CN104657935B - 一种近地面气温反演方法 - Google Patents

Abstract

一种近地面气温反演方法，包括如下步骤：建立无人气象站的原始数据记录集、构造第1子模式学习集和第1子模式验证集、获取第2子模式至第f子模式、近地面气温反演获取目标区域的近地面气温反演影像图，以及误差订正获取得到订正的近地气温反演影像图。本发明通过搜集无人气象站的实测气温、气象卫星资料、DEM资料以及天文历法规律，并采用一类超级非线性算法对近地面气温进行反演，再运用高性能计算机计算出近地面气温反演影像图。结果显示，本发明的模式精确度比较高，结果可靠度高，泛化能力强，克服了云层、地形等的干扰；构造的CPU+GPU异构协同并行计算机使得计算速度提高1000倍以上，便于大面积应用和扩展计算能力。

Description

一种近地面气温反演方法

技术领域

本发明涉及气象数据处理领域，特别是一种近地面气温反演方法。

背景技术

近地面气温，指离地面1.5米高的百叶箱气温，是地表能量平衡中的一个重要参数，是地面与大气层相互作用过程中的一个重要物理量，它可以反映土壤及地下可见的和潜在的能量变化，是影响人类生产活动重要因素。农作物、森林生长发育状况、病虫害的发展演变、低温冷冻灾害和高温危害无不与近地面温度有关。另外，完备的近地面温度还是准确的预报各类气象要素的重要因子【赵高祥，汪宏七.由卫星测量确定地面温度和比辐射率的算法.科学通报1997，Vo142(18)1957～1960.】。近地面气温可以在气象、农业、林业、地理、地质等多个领域进行分析研究和应用，特别是近几年来，利用热红外手段研究近地面气温受到大家广泛的重视。但是，利用以往的测量手段很难获取大面积的近地面气温数据，阻碍了近地面气温研究的发展。

MODIS和FY2/FY3影像的热红外波段可以获得大面积、动态变化的温度信息，为与近地面气温相关的研究提供了良好的数据基础。然而，由于地表热辐射的复杂性及大气等因素的影响，导致了MODIS和FY2/FY3影像所表征的温度与近地面气温之间还存在着一定的差异。而且卫星热红外波段表征的亮度温度并不能代表近地面的真实温度，它们之间的误差会给研究带来许多不确定的因素。因此，如何获取一种能够克服地面特征的复杂性和大气层结构的多变性，尤其广西，的近地气温的大面积反演方法，是许多学者多年来力图解决的难题。

传统温度反演多数是针对地表温度，本发明根据实际需要和我们能够获得的温度数据，针对的是近地面气温，概念上有差别，但是方法可以通用。

罗智勇等【罗智勇，刘汉湖，杨武年.单窗算法在成都市地面温度反演中的应用研究.热带气象学报，2007 Vo123(4).】提出单窗算法。李天宏等【李天宏，莫献坤，韩鹏.基于组合不同裂窗算法反演黄河流域地表温度研究.测试技术学报.2008，Vo122(O4).】发展了组合窗算法，其做法是根据下垫面的水分状况和土地覆盖类型进行分区，在整个流域不分区、水分状况分区和土地覆盖分区双因子分区2种情形下，对比了7种常用的地表温度遥感反演裂窗算法的结果，在分析每种反演算法适用性的基础上，针对不同分区单元分别选择效果最好的算法组合来进行流域地表温度的反演。杨虎【杨虎，杨忠东.中国陆地区域陆表温度业务化遥感反演算法及产品运行系统.遥感学报.2006，Vo110(04).】等人应用Becker等人的裂窗算法，但是仍然是一类线性模式。王春林等【王春林，唐力生，陈水森，黄珍珠，何健.寒冷灾害监测中的全天候地表温度反演方法研究.会议：2006中日低温灾害及其防御对策研讨会.】借助气候学模型GIS技术把劈窗LST算法发展成全天候地表温度反演方法，其基本思路是晴天和多云天气分别建模式，但也只是部分克服了云的困难。陈少辉【陈少辉，张秋文，王乘，周建中.基于亮度相关矩的MODIS和SPOT影像融合研究.遥感学报.2006,1，Vo12(1)：90～96.】等人给出了不同空间分辨率图像的融合算法，但是对不同时间分辨率图像的融合仍然无能为力。许多模式【江东，王乃斌，杨小唤，刘红辉.地面温度的遥感反演：理论、推导及应用.甘肃科学学报，2001，Vo113(4).李天宏，莫献坤，韩鹏.基于组合不同裂窗算法反演黄河流域地表温度研究.测试技术学报.2008，Vo122(O4).历华，曾永年，怡培东等.利用多源遥感数据反演城市地面温度.遥感学报.2007，11，Vo111(6)：891～898.历华，曾永年，怡培东等.利用多角度热图像提取冠层组分温度和方向量温.北京师范大学学报.2O07，O6，Vo143(3)：891～898.柳钦火，徐希孺，陈家宜.遥测地面温度与比辐射率的迭代反演方法一一理论推倒与数值模拟.遥感学报.1998,2，Vo12(1)：1～9.罗智勇，刘汉湖，杨武年.单窗算法在成都市地面温度反演中的应用研究.热带气象学报，2007Vo123(4).闽文彬，罗秀陵，陈忠明等.应用LSF概念模型反演草冠层叶面温度的实验。遥感学报.2006，11，Vo11O(6)：941～948.张元生，郭晓，张小美等.应用静止卫星热红外遥感亮温资料反演地表温度的方法研究.西北地震学报.2004，6，Vo126(2)：113～117.赵高祥，汪宏七.由卫星测量确定地面温度和比辐射率的算法.科学通报1997，Vo142(18)1957～1960.】要求在局部或者特定条件才能达到预期效果，例如柳钦火【柳钦火，徐希孺，陈家宜.遥测地面温度与比辐射率的迭代反演方法一一理论推倒与数值模拟.遥感学报.1998,2，Vo12(1)：1～9.】的方法要求水汽廓线误差在±20％之内，大气模式误差一个模式时，反演的温度均方根误差达到0.85K。还有些模式要求晴天条件。这些缺点成为开展温度反演业务化的障碍性因素。尤其我国广大南方地区多云、地形地势和下垫面特征特别复杂，使现有方法对近地面温度遥感反演以及大面积的业务化变得极其困难。这些方法都需要特定条件才能达到预期效果。另外，这些模式的输入参数有些要通过各种订正，例如大气水汽廓线订正，否则会产生大误差；模式本身计算也有误差累积误差变得不确定了。还有这些模式考虑的变化因素太少，不能反演地形地势、地表植被特征的变化对气温的影响等等。更重要的是没有讨论过模式泛化能力。

本发明采用的SVM，即Support Vector Machines，以结构风险最小化为原则，在最小化样本点误差的同时缩小模型泛化误差的上界，从而提高模型的泛化能力。Kearns和Vzliant【Kearns M,LiM,Valiant L1994 J.ACM 41 1298.】证明了只要有足够的数据，弱学习算法就能通过集成的方法生成任意高精度的估计，弱学习等价于强学习。集成学习的有效性取决于子学习精确度和子学习之间的差异度。子学习精确度越高，差异度越大，集成学习精确度就越高，泛化能力也越大。1995年，Krogh和Vedelsby【Krogh A,VedelsbyJ.Neural network ensembles,cross validation and active learning.in:TesauroG.Touretzky D.Leen Teds.Advances in Neural Information ProcessingSystems7.Cambridge,MA:MITPress,1996.231-238】还给出了集成学习的泛化误差的计算公式。

桌面高性能计算机和超大量核并行计算技术，近些年来发展突飞猛进，迅速漫延到各行各业并且取得了许多突破性成果。最新的Fermi架构，它是CUDA[ComputeUnifiedDevice Architecture]础架构的最新一代产品，由于价格底、体积小、功耗低、速度快，堪称当今同类顶尖技术，其CPU+GPU，即Graphics Processing Unit，架构：CPU核管理功能和GPU计算功能的分离，特别适合图像处理，其基本原因在于我们可以让GPU的一核负责一像元或者数个像元的计算，从而简化了并行计算过程。基于Fermi架构组织数以千计的核和线程，开发超大量核并行反演算法、计算算法软件，可以满足本大面积的实时反演需求。我们在CPU+C2075上实现了近地面气温反演算法，为以后应用提供了核心技术之一。

广西近几年来从92个人工气象站的8小时一次的人工测量温度迅速发展到1400多个无人气象站1小时一次测量温度，我国其他大部省人工气象站的布置也接近尾声。但目前的地面气象站大多处于地势平坦的地方，不能充分反映由于复杂地形因素导致的气温在空间分布上的差异性。在卫星技术方面，FY2E/C&FY2D/FY3双静止卫星可以提供1小时一次的、双保险的空中监测服务；MODIS卫星可以提供多光谱36频250×250米，100米DEM模型可以提供空间分辨率高达100×100米的地形特征。虽然采用MODIS和FY2/FY3等极轨卫星热红外遥感资料，可以较好地反演近地面气温，但是无法克服云的干扰，不能实现全天候监测。

在过去的几年中，我国FY2/FY3系列、MODIS卫星技术提高比较快，各省无人气象站布置也接近尾声，但是分析应用技术和软件分析方法相对滞后。当今我们迫切需要解决的关键科技问题是如何把我国投入巨资发展起来的无人气象站、国内外卫星信息资源、地理信息资源，即地形地势植被状况等，融合起来，形成高质量，即高时间和高空间分辨率、高精确度、高可靠性等，的近地面温度影像图，来满足益日提高的国民经济和社会发展对气象信息服质量的需求。

发明内容

本发明针对现有技术的不足，提供一种利用多种遥感图像、地形图地势DEM和无人气象站数据，在多云地区，获得大面积近地面气温的时空分布的反演方法。

本发明是通过如下技术方案实现的：

一种近地面气温反演方法，包括如下步骤：

步骤Ⅰ.建立原始数据记录集

(Ⅰ-1)确定需要进行近地面气温反演的目标区域以及目标区域上的无人气象站所在位置，

(Ⅰ-2)确定一个目标时间点，并以该目标时间点为中心的左右2～72个小时为采样时间段，以采样时间段内无人气象站的实测气温的时刻为采样时间点，

(Ⅰ-3)设原始数据记录的格式为j＝1,2,…,L，i＝1,2,…,N，MT_j为第j条原始数据记录的实测气温，为第j条原始数据记录的第i个近地面气温影响因子的原始值，N为近地面气温影响因子的个数，L为原始数据记录的条数，最后Label标记该条记录的站号和时间点，若MT_j缺测则不予收录，

将一个无人气象站在一个采样时间点的实测气温MT_j输入原始数据记录，再根据气象卫星资料、DEM资料以及天文历法规律，将该无人气象站所在位置的该采样时间点对应的第1个至第i个近地面气温影响因子的数值依次输入获得一条原始数据记录，

(Ⅰ-4)选取另一个无人气象站或者选取同一个无人气象站另一个采样时间点，重复步骤(Ⅰ-3)，获得下一条原始数据记录，

(Ⅰ-5)由步骤(Ⅰ-2)和(Ⅰ-3)获得的原始数据记录组成原始数据记录集AutoVEC，

(Ⅰ-6)针对该目标区域，确定另一个目标时间点，重复步骤(Ⅰ-2)到(Ⅰ-4)，然后将获得的原始数据记录并入原始数据记录集AutoVEC，

(Ⅰ-7)对原始数据记录集AutoVEC中每个近地面气温影响因子的原始值进行归一化处理，得到归一化数据记录集AutoVEC’，所述原始数据记录指无人气象站位置获得的原始数据记录；

步骤Ⅱ.构造第1子模式学习集supVEC¹和第1子模式验证集exVEC¹

(Ⅱ-1)将归一化数据记录集AutoVEC’中的L条数据记录按照实测气温MT_j进行排序，排名前c名的数据记录和排名倒数d名的数据记录选入第1子模式学习集supVEC¹，

(Ⅱ-2)将实测气温MT_j排名前3～5％的归一化数据记录和排名倒数3～5％的数据记录交替地选入第1子模式学习集supVEC¹和第1子模式验证集exVEC¹，

(Ⅱ-3)随机选取其余10～12％的数据记录进入第1子模式学习集supVEC¹，剩下的数据记录进入第1子模式验证集exVEC¹；

步骤Ⅲ.获取第1子模式modelVEC¹

利用SVM的学习算法，选用高斯核函数，根据经验确定e个初始参数γ的数值，用第1子模式学习集supVEC¹参加训练，获得e个候选模式；根据候选模式求出第1子模式验证集exVEC¹中各条数据记录的计算气温FT_j，计算FT_j与MT_j的误差，将误差最小的一个作为第1子模式modelVEC¹；

步骤Ⅳ.获取第2子模式modelVEC²至第f子模式modelVEC^f

(Ⅳ-1)将归一化数据记录集AutoVEC’和第1子模式modelVEC¹代入下式，计算AutoVEC’中每条数据记录的第1子模式的计算气温

(Ⅳ-2)求出第1子模式计算气温与实测气温MT_j的误差绝对值，按照误差绝对值由大到小对AutoVEC’中的数据记录进行排序，

(Ⅳ-3)取误差绝对值排名靠前的supNum条数据记录作为第2子模式学习集supVEC²，其余的作为第2子模式验证集exVEC²，按照步骤Ⅲ的方法获得第2子模式modelVEC²，

(Ⅳ-4)重复步骤(Ⅳ-3)，取误差排名靠前的supNum+1到2×supNum条数据记录作为第3子模式学习集supVEC³，其余第3子模式验证集exVEC³，按照步骤Ⅲ的方法获得第3子模式modelVEC³，依次类推直至获得第f子模式modelVEC^f；

步骤Ⅴ.近地面气温反演

针对目标时间点的采样时间段内的指定的一个时间点，

(Ⅴ-1)将目标区域划分成BlkNum个正方形的小区域sBlk，再将每个小区域sBlk划分成M×M＝sBlkSamples个栅格点，其中M小区域sBlk的行或列的个数，

(Ⅴ-2)对小区域sBlk的每个栅格点建立一条栅格点原始数据记录，栅格点原始数据记录的格式为q＝1,2,…,sBlkSamples，i＝1,2,…,N，为第q栅格点的第f子模式计算气温，为第q栅格点的第i个近地气温影响因子，根据气象卫星资料、DEM资料以及天文历法规律，将各个栅格点所在位置的目标时间点对应的第1个至第i个近地面气温影响因子的数值输入构造栅格点原始数据记录集sBlkVEC，Label为缺省的标记，

(Ⅴ-3)对栅格点原始数据记录集sBlkVEC中每个近地面气温影响因子的数值进行归一化处理，得到栅格点归一化数据记录集sBlkVEC’，

(Ⅴ-4)将sBlkVEC’依次与第1子模式modelVEC¹至第f子模式modelVEC^f代入下式，依次算出各个栅格点的第1子模式栅格点计算气温至第f子模式栅格点计算气温

式中，q＝1，2，...，sBlkSamples，f＝1，2，3，...

(Ⅴ-5)求出小区域sBlk中各个栅格点的第1子模式至第f子模式的算术平均值，得到该小区域sBlk中各个栅格点的计算气温，就是该小区域sBlk的近地面气温反演影像图，

(Ⅴ-6)指定另外一个小区域sBlk，重复上述步骤(Ⅴ-2)到(Ⅴ-5)，直到所有的BlkNum个正方形的小区域sBlk做完为止，最后将BlkNum个小区域sBlk的近地面气温反演影像图合并形成目标区域的近地面气温反演影像图，

(Ⅴ-7)在目标时间点的采样时间段内，指定另外一个时间点，重复上述步骤(Ⅴ-1)到(Ⅴ-6)，获得对应时间点的近地面气温反演影像图。

进一步的，还包括如下步骤：

步骤Ⅵ.误差订正

针对目标时间点的采样时间段内的指定的一个时间点获得的近地面气温反演影像图，

(Ⅵ-1)求出目标区域中的各个无人气象站所在位置的实测气温与由近地面气温反演影像图读出的各个无人气象站所在位置的气温值的气温误差值ΔT_j，

(Ⅵ-2)采用反距离插值算法，由气温误差值ΔT_j构造出误差曲面影像图；根据误差曲面影像图对近地面气温影像图进行订正，得到订正的近地面气温反演影像图。

进一步的，

从MODIS卫星中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的植被叶绿素吸收1C、云和植被覆盖变换2C、陆地和云的性质7C、土壤植被差异3C以及绿色植被4C，

无人气象站所在位置或者栅格点代表位置的云和植被变换2C、云_大气性质19C以及大气层含水量，

无人气象站所在位置或者栅格点代表位置的对流层中层湿度27C、对流层中层湿度28C、云_地面气温22C、云_地面气温23C、云_地面气温31C以及云高和地面气温32C；

从风云二号卫星中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的FY2C_IR1亮温、FY2C_IR2亮温、FY2C_IR3亮温、FY2C_IR4亮温以及FY2C_VIS反射率；

从DEM中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的经度、纬度、海拔高度、坡度、坡向、太阳阴影、太阳高度、太阳高度sin、水平面太阳方位、坡面太阳高度、坡面太阳高度sin、坡面小时太阳辐射能以及之前累积辐射能；

从天文历法规律中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的当日坡地总太阳辐射能、日落时间、日出时间以及日照时数。

进一步的，先把动力因素和影响因素分别对待，引入理想条件下的变量，所述动力因素指通过假设无大气条件下地面单位面积获得的太阳辐射能量，夜间则考虑地表单位面积辐射能量的变化趋势，动力因素驱动近地面气温的变化，所述影响因素指应用近期晴天植被遥感图获得无云条件下的植被状态，还考虑了周边地势对计算点造成的阴影，实际状况的影响由临界时间的遥感技术图片提供，还特别计算了大气廓线的水汽含量，他们最终对结果的影响和贡献则由非线性模式的优化处理后决定，影响因素对近地面气温的变化有限制作用。

进一步的，所述归一化处理的方法如下：确定原始数据记录集AutoVEC中第i个近地面气温影响因子的最大值F(i)_max和最小值F(i)_min，然后根据依次求出每个近地面气温影响因子的原始值的归一化值得到归一化数据记录集AutoVEC’。

进一步的，步骤Ⅱ(Ⅱ-1)所述的c＝3～20，d＝3～20。

进一步的，步骤Ⅲ所述的e＝3～10。

进一步的，所述第f子模式modelVEC_f中包含下列参数：支持向量的个数supNum^f，γ^f以及b^f，其中f＝1,2,3,…。

进一步的，所述步骤Ⅴ.近地面气温反演在超算平台上完成，采用CPU+GPU异构协同并行技术，由CPU的多个线程负责构造栅格点原始数据记录集sBlkVEC、栅格点原始数据记录集sBlkVEC的归一化处理、电脑内存数据与硬盘数据的交换、电脑内存数据与GPU内置内存数据的交换并根据GPU内置内存大小来调节每次数据的交换量；由GPU负责依次求算各个栅格点的第1子模式栅格点计算气温至第f子模式栅格点计算气温

所述植被叶绿素吸收1C为MODIS卫星1通道数据，所述云和植被覆盖变换2C为MODIS卫星2通道数据，所述陆地和云的性质7C为MODIS卫星4通道数据，所述土壤植被差异3C为MODIS卫星3通道数据，所述绿色植被4C为MODIS卫星4通道数据，所述云和植被变换2C为MODIS卫星2通道数据，所述云_大气性质19C为MODIS卫星19通道数据，所述对流层中层湿度27C为MODIS卫星27通道数据，所述对流层中层湿度28C为MODIS卫星28通道数据，所述云_地面温度22C为MODIS卫星22通道数据，所述云_地面温度23C为MODIS卫星23通道数据，所述云_地面温度31C为MODIS卫星31通道数据，所述云高和地面气温32C为MODIS卫星32通道数据。另外，气层含水量是计算量，由MODIS的2、19通道的数据根据Kaufman&Gao公式计算得到。

本发明所述太阳高度sin是指太阳高度与太阳高度角的正弦值之积。

本发明所述坡面太阳高度sin是指坡面太阳高度与坡面太阳高度角的正弦值之积。

本发明所述当日坡地总太阳辐射能是指目标时间点所在日坡地的坡面的单位面积全天太阳辐射能。

本发明所述之前累积辐射能是指当日采样时间点之前正的单位面积辐射能之和。

本发明所述坡面小时太阳辐射能是指目标时间点所在时次的单位面积太阳辐射能。

对于步骤Ⅰ(Ⅰ-5)所述的无人气象站原始数据记录集AutoVEC中每个近地气温影响因子的数值进行的归一化处理和步骤Ⅴ(Ⅴ-3)所述的栅格点原始数据记录集sBlkVEC中每个近地气温影响因子的数值进行的归一化处理，由于气温数值T_j不属于近地气温影响因子，因而各条数据记录对应的气温数值T_j不需进行归一化处理而要保持原来数值。

本发明获得广西自治区发改委“十二五”规划重点研究项目(桂发改规划〔2012〕508号)、广西自治区科技厅“科技攻关计划”项目(桂科攻1355010-5)和广西自治区林业有害生物防治检疫站自选项目《林业有害生物监测预警与应急防控关键技术研究与应用》(桂科鉴字[2014]323号)的资助。在此表示致谢。

与现有技术相比较，本发明具备的有益效果：

本发明通过引入一类超级非线性算法，比较满意的解决了现有技术中存在的信息融合来反演近地气温问题，获得了反演误差与云量、地形、地势无关的满意结果。特别是融合了空间和地面信息，反演重建多云地区近地面气温，同时利用非线性技术和超级计算技术，克服了云层的干扰而精确、可靠地获得大面积地区反演近地面气温影像图。实现了多元信息的结合应用，提高了反演精度、扩大了适应的范围，达到大范围应用；与GIS结合，实现了应用对接。比许多传统做法更有意义。

对于日照变化对地形地势影响的淡化作用、不同逆温层天气背景和大气层垂直结构的非线性适应都显示了非线性模式的优越性。例如：我们分析研究发现由03h的低海拔温度比高海拔低，差11.4℃；到05h的逆温层天气加强，差12.3℃；再到09h的逆温层天气减弱，差9.5℃；进入14h的变成低海拔温度比高海拔高，差11.9℃；其间还经历了每小时一次的各次变化，分析显示模式对这些变化过程都表现了很强的适应能力，即空间外推到未参加建模式的控制点的误差不变，80％以上的点低于1℃。该技术有一定的突破性，为大面积近地表气温反演业务化创造了条件。

在我们的实验中，预测误差大于1℃的20％的样本中，我们发现这些点的误差差异度很大。依据SVM理论、Kearns和Vzliant【Kearns M,Li M,Valiant L1994 J.ACM 411298.】关于子学习与集成学习的理论，以及Krogh和Vedelsby【Krogh A,VedelsbyJ.Neuralnetwork ensembles,cross validation and active learning.in:Tesauro G.TouretzkyD.Leen Teds.Advances in Neural Information ProcessingSystems 7.Cambridge,MA:MITPress,1996.231-238】集成学习的泛化误差的论述，我们通过恰当地设计样本分类算法构造学习样本集，来提高集成学习的精确度和泛化性能；通过设计若干子模式集成平均模式，使精确度和泛化性能进一步提高。依据这些理论和我们的实验结果，结合应用GIS的空间分析技术，充分挖掘空间、地面等与近地面气温相关的信息，使模式消除了云层、地形、地势、天气背景和大气层垂直结构对近地面气温遥感反演的影响。然后对于误差项应用反距离插值算法获得误差空间分布曲面，再订正结果后，得到了全天候的、精确度比较高和可靠性比较好的反演近地气温影像图。

近地面气温遥感反演与CPU+GPU异构协同并行计算技术结合，在该研究领域内罕见。CPU+GPU异构协同并行计算构造是当今性能价格比最高的超算技术，该发明通过巧妙的分配CPU和GPU在整个问题中的处理功能。即：CPU的多个线程负责数据记录的采样、归一化处理、电脑内存数据与硬盘数据的交换、电脑内存数据与GPU内置内存的交换；GPU负责大量核心计算。本发明依据GPU内置内存大小来调节设计每次数据的交换量，达到了提高计算速度的目的。总的计算速度比传统计算的单个CPU提高1000倍以上。

发明所述算法能够得到全天候的、空间和时间高分辨率的近地面气温反演信息，为作物冷冻害、寒害、高温危害、森林有害生物等监测和评估提供比较精确的近地面气温实时监测信息。在近地面气温反演技术和结果基础上，我们可以轻易地获得蒸发蒸腾量、湿度，应用于作物滴灌溉调控等方面。项目还可以为精细区划：农业、气候、林业、水果、林业有害生物区划提供更加精细的技术支持。还有可以为精细化气象预报提供实时初始场。本项目还可以为我国正在建设的数字地球、智慧地球、数字林业、数字城市等工程提供近地面气温的数字化影像图和定点、定量数字化信息产品，意义重大。

本发明的反演模式的因子构造比传统模式的有创新意义。传统温度反演模式主要可以分为两类：一类是实验方法，主要是在实际工作中利用地面定标，根据实测处在卫星传感器过境时的地表温度，来建立图像灰度值和地表温度的回归方程，求出地表温度图像。另一类是理论方法，该方法是通过求解辐射传输方程，来消除大气影响，从而求出地表温度，如“分裂窗法”。传统温度反演多数是针对地表温度，本发明根据实际需要和我们能够获得的温度数据，针对的是近地面气温，概念上有差别，但是方法可以通用。

本发明的新思维是先把动力因素和影响因素分别对待，引入理想条件下的变量，例如：应用近期晴天植被遥感图获得无云条件下的植被状态；通过假设无大气条件下地面获得的太阳辐射能量，夜间则考虑地表辐射变化趋势，来构造近地面气温的动力因子；还考虑了周边地势对研究点造成的阴影。实际状况的影响由临界时间的遥感技术图片提供，还特别计算了大气廓线的水汽含量。他们最终对结果的影响和贡献则由非线性模式的优化处理后决定，以求获得非线性纠正干扰的效果，中间没有计算过程，减少了累积误差，本发明还用几个差别大的子模式合成新模式来提高模式的计算误差和泛化能力。实施例1的大面积绝对误差的平均值达到了0.786077度，优于上文提到的特定条件下的0.85K，即0.85度；由结果图看出，云的影响只留下了一点痕迹。而且还有提高效果的空间，例如：实施例2通过加大支持向量个数提高了总体效果，平均绝对误差0.6度；误差小于1度的样本点占80％。

另外，本发明还可以通过简单地扩展最大温度的样本数量和最小温度的样本数量来提高效果。

1.精确度比较高，结果可靠度高，泛化能力强。传统方法没有讨论过模式的泛化能力。

2.克服了云层、地形地势、地面植被等的干扰或影响。这点可以从影像图，及其误差分析得知。

3.针对该过程计算量巨大的问题，应用CPU+GPU异构协同并行计算技术，使得计算速度提高1000倍以上，可以大面积应用，而且可以通过扩展GPU数量轻易地扩展计算能力。

附图说明

图1为本发明实施例1得到的2009年1月5日05时广西全境的订正近地面气温反演影像图，空间分辨率为100米×100米。

图2为本发明实施例1所述的2009年1月5日05时MODIS遥感图，广西西北大部有云，西南大部晴天，空间分辨率为100米×100米。

图3为本发明实施例2所述猫儿山地区的地形地势图，即DEM图，空间分辨率为100米×100米。

图4为本发明实施例2得到的2009年1月11日03时猫儿山地区的订近地面气温反演影像图，空间分辨率为100米×100米。

图5为本发明实施例2得到的2009年1月11日05时猫儿山地区的订近地面气温反演影像图，空间分辨率为100米×100米。

图6为本发明实施例2得到的2009年1月11日09时猫儿山地区的订近地面气温反演影像图，空间分辨率为100米×100米。

图7为本发明实施例2得到的2009年1月11日14时猫儿山地区的订近地面气温反演影像图，空间分辨率为100米×100米。

图8为本发明所述近地面气温反演方法的流程图。

图9为CPU+GPU异构协同并行计算技术反演近地面气温的处理流程图。CPU0触发多个CPU的多个线程并行计算，各个线程并行地处理数据，然后触发GPU大规模核做超级并行计算。

具体实施方式

下面结合附图和实施例详细描述本发明的具体实施方式。

实施例1

一种近地面气温反演方法，包括如下步骤：

步骤Ⅰ.建立原始数据集

(Ⅰ-1)确定需要进行近地面气温反演的目标区域和目标时间点，确定目标区域上的无人气象站所在位置，并以目标时间点为中心的左右2～72个小时为采样时间段，以采样时间段内无人气象站记录实测气温的时刻为采样时间点，

本实施例以广西全境为目标区域，并搜集广西全境内993个无人气象站每小时一次的实测气温，搜集2009年1月05日05时的MODIS卫星和FY2C/D卫星逐个小时的卫星资料；以2009年1月5日05时为目标时间点，采样时间段为2009年1月5日3时到07时，这里的基本依据是2009年1月05日05时的MODIS卫星代表的大气、云的状态会在05时左右几个小时到几天内维持不变这样的事实，持续不变的时间的长短取决于大气的稳定性，冬季长些而夏季会短些。另外同时应用2009年2月11日03时的MODIS卫星1、2、7、3、4通道的数据代表植被状态，该时间点为晴天，用来获得实际的地面植被状况，这里也是基于一个事实，即地面植被状况相对于空中云的变化是稳定的，因而可以取近期晴天遥感图来代替计算时间点的地面植被状况,

(Ⅰ-2)现在举一个例子说明第1条原始数据记录的建立方法：

首先，隘洞无人气象站，站号8027，于2009年01月05日03时记录的无人气象站实测气温MT₁＝13.5℃；

然后，从MODIS卫星中读取的近地面气温影响因子如下：

无人气象站所在位置的植被叶绿素吸收1C为98.0、云和植被覆盖变换2C为250.0、陆地和云的性质7C为124.0、土壤植被差异3C为121.0以及绿色植被4C为108.0，

无人气象站所在位置或者栅格点代表位置的云和植被变换2C为943.0、云_大气性质19C为649.0以及大气层含水量为0.4，

无人气象站所在位置或者栅格点代表位置的对流层中层湿度27C为2599.0、对流层中层湿度28C为21.0、云_地面气温22C为3037.0、云_地面气温23C为2874.0、云_地面气温31C为2741.0以及云高和地面气温32C为2604.0；

从风云二号卫星中读取的近地气温影响因子如下：

无人气象站所在位置的FY2C_IR1亮温为0.9、FY2C_IR2亮温为0.9、FY2C_IR3亮温为0.6、FY2C_IR4亮温为0.6、FY2C_VIS反射率为0.0；

从DEM中读取的近地气温影响因子如下：

无人气象站所在位置的经度为107.4、纬度为24.6、海拔高度为300.0、坡度为0.0、坡向为1.0、太阳阴影为1.0、太阳高度为61.2、太阳高度sin为0.9、水平面太阳方位为92.7、坡面太阳高度为60.6、坡面太阳高度sin为0.9、坡面小时太阳辐射能为1.6、之前累积辐射能为19.2；

从天文历法中读取的近地气温影响因子如下：

无人气象站所在位置的当日坡地总太阳辐射能为23.1、日落时间为17.6、日出时间为8.2、日照时数为9.3。

将上述气温影响因子的数值读入原始数据记录完毕后，得到的一条原始数据记录如下：

<13.5，107.4，24.6，300.0，98.0，250.0，124.0，121.0，108.0，943.0，649.0，0.4，2599.0，21.0，3037.0，2874.0，2741.0，2604.0，0.9，0.9，0.6，0.6，0.0，0.0，1.0，1.0，61.2，0.9，92.7，60.6，0.9，1.6，19.2，23.1，17.6，8.2，9.3，N8027D2009010503>

原始数据记录中第1个数值为无人气象站实测气温，第2至第37个数值按顺序依次为下列气温影响因子的数值：无人气象站所在位置的经度、纬度、海拔高度、植被叶绿素吸收1C、云和植被覆盖变换2C、陆地和云的性质7C、土壤植被差异3C、绿色植被4C、云和植被变换2C、云_大气性质19C、大气层含水量、对流层中层湿度27C、对流层中层湿度28C、云_地面气温22C、云_地面气温23C、云_地面气温31C以及云高和地面气温32C、FY2C_IR1亮温、FY2C_IR2亮温、FY2C_IR3亮温、FY2C_IR4亮温、FY2C_VIS反射率、坡度Slope、坡向Aspect、太阳阴影、太阳高度、太阳高度sin、水平面太阳方位、坡面太阳高度、坡面太阳高度sin、坡面小时太阳辐射能、之前累积辐射能、当日坡地总太阳辐射能、日落时间、日出时间以及日照时数。

(Ⅰ-3)选取另一个无人气象站或者选取同一个无人气象站在2009年1月5日3时到07时内的数据，重复步骤(Ⅰ-2)，获得下一条原始数据记录，

(Ⅰ-4)由步骤(Ⅰ-2)和步骤(Ⅰ-3)获得的原始数据记录组成原始数据记录集AutoVEC，本实施例原始数据记录集AutoVEC共含有4310条原始数据记录，

(Ⅰ-5)本实例只设置了1个目标时间点,

(Ⅰ-6)对原始数据记录集中每个近地面气温影响因子的原始值进行归一化处理，得到归一化数据记录集AutoVEC’；

步骤Ⅱ.构造第1子模式学习集supVEC¹和第1子模式验证集exVEC¹

(Ⅱ-1)将归一化数据记录集中的L条数据记录按照实测气温MT_j进行排序，将排名前5名的数据记录和排名倒数5名的数据记录选入第1子模式学习集supVEC¹，

(Ⅱ-2)将实测气温MT_j排名前5％的归一化数据记录和实测气温MT_j排名倒数5％的归一化数据记录交替地选入第1子模式学习集supVEC¹和第1子模式验证集exVEC¹，

(Ⅱ-3)随机选取其余15％的数据记录进入第1子模式学习集supVEC¹，余下的第1子模式验证集exVEC¹；

按照上述方法，本实施例选取了799条数据记录进入第1子模式学习集supVEC¹，其余3511条数据记录进入第1子模式验证集exVEC¹。

步骤Ⅲ.获取第1子模式modelVEC¹

利用SVM的学习算法，选用高斯核函数，根据经验确定5个初始参数γ的数值，γ分别为0.5、1.0、1.2、1.5、2，用第1子模式学习集supVEC¹参加训练，获得5个候选模式；根据候选模式求出第1子模式验证集exVEC¹中各条数据记录的计算气温FT_j，计算FT_j与MT_j的误差，将误差最小的一个作为第1子模式modelVEC¹；

步骤Ⅳ.获取第2子模式modelVEC²至第4子模式modelVEC⁴

(Ⅳ-1)将归一化数据记录集AutoVEC’和第1子模式modelVEC¹代入下式，计算AutoVEC’中每条数据记录的第1子模式计算气温

(Ⅳ-2)求出第1无人气象站计算气温与实测气温MT_j的误差绝对值，按照误差绝对值由大到小对AutoVEC’中的数据记录进行排序，

(Ⅳ-3)取误差绝对值排名靠前的800条数据记录作为第2子模式学习集supVEC²，其余的作为第2子模式验证集exVEC²，按照步骤Ⅲ的方法获得第2子模式modelVEC²，

(Ⅳ-4)重复步骤(Ⅳ-3)，取误排名为801到1600的数据记录作为第3子模式学习集supVEC³，其余数据记录集作为第3子模式验证集exVEC³，按照步骤Ⅲ的方法获得第3子模式modelVEC³，依次类推，取误差绝对值排名为1601到2400的数据记录作为第4子模式学习集supVEC⁴，其余数据记录集作为第4子模式验证集exVEC⁴，按照步骤Ⅲ的方法获得第4子模式modelVEC⁴；

步骤Ⅴ.近地面气温反演

针对目标时间点的采样时间段内，指定了一个时间点为2009年1月5日5时,

(Ⅴ-1)将目标区域划分成BlkNum＝37个正方形的小区域sBlk，再将每个小区域sBlk划分成1202×1202＝sBlkSamples个栅格点，

(Ⅴ-2)对小区域sBlk的每个栅格点建立一条栅格点原始数据记录，栅格点原始数据记录的格式为q＝1,2,…,sBlkSamples，i＝1,2,…,N，为第q栅格点的第f计算气温，为第q栅格点的第i个近地面气温影响因子，根据气象卫星资料、DEM资料以及天文历法规律，将各个栅格点所在位置的目标时间点对应的第1个至第i个近地面气温影响因子的数值输入构造栅格点原始数据记录集sBlkVEC，Label为缺省的标记，

(Ⅴ-3)对栅格点原始数据记录集sBlkVEC中每个近地面气温影响因子的数值进行归一化处理，得到栅格点归一化数据记录集sBlkVEC’，

(Ⅴ-4)将sBlkVEC’依次与第1子模式modelVEC¹至第4子模式modelVEC⁴代入下式，依次算出各个栅格点的第1子模式栅格点计算气温至第4子模式栅格点计算气温

式中，q＝1,2,…,sBlkSamples，f＝1,2,3,4

(Ⅴ-5)求出小区域sBlk中各个栅格点的第1子模式至第4子模式的算术平均值，得到该小区域sBlk计算气温，就是该小区域sBlk的近地气温反演影像图，

(Ⅴ-6)指定另外一个小区域sBlk，重复上述步骤(Ⅴ-2)到(Ⅴ-5)，直到所有的37个正方形的小区域sBlk做完为止，最后将37个小区域sBlk的近地面气温反演影像图合并形成目标区域的近地面气温反演影像图，

(Ⅴ-7)在目标区域、目标时内，可以针对所有时间点重复上述(Ⅴ-1)到(Ⅴ-6)步，获得连续多个近地面气温反演影像图，本实例只针对指定时间点2009年1月5日05时，作反演图，

为了达到更高的精度，本实施还包括如下步骤：

步骤Ⅵ.误差订正

针对目标时间点的采样时间段内，指定了一个时间点为2009年1月5日5时,作订正的近地面气温反演影像图，

(Ⅵ-1)求出目标区域中的各个无人气象站所在位置的实测气温与由近地面气温反演影像图读出的各个无人气象站所在位置的气温值的气温误差值ΔT_j；

(Ⅵ-2)采用反距离插值算法，由气温误差值ΔT_j构造出误差曲面影像图；根据误差曲面影像图对近地面气温影像图进行订正，得到订正的近地面气温反演影像图，

最终，本实施例得到的2009年1月5日05时广西全境的订正近地面气温反演影像图如图1所示，图中深色的区域为高温区域，浅色区域为低温区域。图2为2009年1月5日5时MODIS遥感图，广西西北大部有云，西南大部晴天。

本实施例各个子模式和算术平均值与线性模式的计算精度进行了对比分析，结果如表1所示。

表1各子模式和算术平均值与线性模式的结果精度对比分析表

结论：本实施4310条数据记录的第1子模式误差绝对值的平均数为：0.90747℃，即绝对误差为0.86155；有2967个点的误差绝对值的小于1.1℃，占68.8％。说明该方法有比较强的泛化特性，我们只用了18.5％的数据记录建立模式，就让68.8％的点获得比较优秀的效果；四个子模式都比线性模式优越。最终模式的精确度有所提高，误差绝对值的平均数为：0.786077℃，即绝对误差为0.786077；有3277个点的误差绝对值的小于1.1℃，占76％。

说明该方法有比较强的泛化特性，在子模式1中，我们只用了18.5％的数据记录建立模式，就让68.8％的点获得比较优秀的效果。

本实施例的时间点2009年1月5日05时，广西全境内的西南地区大部为晴天，而西北大部为少云到多云覆盖，反演结果图上只留下了有云的痕迹，结果误差没有明显差别。

该近地面气温反演方法可以在大面积应用，因为他有两个方面的特征：其一，反演模式适应于无云、有云、多云，模式适应范围广，可以应用于大面积反演；其二，模式计算应用了超算平台，使大面积反演变成可能。

由步骤Ⅵ得到的订正近地面气温反演影像图在气象站点上的误差接近零，由于气温的空间连续特性，非控制点，即非气象站点，的误差也会大幅减小。

实施例2

步骤Ⅰ.建立原始数据记录集

本实施例对全广西2009年1月3日到2009年1月16日，以MODIS过广西境内的时间为目标并以目标时间点，左右2～72个小时为采样时间段，设置了多个采样时间段，原始数据记录集AutoVEC总共获得26万条数据记录。抽取3万对样本创建模型，其余23万对样本测试模型的反演效果。

检测结果：平均绝对误差0.6度；误差小于1度的样本点占80％；优于实施例1的效果。说明模式的支持向量的个数多了后，模式的效果会变好。

本实施例以东经110～111度，北纬25～26度的猫儿山地区为正方形的小区域sBlk，分别以2009年1月11日的03、05、9、14时四个时次的目标时间点进行近地面气温反演。然后，分别建立四个目标时间点的栅格点原始数据记录集sBlkVEC，本实施例各个时次的近地面气温反演的其他步骤与实施例1相同，在此不再赘述。

最终，本实施例得到的2009年1月11日的03、05、9、14时四个时次的猫儿山地区的订正近地面气温反演影像图分别如图4～7所示，图中深色的区域为高温区域，浅色区域为低温区域。

结果分析：

如DEM地形图图3所示，猫儿山地区覆盖了海拔最高有2000米的猫儿山，最低的仅仅100米；还覆盖了桂林市部分城区。该小区域的西北角是越城岭山系，崇山峻岭，几个高峰海拔在1300米到1700米以上，最高峰福平包1916米；北正中是猫儿山所在山脉,主峰海拔2141米；其东侧的越城岭山脉山峰在1500米到1600米,最高峰真宝顶2123米、次高峰宝鼎1911米。该小区域的东南部是海洋山山脉，南边的海洋山山峰约1600米以上，而西边的宝界山最高峰海拔高度达到1935米。该小区域的东北到西南是一条山谷而西南角为平地，海拔高度约200米。该区域高山植被良好，而冬季的平地裸露较多，夜间容易形成辐射型逆温层。

如图4所示，03时猫儿山地区出现了辐射型低温逆温层天气背景。图中显示山谷和平地温度，即黑值区域，比高山即亮值低许多，ARCGIS分析显示猫儿山部分区域温度达到4.6℃，少部分最高区域达到5.9℃，而山谷和平地为0.6℃，最低的区域达到-0.8℃。

如图5所示，05时高山、山谷、平地温度进一步降低，ARCGIS分析显示，部分地区温度达到3.4℃，少部分地区温度最高达到6.1℃；而山谷和平地为-0.7℃，温度最低达到-1.4℃，从温度分布可以看出山地和平地的分界线，温度随山峦起伏变化的特征。

如图6所示，09时温度回升，ARCGIS分析显示部分区域温度达到6.8℃，此时东南朝向的坡地温度最高，少部分达到10.9℃，而西北向的坡地温度约5.0到7.0℃，有明显的温度变化突变线，ARCGIS放大分析显示此突变线与山脊几乎完全吻合；山谷和平地温度为5.2～6.5℃。

如图7所示，14时温度继续回升，山谷和平地回升快，高山回升慢，ARCGIS分析显示部分地区温度最低4.9℃，而西南部高山约10.0℃；但是山谷和平地反高，东北山谷12.1到13.0℃，西南平地14.1到15.2℃，同时可以看到，山谷区域的温度变得均匀，这是因为正午刚过，日照作用淡化了地势的作用。逆温层天气背景反转、地形地势的作用淡化都是非线性模式优越性的体现，说明模式对背景条件同样精准；对于同属于平地的不同背景天气也同样精准。

综上所述，本实施例获得的四个时次的订正近地订正气温反演影像图很好地反映了05、03、09时的逆温和14时的非逆温大气条件下不同海拔高度下近地面气温的变化特点和城区热岛效应的特点。各个时次的温度变化随山峦起伏和太阳高度和方位，以及下垫面散热特点而变化。这些特征都是非线性模式优越性的体现。无论白天或夜间，山上与平地温度差都在11到12度左右。反演模式对于不同背景误差较为一致。同时，近地面气温反演影像图显示出的空间外推效果也好。

以上两个实施例在下列硬件和软件的支持下完成：

硬件：AMAX超算平台，含有16个CPU；四个GPU，即四个C2075，每个C2075有448个核。

软件：①Windows7操作系统。

②SVM-lightVersion V6.01，用于完成步骤Ⅲ.。

③ArcGIS9.3、Arc Engine9.3、GDAL1.9，用于GIS空间数据的分析计算和GIS数据的相关关键软件开发。

④VS2010 C++、VS2008C++/C#、Microsoft Office Excel 2007和MicrosoftOffice Access 2007、Arrafire1.9用于完成步骤Ⅰ.中数据的读取、原始数据记录集AutoVEC的管理以及异构协同并行计算的相关技术的开发。

Claims (9)

1.一种近地面气温反演方法，其特征在于，包括如下步骤：

步骤Ⅰ.建立原始数据记录集

(Ⅰ-1)确定需要进行近地面气温反演的目标区域以及目标区域上的无人气象站所在位置，

(Ⅰ-2)确定一个目标时间点，并以该目标时间点为中心的左右2～72个小时为采样时间段，以采样时间段内无人气象站的实测气温的时刻为采样时间点，

(Ⅰ-3)设原始数据记录的格式为j＝1,2,…,L，i＝1,2,…,N，MT_j为第j条原始数据记录的实测气温，为第j条原始数据记录的第i个近地面气温影响因子的原始值，N为近地面气温影响因子的个数，L为原始数据记录的条数，最后Label标记该条记录的站号和时间点，若MT_j缺测则不予收录，

将一个无人气象站在一个采样时间点的实测气温MT_j输入原始数据记录，再根据气象卫星资料、DEM资料以及天文历法规律，将该无人气象站所在位置的该采样时间点对应的第1个至第i个近地面气温影响因子的数值依次输入获得一条原始数据记录，

(Ⅰ-4)选取另一个无人气象站或者选取同一个无人气象站另一个采样时间点，重复步骤(Ⅰ-3)，获得下一条原始数据记录，

(Ⅰ-5)由步骤(Ⅰ-2)和(Ⅰ-3)获得的原始数据记录组成原始数据记录集AutoVEC，

(Ⅰ-6)针对该目标区域，确定另一个目标时间点，重复步骤(Ⅰ-2)到(Ⅰ-4)，然后将获得的原始数据记录并入原始数据记录集AutoVEC，

(Ⅰ-7)对原始数据记录集AutoVEC中每个近地面气温影响因子的原始值进行归一化处理，得到归一化数据记录集AutoVEC’，所述原始数据记录指无人气象站位置获得的原始数据记录；

步骤Ⅱ.构造第1子模式学习集supVEC¹和第1子模式验证集exVEC¹

(Ⅱ-1)将归一化数据记录集AutoVEC’中的L条数据记录按照实测气温MT_j进行排序，排名前c名的数据记录和排名倒数d名的数据记录选入第1子模式学习集supVEC¹，

(Ⅱ-2)将实测气温MT_j排名前3～5％的归一化数据记录和排名倒数3～5％的数据记录交替地选入第1子模式学习集supVEC¹和第1子模式验证集exVEC¹，

(Ⅱ-3)随机选取其余10～12％的数据记录进入第1子模式学习集supVEC¹，剩下的数据记录进入第1子模式验证集exVEC¹；

步骤Ⅲ.获取第1子模式modelVEC¹

利用SVM的学习算法，选用高斯核函数，根据经验确定e个初始参数γ的数值，用第1子模式学习集supVEC¹参加训练，获得e个候选模式；根据候选模式求出第1子模式验证集exVEC¹中各条数据记录的计算气温FT_j，计算FT_j与MT_j的误差，将误差最小的一个作为第1子模式modelVEC¹；

步骤Ⅳ.获取第2子模式modelVEC²至第f子模式modelVEC^f

(Ⅳ-1)将归一化数据记录集AutoVEC’和第1子模式modelVEC¹代入下式，计算AutoVEC’中每条数据记录的第1子模式的计算气温

(Ⅳ-2)求出第1子模式计算气温与实测气温MT_j的误差绝对值，按照误差绝对值由大到小对AutoVEC’中的数据记录进行排序，

(Ⅳ-3)取误差绝对值排名靠前的supNum条数据记录作为第2子模式学习集supVEC²，其余的作为第2子模式验证集exVEC²，按照步骤Ⅲ的方法获得第2子模式modelVEC²，

(Ⅳ-4)重复步骤(Ⅳ-3)，取误差排名靠前的supNum+1到2×supNum条数据记录作为第3子模式学习集supVEC³，其余第3子模式验证集exVEC³，按照步骤Ⅲ的方法获得第3子模式modelVEC³，依次类推直至获得第f子模式modelVEC^f；

步骤Ⅴ.近地面气温反演

针对目标时间点的采样时间段内的指定的一个时间点，

(Ⅴ-1)将目标区域划分成BlkNum个正方形的小区域sBlk，再将每个小区域sBlk划分成M×M＝sBlkSamples个栅格点，其中M小区域sBlk的行或列的个数，

(Ⅴ-2)对小区域sBlk的每个栅格点建立一条栅格点原始数据记录，栅格点原始数据记录的格式为q＝1,2,…,sBlkSamples，i＝1,2,…,N，为第q栅格点的第f子模式计算气温，为第q栅格点的第i个近地气温影响因子，根据气象卫星资料、DEM资料以及天文历法规律，将各个栅格点所在位置的目标时间点对应的第1个至第i个近地面气温影响因子的数值输入构造栅格点原始数据记录集sBlkVEC，Label为缺省的标记，

(Ⅴ-3)对栅格点原始数据记录集sBlkVEC中每个近地面气温影响因子的数值进行归一化处理，得到栅格点归一化数据记录集sBlkVEC’，

(Ⅴ-4)将sBlkVEC’依次与第1子模式modelVEC¹至第f子模式modelVEC^f代入下式， 依次算出各个栅格点的第1子模式栅格点计算气温至第f子模式栅格点计算气温

式中，q＝1，2，...，sBlkSamples，f＝1，2，3，...

(Ⅴ-5)求出小区域sBlk中各个栅格点的第1子模式至第f子模式的算术平均值，得到该小区域sBlk中各个栅格点的计算气温，就是该小区域sBlk的近地面气温反演影像图，

(Ⅴ-6)指定另外一个小区域sBlk，重复上述步骤(Ⅴ-2)到(Ⅴ-5)，直到所有的BlkNum个正方形的小区域sBlk做完为止，最后将BlkNum个小区域sBlk的近地面气温反演影像图合并形成目标区域的近地面气温反演影像图，

(Ⅴ-7)在目标时间点的采样时间段内，指定另外一个时间点，重复上述步骤(Ⅴ-1)到(Ⅴ-6)，获得对应时间点的近地面气温反演影像图。

2.如权利要求1所述的近地面气温反演方法，其特征在于，还包括如下步骤：

步骤Ⅵ.误差订正

针对目标时间点的采样时间段内的指定的一个时间点获得的近地面气温反演影像图，

(Ⅵ-1)求出目标区域中的各个无人气象站所在位置的实测气温与由近地面气温反演影像图读出的各个无人气象站所在位置的气温值的气温误差值ΔT_j，

(Ⅵ-2)采用反距离插值算法，由气温误差值ΔT_j构造出误差曲面影像图；根据误差曲面影像图对近地面气温影像图进行订正，得到订正的近地面气温反演影像图。

3.如权利要求1或2所述的近地面气温反演方法，其特征在于，

从MODIS卫星中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的植被叶绿素吸收1C、云和植被覆盖变换2C、陆地和云的性质7C、土壤植被差异3C以及绿色植被4C，

无人气象站所在位置或者栅格点代表位置的云和植被变换2C、云_大气性质19C以及大气层含水量，

无人气象站所在位置或者栅格点代表位置的对流层中层湿度27C、对流层中层湿度28C、云_地面气温22C、云_地面气温23C、云_地面气温31C以及云高和地面气温32C；

从风云二号卫星中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的FY2C_IR1亮温、FY2C_IR2亮温、FY2C_IR3亮温、FY2C_IR4亮温以及FY2C_VIS反射率；

从DEM中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的经度、纬度、海拔高度、坡度、坡向、太阳阴影、太阳高度、太阳高度sin、水平面太阳方位、坡面太阳高度、坡面太阳高度sin、坡面小时太阳辐射能以及之前累积辐射能；

从天文历法规律中读取的近地面气温影响因子如下：

无人气象站所在位置或者栅格点代表位置的当日坡地总太阳辐射能、日落时间、日出时间以及日照时数。

4.如权利要求1或2所述的近地面气温反演方法，其特征在于，先把动力因素和影响因素分别对待，引入理想条件下的变量，所述动力因素指通过假设无大气条件下地面单位面积获得的太阳辐射能量，夜间则考虑地表单位面积辐射能量的变化趋势，动力因素驱动近地面气温的变化，所述影响因素指应用近期晴天植被遥感图获得无云条件下的植被状态，还考虑了周边地势对计算点造成的阴影，实际状况的影响由临界时间的遥感技术图片提供，还特别计算了大气廓线的水汽含量，他们最终对结果的影响和贡献则由非线性模式的优化处理后决定，影响因素对近地面气温的变化有限制作用。

5.如权利要求1或2所述的近地面气温反演方法，其特征在于，所述归一化处理的方法如下：确定原始数据记录集AutoVEC中第i个近地面气温影响因子的最大值F(i)_max和最小值F(i)_min，然后根据依次求出每个近地面气温影响因子的原始值的归一化值得到归一化数据记录集AutoVEC’。

6.如权利要求1或2所述的近地面气温反演方法，其特征在于，步骤Ⅱ(Ⅱ-1)所述的c＝3～20，d＝3～20。

7.如权利要求1或2所述的近地面气温反演方法，其特征在于，步骤Ⅲ所述的e＝3～10。

8.如权利要求1或2所述的近地面气温反演方法，其特征在于，所述第f子模式modelVEC_f中包含下列参数：支持向量的个数supNum^f，γ^f以及b^f，其中f＝1,2,3,…。

9.如权利要求1或2所述的近地面气温反演方法，其特征在于，所述步骤Ⅴ.近地面气温反演在超算平台上完成，采用CPU+GPU异构协同并行技术，由CPU的多个线程负责构造栅格点原始数据记录集sBlkVEC、栅格点原始数据记录集sBlkVEC的归一化处理、电脑内存数据与硬盘数据的交换、电脑内存数据与GPU内置内存数据的交换并根据GPU内置内存大小来调节每次数据的交换量；由GPU负责依次求算各个栅格点的第1子模式栅格点计算气温至第f子模式栅格点计算气温