CN109741261A - 一种基于面向对象窗口的遥感地表温度降尺度算法 - Google Patents
一种基于面向对象窗口的遥感地表温度降尺度算法 Download PDFInfo
- Publication number
- CN109741261A CN109741261A CN201910003308.4A CN201910003308A CN109741261A CN 109741261 A CN109741261 A CN 109741261A CN 201910003308 A CN201910003308 A CN 201910003308A CN 109741261 A CN109741261 A CN 109741261A
- Authority
- CN
- China
- Prior art keywords
- emissions reduction
- surface temperature
- window
- temperature
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供的基于面向对象窗口的遥感地表温度降尺度算法,包括提取面向对象窗口和地表温度空间降尺度。本发明通过分割算法获取面向对象的窗口,获取面向对象的更加均匀的窗口,使得窗口内像元的属性都能趋于一致;然后将回归核与地表温度的回归过程在面向对象窗口中实现,从而提高降尺度的精度。利用分割算法获取面向对象的更加均匀的窗口,相较于全局窗口和局部窗口,更适用于异质性区域。
Description
技术领域
本发明涉及一种基于面向对象窗口的遥感地表温度降尺度算法。
背景技术
地表温度(LST)是环境研究的一个重要参数。它可以用于模拟辐射传输和能量预算,检索地表碳,监测城市热岛。它也可用于森林火灾探测,并作为气候变化的指标等。
卫星观测得到的高空间分辨率的热红外影像有助于基于地表温度的环境研究。然而,由于传感器技术的限制,热红外影像的空间分辨率普遍低于可见光近红外影像的分辨率。因此,采用降尺度手段,将热红外影像的空间分辨率提高到与可见光近红外影像相同的空间分辨率水平,是目前应用最为广泛的方法。
地表温度空间降尺度算法基于尺度不变的假设,即将低分辨率的地表温度和回归核之间的函数关系,包括线性与非线性的关系,应用于高分辨率的回归核上进行预测。回归核包括归一化植被指数、归一化建筑物指数、植被覆盖度等,这些回归核都是从可见光近红外影像中获取。降尺度过程中,回归核与地表温度之间的函数关系在全局窗口或局部窗口中进行回归。但是在地表异质性较大的区域,采用全局窗口进行回归会使得回归函数的残差较大,从而降低降尺度的精度。即使采用局部窗口,方形窗口内的像元也不一定是光谱属性相似的像元,回归函数的稳健性依然不高,降尺度结果的精度依然受限。
通过遥感手段得到的地表温度,由于受到传感器技术的限制,热红外影像的分辨率往往较可见光近红外影像的分辨率较低。
发明内容
针对以上方法的缺陷,本发明提出了一种基于面向对象窗口的遥感地表温度降尺度算法,可以实现对低空间分辨率的遥感地表温度数据的降尺度,获取高空间分辨率的地表温度数据。
本发明提供的基于面向对象窗口的遥感地表温度降尺度算法,包括提取面向对象窗口和地表温度空间降尺度。
在上述遥感地表温度降尺度算法中,在提取面向对象窗口的步骤中,使用简单的线性迭代聚类(SLIC)超像素分割算法来获取超级像元,将每一个超级像元作为一个面向对象窗口。
在上述遥感地表温度降尺度算法中,用于提取超级像元的数据是低分辨率的温度数据。
在上述遥感地表温度降尺度算法中,由以下公式获取最优面向对象窗口大小
SEG最优=k·R低/R高+b (1)
式中,SEG最优是最优面向对象窗口内高分辨率像元的数量,R低是低分辨率,R高是高分辨率,k和b是式中的斜率和截距,其中,k为1000以及b为-2000。
在上述遥感地表温度降尺度算法中,在的地表温度空间降尺度的步骤中,是基于回归核与地表温度之间的函数关系在不同分辨率下是一样的假设。
在上述遥感地表温度降尺度算法中,通过获取低分辨率地表温度与回归核之间的函数关系,映射到高分辨回归核中,来获取高分辨率地表温度。
在上述遥感地表温度降尺度算法中,地表温度和回归核的关系如下:
式中Ts指地表温度,f(·)是回归核和地表温度之间的函数关系,是通过f(·)预测得到地表温度和真实地表温度之间的残差,ρ是核向量。
在上述遥感地表温度降尺度算法中,通过地表温度和回归核的关系,将低分辨率地表温度表示为T低(xi,yj)=f(ρ低(xi,yj))+ε(xi,yj),
式中,xi和yj分别是低分辨率影像行列号。
在上述遥感地表温度降尺度算法中,基于的回归核与地表温度之间的函数关系在不同分辨率下是一样的假设,得到高分辨率地表温度
T高(xij,yij)=f(ρ高(xij,yij))+ε(xi,yj)
式中,xij和yij分别是高分辨率影像的行列号。
在上述遥感地表温度降尺度算法中,回归核与温度的函数关系如下所示:
f(ρ)=f(NDVU,NDBI,NDVU2,·NDBI2)
=a0+a1·NDVI+a2·NDVI2+a3·NDBI+a4·NDBI2
式中,NDVI表示归一化植被指数和NDBI表示归一化建筑物指数,以及a0、a1、a2、a3和a4是函数f(·)的系数。
本发明通过分割算法获取面向对象的窗口,获取面向对象的更加均匀的窗口,使得窗口内像元的属性都能趋于一致;然后将回归核与地表温度的回归过程在面向对象窗口中实现,从而提高降尺度的精度。利用分割算法获取面向对象的更加均匀的窗口,相较于全局窗口和局部窗口,更适用于异质性区域。
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。
图1是根据本发明的基于面向对象窗口的遥感地表温度降尺度算法的面向对象窗口提取结果。
图2是根据本发明的基于面向对象窗口的遥感地表温度降尺度算法的地表温度降尺度结果。
图3是根据本发明的基于面向对象窗口的遥感地表温度降尺度算法的全局窗口、局部窗口与面向对象窗口精度对比。
具体实施方式
本发明提供了一种基于面向对象窗口的遥感地表温度降尺度算法,包括提取面向对象窗口;以及地表温度空间降尺度。以下进行详细说明。
1.面向对象窗口提取
本发明采用目前应用最为广泛的简单的线性迭代聚类(SLIC)超像素分割算法来获取超级像元,将每一个超级像元作为一个面向对象的窗口。用于提取超级像元的数据为低分辨率的温度数据。最优面向对象窗口大小由下面的经验公式获取,
SEG最优=k·R低/R高+b (1)
式中,SEG最优是最优面向对象窗口内高分辨率像元的数量,R低和R高分别是低分辨率、高分辨率大小,k和b是上式子的斜率和截距。本发明通过大量的实验得到,经过简化的k和b的值分别为1000和-2000。
2.地表温度空间降尺度过程
温度降尺度算法基于尺度不变假设,即,回归核与地表温度之间的函数关系在不同分辨率下都是一样的。因此,我们可以通过获取低分辨率地表温度与回归核之间的函数关系,映射到高分辨回归核中,来获取高分辨率的地表温度。地表温度和回归核的关系如下:
式中Ts指地表温度,f(·)是回归核和地表温度之间的函数关系,是通过f(·)预测得到地表温度和真实地表温度之间的残差,ρ是核向量,例如归一化植被指数,反照率,植被覆盖度,有效发射率等。
通过在窗口内回归核与地表温度的回归过程,低分辨率的地表温度可以表示如下,
T低(xi,yj)=f(ρ低(xi,yj))+ε(xi,yj) (3)
式中,xi和yj分别是低分辨率影像的行列号。
基于尺度不变的假设,将上式应用到高分辨率的回归核中,可以得到高分辨率的地表温度,如下:
T高(xij,yij)=f(ρ高(xij,yij))+ε(xi,yj) (4)
式中,xij和yij分别是高分辨率影像的行列号。
本发明用到的回归核是归一化植被指数(NDVI)和归一化建筑物指数(NDBI),回归核与温度的函数关系如下所示:
f(ρ)=f(NDVI,NDBI,NDVI2,NDBI2)
=a0+a1·NDVI+a2·NDVI2+a3·NDBI+a4·NDBI2 (5)
式中,a0、a1、a2、a3和a4是函数f(·)的系数。
本发明采用地球资源卫星(Landsat)8数据进行实验,主要包括两大部分:面向对象窗口提取;地表温度降尺度。Landsat 8的地表温度的空间分辨率为100米,本发明通过将其升尺度到300米,然后再降尺度到100米,与原有100米数据进行对比。具体如下:
(1)面向对象窗口提取
将300米分辨率的地表温度数据作为输入,设置最优面向对象窗口大小为平均1000个像元数,得到面向对象窗口如图1所示。
(2)地表温度空间降尺度
将低分辨率的地表温度和回归核进行回归,获取每个回归窗口内的函数关系,然后应用到高分辨率的回归核中,获取高分辨率的地表温度,如图2所示。
此外,本发明将面向对象窗口降尺度的结果与全局窗口和局部窗口降尺度的结果进行对比,采用均方根误差(RMSE)进行精度评价,对比得到的结果如图3所示。可知,面向对象窗口的精度要明显高于全局窗口,并且略优于局部窗口。
本发明的基于面向对象窗口的遥感地表温度降尺度算法,通过分割算法获取面向对象的窗口,获取面向对象的更加均匀的窗口,使得窗口内像元的属性都能趋于一致;然后将回归核与地表温度的回归过程在面向对象窗口中实现,从而提高降尺度的精度。利用分割算法获取面向对象的更加均匀的窗口,相较于全局窗口和局部窗口,更适用于异质性区域。
以上实施例,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以权利要求的保护范围为准。
Claims (10)
1.一种基于面向对象窗口的遥感地表温度降尺度算法,其特征在于,包括以下步骤:
提取面向对象窗口;
地表温度空间降尺度。
2.根据权利要求1所述的遥感地表温度降尺度算法,其特征在于,在所述提取面向对象窗口的步骤中,使用简单的线性迭代聚类(SLIC)超像素分割算法来获取超级像元,将每一个所述超级像元作为一个面向对象窗口。
3.根据权利要求2所述的遥感地表温度降尺度算法,其特征在于,用于提取所述超级像元的数据是低分辨率的温度数据。
4.根据权利要求3所述的遥感地表温度降尺度算法,其特征在于,由以下公式获取最优面向对象窗口大小
SEG最优=k·R低/R高+b (1)
式中,SEG最优是所述最优面向对象窗口内高分辨率像元的数量,R低是低分辨率,R高是高分辨率,k和b是式中的斜率和截距,其中,k为1000以及b为-2000。
5.根据权利要求1所述的遥感地表温度降尺度算法,其特征在于,在所述的地表温度空间降尺度的步骤中,是基于回归核与地表温度之间的函数关系在不同分辨率下是一样的假设。
6.根据权利要求5所述的遥感地表温度降尺度算法,其特征在于,通过获取低分辨率地表温度与回归核之间的函数关系,映射到高分辨回归核中,来获取高分辨率地表温度。
7.根据权利要求5所述的遥感地表温度降尺度算法,其特征在于,所述地表温度和所述回归核的关系如下:
式中Ts指地表温度,f(·)是所述回归核和所述地表温度之间的函数关系,是通过f(·)预测得到所述地表温度和真实地表温度之间的残差,ρ是核向量。
8.根据权利要求7所述的遥感地表温度降尺度算法,其特征在于,通过所述地表温度和所述回归核的关系,将低分辨率地表温度表示为T低(xi,yj)=f(ρ低(xi,yj))+ε(xi,yj),
式中,xi和yj分别是低分辨率影像的行列号。
9.根据权利要求8所述的遥感地表温度降尺度算法,其特征在于,基于所述的回归核与地表温度之间的函数关系在不同分辨率下是一样的假设,得到高分辨率地表温度
T高(xij,yij)=f(ρ高(xij,yij))+ε(xi,yj),
式中,xij和yij分别是高分辨率影像的行列号。
10.根据权利要求7~9任一项所述的遥感地表温度降尺度算法,其特征在于,所述回归核与温度的函数关系如下所示:
f(ρ)=f(NDVI,NDBI,NDVI2,NDBI2)
=a0+a1·NDVI+a2·NDVI2+a3·NDBI+a4·NDBI2
