一种冰盖融化区探测方法与流程

本发明涉及极地变化探测领域，具体涉及一种冰盖融化区探测方法。

背景技术：

冰盖冻融是极地变化研究中的重点关注问题。微波辐射计的亮温时序数据通常被用来对冰盖在一年中发生融化的区域和不发生融化的区域进行划分。传统方法一般会在融化季节附近寻找时序曲线的突变信号，并通过阈值来对该区域是否发生融化进行判断。而不同区域冰雪的性质可能存在显著差异，因此导致融化信号在空间上千差万别，使得传统方法探测精度极大地受到限制。

技术实现要素：

为了解决上述问题，本发明公开一种冰盖融化区探测方法，包括以下步骤：输入微波辐射计亮温时序数据并进行标准化；通过深度网络模型探测不同尺度的时序变化信号，增加对不完整时序数据的适应性和鲁棒性，对探测的特征进行整合，最终判断输入样本为融化区的概率；以及输出对融化区和非融化区的识别结果。

本发明的冰盖融化区探测方法中，优选地，所述微波辐射计亮温时序数据基于z-score方法进行标准化。

本发明的冰盖融化区探测方法中，优选地，所述微波辐射计亮温时序数据为全年365天的数据。

本发明的冰盖融化区探测方法中，优选地，所述深度网络模型包括第一全卷积模块、第一随机丢弃模块、第二全卷积模块、第二随机丢弃模块、第三全卷积模块、全局平均池化模块、第一全连接层和第二全连接层。

本发明的冰盖融化区探测方法中，优选地，所述第一全卷积模块、所述第二全卷积模块和所述第三全卷积模块分别用于探测不同尺度的时序信号变化特征，包括小尺度的局部变化信号和大尺度的全局变化信号。

本发明的冰盖融化区探测方法中，优选地，所述第一随机丢弃模块和所述第二随机丢弃模块用于增加对不完整时序数据的适应性和鲁棒性，并减轻过拟合现象。

本发明的冰盖融化区探测方法中，优选地，所述全局平均池化和第一个全连接层用于对探测的特征进行整合。

本发明的冰盖融化区探测方法中，优选地，所述第二全连接层用于最终判断输入样本为融化区的概率。

本发明采用含有三个全卷积结构和多层感知器结构的深度网络模型，基于全年每日微波辐射计亮温数据对冰盖融化区进行探测，精度较传统模型有大幅提升，并且对不同冰雪类型有高度的自适应能力，可为极地冻融区域变化、冻融周期变化等信息获取提供良好基础。

附图说明

图1是冰盖融化区探测方法的流程图。

图2是深度网络模型的架构图。

图3是冰盖融化区探测方法的验证精度。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，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，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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它实施例，都属于本发明保护的范围。

图1是本发明一种冰盖融化区探测方法的流程图。如图1所示，本发明一种冰盖融化区探测方法包括以下步骤：

在步骤s1中，输入微波辐射计亮温时序数据并进行标准化。其中，微波辐射计亮温时序数据为全年365天的数据。微波辐射计亮温时序数据基于标准差标准化(z-score)方法进行标准化。

在步骤s2中，通过深度网络模型探测不同尺度的时序变化信号，增加对不完整时序数据的适应性和鲁棒性，对探测的特征进行整合，最终判断输入样本为融化区的概率。

具体而言，如图2所示，深度网络模型包括第一全卷积模块、第一随机丢弃模块、第二全卷积模块、第二随机丢弃模块、第三全卷积模块、全局平均池化模块、第一全连接层和第二全连接层。

其中，第一全卷积模块、第二全卷积模块和第三全卷积模块分别用于探测不同尺度的时序信号变化特征，包括小尺度的局部变化信号和大尺度的全局变化信号。三个卷积模块窗口大小分别为8、5和3，滤波器(特征)数量分别为256、128和256。

第一随机丢弃模块和第二随机丢弃模块用于增加对不完整时序数据的适应性和鲁棒性，并减轻过拟合现象。第一随机丢弃模块和第二随机丢弃模块的丢弃率都是20％，用于分别对第一和第二个卷积模块输出的特征进行随机丢弃。

全局平均池化和第一个全连接层用于对探测的特征进行整合。全局平均池化层全局均值池化使每个特征图转化为一个输出，是时序维度的整合。第一全连接层用于进行卷积得到的特征之间的加权整合，是特征维度的整合。第二全连接层用于最终判断输入样本为融化区的概率。

本发明的深度网络模型需先基于自动气象站实测数据，将每个样本温度大于0时对应日期标注为融化，温度小于0时对应日期标注为非融化，并基于这些标注样本进行训练，而后可输入微波辐射计亮温时序数据对大范围区域在一年中是否发生过融化进行探测。

在步骤s3中，输出对融化区(在一年中发生过融化的区域)和非融化区(在一年中未发生过融化的区域)的识别结果。

为了进一步阐述本发明的冰盖融化区探测方法的技术效果。根据对应的自动气象站数据选取了956个样本点，其中80％用于训练，20％用于验证。经过60个回合的训练，采用随机优化器(adam)，本方法获得了93％的总体验证精度，而广泛采用的广义高斯分布方法在探测中精度约为70％-80％。在图3中示出了本发明的冰盖融化区探测方法的验证精度。

本发明采用含有三个全卷积结构和多层感知器结构的深度网络模型，基于全年每日微波辐射计亮温数据对冰盖融化区进行探测，精度较传统模型有大幅提升，并且对不同冰雪类型有高度的自适应能力，可为极地冻融区域变化、冻融周期变化等信息获取提供良好基础。

以上，针对本发明的冰盖融化区探测方法的具体实施方式进行了详细说明，但是本发明不限定于此。各步骤的具体实施方式根据情况可以不同。此外，部分步骤的顺序可以调换，部分步骤可以省略等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：

技术总结
本发明属于极地变化探测领域。本发明公开一种冰盖融化区探测方法，采用深度网络模型，基于全年每日微波辐射计亮温数据对冰盖融化区进行探测，精度较传统模型有大幅提升，并且对不同冰雪类型有高度的自适应能力，可为极地冻融区域变化、冻融周期变化等信息获取提供良好基础。

技术研发人员：吴文瑾;梁雷;李新武
受保护的技术使用者：中国科学院遥感与数字地球研究所
技术研发日：2018.05.16
技术公布日：2018.11.02