基于DBL的紅外分光計通道定標(biāo)模型研究

摘要：紅外分光計是工業(yè)制造領(lǐng)域的重要光學(xué)儀器，用于探測地表至40 km高的大氣層發(fā)射的紅外光。確保紅外分光計性能的關(guān)鍵在于其定標(biāo)過程的精準(zhǔn)性。然而，現(xiàn)階段國產(chǎn)紅外分光計設(shè)備的定標(biāo)精度相較于國際標(biāo)準(zhǔn)仍存在差距。針對此問題，文章提出了一種基于DBL（雙分支線性）的通道定標(biāo)模型，旨在通過與國際數(shù)據(jù)進(jìn)行對比，提升紅外分光計的定標(biāo)精度和可靠性。DBL模型通過改進(jìn)現(xiàn)有定標(biāo)模型，實現(xiàn)了對線性與非線性信息的同步學(xué)習(xí)，增強了模型的信息捕獲能力。實驗結(jié)果表明，該DBL模型在提升紅外分光計定標(biāo)精度方面成效顯著，為實現(xiàn)高精度的氣象監(jiān)測提供了新的思路和技術(shù)支持。

關(guān)鍵詞：人工智能；DBL；紅外分光計； 通道定標(biāo)

中圖分類號：TP391；TH74" " " "文獻(xiàn)標(biāo)識碼：A" " " 文章編號：1674-0688（2024）12-0001-05

0 引言

在現(xiàn)代分析化學(xué)和材料科學(xué)領(lǐng)域，紅外分光計（IRAS）作為一種光譜分析工具，廣泛應(yīng)用于物質(zhì)的成分分析和結(jié)構(gòu)鑒定，其工作原理基于物質(zhì)對紅外輻射的吸收特性，能夠提供豐富的分子信息。IRAS通過探測地表和大氣向上發(fā)射的紅外光譜波段輻射，能夠反演出地表至40 km不同高度層的大氣溫度和濕度分布。該儀器配備的26個光譜通道，為數(shù)值天氣預(yù)報模式提供了初始場信息，尤其是在氣象臺站較稀少的高山、海洋、沙漠等地區(qū)，發(fā)揮著不可替代的作用。此外，利用IRAS反演得到的大氣溫度和濕度垂直分布信息，還能反映局地大氣的穩(wěn)定度，對氣象部門中小尺度天氣系統(tǒng)的預(yù)報分析具有重要輔助價值。然而，IRAS的測量精度受多方面因素影響，包括儀器的光譜分辨率、環(huán)境干擾以及樣品制備質(zhì)量等。隨著技術(shù)的進(jìn)步，定量遙感應(yīng)用對儀器輻射性能的要求愈發(fā)嚴(yán)格，確保數(shù)據(jù)的準(zhǔn)確性成為成功開展定量遙感應(yīng)用的前提之一。

在此背景下，利用深度學(xué)習(xí)技術(shù)提升IRAS的測量精度成為新的研究熱點。通過引入機器學(xué)習(xí)和深度學(xué)習(xí)方法，可以對光譜數(shù)據(jù)進(jìn)行更深入的分析，精確識別微小的信號變化和潛在的干擾因素。深度學(xué)習(xí)模型憑借其強大的特征提取能力，能夠優(yōu)化數(shù)據(jù)處理流程，提升分析的準(zhǔn)確性和可靠性。針對濾光輪轉(zhuǎn)速不穩(wěn)定引發(fā)的觀測誤差問題，漆成莉等［1-2］采用交叉定標(biāo)方法減小了數(shù)據(jù)誤差。鄢俊潔等［3］針對FY-4A/AGRI儀器的光譜通道中缺失綠光通道的情況，提出了一種基于深度學(xué)習(xí)的光譜轉(zhuǎn)換方法，用于模擬FY-4A/AGRI的綠光通道，并通過遷移學(xué)習(xí)將其應(yīng)用于該儀器上。Li等［4］針對傳感器退化問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的相對校準(zhǔn)方法，有效改善了傳感器退化帶來的問題。谷松巖等［5］則針對消除代際間輻射差異的歷史數(shù)據(jù)，提出了以國際參考載荷為基準(zhǔn)的再定標(biāo)技術(shù)路徑。

