(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111438310.8 (22)申请日 2021.11.30 (65)同一申请的已公布的文献号 申请公布号 CN 114186483 A (43)申请公布日 2022.03.15 (73)专利权人 广州赋安数字科技有限公司 地址 510000 广东省广州市天河区五山 街 粤垦路68号1301房(部位:1301-1室) (仅限办公) (72)发明人 李晓威　刘晓建　范儒彬　马荣华　 陈小云　 (74)专利代理 机构 广州圣理华知识产权代理有 限公司 4 4302 专利代理师 张凯 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 112099110 A,2020.12.18 CN 104268 848 A,2015.01.07 CN 111855942 A,2020.10.3 0 CN 113063737 A,2021.07.02 CN 112162282 A,2021.01.01 CN 105574206 A,2016.0 5.11 刘腾腾等. 《基 于深度学习的海浪SAR图像分 类》 . 《中国海 洋大学学报》 .2021,第51卷(第8 期), Zhigang Cao等. 《Effects of broad bandwidth on the remote sensi ng of island waters： Impl ications for high spatial resolution satellite data ap plications》 . 《ISPRS Journal of Photogram metry and Remote Sensi ng》 .2019, 审查员 严凯丽 (54)发明名称 一种融合浮标数据和海洋卫星遥感图像的 反演方法 (57)摘要 本发明公开了一种融合浮标数据和海洋卫 星遥感图像的反演方法， 包括以下步骤： 步骤S1. 将空间划分为m ×m的网格， 空间中有n个浮标 {Fi}(1≤i≤n)； 步骤S2.数据采集： 获取m ×m的 网格空间中n个浮标的数据信息和l张遥感图像， 通过浮标和遥感图像采集的数据信息得到三个 特征向量Fi,t、 Rjkl和Gil； 步骤S3.构建基于浮标 的反演模型： 步骤S4.对步骤S3建立的所述反演 模型进行迭代训练： 以n个浮标和p ‑1张遥感图像 作为训练样 本， 将剩余的一张遥感图像作为验证 样本， 根据所述反演模型的输出结果与真实值的 误差不断更新权重参数， 当达到最大的迭代次数 或损失函数达到最小值时， 所述反演模型结束训 练， 并进行预测； 步骤S5.融合浮标数据和遥感图像数据的实时反演。 权利要求书3页 说明书6页 附图2页 CN 114186483 B 2022.09.06 CN 114186483 B 1.一种融合 浮标数据和海洋卫星遥感图像的反演方法， 其特 征在于， 包括以下步骤： 步骤S1.划分浮标所在的空间： 将空间划分为m ×m的网格， 空间中有n个浮标{Fi}， 其中， 1≤i≤n； 步骤S2.数据采集： 获取m ×m的网格空间中n个浮标的数据信息和l张遥感图像， 通过浮 标和遥感图像采集的数据信息得到三个特征向量 Fi,t、 Rjkl和Gil， 其中， Fi,t表示第i个 浮标在 时间t的特征向量； Rjkl表示在网格(j,k)位置上， 第l张遥感图像检测出的特征向量， 其中0 ＜l≤p， p表 示所述遥感图像的总数； Gil表示第i个浮标Fi浮标所在位置的第l张遥感图像检 测出的特 征向量； 其中所述特 征向量包括海洋生态数据信息； 步骤S3.构建基于浮标的反演模型： 以n个浮标的过去Δt时刻的值作为所述反演模型 的输入， n个浮标的过去Δt时刻的值为预测值Fi,t之前的历史数据值， 建立n个LSTM长短期 记忆网络， 分别将n个浮标的过去Δt时刻的值作为n个LSTM长短期记忆网络的输入， 同时在 所述反演模型中引入注意力机制， 通过所述注意力机制从大量信息中迅速地选择有价值的 信息并重点关注这些重要信息， 以构建基于浮标的反演模型； 步骤S4.对步骤S3建立的所述反演模型进行迭代训练： 以n个浮标和p ‑1张遥感图像作 为训练样本， 将剩余的一张遥感图像作为验证样本， 根据所述反演模型 的输出结果与真实 值的误差不断更新权重参数， 当达到最大 的迭代次数或损失函数达到最小值时， 所述反演 模型结束训练， 并进行 预测； 步骤S5.推测时间窗口长度为Δt， 得到第i个浮标过去的Δt时刻的值Mi， 将n个浮标所 对应的Mi输入到所述步骤S4中训练好的模型中， 以实现融合浮标数据和遥感图像数据的实 时反演， 其中， 0 ≤i＜n。 2.根据权利要求1所述的融合浮标数据和海洋卫星遥感图像的反演方法， 其特征在于， 所述步骤S3中n个浮标中第i个浮标的过去Δt时刻的值 为： {Fi,t‑Δt,Fi,t‑Δt+1,Fi,t‑Δt+2,Fi,t‑Δt+3…,Fi,t‑1}， 其中， 0≤ i＜n， 通过n个浮标的过去 Δt时 刻的历史数据值推测Fi,t的值； 由于{Fi,t‑Δt,Fi,t‑Δt+1,Fi,t‑Δt+2,Fi,t‑Δt+3…,Fi,t‑1}为预测值 Fi,t之前的历史数据值， 其中， 0≤i＜n； 所以上述集合中最后统计的结点是Fi,t‑1， 通过n个浮 标的过去Δt时刻的值 来推测预测值Fi,t的值。 3.根据权利要求1或2所述的融合浮标数据和海洋卫星遥感图像的反演方法， 其特征在 于， 所述步骤S3构建基于浮标的反演模型包括如下步骤： 步骤S3.1.构建LSTM 长短期记 忆网络： 建立n个LSTM长短期记忆网络， 分别将n个浮标的过去Δt时刻的值作为n个LSTM长短期 记忆网络的输入， LSTM长短期记忆网络包括三个特殊的 “门”结构， 分别为输入门Ii,t、 遗忘 门fi,t和输出门Oi,t， 其中输入门决定当前时刻网络的输入数据有多少需要保存到单元状 态， 遗忘门决定上一时刻的单元状态有多少需要保留到当前时刻， 输出门控制当前单元状 态有多少需要输出到当前的输出值， 进而对LSTM长短期记忆网络中隐藏单元内部进行计 算， 其中每 个细胞计算单 元的计算过程 通过以下公式进行描述： 权　利　要　求　书 1/3 页 2 CN 114186483 B 2hi,t＝Oi,t*tanh(Ci,t) 其中， fi,t， Ii,t， Oi,t分别表示输入门、 遗忘门和输出门， Wf， WI， Wc， Wo分别表示控制每个门 输出的权值矩阵， Ci,t表示隐藏单元的状态， bf， bI， bc， bo分别表示fi,t， Ii,t， Ci,t和Oi,t的偏置 量， Ci,t‑1表示上一层的细胞， hi,t‑1为t‑1时刻的输出单元， Fi,t‑1为t‑1时刻的输入单元， F为 输入层， h为输出层， σ 为sigmo id函数， tanh为激活函数； 步骤S3.2.在所述反演模型中引入注意力机制： 使用注意力机制为得到的每个hi,t分配一个权重Wx,y,i， hi,t为t时刻的输出单元， 通过计 算获得处 理后的新的特 征向量zx,y,t， 其计算公式如下： 其中Wx,y,i为注意力权重表示第i个浮标对于预测的重要性， Gij表示Fi,t浮标所在位置的 第j张遥感图像检测出的特征向量， Rx,y,j表示在网格(x,y)位置上， 第j张遥感图像检测出的 特征向量， zx,y,t为注意力机制的输出， M为变换矩阵， p为遥感图像的总数， n 为浮标的总数； 最后通过全连接层输出 结果： 其中 为模型预测的结果， 即某一时刻遥感图像中任意位置预测的特征 向量， W为权 重矩阵， b为偏置， σ 为sigmo id函数。 4.根据权利要求3所述的融合浮标数据和海洋卫星遥感图像的反演方法， 其特征在于， 所述步骤S4中通过构建损失函数来对所述反演模型进行迭代训练， 具体包括： 训练时， 以MSE最小平方误差来构建损失函数， 采用如下公式表示： 其中t表示测试样本的时刻， 为t时刻遥感图像中任意位置(x,y)的特征向量的预测 值， Tx,y,t为t时刻遥感图像中任意 位置(x,y)的特 征向量的实际值。 5.根据权利要求1或4所述的融合浮标数据和海洋卫星遥感图像的反演方法， 其特征在 于， 所述步骤S5中， Mi＝{Fi,t‑Δt,Fi,t‑Δt+1,…Fi,t‑1}， 其中， 0≤i＜n， n个浮标所对应的Mi输入 到步骤4中训练好的反演模型中， 可得到t时刻， 遥感图像中任意位置(x,y)的特征向量， 以 实现融合 浮标数据和海洋卫星遥感图像数据的实时反演。 6.根据权利要求3所述的融合浮标数据和海洋卫星遥感图像的反演方法， 其特征在于，权　利　要　求　书 2/3 页 3 CN 114186483 B 3