能夠更好地捕捉到數(shù)據(jù)中的復(fù)雜時空模式。

91、（2）多尺度信息處理：深度學(xué)習(xí)模型，尤其是像swin?transformer這樣基于分層結(jié)構(gòu)的模型，能夠處理和融合來自不同時空尺度的信息，這對于通過不同傳感器獲取的時空分辨率存在差異的多源衛(wèi)星數(shù)據(jù)尤為重要。

92、（3）大規(guī)模數(shù)據(jù)的高效處理能力：衛(wèi)星遙感數(shù)據(jù)通常規(guī)模龐大，深度學(xué)習(xí)算法基于gpu的分布式訓(xùn)練，能夠高效處理和訓(xùn)練大規(guī)模高分辨率數(shù)據(jù)集。

93、靈活性和可擴展性：深度學(xué)習(xí)可以通過增加網(wǎng)絡(luò)層數(shù)、改變網(wǎng)絡(luò)架構(gòu)、結(jié)合不同的學(xué)習(xí)策略（如遷移學(xué)習(xí)、無監(jiān)督學(xué)習(xí)等）適應(yīng)不同的數(shù)據(jù)特征和任務(wù)要求，具有較好的靈活行和可擴展性。