目前，卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）等深度學(xué)習(xí)模型在處理復(fù)雜數(shù)據(jù)時展現(xiàn)出優(yōu)越的性能。同時，結(jié)合無監(jiān)督學(xué)習(xí)和遷移學(xué)習(xí)的方法，即使在缺乏大量標(biāo)注數(shù)據(jù)的情況下，也能有效提升模型的泛化能力和適應(yīng)性。本研究致力于探索一種創(chuàng)新的模型，旨在通過優(yōu)化IRAS的數(shù)據(jù)處理流程，增強其在不同應(yīng)用場景中的精確度?；趯ΜF(xiàn)有光譜數(shù)據(jù)的深度分析和學(xué)習(xí)，該模型將更有效地識別異常信號，從而提升IRAS在科學(xué)研究和工業(yè)應(yīng)用中的實用價值。

1 局限性分析

SAR衛(wèi)星利用雷達(dá)方程推算出雷達(dá)散射截面積、定標(biāo)常數(shù)與圖像DN值（Digital Number）之間的關(guān)聯(lián)，并開展設(shè)備定標(biāo)驗證實驗［6］，通過物理公式處理實驗數(shù)據(jù)，確保輻射定標(biāo)的精度。風(fēng)云衛(wèi)星遙感數(shù)據(jù)則基于.NET 框架，采用多層次并行計算技術(shù)加速定標(biāo)處理過程，選用可見光紅外掃描輻射計的數(shù)據(jù)作為測試對象，實現(xiàn)了可見光近紅外通道與紅外通道定標(biāo)的快速處理［7］。高分衛(wèi)星采用ROLO（Robotic Lunar Observatory） 模型、MT2009模型和嫦娥一號干涉成像光譜儀（IIM）模型進(jìn)行定標(biāo)驗證［8］。“資源三號”衛(wèi)星則依托武漢大學(xué)在河南嵩山地區(qū)建設(shè)的幾何定標(biāo)場等設(shè)施，實現(xiàn)了在軌幾何定標(biāo) ［9］。

綜上所述，當(dāng)前衛(wèi)星數(shù)據(jù)精度提升方法存在局限性，既受限于物理模型的應(yīng)用，又受制于場地條件。針對這些問題，亟須探索一種融合物理模型與深度學(xué)習(xí)技術(shù)的新方法，以突破現(xiàn)有方法的物理模型局限性和場地限制，進(jìn)而提升IRAS在復(fù)雜環(huán)境下的測量精度。通過對現(xiàn)有技術(shù)的深入分析與整合，期望為IRAS的實際應(yīng)用提供更穩(wěn)健、可靠的解決方案。

2 基于深度學(xué)習(xí)的雙分支模型的構(gòu)建

本文提出的基于深度學(xué)習(xí)的雙分支模型（DBL）旨在提高衛(wèi)星遙感數(shù)據(jù)的定標(biāo)精度，特別是解決了傳統(tǒng)方法依賴物理模型與場地要求的問題。該模型通過結(jié)合線性和非線性特征學(xué)習(xí)，顯著增強了對復(fù)雜衛(wèi)星數(shù)據(jù)的適應(yīng)能力。

2.1 模型結(jié)構(gòu)設(shè)計

DBL模型結(jié)構(gòu)如圖1所示，采用雙分支設(shè)計，包含以下兩條并行處理路徑：一條處理原始輸入數(shù)據(jù)，另一條處理輸入數(shù)據(jù)的平方特征。此設(shè)計旨在全面捕捉數(shù)據(jù)中的線性及非線性特征，從而增強模型對復(fù)雜衛(wèi)星數(shù)據(jù)的擬合能力，尤其在衛(wèi)星輻射定標(biāo)與幾何定標(biāo)任務(wù)中展現(xiàn)出優(yōu)異性能。

