本发明涉及卫星遥感，具体涉及一种agri受杂散光污染期间的中红外波段生成方法。
背景技术：
1、静止轨道气象卫星，如fy-4a和fy-4b，实现了静止轨道上的三维大气廓线探测、高空间分辨率、高频次观测和闪电时空分布探测。静止轨道气象卫星上主要的成像仪器是静止轨道辐射成像仪(agri)，该仪器可提供从可见光到红外各个波长的观测数据。agri的观测数据广泛应用于天气和气候领域，例如大气和地表参数反演、气象灾害监测和数值天气预报等。
2、研究表明，fy-4a和fy-4b agri在红外波段的观测偏差处于合理范围内。然而，近期的研究表明fy-4a agri中红外(mwir)波段(3.75μm)在午夜时分(即16:00–18:00utc)观测的亮温(bt)有时会出现异常。这些bt异常具有明显的季节性依赖，通常发生在春分或秋分前后1–2个月。在正常情况下，夜间mwir bt通常低于300k，而异常发生时，mwir bt往往比正常值高出10–20k。分析认为agri mwir波段的bt异常是由杂散光污染引起的，这也是fy-2系列卫星上的可见光红外自旋扫描辐射计遇到的问题。mwir波段测量来自大气和地球的辐射能量以及太阳反射的能量，但在夜间可以忽略太阳反射成分。因此，夜间mwir波段的bt整体较白天更冷。如果光学系统在夜间受到直接或散射的太阳辐射(即散射光)污染，可能导致mwir bt观测值异常增加。
3、目前，由于不可忽视的杂散光污染，fy-4b agri在春秋分前后约有120天的午夜停止了观测。然而，mwir波段在各种科学应用中非常有价值和必要。例如，雾和低层云在mwir波段下的辐射率远低于远红外(lwir)波段，这一特性有助于夜间检测这些现象。mwir波段对像素热源的响应不同于lwir波段，这对早期检测森林火灾尤其有利。此外，mwir波段还对卷云、破碎云和重叠云的识别有帮助。因此，在杂散光污染期间获得可靠的agri mwir观测值至关重要。
4、针对fy-2，已采用多种方法来校正fy-2可见光红外自旋扫描辐射计的mwir测量异常，包括硬件和软件解决方案。然而，fy-2和fy-4成像仪在光谱、空间和时间分辨率以及散射光污染的规律和范围上有所不同，针对fy-2可见光红外自旋扫描辐射计的mwir异常观测校正方法无法应用于fy-4agri。需要开发全新的针对fy-4成像仪的校正方法，为fy-4agri的mwir波段数据质量提升提供可靠、可复制的技术手段。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中存在的技术问题之一。
2、本发明的一个目的在于提供一种agri受杂散光污染期间的中红外波段生成方法，构建出在杂散光污染期间去除杂散光污染的mwir生成模型，以该mwir生成模型生成agri受杂散光污染期间的中红外波段数据，发挥深度学习方法的自主学习能力和非线性处理能力，为agri的mwir波段数据质量提升提供可靠、可复制的技术手段。
3、本发明的另一个目的在于提供一种agri受杂散光污染期间的中红外波段生成系统。
4、为了达到上述的目的，本发明一方面提供一种agri受杂散光污染期间的中红外波段生成方法，包括：
5、收集agri未受杂散光污染期间的中红外波段和远红外波段的亮温观测数据，并对收集的中红外波段和远红外波段的亮温观测数据进行预处理；
6、根据标记的中红外波段和远红外波段的亮温观测数据之间的映射关系，构建并训练由agri的远红外波段亮温观测数据生成中红外波段亮温数据的mwir生成模型；
7、根据训练完成的mwir生成模型，输入agri受杂散光污染期间的远红外波段的亮温观测数据，生成同时刻中红外波段亮温数据。
8、本发明进一步优选地技术方案为，所述对收集的中红外波段和远红外波段的亮温观测数据进行预处理，包括：
9、对收集的中红外波段和远红外波段的亮温观测数据进行插值和标准化处理，获得样本；
10、将一个时刻的样本划分为多个区域大小相等的小样本，并依次处理各时刻，获得用于训练mwir生成模型的数据集；
11、将数据集划分为训练集、验证集和测试集。
12、作为优选，所述对收集的中红外波段和远红外波段的亮温观测数据进行插值和标准化处理，包括：
13、定义区域和该区域内的经纬度网格，网格的参数包括经度、纬度及空间分辨率；
14、采用最近邻插值的方法，将agri的收集的中红外波段和远红外波段的全圆盘观测值插值到定义的经纬度网格上，边界值填充策略采用外推方法；
15、分别统计agri的中红外波段和远红外波段的亮温观测数据的最大值和最小值，对全部亮温观测数据进行最大最小值标准化处理。
16、作为优选，所述对全部亮温观测数据进行最大最小值标准化处理，最大最小值标准化采用的计算式为：
17、
18、其中，x是原始亮温观测数据，xscaled是变换后的数据；xmin是亮温观测数据中最小值，xmax是亮温观测数据中最大值。
19、作为优选，所述mwir生成模型采用u-net深度学习框架；
20、u-net深度学习框架包括组成u型网络结构的四个编码器模块和四个解码器模块，各编码器模块和解码器模块由两个深度可分离卷积层、批归一化处理和relu激活函数组成；
21、每个编码器模块后连接一个最大池化层，并将输出传递给注意力模块，之后连接到下一个编码器模块；
22、每个解码器模块先进行上采样，再通过跳跃连接与对应的编码器模块的输出结合，之后进行卷积操作；
23、最后一个解码器模块的输出经过1×1卷积，生成最终的mwir结果。
24、作为优选，利用训练集对所述mwir生成模型进行训练，采用平均绝对误差损失作为训练目标，调整模型的网络权重。
25、作为优选，所述mwir生成模型训练中，采用验证集对mwir生成模型的超参数进行微调；
26、所述mwir生成模型训练完成后，采用mae、rmse和相关系数评分作为回归评价指标，对模型进行评估。
27、本发明另一方面提供一种agri受杂散光污染期间的中红外波段生成系统，包括：
28、数据获取模块，用于收集agri未受杂散光污染期间的中红外波段和远红外波段的亮温观测数据，并对收集的中红外波段和远红外波段的亮温观测数据进行预处理；
29、模型构建模块，用于根据标记的中红外波段和远红外波段的亮温观测数据之间的映射关系，构建并训练由agri的远红外波段亮温观测数据生成中红外波段亮温数据的mwir生成模型；
30、mwir生成模块，用于根据训练完成的mwir生成模型，输入agri受杂散光污染期间的远红外波段的亮温观测数据，生成同时刻中红外波段亮温数据。
31、本发明又一方面还提供一种可读存储介质，其上存储有计算机指令，该计算机指令使计算机执行上述的agri受杂散光污染期间的中红外波段生成方法。
32、本发明又一方面还提供一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，处理器调用存储器中的逻辑指令，以执行上述的agri受杂散光污染期间的中红外波段生成方法。
33、本发明再一方面提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机执行上述的agri受杂散光污染期间的中红外波段生成方法。
34、有益效果：本发明针对现有静止卫星的agri午夜期间mwir受杂散光污染的问题，收集了未受杂散光污染期间观测的lwir和mwir亮温观测数据，对全圆盘观测资料进行插值和标准化，并基于深度学习网络框架构建了一套用于mwir生成的模型；
35、利用该模型可较为准确地生成杂散光污染期间的mwir波段亮温数据，可以为静止卫星mwir数据的质量提升提供可靠、可复制的技术方案。