式中,NDVI表示归一化植被指数和NDBI表示归一化建筑物指数,以及a0、a1、a2、a3和a4是函数f(·)的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910003308.4A CN109741261A (zh) | 2019-01-03 | 2019-01-03 | 一种基于面向对象窗口的遥感地表温度降尺度算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910003308.4A CN109741261A (zh) | 2019-01-03 | 2019-01-03 | 一种基于面向对象窗口的遥感地表温度降尺度算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741261A true CN109741261A (zh) | 2019-05-10 |
Family
ID=66363063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910003308.4A Pending CN109741261A (zh) | 2019-01-03 | 2019-01-03 | 一种基于面向对象窗口的遥感地表温度降尺度算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741261A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
CN113779863A (zh) * | 2021-08-02 | 2021-12-10 | 中国农业科学院农业资源与农业区划研究所 | 一种基于数据挖掘的地表温度降尺度方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011107509A1 (de) * | 2010-03-03 | 2011-09-09 | Otto Junker Gmbh | Vorrichtung und verfahren zum erwärmen von metallbolzen |
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105719236A (zh) * | 2016-01-14 | 2016-06-29 | 北京师范大学 | 生成完整的高分辨率植被盖度图像季节变化序列的方法 |
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 |
CN107180158A (zh) * | 2017-06-16 | 2017-09-19 | 北京师范大学 | 基于温度变化速率的地表温度降尺度算法 |
CN107423537A (zh) * | 2017-01-25 | 2017-12-01 | 河海大学 | 一种基于自适应阈值的地表温度降尺度的方法 |
CN107843569A (zh) * | 2017-10-23 | 2018-03-27 | 中国科学院遥感与数字地球研究所 | 一种遥感影像中混合像元的日蒸散量的计算方法和系统 |
CN109060133A (zh) * | 2018-05-31 | 2018-12-21 | 北京师范大学 | 遥感地表温度降尺度算法 |
-
2019
- 2019-01-03 CN CN201910003308.4A patent/CN109741261A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011107509A1 (de) * | 2010-03-03 | 2011-09-09 | Otto Junker Gmbh | Vorrichtung und verfahren zum erwärmen von metallbolzen |
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105719236A (zh) * | 2016-01-14 | 2016-06-29 | 北京师范大学 | 生成完整的高分辨率植被盖度图像季节变化序列的方法 |
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 |
CN107423537A (zh) * | 2017-01-25 | 2017-12-01 | 河海大学 | 一种基于自适应阈值的地表温度降尺度的方法 |
CN107180158A (zh) * | 2017-06-16 | 2017-09-19 | 北京师范大学 | 基于温度变化速率的地表温度降尺度算法 |
CN107843569A (zh) * | 2017-10-23 | 2018-03-27 | 中国科学院遥感与数字地球研究所 | 一种遥感影像中混合像元的日蒸散量的计算方法和系统 |
CN109060133A (zh) * | 2018-05-31 | 2018-12-21 | 北京师范大学 | 遥感地表温度降尺度算法 |
Non-Patent Citations (4)
Title |
---|
LUO GAO等: "Localization or Globalization Determination of the Optimal Regression Window for Disaggregation of Land Surface Temperature", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
张逸然: "地表温度空间降尺度方法及其基于国产高分影像的应用研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
王斐: "基于地表类型的Landsat TM热红外波段遥感影像像元分解算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
董志鹏 等: "简单线性迭代聚类的高分辨率遥感影像分割", 《遥感信息》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
