CN111260595A - 基于短波波段的Landsat-8地表温度降尺度方法 - Google Patents
基于短波波段的Landsat-8地表温度降尺度方法 Download PDFInfo
- Publication number
- CN111260595A CN111260595A CN202010012691.2A CN202010012691A CN111260595A CN 111260595 A CN111260595 A CN 111260595A CN 202010012691 A CN202010012691 A CN 202010012691A CN 111260595 A CN111260595 A CN 111260595A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- image
- meters
- earth surface
- spatial resolution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000011160 research Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于短波波段的Landsat‑8地表温度降尺度方法，其步骤为：获取空间分辨率为100米的地表温度影像和回归核影像；利用随机森林回归模型建立地表温度影像和回归核影像的统计关系；利用空间分辨率为100米和30米的回归核影像分别驱动随机森林回归模型获取空间分辨率为30米的地表温度细节；获取空间分辨率为30米的地表温度影像。本发明基于Landsat‑8短波波段设计了一种高性能的回归核，并利用随机森林回归模型建立地表温度与回归核的内在联系以实现Landsat‑8地表温度降尺度。本发明适用性强，能用于全球不同区域内Landsat‑8地表温度降尺度，能够满足实际生产的需要。
Description
技术领域
本发明涉及一种基于短波波段的Landsat-8地表温度降尺度算法，属于遥感地表温度降尺度(空间增强)及遥感地表温度产品生产研究领域。
背景技术
作为地表与大气相互作用过程的重要参数，地表温度被广泛应用于地表能量收支、水文循环和城市热环境监测等领域。卫星热红外遥感是获取大范围地表温度的主要手段。然而，卫星热红外遥感获取的地表温度的空间和时间分辨率难以兼顾，因此地表温度空间降尺度(简称降尺度)应运而生。目前，地表温度降尺度已成为获取高时空分辨率地表温度的主要途径之一。
学界已经提出了一系列的降尺度算法，包括统计降尺度、调制降尺度和数据融合降尺度等。这些算法均能成功提升地表温度的空间分辨率，其中统计降尺度操作简单、精度较高，且调制降尺度等其它方法也可视为统计降尺度的衍生。因此，相对而言统计降尺度受到了更多的关注。
统计降尺度的主要研究焦点在于(1)寻求一种能够充分挖掘地表温度与回归核内在联系的回归模型和(2)设计一种高精度和高稳定性的回归核。在回归模型方面，学界已取得了共识，即随机森林回归模型最能充分挖掘地表温度和回归核的内在联系，所对应降尺度算法具有较高的精度。在回归核方面，学界存在一些分歧：(1)一部分学者设计回归核时只利用短波波段(对应回归核称为光谱回归核)；(2)另一部分学者设计回归核时还加入了DEM等其他辅助数据(对应回归核称为混合回归核)。这2类回归核中，混合回归核的性能更好，具有更好的前景。但是，由于混合回归核中辅助数据的可获得性较差且辅助数据的使用缺乏统一的标准，因此混合回归核的全球通用性相对较差。相对而言，光谱回归核只需自身可见光-短波红外波段，无需DEM等额外辅助数据，因此光谱回归核不仅实现过程更为简便，而且也更易成为一种适用于全球任意地区的通用的回归核。然而，尽管学界已经设计出众多光谱回归核，部分取得了不错的效果，但现有光谱回归核缺乏充分利用短波波段中蕴含的与地表温度相关的信息，所对应的降尺度算法的精度和稳定性较差，无法满足在全球不同区域生产高空间地表温度的精度要求。
发明内容
本发明的目的在于：为促进全球高空间分辨率地表温度的生产，提出一种高精度，易于实现，适用性强的基于短波波段的Landsat-8地表温度降尺度方法。
2.本发明提出的基于短波波段的Landsat-8地表温度降尺度方法，包括以下步骤：
第一步、获取地表温度影像和回归核影像——基于Landsat-8热红外传感器数据和Landsat-8陆地成像仪数据分别获取空间分辨率为100米的地表温度影像和空间分辨率为30米的回归核影像，并将空间分辨率为30米的回归核影像重采样至100米。
所述空间分辨率为30米的回归核影像是由21个图层构成的合成影像，回归核影像各图层如下：
B1-B7分别表示Landsat-8波段1–7的地表反射率；
第二步、建立地表温度影像和回归核影像之间的统计关系——利用空间分辨率为100米的地表温度影像和空间分辨率为100米的回归核影像训练随机森林回归模型，建立地表温度影像和回归核影像之间的统计关系；
第三步、获取地表温度细节影像——分别将空间分辨率为30米和100米回归核影像驱动第二步中获得的训练后的随机森林回归模型，获取空间分辨率为30米和100米的预测的地表温度影像，并计算它们的差值以获取空间分辨率为30米的地表温度细节影像；
第四步、获取空间分辨率为30米的地表温度影像——在空间分辨率为100米的地表温度影像中添加第三步得到的地表温度细节影像，得到空间分辨率为30米的地表温度影像。
本发明方法充分利用了Landsat-8短波波段中与地表温度相关的信息，无需任何辅助数据，操作简单且适用性强，能够适用于全球不同区域内Landsat-8地表温度降尺度，能够促进全球高空间分辨率地表温度的生产，有益于城市热岛监测、地表蒸散发估算等相关研究的发展。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明方法流程示意图。
图2为降尺度算法精度随光谱预测因子数量变化图。
图3为在全球32个研究区内，采用“升尺度-降尺度”验证策略，本发明方法与两种经典的地表温度降尺度算法的精度图。经典算法1对应TsHARP算法，经典算法2对应HUTS算法。
图4为在乌克兰乌曼市研究区本发明方法获取的30米地表温度结果图。研究区中心经纬度为30°11′E，48°44′N，数据时间为2013年8月22日。
具体实施方式
如图1所示，本发明基于短波波段的Landsat-8地表温度降尺度方法的过程如下：
第一步：获取地表温度影像和回归核影像。
首先，获取Landsat-8数据，其包括Landsat-8陆地成像仪数据和Landsat-8热红外传感器数据。随后，利用Landsat-8热红外传感器数据获取空间分辨率为100米的地表温度影像；利用Landsat-8陆地成像仪数据计算得到空间分辨率为30米的回归核影像。然后，将空间分辨率为30米的回归核影像聚合平均重采样至100米，以获得空间分辨率为100米的回归核影像。所述回归核影像为由21个图层构成的合成影像，回归核影像各图层如下：
注，B1-B7分别表示Landsat-8波段1-7地表反射率。
第二步：建立地表温度影像和回归核影像之间的统计关系。
首先，将空间分辨率为100米的回归核影像和空间分辨率为100米的地表温度影像输入随机森林回归模型中。前者作为特征，后者作为标签，训练随机森林回归模型，建立低分辨率地表温度和回归核统计关系。注意，回归核影像在输入随机森林回归模型之前需要进行归一化处理，归一化到0至1之间。随机森林回归模型中“最佳棵树大小”通过格网寻参方法确定，网格大小为100，200，300，400，500，600，700，800和900；“叶子节点最少样本数”通过反复实验确定为10。
第三步：获取地表温度细节影像。
首先，分别将空间分辨率为30米和100米的回归核影像输入第二步中训练后的随机森林回归模型中，获取空间分辨率为30米和100米的预测的地表温度影像。然后，计算空间分辨率为30米的预测的地表温度影像与空间分辨率为100米的预测的地表温度影像(该影像经过最近邻重采样后，其像元大小为30米×30米)的差值，得到空间分辨率为30米的地表温度细节影像。
第四步：获取空间分辨率为30米的地表温度影像。
首先，在第一步获取的空间分辨率为100米的地表温度影像(该影像经过最近邻重采样后，其像元大小为30米×30米)中添加空间分辨率为30米的地表温度细节影像，得到空间分辨率为30米的地表温度影像。
图2展示了降尺度算法精度随光谱预测因子数量变化情况。均方根误差和简单灵活指数分别表示两种不同的精度评价指标。图2显示在灰线(21核)前降尺度算法误差随光谱预测因子数量增加而降低，而灰线(21核)后降尺度算法误差不变，表明21核已能充分利用短波波段中与地表温度相关的信息。
图3展示了在全球32个研究区内，采用“升尺度-降尺度”验证策略，本发明方法与两种经典降尺度算法的精度差异。经典算法1对应TsHARP算法，经典算法2对应HUTS算法。图3显示本发明方法的均方根误差和简单灵活指数(一种新的误差评价指标)均明显低于经典算法1(TsHARP)和经典算法2(HUTS算法)，表明本发明方法的精度明显优于TsHARP和HUTS两种经典降尺度算法。
图4展示了在乌克兰乌曼市部分地区本发明方法获取的高空间分辨率的地表温度。上图为整体结果；图4a、图4b和图4c为局部结果。图4显示高空间分辨率地表温度不仅与原有低空间分辨率地表温度保持相同空间分布，而且具有更加丰富的空间细节和纹理信息，表明本发明方法能够成功生产空间分辨率为30米的地表温度。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (5)
1.基于短波波段的Landsat-8地表温度降尺度方法，包括以下步骤：
第一步、获取地表温度影像和回归核影像——基于Landsat-8热红外传感器数据和Landsat-8陆地成像仪数据分别获取空间分辨率为100米的地表温度影像和空间分辨率为30米的回归核影像，并将空间分辨率为30米的回归核影像重采样至100米。
所述空间分辨率为30米的回归核影像是由21个图层构成的合成影像，回归核影像各图层如下：
B1-B7分别表示Landsat-8波段1–7的地表反射率；
第二步、建立地表温度影像和回归核影像之间的统计关系——利用空间分辨率为100米的地表温度影像和空间分辨率为100米的回归核影像训练随机森林回归模型，建立地表温度影像和回归核影像之间的统计关系；
第三步、获取地表温度细节影像——分别将空间分辨率为30米和100米回归核影像驱动第二步中获得的训练后的随机森林回归模型，获取空间分辨率为30米和100米的预测的地表温度影像，并计算它们的差值以获取空间分辨率为30米的地表温度细节影像；
第四步、获取空间分辨率为30米的地表温度影像——在空间分辨率为100米的地表温度影像中添加第三步得到的地表温度细节影像，得到空间分辨率为30米的地表温度影像。
2.根据权利要求1所述的一种基于短波波段的Landsat-8地表温度降尺度方法，其特征在于：第一步中，使用聚合平均方法对回归核影像进行重采样。
3.根据权利要求1所述的一种基于短波波段的Landsat-8地表温度降尺度方法，其特征在于：第二步中，随机森林回归模型中“最佳棵树大小”通过格网寻参方法确定，格网大小为100，200，300，400，500，600，700，800和900；“叶子节点最少样本数”通过反复实验确定为10，其余参数采用默认参数。
4.根据权利要求1所述的一种基于短波波段的Landsat-8地表温度降尺度方法，其特征在于：第四步中，首先将空间分辨率为100米的地表温度影像重采样至30米，随后将空间分辨率为30米的地表温度细节影像加入本步骤中经过重采样的地表温度影像，得到空间分辨率为30米的地表温度影像。
5.根据权利要求4所述的一种基于短波波段的Landsat-8地表温度降尺度方法，其特征在于：第四步中，通过最近邻重采样方法对地表温度影像进行重采样。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010012691.2A CN111260595B (zh) | 2020-01-07 | 2020-01-07 | 基于短波波段的Landsat-8地表温度降尺度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010012691.2A CN111260595B (zh) | 2020-01-07 | 2020-01-07 | 基于短波波段的Landsat-8地表温度降尺度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111260595A true CN111260595A (zh) | 2020-06-09 |
| CN111260595B CN111260595B (zh) | 2023-04-07 |
Family
ID=70943921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010012691.2A Active CN111260595B (zh) | 2020-01-07 | 2020-01-07 | 基于短波波段的Landsat-8地表温度降尺度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260595B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046648A (zh) * | 2015-06-25 | 2015-11-11 | 北京师范大学 | 一种构建高时空遥感数据的方法 |
| US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
| CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
-
2020
- 2020-01-07 CN CN202010012691.2A patent/CN111260595B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046648A (zh) * | 2015-06-25 | 2015-11-11 | 北京师范大学 | 一种构建高时空遥感数据的方法 |
| US20190057171A1 (en) * | 2017-02-10 | 2019-02-21 | Guangxi Institute of Meteorlogical Disaster- Reducing Research | Novel nonlinear method for area-wide near surface air temperature precision retrieval |
| CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 华俊玮;祝善友;张桂欣;: "基于随机森林算法的地表温度降尺度研究" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111260595B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
| Son et al. | Assessment of urbanization and urban heat islands in Ho Chi Minh City, Vietnam using Landsat data | |
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| WO2018145229A1 (zh) | 一种近地面气温的大面积精确反演方法 | |
| Li et al. | On the association between land system architecture and land surface temperatures: Evidence from a Desert Metropolis—Phoenix, Arizona, USA | |
| CN110610054A (zh) | 一种土壤湿度长方体反演模型构建方法及系统 | |
| Li et al. | Towards an operational system for regional-scale rice yield estimation using a time-series of Radarsat ScanSAR images | |
| CN113486000B (zh) | 基于多源数据和深度学习的地表蒸散发数据降尺度方法 | |
| CN112560570A (zh) | 一种协同降尺度与数据融合的高分辨率地表温度估算方法 | |
| CN112884672B (zh) | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 | |
| CN109977991A (zh) | 基于高清卫星遥感的林业资源采集方法 | |
| Hou et al. | On the value of available MODIS and Landsat8 OLI image pairs for MODIS fractional snow cover mapping based on an artificial neural network | |
| CN115862010B (zh) | 一种基于语义分割模型的高分遥感影像水体提取方法 | |
| CN114463616B (zh) | 一种基于Stacking与EMOS-CSG的多源卫星降水融合方法 | |
| CN109635242A (zh) | 一种基于多时间尺度模型的遥感地表日均温计算方法 | |
| Jiang et al. | Unmixing-based spatiotemporal image fusion accounting for complex land cover changes | |
| CN114387531A (zh) | 一种基于改进地理加权回归模型的地表温度降尺度方法 | |
| Zhang et al. | Fusion of all-weather land surface temperature from AMSR-E and MODIS data using random forest regression | |
| Liang et al. | MODIS aerosol optical depth retrieval based on random forest approach | |
| CN111260595B (zh) | 基于短波波段的Landsat-8地表温度降尺度方法 | |
| Lian et al. | Generation of spatial-seamless AMSR2 Land Surface Temperature in China during 2012–2020 using a deep neural network | |
| Cuo et al. | Topographic normalization for improving vegetation classification in a mountainous watershed in Northern Thailand | |
| Wang et al. | A taylor expansion algorithm for spatial downscaling of MODIS land surface temperature | |
| CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
| CN116522090A (zh) | 一种考虑植被记忆和精细尺度植被指数的土壤水分降尺度方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |