买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国海洋大学

摘要：本发明公开了一种基于物理约束神经网络的双极化SAR浅海水深反演构建方法，涉及遥感技术领域。本发明设计了一种基于物理约束神经网络的双极化SAR浅海水深反演构建方法，通过对不同雷达参数和物理环境因子组合分析，确定了适合动力过程丰富的河口区域浅海水深雷达遥感反演的参数组合；通过引入SAR遥感影像极化比和成像时刻风场矢量的物理辅助信息，解决了高浊度水域浅水地形遥感反演误差大的问题，实现高浊度水域浅水地形信息的高效精准获取。

主权项：1.一种基于物理约束神经网络的双极化SAR浅海水深反演构建方法，其特征在于，包括以下步骤：S1：构建基于MSE损失函数的浅海水深反演DNN模型；S2：获取用于对浅海水深反演DNN模型进行训练的样本数据；样本数据包括σ0_vv、σ0_vh、Pr、θ、Lon、Lat、w、δvv、δvh、z；S3：将样本数据中的σ0_vv、σ0_vh、Pr、θ、Lon、Lat、w、δvv、δvh作为初始模型输入样本，z作为真实标签；将初始模型输入样本设计为多组，每组初始模型输入样本均包括多个不同组合的样本数据；S4：将多组初始模型输入样本输入至浅海水深反演DNN模型中进行训练，并将每组初始模型输入样本的训练集与测试集比例设计为9:1；S5：将测试集中的输出结果与测试集中真实标签之间进行对比评估，选取反演精度最优的初始模型输入样本作为最终模型输入样本，并将最终模型输入样本输入至浅海水深反演DNN模型中进行训练得到最终训练好的浅海水深反演DNN模型；浅海水深反演DNN模型的层数为7层；步骤S3中，初始模型输入样本设计为8组；其中，组一中样本数据包括Pr、δvv；组二中样本数据包括lat、Pr、δvv；组三中样本数据包括lon、lat、Pr、δvv；组四中样本数据包括lon、lat、Pr、δvv、δvh；组五中样本数据包括θ、lon、lat、Pr、δvv、δvh；组六中样本数据包括σ0_vh、θ、lon、lat、Pr、δvv、δvh；组七中样本数据包括w、σ0_vh、θ、lon、lat、Pr、δvv、δvh；组八中样本数据包括σ0_vv、w、σ0_vh、θ、lon、lat、Pr、δvv、δvh反演精度最优的初始模型输入样本为组五中样本数据，即θ、lon、lat、Pr、δvv、δvh；其中，σ0_vv为遥感影像垂直极化方式下的雷达后向散射截面；σ0_vh为遥感影像交叉极化方式下的雷达后向散射截面；Pr为极化比；θ为雷达入射角；Lon为地理经度；Lat为地理纬度；w为风场；δvv为VV极化方式下SAR观测的雷达后向散射截面与由风场引起的雷达后向散射截面之间的差值；δvh为VH极化方式下SAR观测的雷达后向散射截面与由风场引起的雷达后向散射截面之间的差值；z为浅海水深值；SAR为合成孔径雷达。

全文数据：

权利要求：

百度查询： 中国海洋大学 一种基于物理约束神经网络的双极化SAR浅海水深反演构建方法