CN113779863A (zh) * | 2021-08-02 | 2021-12-10 | 中国农业科学院农业资源与农业区划研究所 | 一种基于数据挖掘的地表温度降尺度方法 |
CN113779863B (zh) * | 2021-08-02 | 2022-08-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于数据挖掘的地表温度降尺度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vos et al. | CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
Duan et al. | Spatial downscaling of MODIS land surface temperatures using geographically weighted regression: Case study in northern China | |
Zhou et al. | Dynamics of land surface temperature in response to land‐use/cover change | |
Ploton et al. | Assessing aboveground tropical forest biomass using Google Earth canopy images | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
Zhong et al. | Land cover mapping using time series HJ-1/CCD data | |
US8411903B2 (en) | Generating agricultural information products using remote sensing | |
Qiu et al. | A comparison of NDVI and EVI in the DisTrad model for thermal sub-pixel mapping in densely vegetated areas: A case study in Southern China | |
Silván-Cárdenas et al. | Retrieval of subpixel Tamarix canopy cover from Landsat data along the Forgotten River using linear and nonlinear spectral mixture models | |
Song et al. | Comparison and conversion of AVHRR GIMMS and SPOT VEGETATION NDVI data in China | |
Warner | Kernel‐based texture in remote sensing image classification | |
Malahlela | Inland waterbody mapping: Towards improving discrimination and extraction of inland surface water features | |
CN109919250B (zh) | 考虑土壤水分的蒸散发时空特征融合方法及装置 | |
Hufkens et al. | Impacts and uncertainties of upscaling of remote-sensing data validation for a semi-arid woodland | |
Guo et al. | Removing shadows from Google Earth images | |
Xu et al. | Estimation of secondary forest parameters by integrating image and point cloud-based metrics acquired from unmanned aerial vehicle | |
CN109741261A (zh) | 一种基于面向对象窗口的遥感地表温度降尺度算法 | |
Kim et al. | Intercomparison of downscaling techniques for satellite soil moisture products | |
Zhang et al. | A study on coastline extraction and its trend based on remote sensing image data mining | |
CN113447137A (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
Sun et al. | Identifying terraces in the hilly and gully regions of the Loess Plateau in China | |
Luo et al. | Spatial downscaling of MODIS land surface temperature based on a geographically and temporally weighted autoregressive model | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
CN109344769A (zh) | 一种基于遥感影像的光伏电站检测方法及系统 |
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 |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |