CN107748736A

CN107748736A - 一种基于随机森林的多因子遥感地表温度空间降尺度方法

Info

Publication number: CN107748736A
Application number: CN201710951465.9A
Authority: CN
Inventors: 杨英宝; 李小龙; 潘鑫; 曹晨; 朱琴; 黄璐
Original assignee: Hohai University HHU
Current assignee: Hohai University HHU
Priority date: 2017-10-13
Filing date: 2017-10-13
Publication date: 2018-03-02
Anticipated expiration: 2037-10-13
Also published as: CN107748736B

Abstract

本发明公开一种基于随机森林的多因子遥感地表温度空间降尺度方法。首先，根据地表覆盖类型反演出多种能够表征水体、植被、建筑、裸土的地表参数，并通过相关性分析选择与地表温度相关性较强的地表参数作为尺度因子；针对沙漠、裸土等高温地区温度估计不准确的问题，引入短波红外波段作为尺度因子，以提高高温区的降尺度精度；针对随机森林随机选取数据的非平衡性问题，采用在不同地表覆盖类型下建立不同的回归模型的方法，在不同的地表覆盖类型下分别进行降尺度，得到高分辨率的地表温度图像。本发明在大范围或地表覆盖复杂的区域具有良好的适用性；有效提高了降尺度的精度和效率。

Description

一种基于随机森林的多因子遥感地表温度空间降尺度方法

技术领域

本发明属于降尺度领域，特别涉及一种基于随机森林的多因子遥感地表温度空间降尺度方法。

背景技术

地表温度(Land Surface Temperature，下文简称LST)是表征地表能量的重要参数，是研究和评价生态系统、气候变化的重要因子。精准的地表温度产品对于监测城市热岛、生态环境、农业旱情以及监控全球气候、估算土壤水分等地表过程研究有着重要的意义。获取地表温度的传统途径是通过地面气象站的观测数据，观测站数据精度高，具有时间连续性，但是监测覆盖区域有限，不适用于大范围的温度监测。目前获取地表温度的主要方法是通过热红外遥感技术，热红外遥感数据可以获取大范围的地表温度，这对地表能量传递过程的研究和热环境研究提供了新的数据来源，但是现有的传感器获取的地表温度产品存在着严重的时空矛盾，极大限制了地表温度产品的应用，因此提高现有温度产品分辨率的问题亟待解决。

尺度转换是指将某一个尺度上所获得的信息和知识扩展到其他尺度上的过程，将低分辨率的地表温度数据与高分辨率的其他遥感数据结合应用，可以得到高分辨率的地表温度数据。空间降尺度是通过提高影像的空间分辨率来提升资源环境监测的精度，从而有助于更好的利用地表信息。因此有必要加强对热红外遥感数据降尺度的研究，从而得到高时间分辨率且具有更多空间细节信息的地表温度产品，以满足高时空分辨率地表温度的应用需求。

地表温度降尺度方法已有部分研究成果，目前研究降尺度的方法大部分都是基于统计模型建立的，即建立地表温度与不同地表参数之间的统计关系，然后根据高空间分辨率的地表参数数据实现地表温度的降尺度。多数降尺度方法在地表参数的选择上比较单一，大部分选择单个或几个植被指数作为降尺度因子，忽略了其他地表参数对地表温度空间变化的影响；在模型建立时也多选用线性回归模型，虽然线性回归模型简单、高效，但也存在许多局限，不同地表参数与地表温度拟合模型也存在非线性的关系。根据实验区域和条件的不同，遥感数据类型的不同，每一种降尺度方法在不同实验区的适用性也不同，其降尺度因子(如：植被指数、地表比福射率等)的选择、计算和组合及适用范围仍需要进一步深入研究和探讨。因此传统方法对于大范围、地表覆盖类型复杂区域的降尺度，精度低，无法满足应用的需求。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供了一种精度高的基于随机森林的多因子遥感地表温度空间降尺度方法(MSFRF方法)。

发明内容：为解决上述技术问题，本发明提出一种基于随机森林的多因子遥感地表温度空间降尺度方法，包括以下步骤：

步骤1：获取研究区域范围内热红外遥感影像和多光谱遥感影像，并进行预处理；

步骤2：对经过预处理的多光谱遥感影像进行升尺度，得到升尺度后的多光谱遥感影像；利用获得的经过预处理的高、低两种分辨率下的多光谱遥感影像计算出对应的不同分辨率的地表参数；对各地表参数与地表温度进行相关性分析，选择与地表温度相关性大的地表参数作为降尺度因子；

步骤3：根据步骤2中选择出的降尺度因子建立随机森林回归模型并且对随机森林回归模型中的参数进行优化；

步骤4：利用步骤3建立的随机森林回归模型对实验区进行降尺度实验，得到实验区的高分辨率的地表温度影像。

其中，所步骤1中的预处理包括影像的校正、重采样、裁剪；对遥感影图像的多光谱和热红外图像进行校正，并将多光谱遥感影像重采样至与热红外遥感影像相同的分辨率，且统一裁剪至同一研究区域。这样的预处理能够有效的提高最后降尺度的精度。

为了能够使建立的随机森林回归模型更加的准确，所述步骤3中的随机森林回归模型的建立方法为：首先根据地表覆盖类型数据，对研究区下垫面进行划分，以步骤2中获得的每一种地表覆盖类型对应的低分辨的降尺度因子和地表温度为一个数据集；然后在每一个数据集上，以各低分辨的降尺度因子作为样本属性，以地表温度为样本预测结果，利用随机森林回归算法建立尺度因子与地表温度之间回归模型。

同时，在建立所述步骤3中的随机森林回归模型时，以2/3的数据作为样本数据，其余1/3的数据为测试数据，建立不同的随机森林回归模型。

为了优化整个随机森林回归模型中采用的参数，在建立所述步骤3中的随机森林回归模型时，对于模型中决策树的总数和分裂节点的属性个数的最优值的确定，主要采用循环改变决策树的总数和分裂节点的属性个数的取值建立不同的回归模型，再根据决定系数R²、均方根误差RMSE、平均绝对误差MAE来测试评价回归模型的精度，选择精度高的来确定决策树的总数和分裂节点的属性个数的取值。

所述步骤4中还包括对回归过程中存在的回归残差进行进一步修正，则对降尺度结果进行残差修正：利用已建立好的随机森林回归模型模拟出的低分辨率的地表温度与原始的地表温度产品得回归残差，通过残差修正降尺度结果。这样有效的提高了降尺度的精度。

工作原理：本发明在传统降尺度方法的单一尺度因子的基础上引入更多尺度因子，其中引入短波红外波段反射率数据作为尺度因子，能够更好的反映出裸土、沙漠等高温区地表温度的空间变化，以提高高温区的降尺度精度；在传统线性模型的基础上，引入随机森林回归算法，更好的反映出LST与尺度因子的关系；针对随机森林数据选择的非平衡性问题，引入地表覆盖类型数据，在每个地表覆盖类型下建立随机森林回归模型，从而在不同的地表覆盖类型下分别进行降尺度，得到高分辨率的地表温度图像，提高整个模型拟合精度。

有益效果：与现有技术相比，本发明引入地表覆盖类型数据，对于大范围的地表覆盖比较复杂区域的降尺度研究具有一定的适用性；其次，引入短波红外波段的反射率作为尺度因子，有效提高了高温、裸土或沙漠地区的降尺度精度；最后，利用随机森林回归算法建立降尺度模型，通过随机森林的随机性实现尺度因子的自适应选择，提高了降尺度的精度。本发明将随机森林回归算法的高效率、高精度、抑制过度拟合等优点引入到降尺度方法中，提高了地表温度降尺度的精度和效率，拓展了热红外图像应用的深度和广度。

附图说明

图1是本发明提供的研究区范围及地表观测站点位置图；

图2是本发明提供的方法流程图；

图3是本发明提供的MODIS地表温度产品图(960m)；

图4是本发明提供的尺度因子与地表温度的相关性散点图(960m)；

图5是本发明提供的土地覆盖类型数据图；

图6是本发明提供的植被区参数优化评价指标曲线图；(a)决定系数R²随模型参数变化的曲线图；(b)均方根误差RMSE随模型参数变化的曲线图；(c)平均绝对误差MAE 随模型参数变化的曲线图；

图7是本发明提供的ASTER地表温度产品与降尺度结果对比图；其中，(a)为ASTERLST产品(480m)；(b)为LST降尺度结果(480m)；

图8是本发明提供的降尺度结果与MODIS数据和ASTER数据的相关性散点图；其中，(a)为MODIS LST与降尺度结果的相关性散点图(960m)；(b)为ASTER LST与降尺度结果的相关性散点图(480m)；

图9是本发明提供的误差概率密度图；

图10是本发明提供的误差空间分布图；

图11是本发明提供的降尺度结果、ASTER温度产品与地表观测数据相关性散点图；(a)降尺度结果与地表观测数据相关性散点图；(b)ASTER温度产品与地表观测数据相关性散点图；

图12是本发明提供的降尺度方法结果与ASTER温度产品的对比图；其中，(a)为ASTER LST 480m，(b)为DisTrad方法，(c)为TsHARP方法，(d)为MSFAT方法，(e)为本发明的方法；

图13是本发明提供的降尺度方法与验证数据的相关性散点图；其中，(a)为DisTrad 方法，(b)为TsHARP方法，(c)为MSFAT方法，(d)为本发明的方法。

具体实施方式

下面结合附图对本发明的技术方案作进一步解释。

本发明提出一种基于随机森林的多因子遥感地表温度空间降尺度方法。具体包括以下步骤：

步骤1：获取遥感数据及预处理。获取研究区域范围内热红外遥感影像和多光谱遥感影像，并进行预处理。所采用的预处理主要包括影像的校正、重采样、裁剪等操作。对遥感影像的多光谱和热红外图像进行校正，并将多光谱遥感影像重采样至与热红外遥感影像相同的分辨率，且统一裁剪至同一研究区域，而后对热红外遥感影像进行温度反演得到研究区域的地表温度。

步骤2：尺度因子的选择。地表参数是由单个或多个可见光近红外波段、短波红外波段组合衍生出来的，本发明主要考虑的是与驱动热发射物理相关的地表参数，例如，植被指数，水体指数，土壤指数等，选择与地表温度相关性较高的地表参数作为降尺度因子。首先将多光谱遥感影像与热红外遥感影像通过聚合的方法升尺度至同一低分辨率，而后利用多光谱遥感影像和升尺度后的多光谱遥感影像计算出相应高、低分辨率的各地表参数；然后，利用决定系数R²、均方根误差RMSE来评价各地表参数与LST之间的相关性大小，R²越大，RMSE越小，说明地表参数与LST之间相关性越大；最后选择与 LST相关性大的地表参数作为降尺度因子。

步骤3：随机森林回归模型的建立与参数优化。随机森林模型有三个主要参数：样本的属性、树的个数和节点分裂时所需的属性个数，随机森林回归模型是通过随机的方式从数据集中选取样本建立回归树，随机选取样本时会存在不同数据类型的样本选取不均匀的问题，而不同地表覆盖类型对应的尺度因子与地表温度的回归关系又存在很大的不同，这会使得最后回归得出的回归模型产生较大的残差。为了解决随机森林随机选取样本的不均匀问题，本发明引入地表覆盖类型数据，首先根据地表覆盖类型数据，对研究区下垫面进行划分，以步骤2中获得的每一种地表覆盖类型对应的低分辨的降尺度因子和地表温度为一个数据集；然后在每一个数据集上，以各低分辨的降尺度因子作为样本属性，以LST为样本预测结果，利用随机森林回归算法建立尺度因子与LST之间回归模型。对于随机森林回归模型中另外两个参数，为了确定其最优参数，本实施例通过循环改变这两个参数的取值，建立不同的随机森林回归模型，通过决定系数R²、均方根误差RMSE、平均绝对误差MAE来测试评价回归模型的精度，以此来确定两个参数的取值，当R²达到最大，RMSE和MAE达到最小时，来确定两个参数的最优值。

式中，下标L表示低分辨率下的变量；LST_L′表示由随机森林回归模型模拟得到的低分辨率地表温度；f表示随机森林回归模型；表示低分辨率下第i个降尺度因子。

步骤4：将步骤二中得到的高分辨的降尺度因子代入到步骤三建立的随机森林回归模型中进行实验区降尺度实验，得到实验区的高分辨率的地表温度影像，但在回归过程中还存在一定的残差，需要对降尺度结果进行残差修正。

式中，下标H表示高分辨率下的变量；LST_H′表示由随机森林回归模型模拟得到的高分辨率地表温度；表示高分辨率下第i个降尺度因子。

根据公式(3)可以得到残差ΔT，残差ΔT即为降尺度前的地表温度LST_L与由随机森林回归模型模拟得到的低分辨率地表温度LST_L′之间的差异。根据公式(4)将此残差ΔT应用到降尺度后的地表温度影像上，得到最终的降尺度结果LST_H。

ΔT＝LST_L′-LST_L (3)

LST_H＝LST_H′+ΔT (4)

步骤5，精度评价与适用性分析，利用已有的较高分辨率的地表温度数据和地表站点实测温度数据对降尺度结果进行精度评价，利用决定系数R²和均方根误差RMSE指标综合考察降尺度结果精度。

如图1所示，本实施例中以张掖地区为例，对张掖地区的MODIS(ModerateResolution Imaging Spectroradiometer，中分辨率成像光谱仪)地表温度产品进行降尺度试验，本实施例的实施流程如图2所示，具体包括以下步骤：

步骤一：如图3所示，获取2012年9月3日张掖市及周边范围内的MODIS地表温度产品和MODIS多光谱遥感影像，并进行预处理，MODIS地表温度产品是从NASA官网上下载得到的地表温度数据，因此不再需要对MODIS热红外遥感影像进行温度反演。所采用的预处理主要包括影像的校正、重采样、裁剪等操作。运用遥感软件ENVI对遥感影像进行校正，将480m分辨率的MODIS多光谱遥感影像利用聚合平均的方式重采样至960m 分辨率，并将960m分辨率的地表温度产品和高低两种分辨率的MODIS多光谱数据统一裁剪至同一研究区域。

步骤二：降尺度因子选择，利用步骤一中得到的张掖地区480m和960m两种分辨率下的MODIS多光谱遥感影像计算出相应分辨率的各地表参数；对各地表参数与LST进行相关性分析，选择与LST相关性大的地表参数作为降尺度因子，如图4所示，已经选择出来作为降尺度因子的地表参数与地表温度的相关性分析结果。图4中的降尺度因子为归一化差值植被指数NDVI，土壤调节植被指数SAVI，增强型植被指数EVI，植被覆盖度 fc，归一化水体指数NDWI，增强型水体指数MNDWI，归一化多波段干旱指数NMDI，归一化建筑指数NDBI以及短波红外反射率SWIR；其中短波红外反射率SWIR指的是MODIS 短波红外波段SWIR 2的反射率。由图4中可以看出本实施例中选取的各尺度因子与LST 之间的相关性均较好，一致性较高，尤其是植被指数、土壤指数和建筑指数，相关性达到了0.8以上，本实施例新引入的短波红外波段反射率SWIR数据与LST的相关性达到 0.7以上，相关性较高，可以参与回归的计算。

步骤三：随机森林回归模型的建立与参数优化。如图5所示，通过“黑河流域生态-水文过程综合遥感观测联合试验”项目申请得到张掖地区的地表覆盖类型数据，首先根据张掖地区的地表覆盖类型数据，对研究区下垫面进行划分，以步骤二中获得的每一种地表覆盖类型对应的低分辨的降尺度因子和地表温度为一个数据集；然后在每一个数据集上，以各960m分辨率的降尺度因子为样本属性，以LST为样本预测结果，以2/3的数据作为样本数据，其余1/3的数据为测试数据，建立不同的随机森林回归模型。此处，以植被区为例进行参数优化说明，在建立随机森林回归模型时，对于模型最优参数的确定，即对决策树的总数和分裂节点的属性个数，本发明采用循环改变两个参数的取值建立不同的回归模型，根据决定系数R²、均方根误差RMSE、平均绝对误差MAE来测试评价回归模型的精度确定两个参数的取值，实验结果如图6所示。从图6中可以看出当决策树的数目大于12以后精度变化基本趋于稳定，且保持在最优值附近，因此回归模型中决策树的数目为12棵。当决策树数目选取12时，其与不同特征数目的组合模型精度如表1所示，由表可以看出当选取参与的特征数目为3时，R²达到最大，RMSE和MAE达到最小，由此确定植被区域的最优参数。通过以上方法继续确定其它地表覆盖区域的参数最优值。图6中的“mtr”表示分裂节点的属性个数。图6(a)为决定系数R²随模型参数变化的曲线图；图6(b)为均方根误差RMSE随模型参数变化的曲线图；图6(c)为平均绝对误差随模型参数变化的曲线图。

上式中，LST_j′表示地表温度降尺度结果影像上第j个像元的温度值，LST_j为地表温度验证影像上第j个像元的温度值，为地表温度验证值的平均值，N为影像总像元数。

表1植被区域不同特征数目对应模型的评价指标

步骤四：将步骤二中得到的480m分辨率的降尺度因子代入到步骤三建立的随机森林回归模型中进行降尺度实验，得到张掖地区480m分辨率的地表温度影像。但在回归过程中还存在一定的回归残差，需要对降尺度结果进行残差修正。

对于残差修正，首先利用随机森林回归模型模拟出960m分辨率的地表温度，通过模拟的960m分辨率的地表温度与原始的MODIS地表温度产品可求得回归模型的残差，将此残差加入到降尺度后的地表温度影像上，得到最终的降尺度结果，如图7所示。从图 7(b)中可以看出，降尺度后的温度影像基本保留了图3中原始MODIS温度产品的温度特征，整体温度分布与地表覆盖类型分布一致。图7(a)为通过“黑河流域生态-水文过程综合遥感观测联合试验”项目申请得到的ASTER温度产品，相较于ASTER(Advanced Spaceborne ThermalEmission and Reflection Radiometer)温度产品，本实施例中采用的降尺度结果与ASTER温度产品的温度分布基本一致，温度空间变化趋势相同，地表所包含的空间信息基本相同，从总体上来看降尺度的效果接近ASTER地表温度产品。从局部来看，中部植被区、西北部的戈壁区域与西南部荒漠区域降尺度后的温度空间分布与ASTER基本一致，效果较好；北部的建筑区域与湿地区域温度空间变化趋势与ASTER 相近，但存在一定的误差；对于东南部的沙漠区域沙漠内部的高温区域变化不大，但沙漠与植被区交界出存在着温度低估的情况；对于水体区域降尺度后的影像空间信息较少，从目视的角度来看效果一般，这可能是由于研究区水体主要以黑河为主，水体含量较少且分布狭长，在中低分辨率的遥感影像中反映不明显导致的。总体来说，本实施例中采用的降尺度后的温度图像在保存原有温度图像的温度分布特征的同时，扩展了温度范围，增加了空间细节信息，反映出了不同地物之间的温度差异以及相同地物之间的细节信息。

步骤五：精度评价与分析，利用已有的ASTER地表温度产品和地表站点实测温度数据对降尺度结果进行精度评价，利用R²和RMSE指标综合考察降尺度结果精度，图8～图13为降尺度精度评价结果图。图8为降尺度结果与MODIS地表温度产品和ASTER地表温度产品的散点图，图8(a)中横坐标表示960m分辨率的MODIS地表温度(单位为K)，纵坐标为降尺度结果重采样至960m分辨率的地表温度(单位为K)；图8(b)中横坐标表示将90m分辨率的ASTER地表温度产品重采样至480m分辨率的地表温度，纵坐标表示降尺度结果(480m分辨率)；图例中“LST”表示地表温度，“fitline”表示拟合线，“1:1line”表示1:1线。从图中可以看出降尺度结果与二者的一致性都非常高，均方根误差较小。图9与图10为降尺度结果与ASTER地表温度产品对比的误差分布图，降尺度结果有近50％的像元在1K之内，精度较高。图11为地面站点的温度数据与降尺度结果的散点图，可以看出降尺度结果与地面站点温度十分接近，降尺度效果明显。图12 和图13分别为利用不同的经典的降尺度方法所得到的降尺度结果与ASTER温度产品的对比图和精度评价图，本发明的降尺度方法无论是降尺度效果还是降尺度精度均优于其它降尺度方法。

从精度评价的结果可以看出，无论是地面站点的直接验证，还是ASTER地表温度产品的间接验证，本发明的降尺度方法精度都较高，尤其是沙漠、戈壁等高温区的温度更加接近真实地面温度。与其它降尺度方法相比，本发明降尺度方法的各项精度评价指标均优于其它方法，精度最高。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种基于随机森林的多因子遥感地表温度空间降尺度方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于随机森林的多因子遥感地表温度空间降尺度方法，其特征在于：所步骤1中的预处理包括影像的校正、重采样、裁剪；对遥感影图像的多光谱和热红外图像进行校正，并将多光谱遥感影像重采样至与热红外遥感影像相同的分辨率，且统一裁剪至同一研究区域。

3.根据权利要求1所述的基于随机森林的多因子遥感地表温度空间降尺度方法，其特征在于：所述步骤3中的随机森林回归模型的建立方法为：首先根据地表覆盖类型数据，对研究区下垫面进行划分，以步骤2中获得的每一种地表覆盖类型对应的低分辨的降尺度因子和地表温度为一个数据集；然后在每一个数据集上，以各低分辨的降尺度因子作为样本属性，以地表温度为样本预测结果，利用随机森林回归算法建立尺度因子与地表温度之间回归模型。

4.根据权利要求1所述的基于随机森林的多因子遥感地表温度空间降尺度方法，其特征在于：在建立所述步骤3中的随机森林回归模型时，以2/3的数据作为样本数据，其余1/3的数据为测试数据，建立不同的随机森林回归模型。

5.根据权利要求1所述的基于随机森林的多因子遥感地表温度空间降尺度方法，其特征在于：在建立所述步骤3中的随机森林回归模型时，对于模型中决策树的总数和分裂节点的属性个数的最优值的确定，主要采用循环改变决策树的总数和分裂节点的属性个数的取值建立不同的回归模型，再根据决定系数R²、均方根误差RMSE、平均绝对误差MAE来测试评价回归模型的精度，选择精度高的来确定决策树的总数和分裂节点的属性个数的取值。

6.根据权利要求1所述的基于随机森林的多因子遥感地表温度空间降尺度方法，其特征在于：所述步骤4中还包括对回归过程中存在的回归残差进行进一步修正，则对降尺度结果进行残差修正：利用已建立好的随机森林回归模型模拟出的低分辨率的地表温度与原始的地表温度产品得回归残差，通过残差修正降尺度结果。