在DBL模型中，每個分支包含一個BLR（BatchNorm + LeakyReLU）模塊，該模塊由線性變換層（nn.Linear）、批標(biāo)準(zhǔn)化層（nn.BatchNorm1d）和帶有負(fù)斜率的ReLU激活函數(shù)（nn.LeakyReLU）組成。這些模塊通過結(jié)合批標(biāo)準(zhǔn)化技術(shù)與非線性激活函數(shù)，加速了模型訓(xùn)練過程，避免了梯度消失問題，從而提升了模型性能。兩條路徑處理完成后，分別得到特征圖x_1 和 x_2，它們各自經(jīng)過獨立的BLR模塊處理，并最終加和，形成模型的最終輸出。這一操作融合了線性和非線性特征，增強了模型對復(fù)雜數(shù)據(jù)模式的學(xué)習(xí)能力。最終，處理后的特征通過線性輸出層（L_out）進(jìn)行投影，生成衛(wèi)星數(shù)據(jù)的定標(biāo)值。

該模型具有以下優(yōu)點：①不需要依賴物理模型，通過深度學(xué)習(xí)自動學(xué)習(xí)衛(wèi)星數(shù)據(jù)規(guī)律，特別是在復(fù)雜的地形或光照條件下表現(xiàn)出靈活高效的定標(biāo)能力。②高效數(shù)據(jù)處理，利用并行計算和深度學(xué)習(xí)模型的端到端訓(xùn)練，自動提取衛(wèi)星遙感數(shù)據(jù)中的關(guān)鍵信息，減少了對手工提取特征的依賴。③提高了定標(biāo)精度，通過結(jié)合衛(wèi)星圖像的線性和非線性特征，提升了定標(biāo)結(jié)果精度，尤其是在對大規(guī)模數(shù)據(jù)的實時處理和精確校準(zhǔn)方面展現(xiàn)出顯著優(yōu)勢。

2.2 模型訓(xùn)練

使用Adam優(yōu)化器優(yōu)化模型參數(shù)。Adam是一種自適應(yīng)的學(xué)習(xí)率優(yōu)化算法，其優(yōu)勢是計算效率高，適用于大數(shù)據(jù)集，Adam優(yōu)化器更新規(guī)則如下：

[θt+1=][θt-ηmtvt+ε] ，" " " " " " " " " （1）

其中：θt+1代表在時間步t+1時通過應(yīng)用Adam優(yōu)化器更新公式得到的新模型參數(shù)；θt代表在時間步t時模型的參數(shù)；η代表學(xué)習(xí)率；mt和vt分別為梯度偏差矯正的動量項和方差項；[ε]是為了數(shù)值穩(wěn)定性而添加的小常數(shù)。

在前向傳播階段，模型接受輸入數(shù)X后，經(jīng)過兩層線性變換和ReLU激活函數(shù)，獲得模型的預(yù)測輸出值，其計算公式如下：

h = ReLU（W1X+b1），" " " " " " " " " "（2）

ypred = W2h+b2，" " " " " " " " " " " " （3）

其中：h是隱層輸出；W1是第一線性層的權(quán)重矩陣；W2是第二線性層的權(quán)重矩陣；X是輸入數(shù)據(jù)；b1和b2分別是第一線性層的偏置項和第二線性層的偏置項；ypred是模型的預(yù)測值。

訓(xùn)練過程中，模型輸出的實際值ytrue與預(yù)測值ypred之間的誤差需要通過損失函數(shù)進(jìn)行計算。使用均方誤差（MSE）衡量預(yù)測值與真實值之間的差距，計算公式如下：

