CN113237554A - 云下地表温度图像生成方法、装置和终端设备 - Google Patents
云下地表温度图像生成方法、装置和终端设备 Download PDFInfo
- Publication number
- CN113237554A CN113237554A CN202110494467.6A CN202110494467A CN113237554A CN 113237554 A CN113237554 A CN 113237554A CN 202110494467 A CN202110494467 A CN 202110494467A CN 113237554 A CN113237554 A CN 113237554A
- Authority
- CN
- China
- Prior art keywords
- downscaling
- passive microwave
- surface temperature
- temperature image
- inversion
- 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 94
- 238000012545 processing Methods 0.000 claims abstract description 104
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000012937 correction Methods 0.000 claims description 17
- 230000010287 polarization Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明实施例公开了云下地表温度图像生成方法、装置和终端设备,云下地表温度图像生成方法先对第一被动微波亮温图像进行降尺度处理,再对第二被动微波亮温图像进行反演处理的技术方案,与先进行反演处理再进行降尺度处理的方案相比,可以避免反演误差转移到降尺度后的高分辨率地表温度图像,进而避免高分辨率地表温度图像整体的偏大或者偏小,避免了斑块效应;并且,在降尺度处理过程中,对降尺度后的被动微波亮温图像进行降尺度校准处理,对反演处理后的图像进行反演校准处理,对每一过程中可能产生的误差都进行了校正,进而有效提高了云下地表温度图像的精度。
Description
技术领域
本发明涉及遥感图像处理领域,尤其涉及一种云下地表温度图像生成方法、装置和终端设备。
背景技术
基于星载热红外通道通过反演的方法获得地表温度产品是获得高空间分辨率地表温度的常用手段,然而,由于热红外无法穿透云层,使得地面发射的热辐射信息无法在有云情况下穿透云层到达星载遥感器,也就无法获得有云情况下的地表温度,这就造成了热红外遥感地表温度产品在有云地区数据缺失的问题。被动微波遥感虽然可以穿透云层,获得有云条件下地表温度信息,但是,其空间分辨率相较热红外遥感较低,两种产品之间空间尺度不匹配。
发明内容
鉴于上述问题,本申请提出一种云下地表温度图像生成方法、装置和终端设备。
本申请提出一种云下地表温度图像生成方法,所述方法包括:
获取高分辨率辅助参数数据集;
根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像;
对所述第一被动微波亮温图像进行降尺度处理和降尺度校准处理,以确定第二被动微波亮温图像,所述第二被动微波亮温图像的分辨率与利用热红外遥感采集的地表温度图像的分辨率相同;
对所述第二被动微波亮温图像进行反演处理和反演校准处理,以获取云下地表温度图像。
本申请所述的云下地表温度图像生成方法,所述根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像,包括:
将高分辨率辅助参数数据集中各个状态参数进行升尺度处理,以获取标准状态参数数据集;
利用预先训练达标的亮温产品预测模型确定所述标准状态参数数据集对应的第一被动微波亮温矩阵,所述第一被动微波亮温矩阵中各个亮温值对应所述第一被动微波亮温图像中各个像元点的像元值。
本申请所述的云下地表温度图像生成方法,所述降尺度校准处理包括第一次降尺度校准处理;
利用以下公式进行所述第一次降尺度校准处理:
TH,f,p,1=Qf,p(SH)+ΔTf,p
TH,f,p,1表示经过第一次降尺度校准处理后分辨率为H的第二被动微波亮温矩阵,Qf,p表示所述预先训练达标的亮温产品预测模型确定的所述状态参数数据集与被动微波亮温矩阵之间的非线性映射关系,所述状态参数数据集包括高分辨率辅助参数数据集和标准状态参数数据集,SH表示所述高分辨率辅助参数数据集,ΔTf,p表示预先确定的所述亮温产品预测模型对应的模型误差矩阵,f表示频率,p表示极化。
本申请所述的云下地表温度图像生成方法,所述降尺度校准处理还包括第二次降尺度校准处理;
利用以下公式进行所述第二次降尺度校准处理:
TH,f,p,2=AI*J·TH,f,p,1
TH,f,p,2表示经过第二次降尺度校准处理后的第二被动微波亮温矩阵,AI*J表示所述第二被动微波亮温矩阵的校正矩阵,所述校正矩阵包括I行,J列,所述校正矩阵中第i行第j列的校正系数TH,f,p,1,ij表示经过第一次降尺度校准处理后的第二被动微波亮温矩阵的第i行第j列的亮温值,TL,f,p,ij表示分辨率为L的第一被动微波亮温矩阵的第i行第j列的亮温值,n表示在第一被动微波亮温图像降尺度为第二被动微波亮温图像时,第一被动微波亮温图像的一个像元转换为n*n个像元。
本申请所述的云下地表温度图像生成方法,所述反演校准处理包括第一次反演校准处理;
利用以下公式进行所述第一次反演校准处理:
表示经过第一次反演校准处理后的云下热红外地表温度矩阵,af,p表示反演处理回归模型的第一系数矩阵,b表示反演处理回归模型的第二系数矩阵,ΔTS,H表示预先确定的所述反演处理回归模型对应的反演误差矩阵。
本申请所述的云下地表温度图像生成方法,所述反演校准处理包括第二次反演校准处理;
利用以下公式进行所述第二次反演校准处理:
表示经过第二次反演校准处理后的云下热红外地表温度矩阵,ΔT′S,H表示所述云下地表温度图像对应日期的晴空地表温度对应的所述反演处理回归模型的估算偏差,表示所述对应日期的晴空热红外地表温度实际值,TS,H,1表示依次经过第一次降尺度校准处理、第二次降尺度校准处理和第一次反演校准处理后的晴空微波地表温度值。
本申请所述的云下地表温度图像生成方法,所述高分辨率辅助参数数据集包括地表反射率、归一化植被指数、增强型植被指数、净初级生产力、叶面积指数、归一化干旱指数、归一化差值建筑指数、数字高程模型、土壤砂粘比和大气可降水量中至少一种。
本申请提出一种云下地表温度图像生成装置,所述装置包括:
获取模块,用于获取高分辨率辅助参数数据集;
确定模块,用于根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像;
降尺度模块,用于对所述第一被动微波亮温图像进行降尺度处理和降尺度校准处理,以确定第二被动微波亮温图像,所述第二被动微波亮温图像的分辨率与利用热红外遥感采集的地表温度图像的分辨率相同;
反演模块,用于对所述第二被动微波亮温图像进行反演处理和反演校准处理,以获取云下地表温度图像。
本申请提出一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请所述的云下地表温度图像生成方法。
本申请提出一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请所述的云下地表温度图像生成方法。
先对第一被动微波亮温图像进行降尺度处理,再对第二被动微波亮温图像进行反演处理的技术方案,与先进行反演处理再进行降尺度处理的方案相比,可以避免反演误差转移到降尺度后的高分辨率地表温度图像,进而避免高分辨率地表温度图像整体的偏大或者偏小,避免了斑块效应;并且,在降尺度处理过程中,对降尺度后的被动微波亮温图像进行降尺度校准处理,对反演处理后的图像进行反演校准处理,对每一过程中可能产生的误差都进行了校正,进而有效提高了云下地表温度图像的精度。
附图说明
为了更清楚地说明本发明的技术方案,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发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请提出的一种云下地表温度图像生成方法的流程示意图;
图2示出了本申请提出的一种云下地表温度图像生成过程的流程示意图;
图3示出了本申请提出的一种将尺度过程中像元的变化示意图;
图4示出了本申请提出的一种云下地表温度图像生成装置的结构示意图。
主要元件符号说明:
10-云下地表温度图像生成装置;11-获取模块;12-确定模块;13-降尺度模块;14-反演模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
在利用被动微波遥感获取云下的被动微波亮温图像后,可以将分辨率为L的被动微波亮温图像进行反演,以得到分辨率为L的云下地表温度图像,将分辨率为L的云下地表温度图像降尺度到分辨率为H的云下地表温度图像(分辨率H大于分辨率L),再将热红外地表温度产品和分辨率为H的云下地表温度图像融合形成高空间分辨率的全天候地表温度产品。
上述,在“将分辨率为L的被动微波亮温图像进行反演处理和降尺度处理”过程中,存在以下两方面的技术缺陷:
第一,将分辨率为L的被动微波亮温图像转换为分辨率为H的云下地表温度图像,中间存在着从亮温到地表温度、从低分辨率L到高分辨率H两种转化所产生的误差,致使获得的分辨率为H的云下地表温度图像的准确度不高;第二,将分辨率为L的被动微波亮温图像进行反演得到分辨率为L的云下地表温度图像的过程中,是假设地表温度与地表参数之间关系的尺度不变性,将分辨率为L的被动微波亮温图像进行反演得到分辨率为L的云下地表温度图像,再建立分辨率为L的云下地表温度图像与分辨率为H的云下地表温度图像的转化关系,因此,整个过程的转化精度依赖于第一步中反演模型的精度,换句话说,如果,将分辨率为L的被动微波亮温图像反演得到分辨率为L的云下地表温度图像的过程存在较大反演误差,则反演误差会全部传递给分辨率为H的云下地表温度图像,造成分辨率为H的云下地表温度图像整体性的偏高或者偏低。
为了解决上述技术所存在的不足之处,本发明提供了一种云下地表温度图像生成方法,对分辨率为L的被动微波亮温图像(第一被动微波亮温图像)进行降尺度处理和2次降尺度校准处理,以确定分辨率为H的被动微波亮温图像(第二被动微波亮温图像),分辨率为H的被动微波亮温图像(第二被动微波亮温图像)的分辨率H与利用热红外遥感采集的地表温度图像的分辨率相同;再将对分辨率为H的被动微波亮温图像(第二被动微波亮温图像)进行反演处理和2次反演校准处理,以获取云下地表温度图像。
通过2次降尺度校准处理和2次反演校准处理,不仅可以分别降低降尺度过程的误差和温度反演工程的误差,避免了误差的整体传递,提高整个过程的转换精度,还可以将降尺度和温度反演分离,保证最终获取的云下地表温度图像精度。
进一步的解释,升尺度,是指从小尺度升成大尺度,对应的是从高分辨率变成低分辨率;降尺度,是指从大尺度降成小尺度,就是从低分辨率变成高分辨率。本申请所述的“高分辨率”,对应的分辨率为H,一般是指与热红外遥感相同的空间分辨率,一般是几十米~1000米;而“低分辨率”,对应的分辨率为L,是指与被动微波遥感相同的空间分辨率,一般是几十千米。
实施例1
本申请的一些实施例,如图1所示,一种云下地表温度图像生成方法包括以下步骤:
S100:获取高分辨率辅助参数数据集。
考虑到,利用被动微波遥感获取的被动微波亮温图像的分辨率为L,而欲要通过降尺度处理,将分辨率为L的被动微波亮温图像降尺度为分辨率为H的被动微波亮温图像,则需要寻找与分辨率H相同空间分辨率的高分辨率辅助参数来实现被动微波亮温图像的降尺度。高分辨率辅助参数的收集依据来自以下公式:
Tf,p=Ta,f+τf·εf,p·TS+(1-εf,p)τf(Ta,f+Tsky·τf)
其中,Tf,p指频率为f(GHz)、极化为p的亮温值;Ta,f指频率为f的大气亮温;τf指频率为f的大气透过率;εf,p指频率为f、极化为p的发射率;Ts指地表温度;Tsky指宇宙辐射亮温。
由此可知,微波亮温与地表状态以及大气状态有关,因此需要获取与被动微波遥感过境时间相近的空间分辨率为H的地表与大气产品,即高分辨率辅助参数数据集包括但不限于地表反射率、归一化植被指数(NDVI)、增强型植被指数(EVI)、净初级生产力(NPP)、叶面积指数(LAI)、归一化干旱指数(NDDI)、归一化差值建筑指数(NDBI)、数字高程模型(DEM)、土壤砂粘比、大气可降水量(PWV)。其中,归一化干旱指数(NDDI)和归一化差值建筑指数(NDBI)需要通过计算才能得到。
示范性的,归一化干旱指数(NDDI)和归一化差值建筑指数(NDBI)可以利用以下公式计算:
其中,ρSWIR1和ρSWIR2分别是两个短波红外反射率产品,ρB是蓝光反射率产品,ρNIR是近红外反射率产品。
上述高分辨率辅助参数数据集中的部分参数(如数字高程模型和土壤砂粘比)的空间分辨率可能要高于分辨率H,为了保持空间分辨率的一致性,需要采用空间聚合的方法将高于分辨率H的参数的空间分辨率调整到H,进而保证高分辨率辅助参数数据集中的各个参数均在同一分辨率H,可以用SH表示所述高分辨率辅助参数数据集。
S200:根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像。
进一步的,将高分辨率辅助参数数据集SH中各个状态参数进行升尺度处理,即通过升尺度使得高分辨率辅助参数数据集SH中各个参数均在同一分辨率L,分辨率H高于分辨率L,以获取分辨率为L标准状态参数数据集SL。
进一步的,可以利用预先训练达标的亮温产品预测模型确定所述标准状态参数数据集对应的第一被动微波亮温矩阵,所述第一被动微波亮温矩阵中各个亮温值对应所述第一被动微波亮温图像(分辨率为L的被动微波亮温图像)中各个像元点的像元值。
可选的,亮温产品预测模型可以是决策树模型、随机森林模型或其他机器学习模型。
进一步的,由于高分辨率辅助参数数据集(地表状态参量和大气状态参量)对微波亮温的影响是非线性的,因此,可以采用随机森林这一机器学习的方法来构建高分辨率辅助参数数据集与微波亮温的映射关系。可以将预先获取的训练数据集按7:3的比例进行划分,其中,70%的数据用于训练随机森林模型以获得满足标准的亮温产品预测模型,30%的数据可以用于验证统计亮温产品预测模型的性能或统计亮温产品预测模型的误差。
S300:对所述第一被动微波亮温图像进行降尺度处理和降尺度校准处理,以确定第二被动微波亮温图像,所述第二被动微波亮温图像的分辨率与利用热红外遥感采集的地表温度图像的分辨率相同。
对第一被动微波亮温图像(分辨率为L的被动微波亮温图像)进行降尺度处理和降尺度校准处理,以确定第二被动微波亮温图像(分辨率为H的被动微波亮温图像)。
在降尺度处理过程中,可以从可能引起降尺度误差的多个方面对降尺度的结果进行多次降尺度校准处理,避免降尺度误差向下传递。
S400:对所述第二被动微波亮温图像进行反演处理和反演校准处理,以获取云下地表温度图像。
对第二被动微波亮温图像(分辨率为H的被动微波亮温图像)进行反演处理和反演校准处理,以获取分辨率为H的云下地表温度图像。
在反演处理过程中,可以从可能引起反演误差的多个方面对反演的结果进行多次反演校准处理,以保证获取的分辨率为H的云下地表温度图像具有较高的精度。
实施例2
本申请的一些实施例,参见图2,示出了降尺度校准处理包括第一次降尺度校准处理和第二次降尺度校准处理,反演校准处理包括第一次反演校准处理和第二次反演校准处理。
进一步的,在降尺度过程中,可以利用亮温产品预测模型对应的模型误差矩阵ΔTf,p校正亮温产品预测模型误差,即,第一次降尺度校准是用于校正亮温产品预测模型误差,可以利用以下公式进行所述第一次降尺度校准处理:
TH,f,p,1=Qf,p(SH)+ΔTf,p
TH,f,p,1表示经过第一次降尺度校准处理后分辨率为H的第二被动微波亮温矩阵,Qf,p表示所述预先训练达标的亮温产品预测模型确定的所述状态参数数据集与被动微波亮温矩阵之间的非线性映射关系,所述状态参数数据集包括高分辨率辅助参数数据集和标准状态参数数据集,SH表示所述高分辨率辅助参数数据集,ΔTf,p表示预先确定的所述亮温产品预测模型对应的模型误差矩阵,f表示频率,p表示极化。
其中,频率f可以包含18.7GHz、23.8GHz、36.5GHz、89GHz;极化p包括垂直极化和水平极化。
亮温产品预测模型对应的模型误差矩阵ΔTf,p=T′L,f,p-Qf,p(SL),T′L,f,p表示标准状态参数数据集SL对应的实际亮温矩阵,Qf,p(SL)表示标准状态参数数据集SL对应的分辨率为L的预测亮温矩阵。亮温产品预测模型对应的模型误差矩阵可以利用预先获取的训练数据集中30%(可以是其他比例,例如20%、25%等)的数据预先确定。
进一步的,在降尺度过程中,利用第一次降尺度校准校正亮温产品预测模型误差后,并不能保证降尺度后的各个亮温值在重新空间聚合后完全等于原始分辨率L对应像元的亮温值,即降尺度过程中的应保证能量不变性。为了保证能量不变,需要利用以下公式对经过第一次降尺度校准处理后分辨率为H的第二被动微波亮温矩阵进行所述第二次降尺度校准处理:
TH,f,p,2=AI*J·TH,f,p,1
TH,f,p,2表示经过第二次降尺度校准处理后的第二被动微波亮温矩阵,AI*J表示所述第二被动微波亮温矩阵的校正矩阵,所述校正矩阵包括I行,J列,校正矩阵AI*J是由I*J个校正系数组成的,校正矩阵中AI*J第i行第j列的校正系数TH,f,p,1,ij表示经过第一次降尺度校准处理后的第二被动微波亮温矩阵的第i行第j列的亮温值,i≤I,j≤J,TL,f,p,ij表示分辨率为L的第一被动微波亮温矩阵的第i行第j列的亮温值,n表示在第一被动微波亮温图像降尺度为第二被动微波亮温图像时,第一被动微波亮温图像的一个像元转换为n*n个像元。
可以理解,降尺度处理是通过降低图像的尺度以提高分辨率,在降尺度过程中,是将第一被动微波亮温图像中的一个像元(像元点)转换为n*n个像元(像元点),例如,如图3所示,将第一被动微波亮温图像中的一个像元(像元点)A0转换为2*2个像元(像元点),每一个像元(像元点)对应一个亮温值。可以理解,n随着降尺度的大小而改变,n可以为2、3、4等。
在反演过程中,可以利用反演处理回归模型将分辨率为H第二被动微波亮温图像进行反演处理,反演处理回归模型为:反演处理回归模型需要利用分辨率为H的晴空热红外地表温度产品与时间一致的分辨率为H的微波亮温对反演处理回归模型中第一系数矩阵af,p和第二系数矩阵b进行率定,可以选择70%的热红外地表温度数据用于率定,余下30%热红外地表温度数据可用与确定反演误差矩阵ΔTS,H。
进一步的,在反演过程中,可以利用反演处理回归模型对应的反演误差矩阵ΔTS,H校正反演处理回归模型的反演误差,可以利用以下公式对经过第二次降尺度校准处理后的第二被动微波亮温矩阵TH,f,p,2进行第一次反演校准处理:
表示经过第一次反演校准处理后的云下热红外地表温度矩阵,af,p表示反演处理回归模型的第一系数矩阵,b表示反演处理回归模型的第二系数矩阵,ΔTS,H表示预先确定的所述反演处理回归模型对应的反演误差矩阵,频率f可以包含18.7GHz、23.8GHz、36.5GHz、89GHz;极化p包括垂直极化和水平极化。
第一次反演校准可以减少反演处理回归模型的反演误差对地表温度反演精度的影响,进而有效提高云下地表温度图像的精度。
第一次反演校准可以保证反演处理回归模型在一个较长周期内的无偏性,但是应用到每日云下地表温度的反演过程中仍然会有日偏差的存在,因此需要增加第二次反演校准处理:根据云下地表温度图像对应日期的晴空地表温度对应的所述反演处理回归模型的估算偏差经过第一次反演校准处理后的云下热红外地表温度矩阵。
进一步的,利用以下公式进行所述第二次反演校准处理:
表示经过第二次反演校准处理后的云下热红外地表温度矩阵,ΔT′S,H表示所述云下地表温度图像对应日期的晴空地表温度对应的所述反演处理回归模型的估算偏差,表示所述对应日期的晴空热红外地表温度实际值,TS,H,1表示依次经过第一次降尺度校准处理、第二次降尺度校准处理和第一次反演校准处理后的晴空微波地表温度值。
第二次反演校准充分考虑云下地表温度图像对应日期的晴空地表温度对应的所述反演处理回归模型的估算偏差,避免对应日期的晴空地表温度对应的所述反演处理回归模型的估算偏差对云下地表温度图像的影响,以提高云下地表温度图像的精度。
实施例3
本申请的一些实施例,参见图4,示出了一种云下地表温度图像生成装置10包括:获取模块11、确定模块12、降尺度模块13和反演模块14。
获取模块11,用于获取高分辨率辅助参数数据集;确定模块12,用于根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像;降尺度模块13,用于对所述第一被动微波亮温图像进行降尺度处理和降尺度校准处理,以确定第二被动微波亮温图像,所述第二被动微波亮温图像的分辨率与利用热红外遥感采集的地表温度图像的分辨率相同;反演模块14,用于对所述第二被动微波亮温图像进行反演处理和反演校准处理,以获取云下地表温度图像。
进一步的,所述根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像,包括:将高分辨率辅助参数数据集中各个状态参数进行升尺度处理,以获取标准状态参数数据集;利用预先训练达标的亮温产品预测模型确定所述标准状态参数数据集对应的第一被动微波亮温矩阵,所述第一被动微波亮温矩阵中各个亮温值对应所述第一被动微波亮温图像中各个像元点的像元值。
进一步的,所述降尺度校准处理包括第一次降尺度校准处理;
利用以下公式进行所述第一次降尺度校准处理:
TH,f,p,1=Qf,p(SH)+ΔTf,p
TH,f,p,1表示经过第一次降尺度校准处理后分辨率为H的第二被动微波亮温矩阵,Qf,p表示所述预先训练达标的亮温产品预测模型确定的所述状态参数数据集与被动微波亮温矩阵之间的非线性映射关系,所述状态参数数据集包括高分辨率辅助参数数据集和标准状态参数数据集,SH表示所述高分辨率辅助参数数据集,ΔTf,p表示预先确定的所述亮温产品预测模型对应的模型误差矩阵,f表示频率,p表示极化。
进一步的,所述降尺度校准处理还包括第二次降尺度校准处理;
利用以下公式进行所述第二次降尺度校准处理:
TH,f,p,2=AI*J·TH,f,p,1
TH,f,p,2表示经过第二次降尺度校准处理后的第二被动微波亮温矩阵,AI*J表示所述第二被动微波亮温矩阵的校正矩阵,所述校正矩阵包括I行,J列,所述校正矩阵中第i行第j列的校正系数TH,f,p,1,ij表示经过第一次降尺度校准处理后的第二被动微波亮温矩阵的第i行第j列的亮温值,TL,f,p,ij表示分辨率为L的第一被动微波亮温矩阵的第i行第j列的亮温值,n表示在第一被动微波亮温图像降尺度为第二被动微波亮温图像时,第一被动微波亮温图像的一个像元转换为n*n个像元。
进一步的,所述反演校准处理包括第一次反演校准处理;
利用以下公式进行所述第一次反演校准处理:
表示经过第一次反演校准处理后的云下热红外地表温度矩阵,af,p表示反演处理回归模型的第一系数矩阵,b表示反演处理回归模型的第二系数矩阵,ΔTS,H表示预先确定的所述反演处理回归模型对应的反演误差矩阵。
进一步的,所述反演校准处理包括第二次反演校准处理;
利用以下公式进行所述第二次反演校准处理:
表示经过第二次反演校准处理后的云下热红外地表温度矩阵,ΔT′S,H表示所述云下地表温度图像对应日期的晴空地表温度对应的所述反演处理回归模型的估算偏差,表示所述对应日期的晴空热红外地表温度实际值,TS,H,1表示依次经过第一次降尺度校准处理、第二次降尺度校准处理和第一次反演校准处理后的晴空微波地表温度值。
进一步的,所述高分辨率辅助参数数据集包括但不限于地表反射率、归一化植被指数、增强型植被指数、净初级生产力、叶面积指数、归一化干旱指数、归一化差值建筑指数、数字高程模型、土壤砂粘比和大气可降水量。
本实施例公开的云下地表温度图像生成装置10通过获取模块11、确定模块12、降尺度模块13和反演模块14的配合使用,用于执行上述实施例所述的云下地表温度图像生成方法,上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用,在此不再赘述。
可以理解,本申请涉及一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请所述的云下地表温度图像生成方法。
可以理解,本申请涉及一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请所述的云下地表温度图像生成方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也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,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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,在作为替换的实现方式中,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,结构图和/或流程图中的每个方框、以及结构图和/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。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块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(可以是智能手机、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。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种云下地表温度图像生成方法,其特征在于,所述方法包括:
获取高分辨率辅助参数数据集;
根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像;
对所述第一被动微波亮温图像进行降尺度处理和降尺度校准处理,以确定第二被动微波亮温图像,所述第二被动微波亮温图像的分辨率与利用热红外遥感采集的地表温度图像的分辨率相同;
对所述第二被动微波亮温图像进行反演处理和反演校准处理,以获取云下地表温度图像。
2.根据权利要求1所述的云下地表温度图像生成方法,其特征在于,所述根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像,包括:
将高分辨率辅助参数数据集中各个状态参数进行升尺度处理,以获取标准状态参数数据集;
利用预先训练达标的亮温产品预测模型确定所述标准状态参数数据集对应的第一被动微波亮温矩阵,所述第一被动微波亮温矩阵中各个亮温值对应所述第一被动微波亮温图像中各个像元点的像元值。
3.根据权利要求2所述的云下地表温度图像生成方法,其特征在于,所述降尺度校准处理包括第一次降尺度校准处理;
利用以下公式进行所述第一次降尺度校准处理:
TH,f,p,1=Qf,p(SH)+ΔTf,p
TH,f,p,1表示经过第一次降尺度校准处理后分辨率为H的第二被动微波亮温矩阵,Qf,p表示所述预先训练达标的亮温产品预测模型确定的所述状态参数数据集与被动微波亮温矩阵之间的非线性映射关系,所述状态参数数据集包括高分辨率辅助参数数据集和标准状态参数数据集,SH表示所述高分辨率辅助参数数据集,ΔTf,p表示预先确定的所述亮温产品预测模型对应的模型误差矩阵,f表示频率,p表示极化。
4.根据权利要求3所述的云下地表温度图像生成方法,其特征在于,所述降尺度校准处理还包括第二次降尺度校准处理;
利用以下公式进行所述第二次降尺度校准处理:
TH,f,p,2=AI*J·TH,f,p,1
7.根据权利要求1至6任一项所述的云下地表温度图像生成方法,其特征在于,所述高分辨率辅助参数数据集包括地表反射率、归一化植被指数、增强型植被指数、净初级生产力、叶面积指数、归一化干旱指数、归一化差值建筑指数、数字高程模型、土壤砂粘比和大气可降水量。
8.一种云下地表温度图像生成装置,其特征在于,所述装置包括:
获取模块,用于获取高分辨率辅助参数数据集;
确定模块,用于根据所述高分辨率辅助参数数据集确定云下地表温度对应的第一被动微波亮温图像;
降尺度模块,用于对所述第一被动微波亮温图像进行降尺度处理和降尺度校准处理,以确定第二被动微波亮温图像,所述第二被动微波亮温图像的分辨率与利用热红外遥感采集的地表温度图像的分辨率相同;
反演模块,用于对所述第二被动微波亮温图像进行反演处理和反演校准处理,以获取云下地表温度图像。
9.一种终端设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至7任一项所述的云下地表温度图像生成方法。
10.一种可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至7任一项所述的云下地表温度图像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494467.6A CN113237554B (zh) | 2021-05-07 | 2021-05-07 | 云下地表温度图像生成方法、装置和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494467.6A CN113237554B (zh) | 2021-05-07 | 2021-05-07 | 云下地表温度图像生成方法、装置和终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113237554A true CN113237554A (zh) | 2021-08-10 |
CN113237554B CN113237554B (zh) | 2022-04-26 |
Family
ID=77132273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494467.6A Active CN113237554B (zh) | 2021-05-07 | 2021-05-07 | 云下地表温度图像生成方法、装置和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113237554B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113834572A (zh) * | 2021-08-26 | 2021-12-24 | 电子科技大学 | 一种无人机非制冷型热像仪测温结果漂移去除方法 |
CN116722544A (zh) * | 2023-08-02 | 2023-09-08 | 北京弘象科技有限公司 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5324113A (en) * | 1992-12-10 | 1994-06-28 | E-Systems, Inc. | Process for multispectral/multilook atmospheric estimation |
US20050244081A1 (en) * | 2004-04-28 | 2005-11-03 | Hui Zhou | Method and system of generating a high-resolution image from a set of low-resolution images |
CN105204024A (zh) * | 2015-10-12 | 2015-12-30 | 电子科技大学 | 微波遥感表面温度向热红外遥感肤面温度转换的方法 |
CN105321157A (zh) * | 2015-12-09 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 被动微波亮温数据降尺度方法和系统 |
CN105841819A (zh) * | 2016-03-23 | 2016-08-10 | 中国科学院遥感与数字地球研究所 | 一种有云条件下的地表温度的估算方法和装置 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN109472393A (zh) * | 2018-09-30 | 2019-03-15 | 广州地理研究所 | 空间降尺度降水数据检测方法、装置及电子设备 |
CN111175231A (zh) * | 2019-12-31 | 2020-05-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 冠层植被指数的反演方法、装置及服务器 |
CN112733394A (zh) * | 2020-12-21 | 2021-04-30 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种大气参数反演方法及装置 |
-
2021
- 2021-05-07 CN CN202110494467.6A patent/CN113237554B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5324113A (en) * | 1992-12-10 | 1994-06-28 | E-Systems, Inc. | Process for multispectral/multilook atmospheric estimation |
US20050244081A1 (en) * | 2004-04-28 | 2005-11-03 | Hui Zhou | Method and system of generating a high-resolution image from a set of low-resolution images |
CN105204024A (zh) * | 2015-10-12 | 2015-12-30 | 电子科技大学 | 微波遥感表面温度向热红外遥感肤面温度转换的方法 |
CN105321157A (zh) * | 2015-12-09 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 被动微波亮温数据降尺度方法和系统 |
CN105841819A (zh) * | 2016-03-23 | 2016-08-10 | 中国科学院遥感与数字地球研究所 | 一种有云条件下的地表温度的估算方法和装置 |
CN108268735A (zh) * | 2018-01-29 | 2018-07-10 | 浙江大学 | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 |
CN109472393A (zh) * | 2018-09-30 | 2019-03-15 | 广州地理研究所 | 空间降尺度降水数据检测方法、装置及电子设备 |
CN111175231A (zh) * | 2019-12-31 | 2020-05-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 冠层植被指数的反演方法、装置及服务器 |
CN112733394A (zh) * | 2020-12-21 | 2021-04-30 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种大气参数反演方法及装置 |
Non-Patent Citations (1)
Title |
---|
周芳成等: "云下遥感地表温度重构方法研究", 《国土资源遥感》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113834572A (zh) * | 2021-08-26 | 2021-12-24 | 电子科技大学 | 一种无人机非制冷型热像仪测温结果漂移去除方法 |
CN113834572B (zh) * | 2021-08-26 | 2023-05-12 | 电子科技大学 | 一种无人机非制冷型热像仪测温结果漂移去除方法 |
CN116722544A (zh) * | 2023-08-02 | 2023-09-08 | 北京弘象科技有限公司 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
CN116722544B (zh) * | 2023-08-02 | 2023-10-20 | 北京弘象科技有限公司 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113237554B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grönquist et al. | Deep learning for post-processing ensemble weather forecasts | |
Liu et al. | Automatic super-resolution shoreline change monitoring using Landsat archival data: A case study at Narrabeen–Collaroy Beach, Australia | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
Carroll et al. | Development of an operational land water mask for MODIS Collection 6, and influence on downstream data products | |
CN113237554B (zh) | 云下地表温度图像生成方法、装置和终端设备 | |
Laraby et al. | Uncertainty estimation method and Landsat 7 global validation for the Landsat surface temperature product | |
Kozoderov et al. | Retrieval of forest stand attributes using optical airborne remote sensing data | |
Duan et al. | Thick cloud removal of remote sensing images using temporal smoothness and sparsity regularized tensor optimization | |
Rulloni et al. | Large gap imputation in remote sensed imagery of the environment | |
Zhang et al. | An object-based spatiotemporal fusion model for remote sensing images | |
Griffith | Approximation of Gaussian spatial autoregressive models for massive regular square tessellation data | |
Susa | Satellite derived bathymetry with Sentinel-2 imagery: Comparing traditional techniques with advanced methods and machine learning ensemble models | |
Meng et al. | High-resolution satellite image fusion using regression kriging | |
Mukherjee et al. | Downscaling MODIS spectral bands using deep learning | |
CN113341434A (zh) | 一种红外波段在轨传递定标方法及装置 | |
Tan et al. | A new downscaling-calibration procedure for TRMM precipitation data over Yangtze River economic belt region based on a multivariate adaptive regression spline model | |
CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
CN103034988A (zh) | 一种任意传感器数量的时空定量遥感融合方法 | |
Jääskeläinen et al. | Filling gaps of black-sky surface albedo of the Arctic sea ice using gradient boosting and brightness temperature data | |
Gall et al. | Satellite remote sensing of coastal water quality in New Zealand | |
Luo et al. | Cloud detection using infrared atmospheric sounding interferometer observations by logistic regression | |
Rao et al. | Fast spatiotemporal data fusion: merging LISS III with AWiFS sensor data | |
CN115859797A (zh) | 一种基于深度学习的卫星定量降水估计方法 | |
Sadiq et al. | Recovering defective Landsat 7 Enhanced Thematic Mapper Plus images via multiple linear regression model | |
Frery et al. | The influence of training errors, context and number of bands in the accuracy of image classification |
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 |