CN101295022A - 从遥感数据aster反演地表温度和发射率的方法 - Google Patents

Abstract

一种从遥感数据ASTER反演地表温度和发射率的方法，包含三个步骤：第一步骤是利用大气辐射传输模拟软件MODTRAN4针对所获得遥感数据ASTER第11、12、13、15热红外波段的区域和季节以及大气模式进行正向模拟，建立训练和测试数据库。第二个步骤是利用神经网络对训练和测试数据集反复训练和测试。第三步骤是对ASTER实际影像数据进行反演计算，并进行实际地表验证和应用分析。本发明得到的产品精度高，特别是在邻近大气变化比较大时候。

Description

从遥感数据ASTER反演地表温度和发射率的方法

技术领域

本发明涉及一种从遥感数据ASTER同时反演地表温度和发射率的方法，能够应用在气象、环境监测、土地管理、农情监测、以及国防军事等遥感部门。

背景技术

1999年搭载ASTER(Advanced Spaceborne Thermal Emission andReflection Radiometer)遥感器的对地观测卫星(TERRA)发射成功，为全球和区域资源环境动态监测开辟了又一新的途径。ASTER由日本通产省(METI)提供，主要用于解决土地利用与覆盖、自然灾害、短期天气变动、水文等几个方面的问题。轨高705KM，为太阳同步近极地轨道，运行周期98.88分钟，下行过赤道地方时为中午10:30 15min，地面重复访问周期16天，设计运行时间为6年。ASTER是一个拥有15个波段的高分辨率传感器，在ASTER的15个波段中有5个是高分辨率的热红外波段，因而非常适合于城市和小区域的地表热量空间差异分析。按照ASTER项目的计划，其数据应用于全球变化研究中，如提升自然灾害的监测和预报能力，短期气候变化和水循环等。针对ASTER本身及其数据产品的在更广范围都得到了很好的应用，而且在科研工作中也起到了很好的促进作用，ASTER使用情况至今一直很好，高空间分辨率、多波段、立体像对等3个主要特点为研究人员在更广的研究领域中使用提供的有效的支持[ASTER Reference Guide Version 1.0，ERSDAC，Earth Remote Sensing DataAnalysis Center，March，2003.]、[李海涛，田庆久，ASTER数据产品的特性及其计划介绍，遥感信息，2004，3：52-55.]。

ASTER是第一台用于制图和温度精确测量的星载高空间分辨率多通道热红外成像仪。它由三个光学子系统组成：可见光近红外(VNIR)、短波红外(SWIR)和热红外(TIR)。ASTER数据具有高空间、波谱和辐射分辨率，每景幅宽60×60KM。VNIR在近红外波段(0.78-0.86um)提供能生成立体像对的后视影像数据。表1中列出了各个子系统的相关参数[ASTER Reference Guide Version 1.0，ERSDAC，Earth Remote Sensing DataAnalysis Center，March，2003.]、[李海涛，田庆久，ASTER数据产品的特性及其计划介绍，遥感信息，2004，3：52-55.]。

表1ASTER光学子系统

ASTER数据除去未经处理的原始数据Level 0以外，其他的数据都经过了不同程度的处理。目前用户可以申请到的数据产品有L1、L2、L3三个级别。其中使用最多的是Level 1产品。Level 1类数据产品包括两种：Level 1A(L1A)和Level 1B(L1B)。L1A数据是经过重构的未经处理的仪器数据，保持了原有分辨率。L1A数据产品文件中包含了数据字典、类属头文件、云量覆盖表、辅助数据以及三个子系统的数据，子系统数据中包括各子系统的专门头文件、各个波段的影像数据、辐射计校正表、几何校正表和补充数据。

L1B数据在L1A的基础上，使用L1A自带的参数完成辐射计反演和几何重采样后生成的。所以在子系统文件中少了辐射计校正表和几何校正表两项内容。在生产时用户可以根据需要选择采样方法，默认情况下采用UTM投影，Cubic Convolution重采样方法。ASTER每天能获得并处理650景左右L1A数据，L1B数据的最大产量为310左右。更高级别的数据产品还有16种之多，是在L1数据产品的基础上进行处理后生成的，这些处理包括了更细致全面的辐射校正等。ASTER数据在地表发射率、温度反演等的应用潜力很大，利用SWIR数据来判断水体的浑浊度、水体表面的运动情况以及地表岩石的判别等。ASTER还与MODIS合作形成一种新的用于地球科学研究的仪器MASTER(MODIS/ASTER Airbone Simulator)，用于辅助星上ASTER仪器的反演和其它校准工作。

ASTER是一个拥有15个波段的高分辨率传感器，其中有5个是高分辨率的热红外波段，非常适合于城市和小区域的地表热量空间差异分析。但是，目前针对ASTER遥感数据的地表温度反算法还很少，其主要原因是获得大气参数非常的困难[Gillespie A.，Rokugawa S.，Tsuneo Matsunaga，Steven Cothern J.，Simon Hook，and Kahle A.，A Temperature and emissivityseparation algorithm for Advanced Spaceborne Thermal Emission andReflection Radiometer(ASTER)images.IEEE Trans.Geosci.Remote Sensing，1998，36：1113-1126.]、[Liang S.L.，An optimization algorithm for separatingland surface temperature and emissivity from multispectral thermal infraredimagery，IEEE Trans.Geosci.Remote Sensing，2001，39(2)：264-274.]、[Kebiao Mao，Jiancheng Shi，Huajun Tang，Zhao-Liang Li，Xiufeng Wang，Kunshan Chen，A Neural Network Technique for Separating Land SurfaceEmissivity and Temperature from ASTER Imagery，IEEE Trans.Geosci.Remote Sensing，2008，46(1)，200-208.]。Gillespie et al(1998)针对ASTER数据提出了一个多波段算法，该算法在星上亮温做完大气校正的基础上，同时运用了NEW(Normalized Emissivity Method)、Ration Algorithm、MMD(Maximun-Minimum Difference)三个模块和迭代算法分离地表温度和发射率。计算过程非常复杂，而且三个模块都包含了经验关系，这些经验关系并不是对所有的地物都适用。Liang(2001)提出了一个优化迭代算法在大气校正的基础上分离地表温度和发射率。Mao et al(2008)也提出在一个在大气校正的基础上，用神经网络来分离地表温度和发射率，这3个方法虽然精度很高，但受大气校正精度的影响很大，如果大气校正的精度保证不了，后面分离算法的精度受到大大制约，从而带来比较大的误差。现有的研究很多是直接应用ASTER的星上亮度温度来进行分析。由于大气的影响，星上亮度温度与真正的地表温度有很大差距。在晴空时其差距为3-6℃；在大气水分含量较高情况下，这种差异可以超过10℃。

因此，为了更准确地分析区域热量空间差异，很有必要对提高地表温度和发射率的反演精度。本发明针对以往算法中需要大气先做大气校正的缺点，提出一个更实用的针对ASTER数据的地表温度和发射率反算法。大气辐射传输模型模拟与神经网络结合是地表温度和发射率参数反演上的一个很大的进步，操作适用性更强。

发明内容

本发明的目的在于提供一种从遥感数据ASTER反演地表温度和发射率的方法，以克服现有的针对ASTER数据同时反演地表温度和发射率产品反演算法的缺点。本发明不仅能有效地反演地表温度和发射率，而且还能进一步提高近地表小尺度空气温度和地表蒸散发的估算精度。

为实现上述目的，本发明提供的从遥感数据ASTER反演地表温度和发射率的方法为：

第一步、建立ASTER卫星第11、12、13、14波段星上辐射亮度温度的模拟数据库

1-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；

1-2)选择常见地物在ASTER数据第11、12、13和14波段的发射率分别作为输入参数；

1-3)输入所获得影像时间在所在地区温度变化范围的可能最低值，并限定最高值，模拟过程中地表温度变化；

1-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；

1-5)输入ASTER卫星传感器高度，并默认大气气溶胶、二氧化碳等其它参数；

1-6)根据ASTER数据第11、12、13、14波段的波长范围执行模拟，并输出ASTER数据第11、12、13、14波段模拟星上辐射亮度；

1-7)将每次模拟得到星上辐射亮度转换成亮度温度，并和每次模拟输入的地表温度和发射率一起建立相应的数据库。

第二步、神经网络训练和测试

2-1)将第一步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；

2-2)将训练数据集中的ASTER第11、12、13、14波段的星上亮度温度作为神经网络的输入节点，地表温度和ASTER第11、12、13、14波段的发射率作为5个输出节点，进行训练；

2-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度和发射率；

2-4)将2-3中输出的地表温度和发射率和对应的地表温度和发射率对比。

第三步、反演地表温度和发射率

3-1)对ASTER遥感影像数据的第11、12、13、14波段进行几何校正；

3-2)将ASTER数据的第11、12、13、14波段的星上亮度转换成星上亮度温度(T11、T12、T13、T14)；

3-3)将3-2中T11、T12、T13、T14输入到第二步训练好的神经网络中，输出地表温度和ASTER第11、12、13、14波段的发射率(E11、E12、E13、14)；

3-4)根据影像对应的地表进行相关验证和应用分析。

所述的方法，其中，第一步的1-3中，温度变化范围的最低值和最高值为所在地区历史上的温度变化范围最低值和最高值，模拟过程中步阶改变幅度为2K。

所述的方法，其中，第一步的1-4中，大气水汽含量初始值和最大值为所在地区历史上大气水汽含量的最小值和最大值，模拟过程中步阶改变幅度为0.2g/cm²。

所述的方法，其中，第一步的1-5中，输入ASTER卫星传感器高度为705KM。

所述的方法，其中，第二步的2-4中，地表温度标准误差大于1.3K和ASTER第11、12、13、14波段的发射率都大于0.015时，将两层隐含节点都加5，重复2-2继续进行训练和测试，至地表温度标准误差小于1.3K和ASTER第11、12、13、14波段的发射率都小于0.015。

本发明的有益效果是，利用地球物理参数之间存在关系，具体邻近热红外波段之间的发射率存在线性关系，透过率和大气水汽含量之间存在关系，利用大气辐射传输模型进行模拟可以很好地利用这些潜在的信息，有效地减少未知数和解决病态反演中方程不够的难题。提高了反演精度和计算时间，克服以往需要从外部(MODIS和同化系统)获得大气参数的困难。为高分辨率城市热点效应，地热监测，环境效益评价(房屋等保温效果)，矿产分析等提高了有效手段和技术支撑。其操作实用性比日本ASTER数据产品分发中心的产品算法要简单，精度要高。

附图说明

图1是本发明的主流程示意图。

图2是本发明建立ASTER卫星第11、12、13、14波段星上幅射亮度温度的模拟数据库的流程示意图。

图3是本发明采用的多层神经网络结构示意图。

图4是本发明的神经网络训练和测试流程示意图。

图5是本发明的反演地表温度和发射率的流程示意图。

图6是本发明实施例中采用的ASTER1B数据第3、2、1波段合成图像。

图7是日本ASTER数据中心发布的图6地区的地表温度产品AST08。

图8是采用本发明的反演方法对图6进行处理后的地表温度图。

图9反演得到地表温度与日本提供地表温度产品(AST08)相对误差分布图

图10是本发明反演得到地表发射率与日本提供地表发射率产品(AST05)相对误差直方图。

图11是采用本发明得到的地表实测数据与反演结果的对比图。

具体实施方式

地表温度反演是以地表热辐射传导方程为基础，即通过建立能量平衡方程来反演地表温度。辐射传输方程描述了卫星的微波辐射计所观测到的辐射总强度，不仅有来自地表的辐射，而且还有来自大气的向上和向下的路径辐射。这些辐射成分在穿过大气层到达遥感器的过程中，还受到大气层的吸收作用的影响而削减。同时，地表和大气的辐射也在这一过程中产生不可忽略的影响。地表温度的反演公式可以简化为式1所示：

B_i(T_i)＝ε_i(θ)τ_i(θ)B_i(T_s)+[1-τ_i(θ)][1+(1-ε_i(θ))τ_i(θ)]B_i(T_ia)    (式1)

式1中：τ_i(θ)表示i波段(i为表1中所示ASTER传感器第10，11，12，13，14波段)在视角θ的透过率，ε_i(θ)表示i波段在视角θ的发射率，T_i表示i波段的星上亮度温度，T_s表示地表温度，T_ia表示大气平均作用温度，B_i(T_i)、B_i(T_s)、B_i(T_ia)分别表示星上辐射强度、地面辐射强度和大气平均作用辐射强度，具体表示的是普朗克函数(式2)：

$B\left(T_x\right)=\frac{2\mathrm{\π}{c}^{2}h}{{\mathrm{\λ}}^5}{(e^{\frac{\mathrm{ch}}{\mathrm{K\λ}{T}_x}}-1)}^{-1}$ (式2)

将能量和温度联系在一起B(T_x)(T_x分别表示T_i、T_s、T_ia)是分谱辐射亮度，单位是W·m^-2·μm^-1；λ是波长，单位μm；h是普朗克常数(6.6256×10^-34J·s)；c是光速(3×10⁸m/s)；K是玻耳兹曼常数(1.38×10^-23J/K)；T是绝对温度(K)。

在式1中，每个波段i(10，11，12，13，14)都有一个未知的发射率ε_i(θ)，还有一个未知数T_s。对于另外两个未知数T_ia和τ_i(θ)，以往通常是用低分辨率的MODIS数据和同化模型计算得到，但方程的个数仍能少于未知数。在日本ASTER数据产品分发中心，地表温度产品算法是通过NEW(Normalized Emissivity Method)、Ration Algorithm、MMD(Maximun-Minimum Difference)三个模块来构造新的方程(Gillespie et al.1998)。

Mao et al.(2007)[Mao Kebiao，Jiancheng Shi，Zhaoliang Li，and HuajunTang，An RM-NN algorithm for retrieving land surface temperature andemissivity from EOS/MODIS data，Journal of Geophysical Research，2007，112，，1-17.]对美国JPL(喷汽推进实验室)提供的ASTER光谱库进行了分析。对于具体的地物类型，光谱曲线基本上是稳定的。邻近波段可以通过一个线性方程(式3)来表示，因此，从理论上可以将5个波段发射率的未知数用一个来表示。

ε_i(θ)＝A_i+B_iε_j(θ)              (式3)

式中A_i是常数，B_i是系数，可以通过统计回归得到。另外，不同波段的大气平均作用温度T_ia都是由地表空气温度和大气剖面决定的，其表达式可以描述如式4所示：

T_ia＝C_i+D_iT₀          (式4)

式4中：C_i、D_i是可以通过模拟不同大气状态计算得到。在热红外波段，大气透过率主要受大气水汽含量的影响，其表达式如式5所示：

τ_i(θ)＝E_i+F_iW    (式5)

式5中：W表示大气水汽含量，E_i表示常数，F_i表示系数，这个可以用大气辐射传输模拟软件模拟得到。

因此，在理想状态下，是可以构造足够的方程来计算得到地表温度和发射率。但由于不同地球物理参数之间的关系不可能非常准确地描述出来，当用严格的数学方法解方程时，参数之间的估计误差会传递，最后会导致所估计的目标参数非常大。另外，式1中的普朗克函数(式2)是一个复杂的非线性方程，以往大多数方法都是通过对普朗克函数进行泰勒展开取一次线性近似求解方程，这也会带来一定的误差。因此，在地球物理参数反演中，神经网络和最小二乘法是经常采用的方法，这两个方法是将方程目标参数误差最小，使主要误差转移到非目标参数上。本发明的创新点在于将公知的大气辐射传输软件MOTRAN4[Berk，A.，G.Anderson，P.Acharya，M.Hoke，J.Chetwynd，L.Bernstein，E.Shettle，M.Matthew，and S.Adler-Golden(2003)，MODTRAN4 Version 3 Revision 1 User’s Manual，AirForce Res.Lab.，Hanscom Air Force Base，Mass.]和动态学习神经网络[Tzeng Y.C.，Chen K.S.，Kao W.L.，and Fung A.K.，A Dynamic learningnerual network for remote sensing applications，IEEE Trans.Geosci.RemoteSensing，1994，32(5)：1096-1102.]来解反演方程，从而充分利用了地球物理参数之间的潜在信息，克服以往算法需要先做大气校正的缺点。

本方法主要包括三个步骤，如图1。

第一个步骤是采用美国空军和海军研究实验室共同开发的MODTRAN4大气辐射传输软件模拟卫星传感器(本实施例中是ASTER传感器)获得所在地的各种地表类型的辐射和各种可能的大气状态的正向过程，建立数据库。具体模拟计算流程如图2所示，过程如下：

1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；

2)从美国JPL提供的ASTER光谱库(URL：http://speclib.jpl.nasa.gov)，选择其中主要的80种常见地物在ASTER数据第11、12、13和14波段的发射率分别作为输入参数(这个可以根据当地情况选取20种左右，因为在一景影像中，遥感分去20种地物类型已经不错了，这样可以提高模拟效率和反演精度)，图2中用O_o来计算模拟过程中地物数目；

3)输入所获得影像时间在所在地区温度变化范围的可能最低值，图2设定为273K，并限定最高值，图2中给定320K，用T_o表示模拟过程中地表温度变化，反复模拟过程中步阶改变幅度为2K；

4)输入大气水汽含量初始值0.2g/cm²，限定最大值为4g/cm²，用W_o表示模拟过程中大气水汽含量变化，反复模拟过程中步阶改变幅度为0.2g/cm²；

5)输入ASTER卫星传感器高度为705KM，大气气溶胶、二氧化碳等其它参数默认；

6)根据表1中，ASTER数据第11、12、13、14波段的波长范围；

7)执行模拟，并输出ASTER数据第11、12、13、14波段模拟星上辐射亮度；

8)判断W_o+0.2g/cm²＜4g/cm²？，如果小于，则继续进行下一次模拟；

9)判断T_o+2K＜320K？，如果小于，则继续进行下一次模拟；

10)判断O_o+1＜80？，如果小于，则继续进行下一次模拟；

11)将每次模拟得到星上辐射亮度转换成亮度温度，并和每次模拟输入的地表温度和发射率一起建立相应的数据库。

在上述第一步骤中，本实施例是选择中纬度夏季模式、斜路径、热辐射模式、单次散射。将ASTER热红外波段的第11波段(范围8.475-8.825um)，第12波段(范围8.925-9.275um)，第13波段(范围10.25-10.95um)，第14波段(范围10.95-11.65um)各中心波长和星上辐射亮度代入式8(该式8是由式2变化得到的)

$T_x=\frac{14380}{\mathrm{\λ}\×\ln (2\×59500000/(B\left(T_x\right)\×{\mathrm{\λ}}^5)+1)}---\left(8\right)$

即可计算得到星上对应的温度，即式(1)等式左边的T_i。建立ASTER数据第11-14波段的4个星上亮度温度(T11、T12、T13、T14)和对应的地表温度T_s、ASTER第11-14波段发射率(E11、E12、E13、E14)数据库。

第二个步骤，是利用神经网络软件，神经网络与传统的方法不一样，它不需要准确地知道反演算法(规则)。由于神经网络具备从复杂的和不精确的数据中提取信息，所以神经网络能够被用来提取模式预测[Hornik K.M.，Stinchcombe M.，and White H.，Multilayer feedforward networks areuniversal approximators，Neural Network，1989，4(5)：359-366]。如图3所示，模拟得到的ASTER第11、12、13、14星上亮度温度或者ASTER影像的第11、12、13、14星上亮度温度(T11、T12、T13、T14)作为多层神经网络的4个输入节点，地表温度(LST)和ASTER数据的第11、12、13、14波段的发射率(E11、E12、E13、E14)作为5个输出节点。网络包含了多层基本处理单元，最小的基本单元被称之为神经元。单个的神经元是神经网络每层的基本构成单元。单个神经元是处理一个或多个输入信号的基本单元：(1)输入信号x与权重(w)相乘加上偏差σ；(2)通过激励函数产生输出信号。图3是本实施例采用的公知的动态学习神经网络的结构示意图。

图3中每个神经元的输入信息是系统的输入信号或者上一层的输出信号。激励函数f(Net)有许多种形式，最常见的激励函数是非线性的sigmoid函数，如式6所示。

$f\left(\mathrm{Net}\right)=\frac{1}{1+e^{-\mathrm{Net}}}=\frac{1}{1+e^{-(w\·x+\mathrm{\θ})}}---\left(6\right)$

通过输出对输入的响应来获得模拟的函数。在网络的监督训练阶段，训练的模式被内化到网络里。在所有的训练模式被输入后，神经元的权重通过输出和期望输出之间的误差全局最小调整来获得。误差调整的等式如式7所示。

$\mathrm{Error}=\underset{p}{\mathrm{\Σ}}{E}_p=\frac{1}{2}\underset{p}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{[T_{\mathrm{pi}}-a_{\mathrm{pi}}]}^2---\left(7\right)$

式中T_pi是第p个模式的第i神经元期望输出，a_pi是第p个模式的第i神经元的输出。在式7中，i是输出单元的和。我们可以认为训练的神经网络是由一组离散数据集分组得到的多个最小二乘法构成的内插方程组。很明显，方程近似的精度很大程度上取决于训练数据。对于从遥感数据中反演地球物理参数，对于其中非线性的关系和相互作用的因素很难描述清楚。但神经网络和传统的方法不一样，神经网络不需要准确地知道输入参数和输出参数之间的具体关系。神经网络通过训练数据直接决定了输入数据和输出数据之间的关系。本实施例采用动态学习神经网络(DL)对第一步骤中建立的数据库进行训练和测试。动态神经网络使用了卡曼滤波来增加训练时的收敛速度并且提高了解非线性问题的能力，神经网络的各节点权重被初始化为(-1，1)之间的随机数。卡曼滤波过程是均方根估计迭代的过程，每次网络权重的更新是新输入数据集基于先前的权重学习的基础上，输出节点的权重更新是相互独立的。由于基于卡曼滤波的动态学习神经网络只需要两个迭代过程就达到所要求的均方根阈值，而且反演结果很稳定，所以均方根误差通常设定为10e^-3，迭代次数为2。更多的请参阅[TzengY.C.，Chen K.S.，Kao W.L.，and Fung A.K.，A Dynamic learning nerualnetwork for remote sensing applications，IEEE Trans.Geosci.Remote Sensing，1994，32(5)：1096-1102.]的介绍。

本发明具体的神经网络训练和测试流程如图4所示，过程如下：

1)将第一模块中模拟得到的数据库分成两组：一组为训练数据集；一组为测试数据集；

2)将模拟训练数据集中的ASTER第11、12、13、14波段的星上亮度温度作为神经网络的输入节点，地表温度和ASTER第11、12、13、14波段的发射率作为5个输出节点，进行训练；

3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度和发射率；

4)将第三步中输出的地表温度和发射率和对应的地表温度和发射率对比。如果地表温度标准误差大于1.3K和ASTER第11、12、13、14波段的发射率都大于0.015时，将两层隐含节点都加5，跳到第二步继续进行训练和测试；

5)如果地表温度标准误差小于1.3K和ASTER第11、12、13、14波段的发射率都小于0.015时，则训练成功。

在上述第二步骤中，本实施例是随机地将模拟数据分成两部分：训练数据是7387组，测试数据1505组，训练神经网络。通过不断地调整隐含节点(从小往大递增)，当两个隐含层每个800节点时精度比较高，地表温度的反演标准误差在1.3K以下，各波段的发射率标准误差在0.015以下，达到目前的实用要求。部分反演信息表如表2所示。

表2反演信息总结表

R：相关系数；SD：标准偏差。

第三步骤是是利用第二模块中训练好的神经网络对遥感影像数据ASTER进行实际反演。具体训练和测试流程如图5所示，过程如下：

1)对ASTER遥感影像数据的第11、12、13、14波段进行几何校正；

2)将第一步骤中得到的星上亮度温度T11、T12、T13、T14输入到第二模块中训练好的神经网络中，输出地表温度和ASTER第11、12、13、14波段的发射率E11、E12、E13、14；

3)根据影像对应的地表进行相关验证和应用分析；反演得到地表温度结果如图8。图8与图7所示的日本ASTER数据产品分发中心提供的地表温度产品AST08的相对误差如图9所示。得到的发射率相对误差的直方图如图11所示。对比图6、图7和图8，对比A和B区域(图7中标示)，在有云的地方，显然本发明的反演结果要好一些。其主要原因可能是图7中所采用的反演算法受大气校正的影响比较大，因为日本ASTER数据中心是通过用的低分辨率遥感数据MODIS获得大气参数，然后用大气同化模型来做大气校正的，其分辨率都在1公里以上，而ASTER热红外波段分辨率是90米，在大气状态变化比较大的地方，误差是比较大。从图9可以看出，日本ASTER数据分发中心提供的AST08地表温度产品的地表温度值普遍比本发明的反演结果高，从图10表结果来看，日本ASTER数据分发中心反演的发射率比本发明的结果低。原因是因为日本ASTER数据中心提供的AST08高估了地表温度产品。其中主要有两个原因，一个是大气校正存在误差，另外一个是日本ASTER数据产品分发中心的地表温度和发射率分离算法使用运用了NEW(Normalized EmissivityMethod)方法来减少这个未知数，这个方法对于水，植被和某些土壤不是非常的适合。特别是在水覆盖的地方，误差比较大，这个与本发明的反演结果对比图9中可以看到。

由于地表的温度不是均一的，而且地面测量只可能是点状测量，因此获得卫星过境时与像元分辨率一致的地面数据非常的困难。另外，即使获得了实测数据，实时大气剖面数据、地表发射率的测量以及影像和实测数据的配准仍然存在误差。由于这些原因，使得用实地测量法验证算法精度非常的困难。本发明还选择四个气象数据和小汤山地区测到的两个数据，对相应的ASTER影像进行了反演分析，图11是本发明的地表观测数据与反演结果的对比图，平均精度在1.6K，能够满足目前的应用需求。

Claims (5)

1、一种从遥感数据ASTER反演地表温度和发射率的方法，其步骤为：

第一步、建立ASTER卫星第11、12、13、14波段星上幅射亮度温度的模拟数据库

1-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；

1-2)选择常见地物在ASTER数据第11、12、13和14波段的发射率分别作为输入参数；

1-3)输入所获得影像时间在所在地区温度变化范围的最低值，并限定最高值，模拟过程中地表温度变化；

1-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；

1-5)输入ASTER卫星传感器高度，并默认大气气溶胶、二氧化碳等其它参数；

1-6)根据ASTER数据第11、12、13、14波段的波长范围执行模拟，并输出ASTER数据第11、12、13、14波段模拟星上辐射亮度；

1-7)将每次模拟得到星上辐射亮度转换成亮度温度，并和每次模拟输入的地表温度和发射率一起建立相应的数据库；

第二步、神经网络训练

2-1)将第一步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；

2-2)将训练数据集中的ASTER第11、12、13、14波段的星上亮度温度作为神经网络的输入节点，地表温度和ASTER第11、12、13、14波段的发射率作为5个输出节点，进行训练；

2-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度和发射率；

2-4)将2-3中输出的地表温度和发射率和对应的地表温度和发射率对比；

第三步、反演地表温度和发射率

3-1)对ASTER遥感影像数据的第11、12、13、14波段进行几何校正；

3-2)将ASTER数据的第11、12、13、14波段的星上亮度转换成星上亮度温度；

3-3)将3-2中转换后的星上亮度温度输入到第二步训练好的神经网络中，输出地表温度和ASTER第11、12、13、14波段的发射率；

3-4)根据影像对应的地表进行相关验证和应用分析。

2、如权利要求1所述的方法，其中，第一步的1-3中，温度变化范围的最低值和最高值为所在地区历史上的温度变化范围最低值和最高值，模拟过程中步阶改变幅度为2K。

3、如权利要求1所述的方法，其中，第一步的1-4中，大气水汽含量初始值和最大值为所在地区历史上大气水汽含量的最小值和最大值，模拟过程中步阶改变幅度为0.2g/cm²。

4、如权利要求1所述的方法，其中，第一步的1-5中，输入ASTER卫星传感器高度为705KM。

5、如权利要求1所述的方法，其中，第二步的2-4中，地表温度标准误差大于1.3K和ASTER第11、12、13、14波段的发射率都大于0.015时，将两层隐含节点都加5，重复2-2继续进行训练和测试，至地表温度标准误差小于1.3K和ASTER第11、12、13、14波段的发射率都小于0.015。

Images