[MSELoss=1Ni=1N（ypred，i-ytrue，i）2]，" " " " " （4）

其中，N是樣本的數(shù)量。

在每個迭代訓(xùn)練中，模型會遍歷整個訓(xùn)練數(shù)據(jù)集。針對每個數(shù)據(jù)批次，模型首先計算預(yù)測值，其次根據(jù)預(yù)測值和真實值計算出損失值。最后根據(jù)損失值計算梯度，并通過調(diào)用代碼函數(shù)loss.backward執(zhí)行反向傳播。在迭代訓(xùn)練過程中，對于給定的輸入xi，模型會計算出相應(yīng)的損失，并據(jù)此更新模型的權(quán)重。前向傳播計算公式如下：

[yi=f（xi;θ）]，" " " " " " " " " " " " " （5）

其中：[yi是模型的預(yù)測結(jié)果，]f是模型的前向計算過程，xi是第i個樣本的數(shù)據(jù)，[θ]是模型的參數(shù)。通過計算每個數(shù)據(jù)批次的損失，獲得反向傳播過程所需要的參數(shù)L，其計算公式如下：

[L=1Bi=1B（f（xi;θ）-yi）2]，" " " " " " " （6）

其中：L是每個數(shù)據(jù)批次的損失；B是當(dāng)前批次所有數(shù)據(jù)的個數(shù)；yi是第i個樣本所對應(yīng)的真實輸出值。

每次訓(xùn)練后，損失函數(shù)的值會逐漸減小，表明模型在不斷優(yōu)化。如果某次訓(xùn)練后的損失值低于之前的最低損失，則保存當(dāng)前模型的狀態(tài)。最終，訓(xùn)練過程將返回最優(yōu)模型的損失值及其對應(yīng)參數(shù)。如果模型在某次訓(xùn)練后未能得到改善，則通過乘以一個衰減因子來調(diào)整學(xué)習(xí)率，以避免因?qū)W習(xí)率過高導(dǎo)致的震蕩，并促進(jìn)模型更好地收斂。每次訓(xùn)練結(jié)束后，利用評估函數(shù)計算模型在驗證集上的平均損失，如果當(dāng)前模型損失較低，則更新并保存該模型。

2.3 模型選擇

本文使用的BLR層包含3個部分，通過線性模型進(jìn)行變換，每一層的線性變換可表示為

[y=Wx+b]，" " " " " " " " " " " " " " （7）

其中：y是模型的預(yù)測輸出，W是權(quán)重矩陣，x是輸入數(shù)據(jù)，b是偏置。

隨后，對線性變換的結(jié)果進(jìn)行批量歸一化處理，以提升訓(xùn)練速度和模型的穩(wěn)定性。批量歸一化公式如下：

[x=x-uσ ][γ=β]，" " " " " " " " " " " " "（8）

其中：[x]是歸一化后的輸出值；u和σ分別為輸入的均值和標(biāo)準(zhǔn)差；γ和β分別為可學(xué)習(xí)的縮放和偏移參數(shù)。

在批量歸一化處理之后，使用Leaky ReLU激活函數(shù)引入非線性，從而增加模型的表示能力和復(fù)雜度，避免訓(xùn)練過程中出現(xiàn)梯度消失或死神經(jīng)元等問題，激活函數(shù)Leaky ReLU，可以表示為

[Leaky" ReLU（y）=y" " " if y≥0αy" " " if ylt;0]，" " " " " " " （9）

其中，α是Leaky ReLU的負(fù)斜率參數(shù)。激活函數(shù)增加了負(fù)數(shù)區(qū)域的斜率，從而避免了傳統(tǒng)ReLU中的“死亡神經(jīng)元”問題。Leaky ReLU的非線性特性能夠使模型學(xué)習(xí)更復(fù)雜的函數(shù)。

通道模型中包含3個BLR層，將輸入分為兩部分：原始輸入x和平方后的輸入x2。這兩個部分?jǐn)?shù)據(jù)分別通過不同的全連接層進(jìn)行處理，然后進(jìn)行合并，最終通過輸出層生成預(yù)測結(jié)果。該通道模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)表達(dá)式如下：

y=W1×ReLU（W2×x）+W3×ReLU（W4×x2）。" " "（10）

通過公式（10），實現(xiàn)了一個前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)包括3個線性層以及Leaky ReLU激活函數(shù)。該模型通過線性變換和非線性激活對輸入數(shù)據(jù)進(jìn)行處理。

3 實驗與結(jié)果

3.1 實驗設(shè)置

（1）設(shè)置不同的隱藏層大小H，H={16，32，48，64，80，96，112，128，144，160，176，192，208，224，240，256} ，并記錄每種設(shè)置下的訓(xùn)練和測試結(jié)果。

（2）對訓(xùn)練輪數(shù)進(jìn)行限制，并采用早停策略。將模型訓(xùn)練的最大 epoch 數(shù)設(shè)為[Tmax∈[500，1000]]。

（3）在訓(xùn)練過程中，若損失函數(shù)L不再下降，則觸發(fā)early stopping機制，即提前終止訓(xùn)練，以防止模型過擬合。

（4）在數(shù)據(jù)集的劃分上，將數(shù)據(jù)集分為訓(xùn)練集和測試集，比例為 70%∶30%。定義數(shù)據(jù)集 [D=X?Y]，其中X是輸入特征，Y是輸出標(biāo)簽。分割后，得到訓(xùn)練集[Dtrain?D]，滿足[|Dtrain|=0.7×|D|]和[|Dtest|=0.3×|D|]。

（5）實驗中，動態(tài)調(diào)整學(xué)習(xí)率，設(shè)定初始學(xué)習(xí)率[α=1]，并采用Adam優(yōu)化器。每次訓(xùn)練epoch后，若損失函數(shù)L在驗證集上不下降，則根據(jù)以下公式動態(tài)調(diào)整學(xué)習(xí)率[α]：

[αt+1=αt×decay_rate" " "if" "Lt+1 gt; Lt]。" " " （11）

（6）IRAS_TB 代表紅外分光計的亮溫數(shù)據(jù)集，IASI_TB代表紅外大氣探測干涉儀（IASI）的亮溫數(shù)據(jù)集。鑒于IASI作為高分辨率的大氣遙感儀器，其提供的數(shù)據(jù)具有較高的精度，因此在本實驗中，以IASI_TB數(shù)據(jù)集為基準(zhǔn)，運用DBL通道模型對IRAS_BT數(shù)據(jù)進(jìn)行矯正，旨在提高數(shù)據(jù)的一致性和準(zhǔn)確性。

3.2 評價標(biāo)準(zhǔn)

平均絕對誤差（MAE）是衡量IRAS_TB和IASI_TB之間誤差大小的一種指標(biāo)，用于表示兩個數(shù)據(jù)集之間的平均絕對偏差。通過MAE，可以評價AI模型擬合數(shù)據(jù)的優(yōu)劣程度。MAE的計算公式如下：

[MAE=i=1N|IRAS_TBi-IASI_TBi|N]，" " " "（12）

其中：N是數(shù)據(jù)總數(shù)。

均方誤差（MSE）用于表示兩個數(shù)據(jù)集之間的平均平方偏差。MSE 值越小，表明兩個數(shù)據(jù)集越接近，反之則誤差越大。因此，MSE可以用來量化誤差并評估擬合前后數(shù)據(jù)集之間的差異程度，其計算公式為

[MSE=i=1N（IRAS_TBi-IASI_TBi）2N]。" " " " （13）

3.3 實驗結(jié)果

模型分析最佳擬合數(shù)據(jù)結(jié)果見表1，擬合前后數(shù)據(jù)平均絕對誤差對比圖見圖2，擬合前后數(shù)據(jù)均方誤差對比圖見圖3。實驗結(jié)果顯示，通道CH-01到CH-19在采用AI模型進(jìn)行擬合后，相較于以IASI為基準(zhǔn)的數(shù)據(jù)，其偏差均有所降低，從而驗證了AI模型進(jìn)行數(shù)據(jù)擬合的可行性。

4 結(jié)語

本研究提出了一種創(chuàng)新的擬合數(shù)據(jù)方法，該方法融合了AI模型技術(shù)，旨在借助AI模型的強大能力提升數(shù)據(jù)的精確度。通過選擇并應(yīng)用多種不同的AI模型進(jìn)行數(shù)據(jù)擬合，成功優(yōu)化了IRAS獲取的亮溫數(shù)據(jù)與IASI獲取的亮溫數(shù)據(jù)之間的偏差問題，從而實現(xiàn)了數(shù)據(jù)精確度的有效提升。實驗結(jié)果顯示，采用平均絕對誤差和均方誤差這兩種估計方法對擬合前后的數(shù)據(jù)進(jìn)行對比分析后，除通道CH-20的數(shù)據(jù)外，其余通道的數(shù)據(jù)精度均得到了顯著提升。這一成果在一定程度上滿足了數(shù)據(jù)應(yīng)用對高精度的需求，驗證了本研究方法的有效性和實用性。

5 參考文獻(xiàn)

［1］漆成莉，陳勇，劉輝，等.風(fēng)云三號B星紅外分光計的定標(biāo)和驗證［J］.氣象科技進(jìn)展，2013（4）：11.

［2］漆成莉，徐寒列，胡秀清，等.風(fēng)云三號氣象衛(wèi)星紅外分光計在軌交叉定標(biāo)精度監(jiān)測系統(tǒng)［J］.紅外與毫米波學(xué)報， 2016，35（3）：341-349.

［3］鄢俊潔，瞿建華，袁鳴鴿，等.基于深度學(xué)習(xí)的風(fēng)云四號衛(wèi)星綠光通道構(gòu)建方法［J］.遙感技術(shù)與應(yīng)用，2023，38（1）：214-226.

［4］Li X T，Ye Z Z，Ye Y M，et al.A Convolutional Neural Network-Based Relative Radiometric Calibration Method［J］.IEEE Transactions on Geoscience and Remote Sensing，2022（60）：1-11.

［5］谷松巖，郭楊，謝鑫新，等.風(fēng)云三號衛(wèi)星微波載荷歷史數(shù)據(jù)再定標(biāo).遙感學(xué)報［J］.2023，27（10）：2252-2269.

［6］鄧明軍，陳志遠(yuǎn)，張過，等. 國產(chǎn)C波段SAR衛(wèi)星絕對輻射定標(biāo)精度驗證［J］.中國空間科學(xué)技術(shù)，2024，44（5）：147-154.

［7］馬駿，宋麗君，徐輝，等.基于多層次并行的風(fēng)云三號氣象衛(wèi)星數(shù)據(jù)定標(biāo)［J］.微電子學(xué)與計算機，2013，30（12）：142-145.

［8］蔡偉，吳昀昭，徐天奕，等.基于月球輻射定標(biāo)源的衛(wèi)星定標(biāo)和驗證研究［C］//第八屆高分辨率對地觀測學(xué)術(shù)年會論文集.中國科學(xué)院紫金山天文臺，澳門科技大學(xué)，2022：674-687.

［9］李德仁，王密.“資源三號”衛(wèi)星在軌幾何定標(biāo)及精度評估［J］.航天返回與遙感，2012，33（3）：1-6.

*2024年度大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目“北斗氣象衛(wèi)星紅外分光計的定標(biāo)和驗證研究”（s202411535120）。

【作者簡介】宋子琛，男，河北滄州人，在讀本科生，研究方向：數(shù)據(jù)挖掘；莫靖宇，男，廣東惠州人，在讀本科生，研究方向：深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)；何家偉，男，在讀碩士研究生，湖南株洲人，研究方向：人工智能；袁鑫攀（通信作者），男，湖南株洲人，博士，副教授，研究方向：工業(yè)智能、文獻(xiàn)自動化解讀和多模態(tài)信息檢索、醫(yī)學(xué)圖像分析。

【引用本文】宋子琛，莫靖宇，何家偉，等.基于DBL的紅外分光計通道定標(biāo)模型研究［J］.企業(yè)科技與發(fā)展，2024（12）：1-5.