CN109063684B - 一种近地表气温遥感监测方法 - Google Patents
一种近地表气温遥感监测方法 Download PDFInfo
- Publication number
- CN109063684B CN109063684B CN201810991574.8A CN201810991574A CN109063684B CN 109063684 B CN109063684 B CN 109063684B CN 201810991574 A CN201810991574 A CN 201810991574A CN 109063684 B CN109063684 B CN 109063684B
- Authority
- CN
- China
- Prior art keywords
- time
- space
- air temperature
- altitude
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本申请提供了一种近地表气温遥感监测方法,包括:获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例的遥感产品和海拔高度数据;对所述遥感产品进行时空重建分析,获得所述待测区域时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据;根据预设的近地表气温计算模型,以及根据所述时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,获得待测区域的气温值。在本申请实施例中,通过建立气温与地表温度、叶面积指数、积雪覆盖比例和海拔之间的统计关系实现气温的遥感监测,这些数据的获得迅速而准确。同时,遥感产品的空间分辨率也越来越高,从而能够以较低的成本提供快速、准确和高空间分辨率的气温监测服务。
Description
技术领域
本发明涉及遥感监测领域,具体而言,涉及一种近地表气温遥感监测方法。
背景技术
近地表气温是与人类关系密切的环境因子,是各种生态、水文模型的重要参数。气温一般通过地面气象站进行观测,但气象站在一些地区非常稀少。现有的气温监测技术,不能够以较低的成本提供快速而准确的气温监测服务,特别是在一些偏远地区,通过有限的气温观测结合地形的气温估计结果与实际有较大差异,但若是为了这些地区的气温监测而增设大量气象站,成本极高有时甚至不可能。
发明内容
有鉴于此,本发明的目的在于提供一种近地表气温遥感监测方法,能够以较低成本提供快速而准确的气温监测服务。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请的实施例提供了一种近地表气温遥感监测方法,所述近地表气温遥感监测方法包括:获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例的遥感产品和海拔高度数据;对所述遥感产品进行时空重建分析,获得所述待测区域时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据;根据预设的近地表气温计算模型,以及根据所述时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,获得所述待测区域的气温值。
在本申请实施例中,发现待测区域的气温与该待测区域的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据呈极高的相关性,因此本申请实施例通过建立气温与地表温度、叶面积指数、积雪覆盖比例和海拔之间的统计关系实现气温的遥感监测,这些数据的获得过程非常迅速,由于对遥感产品处理的算法模型已经相当成熟了,所以由此获得的数据也非常准确。同时,本申请实施例所涉及的遥感产品的空间分辨率也越来越高,从而能够以较低的成本提供快速、准确和高空间分辨率的气温监测服务。
在第一方面的一些可选的实现方式中,所述近地表气温计算模型包括:瞬时气温计算公式
T1=a1*LST+b1*LAI+c1*FSC+d1*Altitude+e1 (1)
式(1)中,LST为所述时空完整的对应时间的瞬时地表温度,LAI为所述时空完整的对应时间的叶面积指数,FSC为所述时空完整的对应时间的积雪覆盖比例,Altitude为所述海拔高度,a1、b1、c1和d1为第一预设参数,e1为第一误差系数;
日平均气温计算公式
T2=a2*LSTday+b2*LSTnight+c2*LAI+d2*FSC+e2*Altitude+f (2)
式(2)中,LSTday为时空完整的对应时间的白天地表温度,LSTnight为时空完整的夜间地表温度,LAI为时空完整的对应时间的叶面积指数,FSC为时空完整的对应时间的积雪覆盖比例,Altitude为海拔高度,a2、b2、c2、d2和e2为第二预设参数,f为第二误差系数;
年平均气温计算公式
T3=a3*LSTyear+b3*LAIyear+c3*SD+d3*Altitude+e3 (3)
式(3)中,LSTyear为时空完整的对应时间的年平均地表温度,LAIyear为时空完整的对应时间的年平均叶面积指数,SD为时空完整的对应时间的年积雪覆盖日数,Altitude为海拔高度,a3、b3、c3和d3为第三预设参数,e3为第三误差系数。
在本申请实施例中,通过建立近地表气温计算模型,用以实现对近地表气温的监测。由于该近地表气温计算模型中的预设参数能够准确的反应出待测地区的近地表气温值与地表温度、叶面积指数、积雪覆盖比例和海拔高度数据之间的关系,所以通过将预设参数代入地表温度、叶面积指数、积雪覆盖比例和海拔高度数据的计算中,则能够快速而准确地计算出近地表气温值。
在第一方面的一些可选的实现方式中,所述根据预设的近地表气温计算模型,以及根据所述时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,获得所述待测区域的气温值包括:根据所述时空完整的对应时间的地表温度、所述叶面积指数、所述积雪覆盖比例和所述海拔高度数据,以及根据所述瞬时气温计算公式,计算出所述待测区域的瞬时气温值T1;或根据所述时空完整的对应时间的地表温度、所述叶面积指数、所述积雪覆盖比例和所述海拔高度数据,以及根据所述日平均气温计算公式,计算出所述待测区域的日平均气温值T2;或根据所述时空完整的对应时间的地表温度、所述叶面积指数、所述积雪覆盖比例和所述海拔高度数据,以及根据所述年平均气温计算公式,计算出所述待测区域的年平均气温值T3。
在本申请实施例中,通过根据获得的时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据中按不同标准整合的数据分别代入不同的计算公式进行计算,从而得到满足不同需要的气温值,因此能够得到更加准确的对待测区域的气温监测值,从而保证了监测数据的准确性。
在第一方面的一些可选的实现方式中,对所述遥感产品进行时空重建分析,获得所述待测区域时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据,包括:调用预设的时空重建模型,将所述地表温度产品输入所述时空重建模型,获得所述时空完整的对应时间的地表温度数据;调用预设的时空重建模型,将所述叶面积指数产品输入所述时空重建模型进行时空重建,获得所述时空完整的对应时间的叶面积指数数据;调用预设的时空重建模型,将所述积雪覆盖比例产品输入所述时空重建模型进行时空重建,获得所述时空完整的对应时间的积雪覆盖比例数据。
在本申请实施例中,通过使用时空重建的方法,根据获得的原始遥感地表温度产品,生成时空完整的地表温度数据,由于时空重建的方法是比较稳定的计算方法,因此,能够保证获得的地表温度数据的准确性,从而保证计算结果的准确性。同时,通过使用时空重建方法,根据获得的遥感产品中包含叶面积指数的第二遥感产品,生成叶面积指数数据,由于时空重建方法是比较稳定的计算方法,因此,能够保证获得的叶面积指数数据的准确性,从而保证计算结果的准确性。同样地,通过使用时空重建方法,根据获得的遥感产品中包含积雪覆盖比例的第三遥感产品,生成积雪覆盖比例数据,由于时空重建方法是比较稳定的计算方法,因此,能够保证获得的积雪覆盖比例数据的准确性,从而保证计算结果的准确性。
在第一方面的一些可选的实现方式中,在所述获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例遥感产品和海拔高度数据之前,所述方法还包括:获得待测区域的样本遥感产品;获取待测区域的站点近地表气温观测数据;根据所述待测区域的样本遥感产品和站点观测数据对模型进行训练,获得所述近地表气温计算模型。
在本申请实施例中,通过根据获得的待测区域的样本遥感产品对模型进行训练,得到需要的近地表气温计算模型,由于样本遥感产品是与待测区域有直接关联的,因此能够保证通过所述近地表气温计算模型计算出来的气温值能够更加贴近待测区域的实际气温值。同时,由于通过训练气温计算模型得到近地表气温计算模型的成本相较于目前的需要使用相当数量的气象塔对待测区域提供气温监测服务的成本能够低很多,因此本申请实施例能够以较低的成本提供快速而准确的气温监测服务。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请第一实施例提供的一种近地表气温遥感监测方法的第一流程图;
图2示出了本申请第一实施例提供的一种近地表气温遥感监测方法中步骤S200的子流程图;
图3示出了本申请第一实施例提供的一种近地表气温遥感监测方法中步骤S300的子流程图;
图4示出了本申请第一实施例提供的一种近地表气温遥感监测方法的2009年的青藏高原地区的监测结果;
图5示出了本申请第一实施例提供的一种近地表气温遥感监测方法的2009年的青藏高原地区的监测结果与实际观测值的相关性。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有进行出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。再者,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
第一实施例
请参阅图1,在本实施例提供的近地表气温遥感监测方法中,该近地表气温遥感监测方法可以包括:步骤S100、步骤S200、步骤S300。
步骤S100:获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例遥感产品和海拔高度数据。
步骤S200:由于遥感产品受云等因素的影响有所缺失,对所述遥感产品进行时空重建分析,获得所述待测区域时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据。
步骤S300:根据预设的近地表气温计算模型,以及根据所述时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,获得所述待测区域的气温值。
下面将结合图1-图5对本申请的方案中的各个步骤进行详细的描述。
本实施例中,在进行步骤S100之前,服务器可以从终端设备获得待测区域的多张样本遥感图像,根据获得的待测区域的样本遥感产品,结合对应的所测量出的实际气温值和当地的海拔高度,对模型进行训练。其中最主要的工作是将建立的近地表气温计算模型中的参数进行定值,可以采用最小二乘法或用解析表达式逼近离散数据法等方式进行拟合,将得到的待测区域的地表温度信息、叶面积指数信息、积雪覆盖比例信息和海拔信息,与对应的相关参数相乘,之后将各个值累加,再与对应的实际数据进行拟合,来确定各个相关参数的值,确定其为预设参数,从而得到近地表气温计算模型。此处建立的模型为近地表气温计算模型,它包括:
瞬时气温计算公式
T1=a1*LST+b1*LAI+c1*FSC+d1*Altitude+e1 (1)
式(1)中,LST为所述时空完整的对应时间的瞬时地表温度,LAI为所述时空完整的对应时间的叶面积指数,FSC为所述时空完整的对应时间的积雪覆盖比例,Altitude为所述海拔高度,a1、b1、c1和d1为第一预设参数,e1为第一误差系数;
日平均气温计算公式
T2=a2*LSTday+b2*LSTnight+c2*LAI+d2*FSC+e2*Altitude+f (2)
式(2)中,LSTday为时空完整的对应时间的白天地表温度,LSTnight为时空完整的夜间地表温度,LAI为时空完整的对应时间的叶面积指数,FSC为时空完整的对应时间的积雪覆盖比例,Altitude为海拔高度,a2、b2、c2、d2和e2为第二预设参数,f为第二误差系数;
年平均气温计算公式
T3=a3*LSTyear+b3*LAIyear+c3*SD+d3*Altitude+e3 (3)
式(3)中,LSTyear为时空完整的对应时间的年平均地表温度,LAIyear为时空完整的对应时间的年平均叶面积指数,SD为时空完整的对应时间的年积雪覆盖日数,Altitude为海拔高度,a3、b3、c3和d3为第三预设参数,e3为第三误差系数。
训练的内容为:根据获得的样本遥感产品,通过处理得到多个地表温度信息、多个叶面积指数信息和多个积雪覆盖比例信息,并将得到的信息代入公式,结合海拔高度,与对应的观测数据进行拟合,从而确定近地表气温计算模型中各个公式中的预设参数的值,进而得到训练后的近地表气温计算模型,便于后续计算。
假设1:工作人员将2008年青藏高原地区的多张样本遥感图像和2008年青藏高原地区94个常规气象站的气温观测数据从终端设备录入,服务器接收到多张样本遥感图像和气温观测数据后,对建立的近地表气温计算模型进行训练,得到训练后的近地表气温计算模型:
瞬时气温计算公式
T1=0.91*LST+2.91*LAI+0.21*FSC-0.00121*Altitude+0.91 (1)
式(1)中,LST为所述时空完整的对应时间的瞬时地表温度,LAI为所述时空完整的对应时间的叶面积指数,FSC为所述时空完整的对应时间的积雪覆盖比例,Altitude为所述海拔高度,a1、b1、c1和d1为第一预设参数,e1为第一误差系数;
日平均气温计算公式
T2=0.46*LSTday+0.46*LSTnight+2.92*LAI+0.22*FSC-0.00122*Altitude+0.92 (2)
式(2)中,LSTday为时空完整的对应时间的白天地表温度,LSTnight为时空完整的夜间地表温度,LAI为时空完整的对应时间的叶面积指数,FSC为时空完整的对应时间的积雪覆盖比例,Altitude为海拔高度,a2、b2、c2、d2和e2为第二预设参数,f为第二误差系数;
年平均气温计算公式
T3=0.83919*LSTyear+2.91612*LAIyear+0.0242*SD-0.00116*Altitude+0.9501 (3)
式(3)中,LSTyear为时空完整的对应时间的年平均地表温度,LAIyear为时空完整的对应时间的年平均叶面积指数,SD为时空完整的对应时间的年积雪覆盖日数,Altitude为海拔高度,a3、b3、c3和d3为第三预设参数,e3为第三误差系数。
应当注意的是,此处第一预设参数、第二预设参数、第三预设参数、第一误差系数、第二误差系数和第三误差系数的设置并非根据实际的训练后设定的,只是为了举例说明的方便而设置一些相对比较容易计算的参数,涉及实际的计算时,当以实际的预设参数和误差系数为准,因此不应看作是对本申请的限定。
本实施例中,服务器完成对待测区域的近地表气温计算模型的训练后,服务器便可以执行步骤S100,即获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例的遥感产品和海拔高度数据。服务器可以从终端设备获得海拔信息和待测区域的遥感产品,服务器也可以从卫星遥感图像发送装置获得待测区域的遥感产品。
继续前述的假设1,服务器获得青藏高原A区域的遥感产品和海拔信息:Altitude=4000米。
在服务器执行获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例的遥感产品和海拔高度数据后,服务器则可以继续执行步骤S200。本实施例中,步骤S200可以包括:步骤S210、步骤S220和步骤S230。
步骤S210:调用预设的时空重建模型,将所述遥感产品中包含所述地表温度的第一产品输入所述时空重建模型进行反演,获得所述时空完整的对应时间的地表温度数据。
步骤S220:调用预设的时空重建模型,将所述遥感产品中包含所述叶面积指数的第二产品输入所述时空重建模型进行时空重建,获得所述时空完整的对应时间的叶面积指数数据。
步骤S230:调用预设的时空重建模型,将所述遥感产品中包含所述积雪覆盖比例的第三产品输入所述时空重建模型进行时空重建,获得所述时空完整的对应时间的积雪覆盖比例数据。
本实施例中,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的劈窗算法对遥感产品中包含地表温度的第一产品进行反演,从而得到地表温度数据,其中,劈窗算法是利用相邻的两个热红外通道来进行地表温度反演的方法,是目前为止发展最为成熟的地表温度反演算法。
继续前述的假设1,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的劈窗算法对遥感产品中包含地表温度的第一产品进行反演,得到地表温度数据:LST=20摄氏度,LSTday=35摄氏度,LSTnight=5摄氏度。
假设2:工作人员将2009年青藏高原地区的遥感产品和2009年青藏高原地区94个常规气象站的气温观测数据从终端设备录入,用于估计2009年年平均气温。反演获得的地表温度为:LSTyear=10摄氏度。
本实施例中,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的时间序列分析模型对遥感产品中包含叶面积指数的第二产品进行时间序列分析,从而得到叶面积指数数据,其中,时间序列分析模型是根据对系统进行观测得到的时间序列数据,用曲线拟合方法对系统进行客观的描述。
继续前述的假设1,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的时间序列分析模型对遥感产品中包含叶面积指数的第二产品进行时间序列分析,从而得到叶面积指数数据:LAI=0.8。
继续前述假设2,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的时间序列分析模型对遥感产品中包含叶面积指数的第二产品进行时间序列分析,从而得到叶面积指数数据:LAIyear=0.5。
本实施例中,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的时间序列分析模型对遥感产品中包含积雪覆盖比例的第三图像进行时间序列分析,从而得到积雪覆盖比例数据。
继续前述的假设1,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的时间序列分析模型对遥感产品中包含积雪覆盖比例的第三产品进行时间序列分析,从而得到积雪覆盖比例数据:FSC=0.1。
继续前述假设2,服务器可以调用预设的时空重建模型,并通过时空重建模型中预设的时间序列分析模型对遥感产品中包含积雪覆盖比例的第三产品进行时间序列分析,从而得到积雪覆盖比例数据:SD=150天。
在服务器执行对所述遥感产品进行分析,获得所述待测区域的时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据后,服务器则可以继续执行步骤S300。本实施例中,步骤S300可以包括:步骤S310、步骤S320和步骤S330。
步骤S310:根据所述时空完整的对应时间的地表温度、叶面积指数、所述积雪覆盖比例和海拔高度数据,以及根据所述瞬时气温计算公式,计算出所述待测区域的瞬时气温值T1。
步骤S320:或根据所述时空完整的对应时间的地表温度、叶面积指数、所述积雪覆盖比例和海拔高度数据,以及根据所述日平均气温计算公式,计算出所述待测区域的日平均气温值T2。
步骤S330:或根据所述时空完整的对应时间的地表温度、叶面积指数、所述积雪覆盖比例和海拔高度数据,以及根据所述年平均气温计算公式,计算出所述待测区域的年平均气温值T3。
本实施例中,服务器可以根据所述时空完整的对应时间的地表温度、叶面积指数、所述积雪覆盖比例和海拔高度数据,并将所述地表温度数据中包含的地表温度(LST)、所述叶面积指数数据中包含的叶面积指数(LAI)、所述积雪覆盖比例数据中包含的积雪覆盖比例(FSC)和所述海拔高度数据中包含的海拔高度(Altitude)代入所述瞬时气温计算公式
T1=a1*LST+b1*LAI+c1*FSC+d1*Altitude+e1 (1)
与对应的所述第一预设参数相乘,各个乘积与第一误差系数e1进行累加,即得到所述瞬时气温值T1。
继续前述的假设1,服务器可以根据得到的地表温度数据(LST=20摄氏度)、叶面积指数数据(LAI=0.8)、积雪覆盖比例数据(FSC=0.1)和海拔高度数据(Altitude=4000米),代入式(1)
T1=0.91*LST+2.91*LAI+0.21*FSC-0.00121*Altitude+0.91,
计算得到T1=16.598摄氏度。
本实施例中,服务器也可以根据得到的时空完整的对应时间的地表温度、叶面积指数、所述积雪覆盖比例和海拔高度数据,并将所述地表温度数据中包含的白天的地表温度(LSTday)、所述地表温度数据中包含的夜间的地表温度(LSTnight)、所述叶面积指数数据中包含的叶面积指数(LAI)、所述积雪覆盖比例数据中包含的积雪覆盖比例(FSC)和所述海拔高度数据中包含的海拔高度(Altitude)代入所述日平均气温计算公式
T2=a2*LSTday+b2*LSTnight+c2*LAI+d2*FSC+e2*Altitude+f (2)
与对应的所述第二预设参数相乘,各个乘积与第二误差系数f进行累加,即得到所述日平均气温值T2。
继续前述的假设1,服务器可以根据得到的地表温度数据(LSTday=35摄氏度,LSTnight=5摄氏度)、叶面积指数数据(LAI=0.8)、积雪覆盖比例数据(FSC=0.1)和海拔高度数据(Altitude=4000米),代入式(2)
T2=0.46*LSTday+0.46*LSTnight+2.92*LAI+0.22*FSC
-0.00122*Altitude+0.92
计算得到T2=15.878摄氏度。
根据青藏高原A区域8个常规气象站的气温观测数据,某时刻瞬时气温为17.5摄氏度,日平均气温为16.5摄氏度。而根据本申请所建立并训练的近地表气温计算模型所监测的气温值与实际测量的气温值误差很小。
本实施例中,服务器还可以根据得到的时空完整的对应时间的地表温度、叶面积指数、所述积雪覆盖比例和海拔高度数据,并将所述地表温度数据中包含的年平均地表温度(LSTyear)、所述叶面积指数数据中包含的年平均叶面积指数(LAIyear)、所述积雪覆盖比例数据中包含的积雪覆盖日数(SD)和所述海拔高度数据中包含的海拔高度(Altitude)代入所述年平均气温计算公式
T3=a3*LSTyear+b3*LAIyear+c3*SD+d3*Altitude+e3 (3)
与对应的所述第三预设参数相乘,各个乘积与第三误差系数e3进行累加,即得到所述年平均气温值T3。
继续前述的假设2,服务器可以根据得到的地表温度数据(LSTyear=10摄氏度)、叶面积指数数据(LAIyear=0.5)、积雪覆盖比例数据(SD=150天)和海拔高度数据(Altitude=4000米),代入式(3)
T3=0.83919*LSTyear+2.91612*LAIyear+0.0242*SD-0.00116*Altitude+0.9501 (3)
计算得到T3=9.79006摄氏度。
根据2009年青藏高原地区94个常规气象站的气温观测数据,与近地表气温计算模型监测的年平均气温值T3做相关性分析。结果请参阅附图4和附图5,估计结果与观测的相关系数达到0.93,因此根据本申请所建立并训练的近地表气温计算模型所监测的气温值与实际测量的气温值误差很小。
应当注意的是,本实施例中所列参数和模型计算所涉及的数据,皆为举例说明方便所列举的,不保证数据的真实性,近地表气温计算模型具体的参数和计算所涉及的数据,当以实际为准,因此假设1不应当看作是对本申请的限定。
综上所述,本申请实施例提供了一种近地表气温遥感监测方法,方法包括:获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例的遥感产品和海拔高度数据;对所述遥感产品进行时空重建分析,获得所述待测区域时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据;根据预设的近地表气温计算模型,以及根据所述时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,获得所述待测区域的气温值。
由于发现待测区域的气温与该待测区域的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据呈极高的相关性,因此本申请实施例通过获得海拔高度数据以及对遥感产品的处理,得到时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,这些数据的获得过程非常迅速,由于对遥感产品处理的算法模型已经相当成熟了,所以由此获得的数据也非常准确。根据获得的数据和预设的近地表气温计算模型进行计算,实现对气温的监测。同时,本申请实施例所涉及的因素能够提供较高的空间分辨率,从而能够以较低的成本提供快速、准确和高空间分辨率的气温监测服务。。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (3)
1.一种近地表气温遥感监测方法,其特征在于,所述近地表气温遥感监测方法包括:
获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例的遥感产品和海拔高度数据;
对所述遥感产品进行时空重建分析,获得所述待测区域时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据;
根据预设的近地表气温计算模型,以及根据所述时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,获得所述待测区域的气温值;
其中,所述近地表气温计算模型包括:
瞬时气温计算公式
T1=a1*LST+b1*LAI+c1*FSC+d1*Altitude+e1 (1)
式(1)中,LST为所述时空完整的对应时间的瞬时地表温度,LAI为所述时空完整的对应时间的叶面积指数,FSC为所述时空完整的对应时间的积雪覆盖比例,Altitude为所述海拔高度,a1、b1、c1和d1为第一预设参数,e1为第一误差系数;
日平均气温计算公式
T2=a2*LSTday+b2*LSTnight+c2*LAI+d2*FSC+e2*Altitude+f (2)
式(2)中,LSTday为时空完整的对应时间的白天地表温度,LSTnight为时空完整的夜间地表温度,LAI为时空完整的对应时间的叶面积指数,FSC为时空完整的对应时间的积雪覆盖比例,Altitude为海拔高度,a2、b2、c2、d2和e2为第二预设参数,f为第二误差系数;
年平均气温计算公式
T3=a3*LSTyear+b3*LAIyear+c3*SD+d3*Altitude+e3 (3)
式(3)中,LSTyear为时空完整的对应时间的年平均地表温度,LAIyear为时空完整的对应时间的年平均叶面积指数,SD为时空完整的对应时间的年积雪覆盖日数,Altitude为海拔高度,a3、b3、c3和d3为第三预设参数,e3为第三误差系数;
所述根据预设的近地表气温计算模型,以及根据所述时空完整的对应时间的地表温度、叶面积指数、积雪覆盖比例和海拔高度数据,获得所述待测区域的气温值包括:
根据所述时空完整的对应时间的地表温度、所述叶面积指数、所述积雪覆盖比例和所述海拔高度数据,以及根据所述瞬时气温计算公式,计算出所述待测区域的瞬时气温值T1;或
根据所述时空完整的对应时间的地表温度、所述叶面积指数、所述积雪覆盖比例和所述海拔高度数据,以及根据所述日平均气温计算公式,计算出所述待测区域的日平均气温值T2;或
根据所述时空完整的对应时间的地表温度、所述叶面积指数、所述积雪覆盖比例和所述海拔高度数据,以及根据所述年平均气温计算公式,计算出所述待测区域的年平均气温值T3。
2.根据权利要求1所述的近地表气温遥感监测方法,其特征在于,所述对所述遥感产品进行时空重建分析,获得所述待测区域时空完整的对应时间的地表温度、叶面积指数和积雪覆盖比例数据,包括:
调用预设的时空重建模型,将所述遥感产品中包含所述地表温度的第一产品输入所述时空重建模型进行反演,获得所述时空完整的对应时间的地表温度数据;
调用预设的时空重建模型,将所述遥感产品中包含所述叶面积指数的第二产品输入所述时空重建模型进行时空重建,获得所述时空完整的对应时间的叶面积指数数据;
调用预设的时空重建模型,将所述遥感产品中包含所述积雪覆盖比例的第三产品输入所述时空重建模型进行时空重建,获得所述时空完整的对应时间的积雪覆盖比例数据。
3.根据权利要求2所述的近地表气温遥感监测方法,其特征在于,在所述获得待测区域的包含地表温度、叶面积指数、积雪覆盖比例的遥感产品和海拔高度数据之前,所述方法还包括:
获得待测区域的样本遥感产品;
获取待测区域的站点近地表气温观测数据;
根据所述待测区域的样本遥感产品和站点观测数据对模型进行训练,获得所述近地表气温计算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810991574.8A CN109063684B (zh) | 2018-08-28 | 2018-08-28 | 一种近地表气温遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810991574.8A CN109063684B (zh) | 2018-08-28 | 2018-08-28 | 一种近地表气温遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063684A CN109063684A (zh) | 2018-12-21 |
CN109063684B true CN109063684B (zh) | 2022-03-29 |
Family
ID=64757623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810991574.8A Active CN109063684B (zh) | 2018-08-28 | 2018-08-28 | 一种近地表气温遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063684B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402322B (zh) * | 2020-04-07 | 2024-04-05 | 中国科学院空天信息创新研究院 | 一种中分辨率叶面积指数产品的校正方法及装置 |
CN111879440A (zh) * | 2020-08-06 | 2020-11-03 | 中国科学院西北生态环境资源研究院 | 一种地表温度计算方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936777A (zh) * | 2010-07-30 | 2011-01-05 | 南京信息工程大学 | 一种基于热红外遥感反演近地层气温的方法 |
CN104537222A (zh) * | 2014-12-18 | 2015-04-22 | 中国科学院东北地理与农业生态研究所 | 基于遥感的区域植被覆盖对地表气温影响的估算方法 |
CN105868529A (zh) * | 2016-03-18 | 2016-08-17 | 北京师范大学 | 一种基于遥感的近地表日均大气温度反演方法 |
CN107247690A (zh) * | 2017-06-09 | 2017-10-13 | 中国科学院寒区旱区环境与工程研究所 | 估算气温的方法及服务终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702597B2 (en) * | 2004-04-20 | 2010-04-20 | George Mason Intellectual Properties, Inc. | Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters |
-
2018
- 2018-08-28 CN CN201810991574.8A patent/CN109063684B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936777A (zh) * | 2010-07-30 | 2011-01-05 | 南京信息工程大学 | 一种基于热红外遥感反演近地层气温的方法 |
CN104537222A (zh) * | 2014-12-18 | 2015-04-22 | 中国科学院东北地理与农业生态研究所 | 基于遥感的区域植被覆盖对地表气温影响的估算方法 |
CN105868529A (zh) * | 2016-03-18 | 2016-08-17 | 北京师范大学 | 一种基于遥感的近地表日均大气温度反演方法 |
CN107247690A (zh) * | 2017-06-09 | 2017-10-13 | 中国科学院寒区旱区环境与工程研究所 | 估算气温的方法及服务终端 |
Non-Patent Citations (1)
Title |
---|
"气温遥感估算方法研究综述";张丽文 等;《自然资源学报》;20140331;第29卷(第3期);540-552 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063684A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martel et al. | Role of natural climate variability in the detection of anthropogenic climate change signal for mean and extreme precipitation at local and regional scales | |
Banks et al. | Sensitivity of boundary-layer variables to PBL schemes in the WRF model based on surface meteorological observations, lidar, and radiosondes during the HygrA-CD campaign | |
Han et al. | Improving the predictive accuracy of hurricane power outage forecasts using generalized additive models | |
Donat et al. | Consistency of temperature and precipitation extremes across various global gridded in situ and reanalysis datasets | |
Dumitrescu et al. | ROCADA: a gridded daily climatic dataset over Romania (1961–2013) for nine meteorological variables | |
Lewis et al. | Evaluation of historical diurnal temperature range trends in CMIP5 models | |
Van Den Besselaar et al. | SA-OBS: a daily gridded surface temperature and precipitation dataset for Southeast Asia | |
Han et al. | Drought forecasting based on the remote sensing data using ARIMA models | |
CN109974665B (zh) | 一种针对缺少短波红外数据的气溶胶遥感反演方法及系统 | |
KR102108754B1 (ko) | 접근불능지역 실시간 산불위험예보시스템 | |
Zhang et al. | The validation of the GEWEX SRB surface longwave flux data products using BSRN measurements | |
CN105678085A (zh) | 一种pm2.5浓度的估算方法及系统 | |
CN104820250A (zh) | 一种极轨气象卫星virr海洋上云检测的处理方法 | |
KR101908865B1 (ko) | 기온 측정 자료의 품질 분석방법 | |
CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
CN109063684B (zh) | 一种近地表气温遥感监测方法 | |
Randriamampianina et al. | Exploring the assimilation of IASI radiances in forecasting polar lows | |
Good | Estimating daily sunshine duration over the UK from geostationary satellite data | |
Kugler et al. | The global flood detection system | |
Kim et al. | Remotely sensed retrieval of midday air temperature considering atmospheric and surface moisture conditions | |
Tewari et al. | Future projections of temperature and precipitation for Antarctica | |
Zhong et al. | Snow depth trends from CMIP6 models conflict with observational evidence | |
Yucel et al. | Evaluating the hydro-estimator satellite rainfall algorithm over a mountainous region | |
Koenig et al. | The MSG global instability indices product and its use as a nowcasting tool | |
Kolios et al. | An automated nowcasting system of mesoscale convective systems for the Mediterranean basin using Meteosat imagery. Part I: System description |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220126 Address after: 730000 No.318 Donggang West Road, Chengguan District, Lanzhou City, Gansu Province Applicant after: NORTHWEST INSTITUTE OF ECO-ENVIRONMENT AND RESOURCES, CHINESE ACADEMY OF SCIENCES Address before: Chengguan District of Gansu city of Lanzhou province Donggang West Road 730000 No. 260 Applicant before: COLD AND ARID REGIONS ENVIRONMENTAL AND ENGINEERING Research Institute,CHINESE ACADEMY OF SCIENCES |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |