基于深度学习的国产卫星高度计融合产品的偏差订正方法

1.基于深度学习的国产卫星高度计融合产品的偏差订正方法，其特征在于：包括以下步骤：S1、获取卫星遥感数据作为输入与标签数据，将获得的输入与标签数据集整合成组织结构并划分为用于模型训练、验证以及测试的子集；S2、搭建深度学习网络A2A，具体过程为：S21、构建SF浅层特征提取模块，输出特征图为 ；S22、构建LFGA过滤陆地的全球海洋注意力模块，包括以下步骤：S221、输入特征图展平为符合Transformer的编码器模块的输入要求的尺寸，采用尺寸为 的滑动窗口，按照步长 ，分别扫描输入的尺寸为 的特征图 ， 四维网格化张量的格式 ，分别独立扫描 个样本下的尺寸 的特征图，滑动窗口在每个通道数为 的特征图上，将每次滑动后窗口覆盖区域的下的尺寸为 的特征图展平，然后将 个 的特征图依次拼接起来，得到一个长度为 的长向量，由于一共滑动次数 ，得到 个长度为 的向量，由于 个样本同时独立扫描，最后得到Unfold后的特征图 ，尺寸为 ， ， ；S222、采用LFM陆地过滤机制，过滤全球范围内的陆地信息，首先，以一个标签样本中的绝对动力高度数据为模板，将其中海洋中的网格值赋值为1，陆地中的网格值赋值为0，然后按照S221中相同尺寸与步长的滑动窗口进行Unfold展开，得到一个尺寸为 的海陆编码信息矩阵Mask，因此 ， ，Mask中的每一行长度为 即对应原先为展开的二维区域中的一块滑动窗口所覆盖的区域大小，由于陆地网格值为0，海洋网格值为1，因此，如果滑动窗口所覆盖网格全部处于陆地，则Unfold后的Mask中的该行的网格全部为0，如果处于海洋，则全部为1，如果处于海陆交界，则同时包含0与1，得到了区分海洋与陆地的海陆编码信息矩阵Mask，只需要标记Mask中全部为0的行，得到记录了陆地所在行的索引的向量Index，长度为 的向量，其中陆地所在行的值为0，其余为1，根据Index取出Unfold后的特征图 的对应索引位置的行，保留剩余的行，即得到只包含海洋与海陆交界区域的信息的特征图 ，尺寸为 ， 表示海洋以及海陆交界的行数；S223、采用 多头自注意力机制捕捉全局注意力，输入展平的特征图 ，经过一层归一化层Norm，对每个沿着 的维度对每一行进行归一化，然后分别经过3个相同全连接层Linear将第3维扩大 倍，并采用pytorch的reshape函数分成 段，得到 ， ， 矩阵，然后，进行SDPA缩放逐点乘法运算；S224、进行陆地信息复原，即参照记录了陆地所在行的索引的向量Index，将 中原本删除的陆地行的所在位置填入长度为 的0向量，得到特征图 ；S225，按照Unfold展开操作的反操作Fold折叠操作，将特征图 恢复为特征图 ；S226、将上述S221-S225步：特征图展开，陆地过滤，Transformer的多头自注意力机制捕捉全局注意力，陆地信息复原，特征图折叠依次连接，构建LFGA过滤陆地的全球海洋注意力模块的表达式为： ；其中， 表示LFGA过滤陆地的全球海洋注意力模块的输出特征图， 表示LFGA过滤陆地的全球海洋注意力模块的映射函数；S23、构建RF重构特征模块， RF输出模块表达式如下： ；其中， 表示RF重构特征模块的输出特征图， 表示RF重构特征模块的映射函数， 与 表示3×3与5×5卷积核大小的卷积层；S24、将1个步骤S21得到的SF浅层特征提取模块，3个步骤S22得到的LFGA过滤陆地的全球海洋注意力模块，1个步骤S23得到的RF重构特征模块依次连接，得到深度学习网络A2A，表达式如下： ；其中， 示深度学习网络A2A的输入与输出的映射关系，输入为经过归一化处理的多变量输入批次 ，输出为偏差订正后的绝对动力高度以及海面高度异常数据批次， 表示A2A模型中第 层的权重与偏差；S3、利用步骤S1得到的数据集对步骤S2得到的深度学习网络A2A进行交替地训练与验证，深度学习网络A2A的各层参数 ；S4、利用训练好的深度学习网络A2A订正国产卫星高度计融合产品；S41、将步骤S15得到的测试集 数据采用MinMax归一化方法，归一化到 区间；S42、将步骤S41得到的归一化的测试集数据，分批次输入步骤S3得到的训练好的深度学习网络A2A中，输出的各批次数据进行反归一化，得到经过偏差订正的国产卫星高度计数据，反归一化公式为： ；其中， 表示未反归一化的测试集输出， 表示反归一化后的测试集输出， 为训练集 中作为标签的国外卫星高度计融合产品的最小值， 为训练集 中作为标签的国外卫星高度计融合产品的最大值。 2.根据权利要求1所述的基于深度学习的国产卫星高度计融合产品的偏差订正方法，其特征在于：步骤S21、构建SF浅层特征提取模块，包括以下子步骤；S211、CA通道注意力模块表达为： 其中， 表示CA通道注意力模块的输出特征图， 表示多层感知机映射函数， 表示sigmoid激活层映射函数， 表示输入CA通道注意力模块的特征图；长度宽度维度全局平均池化层的映射函数 表达式为： ；其中， 首先沿着长度维度，即对应 函数中的“2”，进行求平均，再沿着宽度维度，即对应 函数中的“3”，进行求平均，得到特征图 ， 表示长度宽度维度全局最大池化层的映射函数，表达式为： ；MLP多层感知机的映射函数表达式为： ；其中， 为MLP多层感知机的映射函数， 与 是两层全连接层的权重矩阵， 与 是两层全连接层的偏置矩阵； 表示sigmoid激活函数层，表达式如下式所示： ;其中，由于sigmoid函数对输入张量进行逐个网格的激活， 表示某个输入网格的值；S212、SF浅层特征提取模块表达式为： ；其中， 表示SF浅层特征提取模块的输出特征图； 表示SF浅层特征提取模块的映射函数， 表述relu激活函数， 表示CA通道注意力模块。 3.根据权利要求1所述的基于深度学习的国产卫星高度计融合产品的偏差订正方法，其特征在于：步骤S223具体包含以下步骤： 先与 进行矩阵乘法，然后缩放为 倍，再沿着 的维度进行Softmax激活，将激活结果与 进行矩阵乘法，最后将 段合并恢复为尺寸 ，然后经过一层Linear层，恢复为尺寸 ，然后经过归一化层Norm，得到特征图 ，MHA多头注意力模块实现过程表达式如下： ， ， ， ， ，其中， 表示归一化层， 为全连接层激活函数， ， ， 表示三个全连接层神经元权重矩阵， ， ， 三个全连接层偏置值， 表示将 ， ， 分成为 段， 表示恢复为原先尺寸，Softmax激活函数具体表达式为： ;其中， 表示激活函数的输入向量， 表示该向量上的每个网格的值；最后，为减少信息丢失，降低训练难度，将 与 进行残差连接。 4.根据权利要求1所述的基于深度学习的国产卫星高度计融合产品的偏差订正方法，其特征在于：步骤S1具体包含以下步骤：S11、获取7个变量作为输入，分别是卫星海面温度、海面经向风速、海面纬向风速、全球经度网格场、全球纬度网格场，以及国产卫星高度计融合产品的绝对动力高度和海面高度异常；获取2个变量作为标签，分别是国外高精度的卫星高度计融合产品的绝对动力高度和海面高度异常，变量的时间分辨率一致；S12、将步骤S11得到的输入数据与标签数据进行空间配对，采用双线性插值方法，统一所有变量的空间分辨率为 ；S13、将S11所述的经度与纬度序列变成二维网格场，分辨率与S12的网格场一致，为 ；S14、将S12和S13得到的输入与标签数据进行时空配对，得到时间与空间匹配的数据对矩阵 ，数据对矩阵 的组织方式为： ，其中，数据对矩阵 中每个输入变量记为 ，表示为第 个样本的第 个变量， 表示第 到 个样本；S15、将配对好的数据对矩阵 按照 ，划分为训练集 、验证集 、测试集 ；S16、从步骤S15得到的训练集 或验证集 或测试集 中随机取 个样本，得到某输入批次 ，将其中的海面温度、海面经向风速、海表纬向风速、经度场、纬度场、绝对动力高度和海面高度异常数据归一化到 区间，得到归一化处理后的某批次数据 ，所述的归一化公式表达式如下： ，其中， 表示批次中某个变量 的样本集合， 为训练集 中某变量的最小值， 为训练集 中某变量的最大值，该批次归一化后的某个变量记为 ；S17、将经过归一化处理后的某批次数据 转化为四维网格化张量的格式 ，简记为 ， 表示进行偏差订正的区域在水平方向上的纬向跨度， 表示进行偏差订正的区域在水平方向上的经向跨度，然后将前7个变量作为输入批次 ，后2个变量作为标签批次 。 5.根据权利要求1所述的基于深度学习的国产卫星高度计融合产品的偏差订正方法，其特征在于：步骤S23具体包含以下步骤：S231、将多通道特征图输入 个5×5卷积核后，降维为 个通道；S232、将步骤S231得到的 个通道的特征图依次经过1层ReLU激活层和 个3×3卷积核，降维为 个通道；S233、将步骤S232得到的 个通道的特征图依次经过1层ReLU激活层和2个1×1卷积核，将特征图降维为2个通道的输出，分别对应经过偏差订正的两个变量绝对动力高度和海面高度异常数据，RF重构特征模块的表达式如下： 。 6.根据权利要求1所述的基于深度学习的国产卫星高度计融合产品的偏差订正方法，其特征在于：步骤3具体包含以下步骤：S31、选择Charbonnier损失作为训练步骤S2得到的深度学习网络A2A的损失函数，Charbonnier损失的表达式如下： 其中， 表示输出特征图与标签特征图中的每个网格， 是常量；S32、基于步骤S31，将训练集 与验证集 分批次输入步骤S2得到的深度学习网络A2A中进行训练，拟合 中的各层参数 。 7.根据权利要求6所述的基于深度学习的国产卫星高度计融合产品的偏差订正方法，其特征在于：步骤S32具体包含以下步骤：S321、设置开源的深度学习框架下，训练深度学习网络A2A的基本超参数，接着基于步骤S31，将训练集 中数据分批次输入步骤S2得到的深度学习网络A2A中进行训练，每个批次的输出结果计算依次损失 ，采用开源深度学习框架中的反向传播优化器，将损失的梯度反向传播，优化参数 ，当所有批次训练完一轮后称为一个epoch，共训练 个epoch，其中每个epoch结束，输入验证集 的数据，计算一个验证集的损失，但不进行反向传播，观察验证集与训练集的损失的差距，判断模型参数拟合效果以及泛化性能；S322、训练结束后，保存参数 ，其涵盖了深度学习网络A2A中的所有可训练参数，得到训练好的深度学习网络A2A。