CN112560570B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112560570B CN112560570B CN202011049359.XA CN202011049359A CN112560570B CN 112560570 B CN112560570 B CN 112560570B CN 202011049359 A CN202011049359 A CN 202011049359A CN 112560570 B CN112560570 B CN 112560570B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- resolution
- downscaling
- data
- modis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000007637 random forest analysis Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000002310 reflectometry Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 6
- HQHACWYQWDKBOZ-UHFFFAOYSA-N 1-nitroso-azacyclotridecane Chemical compound O=NN1CCCCCCCCCCCC1 HQHACWYQWDKBOZ-UHFFFAOYSA-N 0.000 claims description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims 1
- 238000012368 scale-down model Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G06V20/188—Vegetation
-
- 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
-
- 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
- G01J5/007—Radiation pyrometry, e.g. infrared or optical thermometry for earth observation
-
- 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
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
Abstract
本发明提供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，包括遥感数据集收集，还包括以下步骤：根据随机森林回归方法的特征重要性度量指标筛选用于MODIS地表温度降尺度的最佳预测因子；通过随机森林回归算法对MODIS地表温度进行两阶段降尺度，获得基准时间点Tb和预测时间点Tp的降尺度地表温度数据；采用FSDAF时空数据融合算法对Tb时间点的Landsat 8地表温度影像和降尺度后的Tb、Tp时间点的MODIS地表温度影像进行时空融合，以获取Tp时间点的高分辨率地表温度影像。本发明提出的协同降尺度与数据融合的高分辨率地表温度估算方法，为促进异质性景观区域高空间分辨率地表温度数据的生产，通过结合两阶段地表温度降尺度和考虑了异质性区域地表温度特征的时空数据融合算法提出一种新策略。
Description
技术领域
本发明涉及遥感图像增强的技术领域，特别是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。
背景技术
地表温度(land surface temperature,LST)作为联系地球表层与大气边界层之间物质交换和能量平衡的重要物理参量，其空间分布和时间动态在大气循环过程、土壤湿度监测、植被蒸散发估算和城市热岛效应研究等领域发挥着重要作用。基于卫星观测的热红外遥感技术为获取不同时间和空间尺度上的地表温度提供了一种独特方式。但由于热红外遥感影像在空间和时间分辨率上存在相互制约的矛盾：空间分辨率高的卫星遥感数据时间分辨率低，反之亦然。因此，为了获取兼具高空间和高时间分辨率的地表温度数据，辅以其他遥感数据对空间分辨率低而时间分辨率高的地表温度产品进行降尺度或对空间分辨率高而时间分辨率低的地表温度数据进行时空融合显得尤为重要。
获取高时空分辨率的地表温度有多种方法，一般可分为：1)基于回归降尺度的方法，2)基于遥感数据融合的方法，3)结合回归降尺度和数据融合的混合策略。基于回归降尺度的方法根据“关系尺度不变”的假设，将低分辨率地表温度和光谱指数间的统计关系应用于高空间分辨率，可快速地获取高分辨率的地表温度数据；但这类方法依赖于瞬时的高分辨率光谱指数影像，无法对长时间序列的低分辨率地表温度影像进行降尺度。基于遥感数据融合的方法通过假设不同空间分辨率的遥感影像序列间的时相变化模型相互通用，不同时相的高－低分辨率遥感影像间的空间降尺度模型相互通用，利用已有的一副高分辨率地表温度影像和一系列低分辨率地表温度影像来融合缺失时间的高分辨率地表温度数据；但这类方法受限于具有高时间分辨率地表温度的低空间分辨率特征，难以继承低分辨率地表温度数据中的空间纹理信息。通过结合统计回归和数据融合方法的优势，混合策略在获取高时空分辨率地表温度方面表现突出，可实现长时间序列的高分辨率地表温度数据生产。
2018年第02期的《遥感技术与应用》杂志公开了郑明亮、黄方和张鸽的《基于TsHARP模型和STITFM算法的地表温度影像融合研究》。该研究基于MODIS地表温度产品和Landsat ETM+影像，提出将TsHARP(Thermal sHARPening)模型和STITFM(Spatio-TemporalIntegrated Temperature Fusion Model)算法相结合的混合策略CTsSTITFM进行地表温度数据融合。该方法先利用TsHARP方法降尺度t1和t2时刻的1千米MODIS地表温度为250米分辨率，再将降尺度结果输入STITFM模型进行影像融合，最终生成t2时刻的30米分辨率地表温度数据。结果表明：该方法比单独采用STITFM算法的模拟结果精度有所提高，在默认参数设置下，融合的地表温度影像与反演的Landsat ETM+地表温度值相比，均方根误差(RMSE)小于1.33K。但该方法主要存在以下两点不足：1)采用线性回归方式对MODIS地表温度降尺度，进而结合融合技术估算高分辨率地表温度，忽略了对低分辨率地表温度非线性问题的考虑；2)采用适用于均质地表的融合算法估算高分辨率的地表温度，缺乏了对影像纹理细节的分析，严重制约了在空间异质性地表所估算得到的高分辨率地表温度精度。
发明内容
为了解决上述的技术问题，本发明提出的协同降尺度与数据融合的高分辨率地表温度估算方法，为促进异质性景观区域高空间分辨率地表温度数据的生产，通过结合两阶段地表温度降尺度和考虑了异质性区域地表温度特征的时空数据融合算法提出了一种新策略。
本发明的目的是提供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，包括遥感数据集收集，还包括以下步骤：
步骤1：根据随机森林回归方法的特征重要性度量指标筛选用于MODIS地表温度降尺度的最佳预测因子；
步骤2：通过随机森林回归算法对MODIS地表温度进行两阶段降尺度，获得Tb和Tp时间点的降尺度地表温度数据；
步骤3：采用FSDAF时空数据融合算法对Tb时间点的Landsat8地表温度和降尺度后的Tb、Tp时间点的MODIS地表温度进行时空融合，获取Tp时间点的高分辨率地表温度影像。
优选的是，上述遥感数据集收集步骤包括获取研究目标区域在卫星过境时刻的遥感数据集及多种地表状态参数，包括低分辨率地表温度遥感数据，中分辨率地表反射率数据、土地覆盖类型数据，高分辨率地表温度遥感数据、地表反射率数据和数字高程模型数据中至少一种。
在上述任一方案中优选的是，所述步骤1包括以下子步骤：
步骤11：遥感数据集的收集、预处理和地表温度预测因子的计算；
步骤12：筛选用于MODIS地表温度降尺度的预测因子。
在上述任一方案中优选的是，所述步骤11包括对获取的中分辨率地表反射率产品、土地覆盖类型数据和高分辨率地表数字高程模型数据进行几何裁剪、几何纠正和重投影等处理，并衍生计算出用于地表温度降尺度的预测因子。
在上述任一方案中优选的是，所述地表温度降尺度预测因子包括遥感光谱指数和地理地形相关因子。
在上述任一方案中优选的是，所述遥感光谱指数包括归一化差异植被指数NDVI、土壤调节植被指数SAVI、植被覆盖度PV、归一化差异湿度指数NDMI、裸土指数BSI、归一化差异建筑指数NDBI、改进的归一化差异水体指数MNDWI、综合生态指数IEI、地表发射率ε和土地覆盖类型LUCC中至少一种，计算公式为：
其中，NIR为近红外反射率产品；RED为红外反射率产品；NDVImin为NDVI值的最小值，NDVImax为NDVI值的最大值；SWIR1和SWIR2为短波红外反射率产品；BLUE为蓝光反射率产品；GREEN为绿光反射率产品；m为主成分指标的个数，i为第一个主成分分量，αi为主成分的方法贡献度，PCi为各分量指标的主成分。
在上述任一方案中优选的是，所述地理地形相关因子包括坡度Slope、坡向Aspect、海拔Height、经度Longitude和纬度Latitude中至少一种，计算公式为：
其中，fx和fy表示遥感图像的3×3窗口内中心像素点(i，j)处的水平和垂直坡度，由以下公式得到：
其中，Hi，j代表数字高程模型数据在像素点(i，j)处的高程；Rj代表数字高程模型数据的空间分辨率。
在上述任一方案中优选的是，所述步骤12为将所述地表温度降尺度预测因子的空间分辨率聚合至1千米，并与MODIS地表温度产品进行空间配准；将所述地表温度降尺度预测因子进行组合并与地表温度进行拟合回归；最后根据所述地表温度降尺度预测因子的特征重要性度量指标和算法回归拟合优度确定最佳地表温度降尺度预测因子。
在上述任一方案中优选的是，所述步骤2包括以下子步骤：
步骤21：构建两阶段降尺度模型；
步骤22：获取基于随机森林回归的两阶段MODIS地表温度降尺度。
在上述任一方案中优选的是，所述步骤21包括根据不同分辨率下的地表温度与预测因子之间的函数关系不变假设，通过构建低分辨率地表温度与预测因子之间的函数关系，将其映射到中分辨预测因子中获取中分辨率地表温度，进而应用到高分辨预测因子中来获取高分辨率的地表温度。
在上述任一方案中优选的是，所述地表温度和预测因子之间的函数关系为：
其中，LST为地表温度；f为地表温度和预测因子之间的函数关系，factor1-factor3为作用于地表温度的多个预测因子；为通过f所预测得到的地表温度和真实地表温度之间的残差。
在上述任一方案中优选的是，所述步骤22还包括对Tb 和Tp时间点的MODIS地表温度进行两阶段降尺度，获得Tb 和Tp时间点的降尺度地表温度数据。
在上述任一方案中优选的是，在Tb时间点的低分辨率地表温度LSTlow(xi,yi,Tb)可通过以下公式获取，
其中，flow()为地表温度和预测因子在低空间分辨率下的映射关系；是通过f在低空间分辨率下预测得到的地表温度和真实地表温度之间的残差；(xi,yi)为地表温度影像的像素点坐标。
在上述任一方案中优选的是，在Tb时间点的中分辨率地表温度LSTmedium(xi,yi,Tb)可通过以下公式获取，
其中，fmedium()为地表温度和预测因子在中空间分辨率下的映射关系；是通过f在中空间分辨率下预测得到的地表温度和真实地表温度之间的残差；(xi,yi)为地表温度影像的像素点坐标。
在上述任一方案中优选的是，在Tb时间点的高分辨率地表温度LSThigh(xi,yi,Tb)可通过以下公式获取，
其中，fhigh()为地表温度和预测因子在高分辨率下的映射关系；是通过f在高分辨率下预测得到的地表温度和真实地表温度之间的残差；(xi,yi)为地表温度影像的像素点坐标。
在上述任一方案中优选的是，所述步骤22还包括对Tp时间点的MODIS地表温度进行两阶段降尺度，获得Tp时间点的高分辨率地表温度数据。
在上述任一方案中优选的是，所述步骤3包括以下子步骤：
步骤31：获取Tb时间点的30米分辨率地表温度影像；
步骤32：融合Tp时间点的30米分辨率地表温度影像。
在上述任一方案中优选的是，所述步骤31包括计算Tb时间点的30米分辨率Landsat 8地表温度Ts，公式为：
Ts＝[a(1-C-D)+(b(1-C-D)+C+D)T-DTa]/C
其中，a和b为系数；C＝ετ，D＝(1-τ)[1+(1-τ)ε]，ε为地表发射率；τ为大气透过率；T为Landsat 8星上亮度温度数据；Ta为平均大气作用温度。
在上述任一方案中优选的是，所述步骤32包括以下子步骤：
步骤321：对Tb时间点的Landsat 8地表温度影像进行分级，获取该时间点下两阶段降尺度后的每个MODIS地表温度影像像元所对应的每种地表温度级别的比例；
步骤322：对Tb和Tp时间点的两阶段降尺度MODIS地表温度影像进行空间配准，估算各地表温度级别从Tb到Tp时间点的时间变化信息；
步骤323：根据各地表温度级别的时间变化内容预测Tp时间点的高分辨率地表温度影像和残差；
步骤324：利用薄板样条插值函数将Tp时间点的两阶段降尺度地表温度影像作为输入，获取Tp时间点的高分辨率地表温度影像的空间变化信息；
步骤325：将所述残差的信息分布到最初预测的高分辨率地表温度影像中；
步骤326：利用邻近相似像元对最初预测的高分辨率地表温度影像进行最终估算。
在上述任一方案中优选的是，Tp时间点的高分辨率地表温度影像的估算公式为：
其中，为在Tp时间点所估算的目标像元(xij,yij)的地表温度值；F1(xij,yij,LST)为在Tb时间点所获取的高分辨率影像中像元(xij,yij)处的地表温度值；n指的是移动窗口中与中心像元属性相似的像元数量；wk为决定每个相邻像元k对中心像元所贡献的权重；ΔF(xk,yk,LST)为决定一个细像元在Tb和Tp时间点之间的总地表温度变化量。
在上述任一方案中优选的是，所述计算参数wk的计算公式如下：
其中，Dk为中心像元和目标像元之间的空间距离，一般取值为1到(xk,yk)和(xij,yij)分别表示在一个移动窗口内的目标像元和相似像元；w为移动窗口的大小。
在上述任一方案中优选的是，ΔF(xij,yij,LST)的计算公式如下：
ΔF(xij,yij,LST)＝r(xij,yij,LST)+ΔF(LST)
其中，r(xij,yij,LST)为高分辨率影像中像元(xij,yij)处的地表温度残差；ΔF(LST)为在Tb和Tp时间点之间地表覆盖类型未发生变化时的地表温度变化量。
本发明提出了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，能够有效地为区域尺度下的气候、水文和生态环境等领域研究和应用提供精度可靠的高分辨率地表温度参数，具有十分重要的应用价值。
附图说明
图1为按照本发明的协同降尺度与数据融合的高分辨率地表温度估算方法的整体流程图。
图2为按照本发明的协同降尺度与数据融合的高分辨率地表温度估算方法的一优选实施例的执行过程示意图。
图3为按照本发明的协同降尺度与数据融合的高分辨率地表温度估算方法和三种经典方法的一实施例的30米分辨率类Landsat 8地表温度影像比较示意图。
图4为按照本发明的协同降尺度与数据融合的高分辨率地表温度估算方法和三种经典方法的一实施例的30米分辨率类Landsat 8地表温度影像与实际Landsat 8地表温度影像间的绝对误差比较示意图。
图5为按照本发明的协同降尺度与数据融合的高分辨率地表温度估算方法和三种经典方法的一实施例的30米分辨率类Landsat 8地表温度影像与实际Landsat 8地表温度影像间的平均误差、均方根误差、相关系数和图像纹理相似度比较示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
图1是本发明的总体步骤流程图。主要包括以下步骤：1)执行步骤1000，获取研究目标区域在卫星过境时刻的遥感数据集及多种地表状态参数；2)执行步骤1100，根据随机森林回归方法的特征重要性度量指标筛选用于MODIS地表温度降尺度的最佳预测因子；3)执行步骤1200，通过随机森林回归算法对MODIS地表温度影像进行两阶段降尺度，获得Tb和Tp时间点的高分辨率地表温度影像；4)执行步骤1300，采用FSDAF时空数据融合算法对Tb时间点的Landsat8地表温度影像和降尺度后的Tb、Tp时间点的MODIS地表温度影像进行时空融合，获取Tp时间点的高分辨率地表温度影像。
为详细地描述本发明的实施流程，本实施例通过获取2014年7月24日(Tb时间点)和2014年8月9日(Tp时间点)的相关数据集来估算2014年8月9日(Tp时间点)的30米分辨率地表温度影像。如图2所示，本实施例以张掖市地区为例，通过结合两阶段地表温度降尺度和时空数据融合的思想，展示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，主要由以下三个过程组成：一是根据随机森林回归方法的特征重要性度量指标确定用于MODIS地表温度影像降尺度的最佳预测因子，即图2中的过程1；二是通过随机森林回归算法对MODIS地表温度影像进行两阶段降尺度，获得Tb和Tp时间点的高分辨率MODIS地表温度数据，即图2中的过程2；三是采用FSDAF时空数据融合算法对Tb时间点的Landsat8地表温度影像和降尺度后的Tb、Tp时间点的MODIS地表温度影像进行时空融合，获取Tp时间点的高分辨率地表温度，即图2中的过程3。具体的实施过程如下：
过程1：最佳预测因子筛选过程
步骤1：遥感数据集收集
获取张掖市区域在卫星过境时刻的遥感数据集及多种地表状态参数，主要包括：1)低分辨率地表温度遥感数据：来源于Terra卫星的MOD11A1产品，空间分辨率为1千米，时间分辨率为1天；2)中分辨率地表反射率数据：来源于Terra卫星的MOD09GA产品，空间分辨率为500米，时间分辨率为1天；3)中分辨率土地覆盖类型数据：来源于Terra卫星的MCD12Q1产品，空间分辨率为500米，时间分辨率为1年；4)高分辨率地表温度遥感数据：来源于Landsat 8卫星的星上亮温产品，空间分辨率为30米，时间分辨率为16天。5)高分辨率地表反射率遥感数据：来源于Landsat 8卫星的地表反射率产品，空间分辨率为30米，时间分辨率为16天；6)高分辨率数字高程模型数据：来源于ASTER卫星的GDEM产品，空间分辨率为30米。
步骤2：遥感数据集预处理和地表温度预测因子计算
对获取的中分辨率地表反射率产品、土地覆盖类型数据和高分辨率地表数字高程模型数据进行几何裁剪、几何纠正和重投影等处理，以使这些地表参数数据能够完全配准，并衍生计算出15种地表温度降尺度预测因子。上述所用的地表温度降尺度预测因子具体包括10种遥感光谱指数和5种地理地形相关因子。其计算公式如下：
说明 计算公式
遥感光谱
指数
LUCC土地覆盖类型 (10)
地理地形
相关因子 Height海拔 (13)
Longitude经度 (14)
Latitude纬度 (15)
其中，NDVI为归一化差异植被指数，RED为红外反射率产品，NIR为近红外反射率产品；SAVI为土壤调节植被指数；Pv为植被覆盖度，其中NDVImax和NDVImin分别是NDVI值的最大值和最小值；NDMI为归一化差异湿度指数，SWIR2为短波红外反射率产品；BSI为裸土指数，SWIR1为短波红外反射率产品，BLUE为蓝光反射率产品；NDBI为归一化差异建筑指数；MNDWI为改进的归一化差异水体指数，GREEN为绿光反射率产品；IEI为综合生态指数；ε为地表发射率；Slope为坡度；Aspect为坡向，其中，fx和fy由下式计算得到：
其中，fx和fy是中间参数，表示遥感图像的3×3窗口内中心像素点(i，j)处的水平和垂直坡度；Hi,j代表像素点(i，j)处的高程，可直接从数字高程模型数据中获取；Rj为数字高程模型数据的空间分辨率。
步骤3：筛选用于MODIS地表温度降尺度的预测因子
采用ENVI 5.3软件的Pixel aggregate算法将计算得到的15个预测因子的空间分辨率聚合至1千米，并与MODIS地表温度产品进行空间配准；基于R语言随机森林回归算法，依次将15个预测因子进行组合并与地表温度进行拟合回归；最后根据预测因子的特征重要性度量指标和算法回归拟合优度确定最佳地表温度降尺度预测因子，包括PV，Slope，Height，Longitude和Latitude。
过程2：MODIS地表温度产品的两阶段降尺度
步骤1：两阶段降尺度模型构建
相关研究表明，传统的地表温度降尺度算法适用于空间分辨率差异为3～5倍的情况，而不适用于空间分辨率差异高达33倍的情况。因此，直接将1千米分辨率的MODIS地表温度产品空间降尺度为100米以内的分辨率会产生严重的尺度效应。为减小MODIS地表温度产品的降尺度误差，本发明利用500米分辨率的MOD09GA产品作为过渡影像，采用两阶段降尺度方案首先将1千米MODIS地表温度产品降尺度为500米分辨率，进而利用30米分辨率的Landsat 8地表反射率数据将第一阶段降尺度后的500米地表温度数据降尺度为30米分辨率。该两阶段降尺度方案基于尺度不变性假设，即根据不同分辨率下的预测因子与地表温度之间的函数关系不变假设，通过构建低分辨率下地表温度与预测因子之间的函数关系，将其映射到中分辨预测因子中获取中分辨率地表温度，进而应用到高分辨预测因子中来获取高分辨率地表温度。
地表温度和预测因子之间的函数关系建立如下：
其中，LST为地表温度；f为地表温度和预测因子之间的函数关系；factor1,2,3,...为作用于地表温度的多个预测因子；为通过f所预测得到的地表温度和真实地表温度之间的残差。
步骤2：基于随机森林回归的两阶段MODIS地表温度降尺度
基于构建的地表温度和预测因子之间的函数关系，在Tb时间点的1千米分辨率地表温度可通过下式获取：
其中，LSTlow(xi,yi,Tb)为在Tb时间点的1千米分辨率地表温度；flow()为地表温度和预测因子在1千米分辨率下的映射关系；factor1,2,3,...为在1千米分辨率下作用于地表温度的多个预测因子；是通过f在1千米分辨率下预测得到的地表温度和真实地表温度之间的残差。
基于尺度不变的假设，将上式应用到500米分辨率的预测因子上，从而进行第一阶段地表温度降尺度，可获取Tb时间点的500米分辨率地表温度，其计算公式如下：
其中，LSTmedium(xi,yi,Tb)为在Tb时间点的500米分辨率地表温度；fmedium()为地表温度和预测因子在500米分辨率下的映射关系；factor1,2,3,...为在500米分辨率下作用于地表温度的多个预测因子；是通过f在500米分辨率下预测得到的地表温度和真实地表温度之间的残差。
类似地，基于尺度不变的假设进行第二阶段的地表温度降尺度，可得到Tb时间点的30米分辨率地表温度：
其中，LSThigh(xi,yi,Tb)为在Tb时间点的30米分辨率地表温度；fhigh()为地表温度和预测因子在30米分辨率下的映射关系；factor1,2,3,...为在30米分辨率下作用于地表温度的多个预测因子；是通过f在30米分辨率下预测得到的地表温度和真实地表温度之间的残差。
类似地，对Tp时间点的MODIS地表温度进行两阶段降尺度，获得Tp时间点的30米分辨率地表温度数据。
本过程应用的降尺度预测因子在两个降尺度阶段都采用相同的预测因子，并由过程1的处理过程获取。同时，采用的降尺度回归方法使用了考虑非线性回归原理的随机森林算法。
过程3：地表温度的时空数据融合过程
基于遥感图像的时空数据融合方法是一种综合的图像增强技术。通过对Tb和Tp时间点的两幅低分辨率地表温度影像和Tb时间点的一幅高分辨率地表温度影像进行图像融合，可预测得到Tp时间点的高分辨率地表温度影像。这种技术将各种分辨率的地表温度作为输入，无需其他辅助数据，具有更可靠的预测精度。由于FSDAF算法可以有效地捕获土地覆盖类型的渐变和突变状态来预测景观异质性区域中的高分辨率影像，这里我们采用FSDAF算法来融合Tp时间点的30米分辨率的细纹理地表温度影像。
步骤1：获取Tb时间点的30米分辨率地表温度影像
由于FSDAF算法需要一幅Tb时间点的高分辨率影像作为基准图像进行后续的时空数据融合，所获取的Landsat 8星上亮温影像被用来反演30米分辨率的地表温度。由覃志豪等人提出的单窗算法被广泛应用于地表温度的精确获取，因此本方案采用单窗算法来计算Tb时间点的30米分辨率Landsat 8地表温度。具体的计算公式如下：
LST＝[a(1-C-D)+(b(1-C-D)+C+D)T-DTa]/C (22)
其中，LST为反演后的Landsat 8地表温度；a,b，C，D为四个系数，其中a＝-67.355351，b＝0.458606，C＝ετ，D＝(1-τ)[1+(1-ε)τ]；在系数C和D中，ε为地表发射率，可通过NDVI阈值法来获取；τ为大气透过率，可通过Atmospheric CorrectionParameterCalculator获取；Ta为大气平均作用温度，由以下公式获取：
其中，T0为近地表的大气温度，可通过当地的气象站点获取。
另外，T为Landsat 8星上亮度温度数据，可通过普朗克函数获取：
其中，T为由Landsat 8热红外图像所衍生的星上亮温数据，单位为Kelvin；K1和K2为Landsat 8热红外图像的两个定标参数，对于Landsat 8卫星的band 10，K1＝774.89W/(m2srμm)，K2＝1321.08K；Lλ为Landsat 8热红外传感器孔径处的星上光谱辐亮度数据，可通过下式获取：
Lλ＝MLQca1+AL (28)
其中，Lλ为Landsat 8热红外传感器孔径处的星上光谱辐亮度；ML和AL分别为Landsat 8热红外传感器的调整因子，对于Landsat 8卫星的band 10，ML＝0.0003342，AL＝0.1；Qcal为Landsat 8热红外传感器的DN值，这里为band 10的数值量化值。
步骤2：融合Tp时间点的30米分辨率地表温度影像
由Zhu等人提出的FSDAF算法只需提供一个高分辨率地表温度影像和两个低分辨率地表温度影像，便可估算出景观异质性区域的高分辨率地表温度影像。通过结合权重函数和图像空间分解的优势，FSDAF算法利用不同地表类型间的温度变化信息和邻域像素间的空间纹理细节，在Tp时间点获取精细的地表温度影像。
Tp时间点的地表温度估算可通过结合Tb时间点的Landsat 8地表温度影像和Tb、Tp时间点所处理的两阶段降尺度MODIS地表温度影像执行。具体的实现步骤如下：
1.对Tb时间点的Landsat 8地表温度影像进行分级，获取该时间点下两阶段降尺度后的每个MODIS地表温度影像像元所对应的每种地表温度级别的比例；
2.对Tb和Tp时间点的两阶段降尺度MODIS地表温度影像进行空间配准，估算各地表温度级别从Tb到Tp时间点的时间变化信息；
3.根据各地表温度级别的时间变化内容预测Tp时间点的30米分辨率地表温度影像和残差；
4.利用薄板样条插值函数将Tp时间点的两阶段降尺度地表温度影像作为输入，获取Tp时间点的30米分辨率地表温度影像的空间变化信息；
5.将步骤3产生的残差信息分布到最初预测的30米分辨率地表温度影像中；
6.利用邻近相似像元对最初预测的30米分辨率地表温度影像进行最终估算。
基于FSDAF算法，Tp时间点的30米分辨率地表温度影像可由下式估算得到：
其中，为在Tp时间点所估算得到的目标像元(xij,yij)的地表温度值；F1(xij,yij,LST)为在Tb时间点所获取的30米分辨率影像中像元(xij,yij,)处的地表温度值；n指的是移动窗口中与中心像元属性相似的像元数量。
此外，wk是FSDAF算法中的一个重要参数，用于决定每个相邻像元对中心像元所贡献的权重，其计算公式如下：
其中，Dk为中心像元和目标像元之间的空间距离，一般取值为1到(xk,yk)和(xij,yij)分别表示在一个移动窗口内的目标像元和相似像元；w为移动窗口的大小。
ΔF(xij,yij,LST)决定了一个精细像元在Tb和Tp时间点之间的总地表温度变化量，其计算公式如下：
ΔF(xij,yij,LST)＝r(xij,yij,LST)+ΔF(LST) (32)
其中，r(xij,yij,LST)为30米分辨率影像中像元(xij,yij)处的地表温度残差；ΔF(LST)为在Tb和Tp时间点之间地表覆盖类型未发生变化时的地表温度变化量。
实施例二
本发明提供了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。基于随机森林回归方法的两阶段降尺度策略合理描述了地表温度与预测因子之间的非线性复杂关系，能够降低MODIS地表温度的降尺度误差；通过将考虑空间异质性特征的FSDAF时空数据融合算法应用于异质性区域的地表温度数据融合，能够估算出更多时间点的高分辨地表温度数据。将这两种地表温度估算方法进行有效结合，扬长避短，发明的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提高了地表温度降尺度的鲁棒性，并确保了异质性区域地表温度的估算精度。
图3显示了根据本发明获得的30米分辨率的类Landsat 8地表温度影像和由三种经典方法获取的30米分辨率的类Landsat 8地表温度影像。其中，(a)为实际的Landsat 8地表温度影像，(b)为由本发明获得的类Landsat 8地表温度影像，(c)为由R-F策略获得的类Landsat 8地表温度影像，(d)为由随机森林降尺度法获得的类Landsat 8地表温度影像，(e)为由STARFM融合法获得的类Landsat 8地表温度影像。从实际的Landsat 8地表温度数据来看(图3-a)，张掖市地区地表温度分布具有明显的空间异质性特征，由本发明所获取的30米分辨率的类Landsat 8地表温度影像(图3-b)与实际的30米分辨率的Landsat 8地表温度影像(图3-a)相比较具有类似的空间纹理和色彩分布特征；由R-F策略获取的30米分辨率的类Landsat 8地表温度影像(图3-c)较由随机森林降尺度法(图3-d)和STARFM融合法(图3-e)所获取的30米分辨率类Landsat 8地表温度影像较好，但仍旧差于本发明。结果表明，对于估算空间异质性地区的地表温度影像而言，本发明提出的策略具有十分显著的优势。
图4进一步显示了根据本发明和三种经典地表温度估算方法所获得的30米分辨率类Landsat 8地表温度影像间的误差比较。其中，(a)为由本发明获得的类Landsat 8地表温度影像的绝对误差图，(b)为由R-F策略获得的类Landsat 8地表温度影像的绝对误差图，(c)为由随机森林降尺度法获得的类Landsat 8地表温度影像的绝对误差图，(d)为由STARFM融合法获得的类Landsat 8地表温度影像的绝对误差图。由图可知，根据本发明和R-F策略所获得的地表温度影像显现出较小的误差分布，尤其是由本发明获得的地表温度影像在空间异质性严重的城区(图4-a方框1)和沙漠区域(图4-a方框2)仍旧表现出良好的估算精度；而由R-F策略所估算的类Landsat 8地表温度影像在这两区域(图4-b方框1，方框2)表现误差较大，绝对误差普遍大于3K；由随机森林降尺度法(图4-c)所获得的类Landsat8地表温度影像在整幅图像上绝对误差普遍大于3K；对于STARFM融合法而言(图4-d)，整幅图像的绝对误差普遍大于5K，其精度不能满足实际要求。
图5利用平均误差(AD)，均方根误差(RMSE)，相关系数(CC)和图像纹理相似度(SSIM)四个评估指标进一步对比了根据本发明和三种经典地表温度估算方法所获得的30米分辨率类Landsat8地表温度。与其他三种方法相比，本发明获得的30米分辨率的类Landsat 8地表温度影像具有最好的精度，RMSE为1.63K，CC为0.98；R-F策略获取的地表温度影像也具有较好的精度，但相比之下其RMSE较大，为1.79K。由随机森林降尺度和STARFM融合法所获得的地表温度影像具有高的RMSE，尤其是STARFM融合法在整幅影像中产生了大量误差，其RMSE为7.63K。
本发明提供的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，采用两阶段地表温度降尺度和时空数据融合的思想进行技术结合和优势互补，估算了具有高精度和高空间纹理的类Landsat 8地表温度影像。获取到的地表温度影像可以有效地应用于不同土地覆盖类型和自然、人文景观状态下的干旱、高温、林火、地质、水文、植被等监测和区域气候模型等研究。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。
Claims (7)
1.一种协同降尺度与数据融合的高分辨率地表温度估算方法，包括遥感数据集收集，其特征在于，还包括以下步骤：
步骤1：根据随机森林回归方法的特征重要性度量指标筛选用于MODIS地表温度降尺度的最佳预测因子；地表温度降尺度预测因子包括遥感光谱指数和地理地形相关因子，所述遥感光谱指数包括归一化差异植被指数NDVI、土壤调节植被指数SAVI、植被覆盖度PV、归一化差异湿度指数NDMI、裸土指数BSI、归一化差异建筑指数NDBI、改进的归一化差异水体指数MNDWI、综合生态指数IEI、地表发射率ε和土地覆盖类型LUCC中至少一种，计算公式为：
其中，NIR为近红外反射率产品；RED为红外反射率产品；NDVImin为NDVI值的最小值，NDVImax为NDVI值的最大值；SWIR1和SWIR2为短波红外反射率产品；BLUE为蓝光反射率产品；GREEN为绿光反射率产品；m为主成分指标的个数，i为第一个主成分分量，αi为主成分的方法贡献度，PCi为各分量指标的主成分；
所述地理地形相关因子包括坡度Slope、坡向Aspect、海拔Height、经度Longitude和纬度Latitude中至少一种，计算公式为：
其中，fx和fy表示遥感图像的3×3窗口内中心像素点(i，j)处的水平和垂直坡度，由以下公式得到：
其中，Hi，j代表数字高程模型数据中像素点(i，j)处的高程；Rj代表数字高程模型数据的空间分辨率；
步骤2：通过随机森林回归算法对MODIS地表温度影像进行两阶段降尺度，获得Tb和Tp时间点的降尺度地表温度数据；
步骤3：采用FSDAF时空数据融合算法对Tb时间点的Landsat 8地表温度影像和降尺度后的Tb、Tp时间点的MODIS地表温度影像进行时空融合，获取Tp时间点的高分辨率地表温度影像。
2.如权利要求1所述的协同降尺度与数据融合的高分辨率地表温度估算方法，其特征在于，所述遥感数据集收集步骤包括获取研究目标区域在卫星过境时刻的遥感数据集及多种地表状态参数，包括低分辨率地表温度遥感数据，中分辨率地表反射率数据和土地覆盖类型数据，高分辨率地表温度遥感数据、地表反射率数据和数字高程模型数据。
3.如权利要求1所述的协同降尺度与数据融合的高分辨率地表温度估算方法，其特征在于，所述步骤1包括以下子步骤：
步骤11：遥感数据集的收集、预处理和地表温度预测因子的计算；
步骤12：筛选用于MODIS地表温度降尺度的预测因子。
4.如权利要求3所述的协同降尺度与数据融合的高分辨率地表温度估算方法，其特征在于，所述步骤11包括对获取的中分辨率地表反射率产品、土地覆盖类型数据和高分辨率地表数字高程模型数据进行几何裁剪、几何纠正和重投影中至少一种处理，并衍生计算出用于地表温度降尺度的预测因子。
5.如权利要求3所述的协同降尺度与数据融合的高分辨率地表温度估算方法，其特征在于，所述步骤12为将所述地表温度降尺度预测因子的空间分辨率聚合至1千米，并与MODIS地表温度产品进行空间配准；将所述地表温度降尺度预测因子进行组合并与地表温度进行拟合回归；最后根据所述地表温度降尺度预测因子的特征重要性度量指标和算法回归拟合优度确定最佳地表温度降尺度预测因子。
6.如权利要求1所述的协同降尺度与数据融合的高分辨率地表温度估算方法，其特征在于，所述步骤2包括以下子步骤：
步骤21：构建两阶段MODIS地表温度降尺度模型；
步骤22：执行基于随机森林回归的两阶段MODIS地表温度降尺度。
7.如权利要求6所述的协同降尺度与数据融合的高分辨率地表温度估算方法，其特征在于，所述步骤21包括根据不同分辨率下的地表温度与预测因子之间的函数关系不变假设，通过构建低分辨率地表温度与预测因子之间的函数关系，将其映射到中分辨预测因子中获取中分辨率地表温度，进而应用到高分辨预测因子中来获取高分辨率的地表温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011049359.XA CN112560570B (zh) | 2020-09-29 | 2020-09-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011049359.XA CN112560570B (zh) | 2020-09-29 | 2020-09-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560570A CN112560570A (zh) | 2021-03-26 |
| CN112560570B true CN112560570B (zh) | 2023-07-25 |
Family
ID=75042795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011049359.XA Active CN112560570B (zh) | 2020-09-29 | 2020-09-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560570B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484198B (zh) * | 2021-06-30 | 2022-12-23 | 重庆建安仪器有限责任公司 | 一种辐射烟云扩散预测系统及方法 |
| CN113643409B (zh) * | 2021-08-24 | 2022-03-18 | 中国农业大学 | 植被生产速率的表征方法、装置以及存储介质 |
| CN113776585B (zh) * | 2021-08-27 | 2024-08-20 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于像元矩阵的地理要素多尺度四维立体观测方法及系统 |
| CN113836490B (zh) * | 2021-09-25 | 2023-01-24 | 中国电波传播研究所（中国电子科技集团公司第二十二研究所） | 一种基于数据线性回归的starfm地表温度融合预测方法 |
| CN113673490B (zh) * | 2021-10-21 | 2022-01-04 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
| CN116050567B (zh) * | 2022-10-31 | 2023-12-15 | 北华航天工业学院 | 一种城市热环境的时空降尺度变化分析方法 |
| CN115630308A (zh) * | 2022-12-21 | 2023-01-20 | 中国科学院地理科学与资源研究所 | 一种降尺度和融合联合的地表温度时空分辨率增强方法 |
| CN116776651B (zh) * | 2023-08-23 | 2023-11-14 | 中国科学院空天信息创新研究院 | 地表蒸散发测算方法、装置、电子设备及存储介质 |
| CN117540530B (zh) * | 2023-10-10 | 2024-06-18 | 二十一世纪空间技术应用股份有限公司 | 一种基于高分辨率卫星影像的城市地表温度降尺度方法及装置 |
| CN117932559B (zh) * | 2024-03-19 | 2024-05-31 | 南方海洋科学与工程广东省实验室(珠海) | 静止卫星长时序地表温度和气温重建方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| 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 |
| CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
| CN110516816A (zh) * | 2019-08-30 | 2019-11-29 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于机器学习的全天候地表温度生成方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100944462B1 (ko) * | 2008-03-07 | 2010-03-03 | 한국항공우주연구원 | 위성 영상 융합 방법 및 시스템 |
-
2020
- 2020-09-29 CN CN202011049359.XA patent/CN112560570B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
| 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 |
| CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
| CN110516816A (zh) * | 2019-08-30 | 2019-11-29 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于机器学习的全天候地表温度生成方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于TsHARP模型和STITFM算法的地表温度影像融合研究;郑明亮;黄方;张鸽;;遥感技术与应用(第02期);全文 * |
| 基于随机森林算法的地表温度降尺度研究;华俊玮;祝善友;张桂欣;;国土资源遥感(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560570A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560570B (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 | |
| Son et al. | Assessment of urbanization and urban heat islands in Ho Chi Minh City, Vietnam using Landsat data | |
| Dominguez et al. | High-resolution urban thermal sharpener (HUTS) | |
| CN107909607B (zh) | 一种年度区域植被覆盖度计算方法 | |
| Zhang et al. | Bi-temporal characterization of land surface temperature in relation to impervious surface area, NDVI and NDBI, using a sub-pixel image analysis | |
| Weng et al. | Generating daily land surface temperature at Landsat resolution by fusing Landsat and MODIS data | |
| Yang et al. | A novel method to estimate subpixel temperature by fusing solar-reflective and thermal-infrared remote-sensing data with an artificial neural network | |
| CN105550423B (zh) | 基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法 | |
| CN109635249B (zh) | 水体浊度反演模型建立方法、检测方法及装置 | |
| Wu et al. | Downscaling of urban land surface temperature based on multi-factor geographically weighted regression | |
| Yoo et al. | Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions | |
| 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 | |
| Firozjaei et al. | Impact of surface characteristics and their adjacency effects on urban land surface temperature in different seasonal conditions and latitudes | |
| CN114387531B (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 | |
| 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 | |
| CN112001121A (zh) | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 | |
| Xiong et al. | Fusing Landsat-7, Landsat-8 and Sentinel-2 surface reflectance to generate dense time series images with 10m spatial resolution | |
| Saher et al. | Understanding the summertime warming in canyon and non-canyon surfaces | |
| Abbas et al. | Assessment of constructing canopy urban heat island temperatures from thermal images: An integrated multi-scale approach | |
| Liu et al. | Bi-LSTM model for time series leaf area index estimation using multiple satellite products | |
| Li et al. | A robust framework for resolution enhancement of land surface temperature by combining spatial downscaling and spatiotemporal fusion methods | |
| CN111413296A (zh) | 一种考虑地表非朗伯特性的气溶胶光学厚度遥感反演方法 | |
| Sattari et al. | Assessment of the TsHARP method for spatial downscaling of land surface temperature over urban regions | |
| CN109840539B (zh) | 一种基于地块图斑的遥感时空数据融合方法 | |
| Hu et al. | A novel dual-layer composite framework for downscaling urban land surface temperature coupled with spatial autocorrelation and spatial heterogeneity |
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 |