CN109612588A - Lst图像数据预测方法、装置以及电子设备 - Google Patents
Lst图像数据预测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN109612588A CN109612588A CN201910003787.XA CN201910003787A CN109612588A CN 109612588 A CN109612588 A CN 109612588A CN 201910003787 A CN201910003787 A CN 201910003787A CN 109612588 A CN109612588 A CN 109612588A
- Authority
- CN
- China
- Prior art keywords
- lst
- image
- spatial resolution
- image data
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种LST图像数据预测方法、装置以及电子设备，涉及LST检测技术领域，包括：获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像；分别对第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像进行图像预处理，得到第一图像数据、第二图像数据以及第三图像数据；计算第一图像数据和第二图像数据之间的LST图像变化量；根据第三图像数据和LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据，解决了LST图像数据的结果准确度较低的技术问题。
Description
技术领域
本发明涉及LST检测技术领域，尤其是涉及一种LST图像数据预测方法、装置以及电子设备。
背景技术
地表温度在全球和区域尺度环境、生态、水文以及地表能量平衡研究中有着较为重要的意义，同时也是用干旱监测研究的一个关键地表环境参数，对于系统开展农作物产量估算和干旱监测与预警研究有着较为重要的意义。
随着遥感技术的发展，利用遥感卫星热红外波段获取的地表温度(简称LST)目前已成为农业旱情研究的主要数据源之一，并具有覆盖面积广、获取方便和信息量大等优点。对于裸地来说LST指的是土壤表面温度，而对于农作物种植密度较高的农业种植区来说，LST指的是作物冠层表面的温度。在农业旱情发生发展的过程中，旱情最初的表征既是作物受水分胁迫导致植被温度升高，作物叶片气孔开度会因为土壤水分的改变胁迫而关闭，以此降低蒸腾并造成地表感热通量的增加和潜热通量的降低，最终导致作物冠层温度升高。
目前，在现有技术的LST图像数据的检测中需要聚类过程，但是其聚类过程容易造成LST数据的误差，从而使LST图像数据的结果准确度较低。
发明内容
有鉴于此，本发明的目的在于提供一种LST图像数据预测方法、装置以及电子设备，以解决现有技术中存在的LST图像数据的结果准确度较低的技术问题。
第一方面，本发明实施例提供了一种地表温度LST图像数据预测方法，包括：
获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，其中，所述第一预设空间分辨率比所述第二预设空间分辨率低预设差值；
分别对所述第一时间的第一预设空间分辨率LST图像、所述第二时间的第一预设空间分辨率LST图像以及所述第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据；
通过薄板样条函数TPS计算所述第一图像数据和所述第二图像数据之间的LST图像变化量；
根据所述第三图像数据和所述LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，包括：
利用遥感传感器进行检测，得到第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，分别对所述第一时间的第一预设空间分辨率LST图像、所述第二时间的第一预设空间分辨率LST图像以及所述第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据，包括：
将第一时间和第二时间的第一预设空间分辨率LST图像重采样至第二预设空间分辨率的整数倍，并将第一时间和第二时间的第一预设空间分辨率LST图像和第二时间的第二预设空间分辨率LST图像进行空间配准，得到第一图像数据、第二图像数据以及第三图像数据。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，通过薄板样条函数TPS计算所述第一图像数据和所述第二图像数据之间的LST图像变化量，包括：
利用TPS对所述第一图像数据和所述第二图像数据进行空间插值，得到所述第一图像数据和所述第二图像数据之间的LST图像变化量。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据所述第三图像数据和所述LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据，包括：
将所述第三图像数据和所述LST图像变化量进行相加，得到第一时间的第二预设空间分辨率LST图像数据。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述第一预设空间分辨率为100m。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述第二预设空间分辨率为1000m。
第二方面，本发明实施例还提供一种LST图像数据计算装置，包括：
第一获取模块，用于获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，其中，所述第一预设空间分辨率比所述第二预设空间分辨率低预设差值；
处理模块，用于分别对所述第一时间的第一预设空间分辨率LST图像、所述第二时间的第一预设空间分辨率LST图像以及所述第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据；
计算模块，用于通过薄板样条函数TPS计算所述第一图像数据和所述第二图像数据之间的LST图像变化量；
第二获取模块，用于根据所述第三图像数据和所述LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。
第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如第一方面所述的方法。
本发明实施例提供的技术方案带来了以下有益效果：本发明实施例提供的LST图像数据预测方法、装置以及电子设备。首先，获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，其中，第一预设空间分辨率比第二预设空间分辨率低预设差值，然后，分别对第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据，之后，通过薄板样条函数TPS计算第一图像数据和第二图像数据之间的LST图像变化量，最后，根据第三图像数据和LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据，因此，通过直接利用两期低空间分辨率LST影像的差值影像，即第一时间的第一预设空间分辨率LST图像与第二时间的第一预设空间分辨率LST图像之间的LST图像变化量，来表示地表下垫面的温度变化，以此避免了现有技术算法中的聚类过程对LST影像造成的误差影响，从而解决了现有技术中存在的LST图像数据的结果准确度较低的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、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发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1示出了本发明实施例一所提供的地表温度LST图像数据预测方法的流程图；
图2示出了本发明实施例二所提供的地表温度LST图像数据预测方法的流程图；
图3示出了本发明实施例三所提供的地表温度LST图像数据预测方法的另一流程图；
图4示出了本发明实施例四所提供的一种电子设备的结构示意图。
图标：41-存储器；42-处理器；43-总线；44-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，相对于可见光或近红外传感器，星载热红外传感器由于受热红外相机研制技术的限制和地表发射的热辐射相对较低的影响，其空间分辨率普遍偏低，使得获取区域精细地表温度难度增加，从而限制了高分辨率地表温度的实际应用。例如，在现有热红外卫星遥感影像中，空间分辨率最高的为Landsat ETM+(60米)，且该传感器于之前出现过机载扫描校正器故障的情况，影像的可用性由于故障产生的大量条带噪声而大幅度降低。然而由于遥感卫星传感器在当前设计条件下的局限性，因而存在“时空矛盾”的问题，即获取的单一遥感数据在时间分辨率和空间分辨率上相互制约，难以同时满足高时间和高空间分辨率的需求，限制了遥感卫星数据的应用范围和实际效果。
传统的基于灵活的时空数据融合(Flexible Spatiotemporal Data Fusion，简称FSDAF)模型进行地表温度数据时空融合不足之处在于在原算法获取低空间分辨率影像每个像元的单一地物类别所占的比重的基础上，提出将高空间分辨率地表温度影像结合不同时刻的低空间分辨率地表温度影像，计算不同分类地物地表温度的时间变化，从而预测t0时刻的高空间分辨率地表温度影像。利用FSDAF模型进行高时空分辨率地表温度数据融合，可以有效保留低空间分辨率LST影像的信息，同时对于预测生成的高时空LST数据，影像纹理清晰且真实性和空间细节连续性较好。然而，由于FSDAF需要基于对高空间分辨率影像进行分类，根据分类结果赋予每一类地物地表温度相同的变化量，忽略了类内差异，特别是以农业种植区为代表的人类强烈活动区域，难以反映真实情况。此外，FSDAF模型虽然利用邻域信息进行结果校正以此减少计算过程中带来的不确定性，但也造成了数据融合的效率较低以及计算量的增加。
基于此，本发明实施例提供的一种LST图像数据预测方法、装置以及电子设备，可以解决现有技术中存在的LST图像数据的结果准确度较低的技术问题。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种LST图像数据预测方法、装置以及电子设备进行详细介绍。
实施例一：
本发明实施例提供的一种地表温度LST图像数据预测方法，如图1所示，包括：
S11：获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，其中，第一预设空间分辨率比第二预设空间分辨率低预设差值。
S12：分别对第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据。
S13：通过薄板样条函数TPS计算第一图像数据和第二图像数据之间的LST图像变化量。
其中，薄板样条函数(Thin Plate Spline，简称TPS)是一种很常见的插值方法。因为它一般都是基于2D插值，所以经常用在在图像配准中。在两张图像中找出N个匹配点，应用TPS可以将这N个点形变到对应位置，同时给出了整个空间的形变(插值)。
S14：根据第三图像数据和LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据。
作为本实施例的优选实施方式，根据第三图像数据和LST图像变化量，通过计算得到第一时间的第二预设空间分辨率LST图像数据。
因此，本实施例在FSDAF的基础上，简化其计算流程，直接利用两期低空间分辨率LST影像的差值影像(即第一图像数据和第二图像数据之间的LST图像变化量)来表达地表下垫面的温度变化，以此避免聚类对LST影像造成误差影响。同时，直接利用时间尺度上下垫面地物在不同方向发生的变化来表征地表特征时间差异，只考虑LST在时间上的差异，从而避免了单期高空间分辨率影像进行分类造成的信息丢失和误差。
本实施例中，改进了地表温度时空融合模型EFSDAF(Enhanced FlexibleSpatiotemporal Data Fusion)的算法，从而有效避免了传统FSDAF算法聚类对LST影像造成误差影响。
实施例二：
本发明实施例提供的一种地表温度LST图像数据预测方法，如图2所示，包括：
S21：利用遥感传感器进行检测，得到第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像。
如图3所示，首先利用遥感卫星传感器获取：t0时刻(即第一时间)的低空间分辨率(即第一预设空间分辨率)LST影像(即LST图像)、tk时刻(即第二时间)的低空间分辨率(即第一预设空间分辨率)LST影像(即LST图像)以及tk时刻(即第二时间)的高空间分辨率(即第二预设空间分辨率)LST影像(即LST图像)。
其中，第一预设空间分辨率比第二预设空间分辨率低预设差值。本实施例以第一预设空间分辨率为100m，第二预设空间分辨率为1000m为例进行说明。
以2018年5月17日(即tk时刻)的Landsat 8(行列号为P156/R023)影像为示例，采用单窗算法反演了空间分辨率为100m可用于遥感地表温度时空融合的Landsat 8基础遥感影像的LST(即tk时刻的高空间分辨率LST影像)，将其与同一天(即tk时刻)的空间分辨率为1km的MOD11A1数据(即tk时刻的低空间分辨率LST影像)一起作为基础输入影像，以2018年7月4日(即t0时刻)的MOD11A1数据作为低空间分辨率预测日期输入数据(即t0时刻的低空间分辨率LST影像)，通过改进型地表温度时空融合模型(Enhanced FlexibleSpatiotemporal Data Fusion，简称EFSDAF)，最终的目的是预测出2018年7月4日(即t0时刻)Landsat 8地表温度数据(即t0时刻的高空间分辨率LST影像)。
S22：将第一时间和第二时间的第一预设空间分辨率LST图像重采样至第二预设空间分辨率的整数倍，并将第一时间和第二时间的第一预设空间分辨率LST图像和第二时间的第二预设空间分辨率LST图像进行空间配准，得到第一图像数据、第二图像数据以及第三图像数据。
如图3所示，对步骤S21中的三个LST数据(各个高空间分辨率、低空间分辨率)进行预处理。具体的，首先将MODIS LST影像(即第一时间和第二时间的第一预设空间分辨率LST图像，如100m)重采样至Landsat LST影像空间分辨率(即第二预设空间分辨率，如1000m)的整数倍，并将MODIS LST影像(即第一时间和第二时间的第一预设空间分辨率LST图像)与Landsat LST影像(即第二时间的第二预设空间分辨率LST图像)进行空间配准，从而得到对第一时间第一预设空间分辨率LST图像预处理后得到的第一图像数据、对第二时间第一预设空间分辨率LST图像预处理后得到的第二图像数据以及对第二时间第二预设空间分辨率LST图像预处理后得到的第三图像数据。
S23：利用TPS对第一图像数据和第二图像数据进行空间插值，得到第一图像数据和第二图像数据之间的LST图像变化量。
本步骤中，利用薄板样条函数TPS，对两个时刻(即t0与tk)的低空间分辨率(即第一预设空间分辨率)LST影像的变化量进行计算。对于tk时刻Landsat 8反演的LST影像Llst，可以由同一时刻的MODIS LST影像的Mlst进行表示：
Llst(xi，yi，tk)＝Mlst(xi，yi，tk)+εk (1.1)
式中，(xi，yi，tk)表示LST影像中(xi，yi)像元在tk时刻的位置，εk表示Llst和Mlst之间不同传感器造成的系统误差。预测t0时刻Llst和Mlst之间的关系可以表述为：
Llst(xi，yi，t0)＝Mlst(xi，yi，t0)+ε0 (1.2)
假设εk＝ε0，即两个时刻的传观器误差没有发生变化，则
Llst(xi，yi，t0)＝Mlst(xi，yi，t0)+Llst(xi，yi，tk)-Mlst(xi，yi，tk) (1.3)
TPS方法可以较好地捕捉低分辨率Mlst的空间形态信息，Llst在预测tk时刻可以表示为：
Llst(xij，yij，tk)＝fTPS(xij，yij，tk)-fTPS(xij，yij，t0)+Llst(xij，yij，t0) (1.4)
式中，fTPS(xij，yij，tk)和fTPS(xij，yij，t0)分别表示tk时刻和t0时刻低分辨率LST值经过TPS插值得到的高空间分辨率LST值。
基于上述原理，本实施例利用TPS对tk时刻和t0时刻的MODIS LST影像进行空间插值，插值后的LST影像空间分辨率与Llst保持一致，则其变化量可以表示为：
ΔMlst(xij，yij)＝＝fTPS(xij，yij，tk)-fTPS(xij，yij，t0) (1.5)
S24：将第三图像数据和LST图像变化量进行相加，得到第一时间的第二预设空间分辨率LST图像数据。
基于公式，可以将ΔMlst(xij，yij)赋予tk时刻的Llst可得到t0时刻的Llst：
Llst(xi，yi，t0)＝Llst(xij，yij，tk)+ΔMlst(xij，yij) (1.6)
即将第三图像数据(即与处理后的t0时刻低空间分辨率LST影像)和在步骤S24中计算得到的LST图像变化量，二者进行相加，从而得到第一时间(即t0时刻)的第二预设空间分辨率LST图像数据(即t0时刻的高空间分辨率LST影像)。
作为本实施例的另一种实施方式，为了比对分析不同时空融合方法的精度，以2018年7月4日的真实Landsat 8遥感影像反演的LST数据作为真值，用于检验不同模型融合结果的质量精度。基于本实施例提供的LST图像数据预测方法融合生成的LST影像与基于传统的FSDAF方法融合生成的LST影像相比，采用本实施方法所融合生成的LST影像效果更加接近真实的LST影像，其值域范围比传统的FSDAF算法更接近真实值。
因此，本实施例可以作为一种基于改进型FSDAF模型的高时空分辨率地表温度LST影像时空融合的方法。本实施例中，基于MODIS温度产品MOD11A1和Landsat8，反演进行地表温度的时空融合，从而获取高时空分辨率的LST数据。
实施例三：
本发明实施例提供的一种LST图像数据计算装置，包括：第一获取模块、处理模块、计算模块以及第二获取模块。
需要说明的是，第一获取模块用于获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，其中，第一预设空间分辨率比第二预设空间分辨率低预设差值。
处理模块用于分别对第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据。
计算模块用于通过薄板样条函数TPS计算第一图像数据和第二图像数据之间的LST图像变化量。第二获取模块用于根据第三图像数据和LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据。
实施例四：
本发明实施例提供的一种电子设备，如图4所示，电子设备4包括存储器41、处理器42，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例一或实施例二提供的方法的步骤。
参见图4，电子设备还包括：总线43和通信接口44，处理器42、通信接口44和存储器41通过总线43连接；处理器42用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元和至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器42在接收到执行指令后，执行所述程序，前述本发明任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器42中，或者由处理器42实现。
处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器42读取存储器41中的信息，结合其硬件完成上述方法的步骤。
实施例五：
本发明实施例提供的一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述实施例一或实施例二提供的方法。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
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。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例提供的具有处理器可执行的非易失的程序代码的计算机可读介质，与上述实施例提供的LST图像数据预测方法、装置以及电子设备具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明实施例所提供的进行LST图像数据预测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种地表温度LST图像数据预测方法，其特征在于，包括：
获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，其中，所述第一预设空间分辨率比所述第二预设空间分辨率低预设差值；
分别对所述第一时间的第一预设空间分辨率LST图像、所述第二时间的第一预设空间分辨率LST图像以及所述第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据；
通过薄板样条函数TPS计算所述第一图像数据和所述第二图像数据之间的LST图像变化量；
根据所述第三图像数据和所述LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据。
2.根据权利要求1所述的LST图像数据预测方法，其特征在于，获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，包括：
利用遥感传感器进行检测，得到第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像。
3.根据权利要求1所述的LST图像数据预测方法，其特征在于，分别对所述第一时间的第一预设空间分辨率LST图像、所述第二时间的第一预设空间分辨率LST图像以及所述第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据，包括：
将第一时间和第二时间的第一预设空间分辨率LST图像重采样至第二预设空间分辨率的整数倍，并将第一时间和第二时间的第一预设空间分辨率LST图像和第二时间的第二预设空间分辨率LST图像进行空间配准，得到第一图像数据、第二图像数据以及第三图像数据。
4.根据权利要求1所述的LST图像数据预测方法，其特征在于，通过薄板样条函数TPS计算所述第一图像数据和所述第二图像数据之间的LST图像变化量，包括：
利用TPS对所述第一图像数据和所述第二图像数据进行空间插值，得到所述第一图像数据和所述第二图像数据之间的LST图像变化量。
5.根据权利要求1所述的LST图像数据预测方法，其特征在于，根据所述第三图像数据和所述LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据，包括：
将所述第三图像数据和所述LST图像变化量进行相加，得到第一时间的第二预设空间分辨率LST图像数据。
6.根据权利要求1至5任一项所述的LST图像数据预测方法，其特征在于，所述第一预设空间分辨率为100m。
7.根据权利要求1至5任一项所述的LST图像数据预测方法，其特征在于，所述第二预设空间分辨率为1000m。
8.一种LST图像数据计算装置，其特征在于，包括：
第一获取模块，用于获取第一时间的第一预设空间分辨率LST图像、第二时间的第一预设空间分辨率LST图像以及第二时间的第二预设空间分辨率LST图像，其中，所述第一预设空间分辨率比所述第二预设空间分辨率低预设差值；
处理模块，用于分别对所述第一时间的第一预设空间分辨率LST图像、所述第二时间的第一预设空间分辨率LST图像以及所述第二时间的第二预设空间分辨率LST图像进行图像预处理，对应得到第一图像数据、第二图像数据以及第三图像数据；
计算模块，用于通过薄板样条函数TPS计算所述第一图像数据和所述第二图像数据之间的LST图像变化量；
第二获取模块，用于根据所述第三图像数据和所述LST图像变化量，得到第一时间的第二预设空间分辨率LST图像数据。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910003787.XA CN109612588A (zh) | 2019-01-02 | 2019-01-02 | Lst图像数据预测方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910003787.XA CN109612588A (zh) | 2019-01-02 | 2019-01-02 | Lst图像数据预测方法、装置以及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109612588A true CN109612588A (zh) | 2019-04-12 |
Family
ID=66016178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910003787.XA Pending CN109612588A (zh) | 2019-01-02 | 2019-01-02 | Lst图像数据预测方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109612588A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503137A (zh) * | 2019-07-29 | 2019-11-26 | 电子科技大学 | 基于交叉融合的遥感影像时空融合基础图像对的确定方法 |
| CN115270638A (zh) * | 2022-08-11 | 2022-11-01 | 北华航天工业学院 | 一种城市热环境降尺度时空分析与预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103584A (zh) * | 2017-04-11 | 2017-08-29 | 北京师范大学 | 一种基于时空加权的生产高时空分辨率ndvi的方法 |
| CN108961199A (zh) * | 2018-07-19 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 多源遥感数据时空融合方法及装置 |
-
2019
- 2019-01-02 CN CN201910003787.XA patent/CN109612588A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103584A (zh) * | 2017-04-11 | 2017-08-29 | 北京师范大学 | 一种基于时空加权的生产高时空分辨率ndvi的方法 |
| CN108961199A (zh) * | 2018-07-19 | 2018-12-07 | 中国科学院遥感与数字地球研究所 | 多源遥感数据时空融合方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 袁周米琪等: "面向地表特征变化区域的时空遥感数据融合方法研究", 《北京师范大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503137A (zh) * | 2019-07-29 | 2019-11-26 | 电子科技大学 | 基于交叉融合的遥感影像时空融合基础图像对的确定方法 |
| CN110503137B (zh) * | 2019-07-29 | 2022-03-15 | 电子科技大学 | 基于交叉融合的遥感影像时空融合基础图像对的确定方法 |
| CN115270638A (zh) * | 2022-08-11 | 2022-11-01 | 北华航天工业学院 | 一种城市热环境降尺度时空分析与预测方法及系统 |
| CN115270638B (zh) * | 2022-08-11 | 2024-02-06 | 北华航天工业学院 | 一种城市热环境降尺度时空分析与预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2944938T3 (es) | Dispositivo de simulación, método de simulación y soporte de memoria | |
| Heid et al. | Evaluation of existing image matching methods for deriving glacier surface displacements globally from optical satellite imagery | |
| Huang et al. | DEM-based modification of pixel-swapping algorithm for enhancing floodplain inundation mapping | |
| Meng et al. | Assessment of regression kriging for spatial interpolation–comparisons of seven GIS interpolation methods | |
| EP3815043A1 (en) | Systems and methods for depth estimation via affinity learned with convolutional spatial propagation networks | |
| Skøien et al. | rtop: An R package for interpolation of data with a variable spatial support, with an example from river networks | |
| Avila et al. | Systematic investigation of gridding-related scaling effects on annual statistics of daily temperature and precipitation maxima: A case study for south-east Australia | |
| CN106991691B (zh) | 一种适用于摄像机网络下的分布式目标跟踪方法 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN106997466A (zh) | 用于检测道路的方法和装置 | |
| CN111191673B (zh) | 一种地表温度降尺度方法及系统 | |
| Zhang et al. | Learning-based spatial–temporal superresolution mapping of forest cover with MODIS images | |
| CN109211277A (zh) | 视觉惯性里程计的状态确定方法、装置和电子设备 | |
| CN104657417B (zh) | 热力图的处理方法及系统 | |
| KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
| Tang et al. | Quantifying the effect of registration error on spatio-temporal fusion | |
| CN109612588A (zh) | Lst图像数据预测方法、装置以及电子设备 | |
| Zhang et al. | An object-based spatiotemporal fusion model for remote sensing images | |
| Ghosh et al. | Robust inverse framework using knowledge-guided self-supervised learning: An application to hydrology | |
| Dungan | Conditional simulation: An alternative to estimation for achieving mapping objectives | |
| CN108830828A (zh) | 一种遥感图像变化检测方法及装置 | |
| CN108519631A (zh) | 降水强度预测方法 | |
| Maithani et al. | Simulation of peri-urban growth dynamics using weights of evidence approach | |
| CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
| CN111744183B (zh) | 游戏中的光照采样方法、装置以及计算机设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |