CN113486000A - 基于多源数据和深度学习的地表蒸散发数据降尺度方法 - Google Patents

基于多源数据和深度学习的地表蒸散发数据降尺度方法 Download PDF

Info

Publication number
CN113486000A
CN113486000A CN202111046481.6A CN202111046481A CN113486000A CN 113486000 A CN113486000 A CN 113486000A CN 202111046481 A CN202111046481 A CN 202111046481A CN 113486000 A CN113486000 A CN 113486000A
Authority
CN
China
Prior art keywords
data
evapotranspiration
spatial
resolution
surface evapotranspiration
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
Application number
CN202111046481.6A
Other languages
English (en)
Other versions
CN113486000B (zh
Inventor
车向红
孙擎
刘纪平
王勇
徐胜华
罗安
杜凯旋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202111046481.6A priority Critical patent/CN113486000B/zh
Publication of CN113486000A publication Critical patent/CN113486000A/zh
Application granted granted Critical
Publication of CN113486000B publication Critical patent/CN113486000B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

一种基于多元数据和深度学习的蒸散发数据降尺度方法，包括获取低空间分辨率卫星地表蒸散发数据、低空间分辨率大气再分析数据和高空间分辨率卫星遥感数据，进行数据的预处理，基于搭建的深度学习回归网络，建立地表蒸散发反演模型，而后通过低空间分辨率上建立的地表蒸散发反演模型，降尺度反演高空间分辨率地表蒸散发。本发明全面综合考虑地表蒸散发相关影响因子来提高地表蒸散发反演精度，基于深度学习，深度解析了遥感地表参数和大气资料与地表蒸散发的非线性复杂关系，采用BN和动态学习率来学习遥感地表参数和大气资料与地表蒸散发关系，BN处理使避免梯度消失问题，大大加快训练速度，动态学习率可使网络更好的收敛到最优解。

Description

基于多源数据和深度学习的地表蒸散发数据降尺度方法
技术领域
本申请涉及一种地表蒸散发数据获取方法，具体的，涉及一种基于多源数据和深度学习，利用低空间分辨率蒸散发数据通过反演、降尺度获得高空间分辨率蒸散发数据的方法及其存储介质。
背景技术
地表蒸散发（Evapotranspiration, ET）是指水分以气态进入大气的过程，主要包括地表土壤水分蒸发、植被蒸腾及植被冠层对降水的截留蒸发，是评价区域地表能量、气候变化和水分平衡的主要指标，是生态环境和水资源评估的重要环节。蒸散发获取方法分为实际观测和遥感反演两类，传统的观测只能测得观测站点的蒸散发值，同时传统的气象估算方法具有很大的局限性，站点的测量和估算难以推广到区域。遥感估算地表蒸散发因大范围连续的空间覆盖，获取相同空间信息时所需成本更低，考虑了下垫面的地表异质性和气候条件的空间异质性，适用于长时间序列空间连续的区域产品生产。受到地表覆被类型、下垫面地形变化等地表异质性、复杂气候条件等空间异质性及水热传输过程的动态多变性影响，地表蒸散发的时空变化差异较大。然而，现有的地表蒸散发遥感反演产品空间分辨率较粗，如500 m MODIS地表蒸散发数据，无法准确地反应地表蒸散时空差异，地表蒸散发估算空间精度有待进一步提高。
现有技术的一些研究已经提出了采用更高空间分辨率遥感影像提供的信息来提高地表蒸散发数据空间分辨率的技术。通过探究多传感数据集的低空间分辨率和高分辨率地表蒸散发之间的线性关系，应用于地表热数据融合中。由于地表蒸散发法受多种因素影响，简单的线性关系很难准确地反应高分辨地表蒸散发时空变异。近几年研究使用了图像融合方法，例如专为地表反射率融合而设计的空间和时间自适应反射率融合模型(STARFM, ESTARFM)。自适应时空融合方法及其改良方法是假设地表参数时间变化特征为线性变化，使得其难以应用于复杂地区的长时间序列地表参数融合，并且模型结构复杂，输入数据严格，输入至少为两个时期的地表参数，降低了模型应用程度。另外一些研究基于地表参数空间尺度不变效应，首先在粗分辨率上建立地表参数反演模型，然后将高分辨率的地表参数自变量作为模型输入，输出即为高分辨率的目标地表参数，但当前大多利用传统的机器学习方法来构建模型，难以反应地表参数和自变量之间的复杂非线性关系，此外，并且当前大多机器学习方法的输入参数大多是单一的遥感卫星数据，未能考虑影响地表蒸散发的气候变量，如湿地、地表辐射等。
因此，如何结合多源遥感数据和气候数据，基于深度学习方法建立高精度的地表蒸散发模型来提高地表蒸散发估算空间精度，是本发明所要解决的技术问题。
发明内容
本发明的目的在于提供一种基于多元数据和深度学习地表蒸散发数据降尺度方法，利用低空间分辨率，例如来源于MODIS的地表蒸散发数据，基于地表蒸散发的解释变量的互相关系在低空间分辨率与高空间分辨率影像中具有空间尺度不变的特点，计算获取高空间分辨率的地表蒸散发。
为达此目的，本发明采用以下技术方案：
一种基于多源数据和深度学习的地表蒸散发数据降尺度方法，其特征在于，包括如下步骤：
数据获取步骤S110：
获取低空间分辨率卫星地表蒸散发数据、低空间分辨率大气再分析数据，和高空间分辨率卫星地表反射率数据；
数据预处理步骤S120：
对上述三种数据的进行预处理，包括根据自带的质量图层进行异常值过滤，以及首先利用投影转化，对所述大气再分析数据与卫星遥感数据进行统一空间投影，然后利用重采样，对所述大气再分析数据与卫星遥感数据进行统一空间分辨率，将其与低空间分辨率卫星地表蒸散发数据保持一致；
地表蒸散发反演模型建立步骤S130：
将处理后低空间分辨率大气再分析资料数据和低空间分辨率遥感卫星数据的30个解释变量作为输入层，以低空间分辨率地表蒸散发数据作为输出层，建立一个18个隐含层的深度学习回归网络，训练学习直至得到收敛地表蒸散发反演模型；
反演推算步骤S140：
获取经过转投影和重采样预处理的高空间分辨率大气再分析数据和高空间分辨率卫星遥感数据作为输入变量，利用在步骤S130中所得到的地表蒸散发反演模型，输出高空间分辨率地表蒸散数据。
可选的，在数据获取步骤S110中，所述低空间分辨率卫星地表蒸散发数据为MODIS传感器数据，所述低空间分辨率大气再分析数据包括：地表湿度、风速、水气压、太阳辐射、空气温度的16个数据，所述高空间分辨率的遥感数据为Landsat数据，包括地表温度、多个地表反射率、多个植被绿度指数、多个植被含水指数数据的14个数据。
可选的，在数据获取步骤S110中，
低空间分辨率大气再分析数据具体包括：
5个地表湿度数据：分别为2m高度6时相对湿度、 2m高度9时相对湿度、 2m高度12时相对湿度、2m高度15时相对湿度和2m高度18时相对湿度；
8个空气温度数据，分别为2m高度24小时最大空气温度、 2m高度日间最大空气温度、2m高度24小时平均空气温度、2m高度日间平均空气温度、2m高度夜间平均空气温度、2m高度24小时最低空气温度、 2m高度夜间最低空气温度、2m高度冰点温度；
1个风速数据、1个水气压数据和1个太阳辐射数据；
高空间分辨率的遥感数据为Landsat数据，包括：
6个地表反射率，包括可见光蓝波段、绿波段、红波段、1个近红外波段、2个短波红外波段;
1个地表温度数据;
4个植被绿度指数数据，包括归一化植被指数、增强型植被指数、土壤调整植被指数、修正土壤调整植被指数；
3个植被含水指数，包括归一化水分差指数、归一化水体指数、归一化红外指数。
可选的，在数据预处理步骤S120中，
对于低空间分辨率大气再分析数据的转投影后重采样，采用以下插值方法进行插值，
Figure 636148DEST_PATH_IMAGE001
其中，i = 1, 2, 3, 4；分别代表MODIS目标像元相邻的大气再分析数据四个0.1°×0.1°格网；di为每个格网中心点到MODIS目标像元中心的球面距离；dmax为四个球面距离中的最大值；Di代表每个格网中心点到MODIS目标 像元中心的非线性距离；Vi代表大气再分析数据四个0.1°×0.1°格网上的数据值；Wi代表每个0.1°×0.1°格网上的大气再分析数据对MODIS目标像元的贡献率（权重值）；V是相邻四个0.1°×0.1°格网数据值不等权重加和的MODIS目标像元上的再分析数据值；
高空间分辨率遥感卫星数据转投影后重采样是采用均值方法到统一到MODIS空间分辨率，具体的：
Figure 296936DEST_PATH_IMAGE002
其中，m为Landsat转投影后在MODIS目标像元范围内的像元个数，Li为MODIS目标像元范围内有效的高分辨率遥感卫星数据像元值。
可选的，在地表蒸散发反演模型建立步骤S130中，
该深度学习回归网络包括输入层、18个隐含层和输出层，每一个隐含层中的每个神经元值都是由具有多个权重和一个偏置的所有前一层神经元值的线性组合导出的， 18层隐含层的神经元个数分别为64, 64, 128, 128, 256, 256, 256, 256, 512, 512,512, 512, 512, 512, 512, 512, 1024,1024；
每层之间使用了线性整流单元非线性激活函数(ReLU)进行激活，所述非线性激活函数为：
Figure 48992DEST_PATH_IMAGE003
其中，w代表前一层神经元的权重，b为共享偏置，均为深度学习回归网络可训练参数，
深度学习回归网络中地表蒸散发的输出与输入的关系可用如下公式表示：
Figure 402613DEST_PATH_IMAGE004
其中，
Figure 496077DEST_PATH_IMAGE005
为反演的地表蒸散发，
Figure 163819DEST_PATH_IMAGE006
为30个解释变量，
Figure 832698DEST_PATH_IMAGE007
为神经元相连的权重参数，
Figure 419537DEST_PATH_IMAGE008
神经元相连的偏置参数；F代表解释变量在隐含层经过一系列线性加权和非线性激活函数处理，最后一层只有一个神经元，作为倒数第二层中所有神经元值的线性组合得出的神经元值，即为反演的地表蒸散发值，
网络模型搭建后，输入数据，对模型进行训练，寻找最优的权重和偏置使得地表蒸散发预测值与真实值之间的误差最小：
Figure 439445DEST_PATH_IMAGE009
其中，
Figure 379719DEST_PATH_IMAGE010
为损失函数，n为样本数量，
Figure 168684DEST_PATH_IMAGE011
和
Figure 926424DEST_PATH_IMAGE012
分别是第i个地表蒸散发估计值和MODIS地表蒸散发，最佳权重和偏差使用传统的梯度下降算法求解；
模型训练过程中，依据损失函数的动态变化，在不同迭代次数下使学习率成幂指数减少，直至损失函数收敛，深度学习回归网络参数得到确定输出。
可选的，在地表蒸散发反演模型建立步骤S130中，
为加快模型训练时的收敛速度，网络模型的隐含层中上一层的线性组合后均添加BN（Batch Normalization）操作，再作为非线性激活函数输入，计算公式如下：
Figure 902471DEST_PATH_IMAGE013
其中，
Figure 708753DEST_PATH_IMAGE014
和
Figure 555486DEST_PATH_IMAGE015
是网络中可训练参数；深度学习采用批梯度下降方法对参数进行优化，把数据分为若干组，按组来更新参数，x= [x1,x2,...,xn]，为一组样本， xi代表一个样本，n为组大小，x代表上一层神经元的线性组合后的一组结果，Var代表x的方差，E代表x均值，方差值中添加一个常量
Figure 156232DEST_PATH_IMAGE016
，y为x归一化后的数据。
可选的，在地表蒸散发反演模型建立步骤S130中，
模型训练的初始学习率为0.1。
本发明进一步公开了一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行上述的基于时空带宽自适应地理加权回归的空气质量预测方法。
本发明具有如下的优点：
（1）现有技术大多采用单一的遥感卫星地表参数来表征反演地表蒸散发数据，本申请结合了遥感卫星地表数据和大气再分析多源数据来反演地表蒸散发，全面综合考虑地表蒸散发相关影响因子来提高地表蒸散发反演精度，相对于现有技术仅单一考虑遥感卫星数据或气候数据更加全面。
（2）与现有基于传统机器学习方法的地表蒸散发降尺度方法相比，本申请基于地表蒸散发空间尺度不变效应，建立了一个深度学习回归网络模型，深度解析了遥感地表参数和大气资料与地表蒸散发的非线性复杂关系，同时模型训练过程中采用BN和动态学习率来学习遥感地表参数和大气资料与地表蒸散发关系，BN处理使避免梯度消失问题，大大加快训练速度，动态学习率可使网络更好的收敛到最优解。BN和动态学习率使得模型在训练速度和精度上均有所优化。
附图说明
图1是根据本发明具体实施例的基于多元数据和深度学习的蒸散发数据降尺度方法的流程图；
图2是根据本发明具体实施例的含有18个隐含层深度学习回归网络框架示意图；
图3是根据本发明具体实施例的深度学习回归网络的一个神经元内部逻辑结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明主要在于：利用多元数据，包括遥感卫星地表数据和大气再分析多源数据来反演地表蒸散发，基于地表参数空间尺度不变效应，获取低空间分辨率卫星地表蒸散发数据、低空间分辨率大气再分析数据和高空间分辨率卫星遥感数据，首先进行数据的预处理，包括异常值过滤、统一空间投影和统一空间分辨率，基于搭建的深度学习回归网络，建立地表蒸散发反演模型，将低空间分辨率气象数据处理为高空间分辨率，与高空间分辨率卫星遥感数据通过低空间分辨率上建立的地表蒸散发反演模型，降尺度反演高空间分辨率地表蒸散发。
具体的，参见图1，示出了根据本发明具体实施例的基于多元数据和深度学习的蒸散发数据降尺度方法的流程图，包括如下步骤：
数据获取步骤S110：
获取低空间分辨率卫星地表蒸散发数据、低空间分辨率大气再分析数据，和高空间分辨率卫星地表反射率数据。
在本发明中，示例性的，低空间分辨率卫星地表蒸散发数据可以通过MODIS传感器获取，高空间分辨率的遥感数据可以通过Landsat卫星获取，低空间分辨率(0.1°×0.1°)大气再分析数据由欧洲中期天气预报中心提供。但本发明不以此为限。
更进一步的，空间分辨率大气再分析数据包括：地表湿度、风速、水气压、太阳辐射、空气温度等16个数据。
具体为：由欧洲中期天气预报中心提供，可直接下载获取，为16个逐日数据，包括：
5个地表湿度数据：分别为2m高度6时相对湿度（Relative_Humidity_2m_06h）、 2m高度9时相对湿度（Relative_Humidity_2m_09h）、 2m高度12时相对湿度（Relative_Humidity_2m_12h）、2m高度15时相对湿度（Relative_Humidity_2m_15h）、2m高度18时相对湿度（Relative_Humidity_2m_18h）；
8个空气温度数据，分别为2m高度24小时最大空气温度（Temperature_Air_2m_Max_24h）、 2m高度日间最大空气温度（Temperature_Air_2m_Max_Day_Time）、2m高度24小时平均空气温度（Temperature_Air_2m_Mean_24h）、2m高度日间平均空气温度（Temperature_Air_2m_Mean_Day_Time）、2m高度夜间平均空气温度（Temperature_Air_2m_Mean_Night_Time）、2m高度24小时最低空气温度（Temperature_Air_2m_Min_24h）、 2m高度夜间最低空气温度（Temperature_Air_2m_Min_Night_Time）、2m高度冰点温度（Dew_Point_Temperature_2m_Mean）；
1个风速数据（Wind_Speed_10m_Mean）；
1个水气压数据（Vapour_Pressure_Mean）；
1个太阳辐射数据（Solar_Radiation_Flux）。
高空间分辨率的遥感数据示例性的为Landsat数据，空间分辨率为30m，坐标为通用横轴墨卡托投影（Universal Transverse Mercator, UTM）投影坐标，包括：地表温度、多个地表反射率、多个植被绿度指数、多个植被含水指数数据等14个数据。
6个地表反射率(Land Surface Reflectance, LSR)，包括可见光蓝波段、绿波段、红波段、1个近红外波段、2个短波红外波段，是Landsat-8卫星相应的B2-B7反射率，可直接获取;
1个地表温度数据(Land Surface Temperature, LST)，可由Landsat-8卫星B10波段直接获取;
4个植被绿度指数数据，包括归一化植被指数(Normalized DifferenceVegetation Index, NDVI)、增强型植被指数（Enhanced Vegetation Index, EVI）、土壤调整植被指数 (Soil Adjusted Vegetation Index, SAVI)、修正土壤调整植被指数(Modified Soil Adjusted Vegetation Index, MSAVI)，可由Landsat-8卫星（Landsat-8B2-B7）各波段计算获取，计算公式分别如下：
Figure 901465DEST_PATH_IMAGE017
式中，B2、B4、B5分别为Landsat-8卫星的可见光蓝色、可见光红色和近红外波段地表反射率数据。
3个植被含水指数，包括归一化水分差指数(Normalized Difference MoistureIndex, NDMI)、归一化水体指数 (Normalized Difference Water Index, NDWI)、归一化红外指数(Normalized Difference Infrared Index-band 7, NDIIb7)，可由Landsat-8卫星（Landsat-8 B2-B7）各波段计算获取，计算分别公式如下：
Figure 714700DEST_PATH_IMAGE018
式中， B3、B5、B6、B7分别为Landsat-8卫星的可见光绿色、近红外、两个短波红外波段地表反射率数据。
数据预处理步骤S120：
对上述三种数据的进行预处理，包括
根据自带的质量图层进行异常值过滤；
首先利用投影转化，对所述大气再分析数据与卫星遥感数据进行统一空间投影，然后利用重采样，对所述大气再分析数据与卫星遥感数据进行统一空间分辨率，将其与低空间分辨率卫星地表蒸散发数据保持一致。在本发明中，为MOIDS卫星地表蒸散发数据。
本发明中，投影转化，将两种不同投影系统下的高、低空间分辨率的数据转换成相同投影系统。对于重采样，对低空间分辨率影像像元重采样至高空间分辨率影像像元大小。大气再分析数据与卫星遥感数据的转投影方法相同，重采样方法不同。
具体的，统一空间投影采用Python开源库 Pypro4进行投影转化。
对于低空间分辨率大气再分析数据的转投影后重采样，未用简单的最邻近插值法、双线性内插法或三次卷积内插法等，采用以下插值方法进行插值，减少block现象。
Figure 540574DEST_PATH_IMAGE019
其中，i = 1, 2, 3, 4；分别代表MODIS目标像元相邻的大气再分析数据四个0.1°×0.1°格网；di为每个格网中心点到MODIS目标像元中心的球面距离；dmax为四个球面距离中的最大值；Di代表每个格网中心点到MODIS目标 像元中心的非线性距离；Vi代表大气再分析数据四个0.1°×0.1°格网上的数据值；Wi代表每个0.1°×0.1°格网上的大气再分析数据对MODIS目标像元的贡献率（权重值）；V是相邻四个0.1°×0.1°格网数据值不等权重加和的MODIS目标像元上的再分析数据值。
高空间分辨率遥感卫星数据转投影后重采样是采用均值方法到统一到MODIS空间分辨率，具体的：
Figure 515483DEST_PATH_IMAGE020
其中，m为Landsat转投影后在MODIS目标像元范围内的像元个数，Li为MODIS目标像元范围内有效的高分辨率遥感卫星数据像元值。
地表蒸散发反演模型建立步骤S130：
将处理后低空间分辨率大气再分析资料数据和低空间分辨率遥感卫星数据的30个解释变量作为输入层，以低空间分辨率地表蒸散发数据作为输出层，建立一个18个隐含层的深度学习回归网络，训练学习直至得到收敛地表蒸散发反演模型。
具体的，参见图2，
该深度学习回归网络包括输入层、18个隐含层和输出层，每一个隐含层中的每个神经元值都是由具有多个权重和一个偏置的所有前一层神经元值的线性组合导出的， 18层隐含层的神经元个数分别为64, 64, 128, 128, 256, 256, 256, 256, 512, 512,512, 512, 512, 512, 512, 512, 1024,1024；每层之间使用了线性整流单元 (ReLU) 非线性激活函数进行激活，所述非线性函数为：
Figure 997280DEST_PATH_IMAGE021
其中，w代表前一层神经元的权重，b为共享偏置，均为深度学习回归网络可训练参数，
深度学习回归网络中地表蒸散发的输出与输入的关系可用如下公式表示：
Figure 706216DEST_PATH_IMAGE022
其中，
Figure 324279DEST_PATH_IMAGE023
为反演的地表蒸散发；
Figure 470090DEST_PATH_IMAGE024
为30个解释变量；
Figure 173604DEST_PATH_IMAGE025
为神经元相连的权重参数；
Figure 922117DEST_PATH_IMAGE026
神经元相连的偏置参数；F代表解释变量在隐含层经过一系列线性加权和ReLU 非线性激活函数处理，最后一层只有一个神经元，作为倒数第二层中所有神经元值的线性组合得出的神经元值，即为反演的地表蒸散发值，
网络模型搭建后，输入数据，对模型进行训练，寻找最优的权重和偏置使得地表蒸散发预测值与真实值之间的误差（损失函数）最小：
Figure 660266DEST_PATH_IMAGE027
其中，
Figure 711398DEST_PATH_IMAGE028
为损失函数，n为样本数量，
Figure 902208DEST_PATH_IMAGE011
和
Figure 454412DEST_PATH_IMAGE012
分别是第i个地表蒸散发估计值和MODIS地表蒸散发，最佳权重和偏差使用传统的梯度下降算法求解。
更进一步的，为加快模型训练时的收敛速度，网络模型的隐含层中上一层的线性组合后均添加BN（Batch Normalization）操作，再作为ReLU 非线性激活函数输入，计算公式如下：
Figure 47068DEST_PATH_IMAGE029
其中，
Figure 534681DEST_PATH_IMAGE014
和
Figure 212787DEST_PATH_IMAGE015
是网络中可训练参数；深度学习采用批梯度下降方法对参数进行优化，把数据分为若干组（batch），按组来更新参数，x= [x1,x2,...,xn]，为一组样本， xi代表一个样本，n为组大小（batch size）。x代表上一层神经元的线性组合后的一组结果，Var代表x的方差，E代表x均值，方差值中添加一个小常量
Figure 303103DEST_PATH_IMAGE016
，以确保永远不会尝试除以零， y为x归一化后的数据。
模型训练过程中，初始学习率为0.1，依据损失函数的动态变化，在不同迭代次数下使学习率成幂指数减少，直至损失函数收敛，深度学习回归网络参数得到确定输出。
反演推算步骤S140：
获取经过转投影和重采样预处理的高空间分辨率大气再分析数据和高空间分辨率卫星遥感数据作为输入变量，利用在步骤S130中所得到的地表蒸散发反演模型，输出高空间分辨率地表蒸散数据。
本发明进一步公开了一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行上述的基于多源数据和深度学习的地表蒸散发数据降尺度方法。
综上，本发明具有如下的优点：
（1）现有技术大多采用单一的遥感卫星地表参数来表征反演地表蒸散发数据，本申请结合了遥感卫星地表数据和大气再分析多源数据来反演地表蒸散发，全面综合考虑地表蒸散发相关影响因子来提高地表蒸散发反演精度，相对于现有技术仅单一考虑遥感卫星数据或气候数据更加全面。
（2）与现有基于传统机器学习方法的地表蒸散发降尺度方法相比，本申请基于地表蒸散发空间尺度不变效应，建立了一个深度学习回归网络模型，深度解析了遥感地表参数和大气资料与地表蒸散发的非线性复杂关系，同时模型训练过程中采用BN和动态学习率来学习遥感地表参数和大气资料与地表蒸散发关系，BN处理使避免梯度消失问题，大大加快训练速度，动态学习率可使网络更好的收敛到最优解。BN和动态学习率使得模型在训练速度和精度上均有所优化。
显然，本领域技术人员应该明白，上述的本发明的各单元或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上,可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

Claims (8)

1.一种基于多源数据和深度学习的地表蒸散发数据降尺度方法，其特征在于，包括如下步骤：
数据获取步骤S110：
获取低空间分辨率卫星地表蒸散发数据、低空间分辨率大气再分析数据，和高空间分辨率卫星地表反射率数据；
数据预处理步骤S120：
对上述三种数据进行预处理，包括根据自带的质量图层进行异常值过滤，以及首先利用投影转化，对所述大气再分析数据与卫星遥感数据进行统一空间投影，然后利用重采样，对所述大气再分析数据与卫星遥感数据进行统一空间分辨率，使得与低空间分辨率卫星地表蒸散发数据保持一致；
地表蒸散发反演模型建立步骤S130：
将处理后低空间分辨率大气再分析资料数据和低空间分辨率遥感卫星数据的30个解释变量作为输入层，以低空间分辨率地表蒸散发数据作为输出层，建立一个18个隐含层的深度学习回归网络，训练学习直至得到收敛地表蒸散发反演模型；
反演推算步骤S140：
获取经过转投影和重采样预处理的高空间分辨率大气再分析数据和高空间分辨率卫星遥感数据作为输入变量，利用在步骤S130中所得到的地表蒸散发反演模型，输出高空间分辨率地表蒸散数据。
2.根据权利要求1所述的蒸散发数据降尺度方法，其特征在于，
在数据获取步骤S110中，所述低空间分辨率卫星地表蒸散发数据为MODIS传感器数据，所述低空间分辨率大气再分析数据包括：地表湿度、风速、水气压、太阳辐射、空气温度的16个数据，所述高空间分辨率的遥感数据为Landsat数据，包括地表温度、多个地表反射率、多个植被绿度指数、多个植被含水指数数据的14个数据。
3.根据权利要求2所述的蒸散发数据降尺度方法，其特征在于，
在数据获取步骤S110中，
低空间分辨率大气再分析数据具体包括：
5个地表湿度数据：分别为2m高度6时相对湿度、 2m高度9时相对湿度、 2m高度12时相对湿度、2m高度15时相对湿度和2m高度18时相对湿度；
8个空气温度数据，分别为2m高度24小时最大空气温度、 2m高度日间最大空气温度、2m高度24小时平均空气温度、2m高度日间平均空气温度、2m高度夜间平均空气温度、2m高度24小时最低空气温度、 2m高度夜间最低空气温度、2m高度冰点温度；
1个风速数据、1个水气压数据和1个太阳辐射数据；
高空间分辨率的遥感数据为Landsat数据，包括：
6个地表反射率，包括可见光蓝波段、绿波段、红波段、1个近红外波段、2个短波红外波段;
1个地表温度数据;
4个植被绿度指数数据，包括归一化植被指数、增强型植被指数、土壤调整植被指数、修正土壤调整植被指数；
3个植被含水指数，包括归一化水分差指数、归一化水体指数、归一化红外指数。
4.根据权利要求2所述的蒸散发数据降尺度方法，其特征在于，
在数据预处理步骤S120中，
对于低空间分辨率大气再分析数据的转投影后重采样，采用以下插值方法进行插值，
Figure 721371DEST_PATH_IMAGE001
其中，i = 1, 2, 3, 4；分别代表MODIS目标像元相邻的大气再分析数据四个0.1°×0.1°格网；di为每个格网中心点到MODIS目标像元中心的球面距离；dmax为四个球面距离中的最大值；Di代表每个格网中心点到MODIS目标 像元中心的非线性距离；Vi代表大气再分析数据四个0.1°×0.1°格网上的数据值；Wi代表每个0.1°×0.1°格网上的大气再分析数据对MODIS目标像元的贡献率即权重值；V是相邻四个0.1°×0.1°格网数据值不等权重加和的MODIS目标像元上的再分析数据值；
高空间分辨率遥感卫星数据转投影后重采样是采用均值方法到统一到MODIS空间分辨率，具体的：
Figure 432975DEST_PATH_IMAGE002
其中，m为Landsat转投影后在MODIS目标像元范围内的像元个数，Li为MODIS目标像元范围内有效的高分辨率遥感卫星数据像元值。
5.根据权利要求2所述的蒸散发数据降尺度方法，其特征在于，
在地表蒸散发反演模型建立步骤S130中，
该深度学习回归网络包括输入层、18个隐含层和输出层，每一个隐含层中的每个神经元值都是由具有多个权重和一个偏置的所有前一层神经元值的线性组合导出的， 18层隐含层的神经元个数分别为64, 64, 128, 128, 256, 256, 256, 256, 512, 512, 512,512, 512, 512, 512, 512, 1024,1024；
每层之间使用了线性整流单元非线性激活函数(ReLU)进行激活，所述非线性激活函数为：
Figure 501425DEST_PATH_IMAGE003
其中，w代表前一层神经元的权重，b为共享偏置，均为深度学习回归网络可训练参数，
深度学习回归网络中地表蒸散发的输出与输入的关系可用如下公式表示：
Figure 905862DEST_PATH_IMAGE004
其中，
Figure 817186DEST_PATH_IMAGE005
为反演的地表蒸散发，
Figure 332481DEST_PATH_IMAGE006
为30个解释变量，
Figure 521017DEST_PATH_IMAGE007
为神经元相连的权重参数，
Figure 96355DEST_PATH_IMAGE008
神经元相连的偏置参数；F代表解释变量在隐含层经过一系列线性加权和非线性激活函数处理，最后一层只有一个神经元，作为倒数第二层中所有神经元值的线性组合得出的神经元值，即为反演的地表蒸散发值，
网络模型搭建后，输入数据，对模型进行训练，寻找最优的权重和偏置使得地表蒸散发预测值与真实值之间的误差最小：
Figure 494975DEST_PATH_IMAGE009
其中，
Figure 548382DEST_PATH_IMAGE010
为损失函数，n为样本数量，
Figure 653741DEST_PATH_IMAGE011
和
Figure 337663DEST_PATH_IMAGE012
分别是第i个地表蒸散发估计值和MODIS地表蒸散发，最佳权重和偏差使用传统的梯度下降算法求解；
模型训练过程中，依据损失函数的动态变化，在不同迭代次数下使学习率成幂指数减少，直至损失函数收敛，深度学习回归网络参数得到确定输出。
6.根据权利要求5所述的蒸散发数据降尺度方法，其特征在于，
在地表蒸散发反演模型建立步骤S130中，
为加快模型训练时的收敛速度，网络模型的隐含层中上一层的线性组合后均添加BN（Batch Normalization）操作，再作为非线性激活函数输入，计算公式如下：
Figure 895683DEST_PATH_IMAGE013
其中，
Figure 80677DEST_PATH_IMAGE014
和
Figure 40543DEST_PATH_IMAGE015
是网络中可训练参数；深度学习采用批梯度下降方法对参数进行优化，把数据分为若干组，按组来更新参数，x= [x1,x2,...,xn]，为一组样本， xi代表一个样本，n为组大小，x代表上一层神经元的线性组合后的一组结果，Var代表x的方差，E代表x均值，方差值中添加一个常量
Figure 895366DEST_PATH_IMAGE016
，y为x归一化后的数据。
7.根据权利要求5所述的蒸散发数据降尺度方法，其特征在于，
在地表蒸散发反演模型建立步骤S130中，
模型训练的初始学习率为0.1。
8.一种存储介质，用于存储计算机可执行指令，其特征在于：
所述计算机可执行指令在被处理器执行时执行权利要求1-7中任意一项所述的基于多源数据和深度学习的地表蒸散发数据降尺度方法。
CN202111046481.6A 2021-09-08 2021-09-08 基于多源数据和深度学习的地表蒸散发数据降尺度方法 Expired - Fee Related CN113486000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111046481.6A CN113486000B (zh) 2021-09-08 2021-09-08 基于多源数据和深度学习的地表蒸散发数据降尺度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111046481.6A CN113486000B (zh) 2021-09-08 2021-09-08 基于多源数据和深度学习的地表蒸散发数据降尺度方法

Publications (2)

Publication Number Publication Date
CN113486000A true CN113486000A (zh) 2021-10-08
CN113486000B CN113486000B (zh) 2021-12-17

Family

ID=77947308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111046481.6A Expired - Fee Related CN113486000B (zh) 2021-09-08 2021-09-08 基于多源数据和深度学习的地表蒸散发数据降尺度方法

Country Status (1)

Country Link
CN (1) CN113486000B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114563353A (zh) * 2022-01-21 2022-05-31 河海大学 一种基于多源卫星遥感数据土壤热通量预测方法
CN115617935A (zh) * 2022-10-18 2023-01-17 中国水利水电科学研究院 一种基于融合模型的地下水储量偏差降尺度方法
CN115964958A (zh) * 2023-02-15 2023-04-14 中国科学院、水利部成都山地灾害与环境研究所 通量观测足迹与遥感像元空间尺度的匹配方法
CN116050567A (zh) * 2022-10-31 2023-05-02 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
CN116448966A (zh) * 2023-06-15 2023-07-18 吉林省中农阳光数据有限公司 基于智能物联网和深度学习相结合的空气质量评估方法
CN116776651A (zh) * 2023-08-23 2023-09-19 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
WO2024113427A1 (zh) * 2022-12-02 2024-06-06 深圳先进技术研究院 一种地表温度遥感产品降尺度方法、系统、设备及介质
CN118428413A (zh) * 2024-07-02 2024-08-02 南京信息工程大学 一种用于估算地表水含量的深度学习模型及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634711A (zh) * 2009-08-24 2010-01-27 中国农业科学院农业资源与农业区划研究所 从modis数据估算近地表空气温度方法
CN107065036A (zh) * 2017-04-19 2017-08-18 中国农业科学院农业资源与农业区划研究所 一种联合遥感和气象数据获取全天候蒸散发的方法
CN110866364A (zh) * 2019-11-20 2020-03-06 中国科学院遥感与数字地球研究所 基于机器学习的地表温度降尺度方法
CN111401336A (zh) * 2020-05-09 2020-07-10 中国地质科学院岩溶地质研究所 基于反射率-植被覆盖度二维空间的蒸散发遥感反演应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634711A (zh) * 2009-08-24 2010-01-27 中国农业科学院农业资源与农业区划研究所 从modis数据估算近地表空气温度方法
CN107065036A (zh) * 2017-04-19 2017-08-18 中国农业科学院农业资源与农业区划研究所 一种联合遥感和气象数据获取全天候蒸散发的方法
CN110866364A (zh) * 2019-11-20 2020-03-06 中国科学院遥感与数字地球研究所 基于机器学习的地表温度降尺度方法
CN111401336A (zh) * 2020-05-09 2020-07-10 中国地质科学院岩溶地质研究所 基于反射率-植被覆盖度二维空间的蒸散发遥感反演应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ABOLANLE E. ODUSANYA等: "Evaluating the performance of streamflow simulated by an eco-hydrological model calibrated and validated with global land surface actual evapotranspiration from remote sensing at a catchment scale in West Africa", 《JOURNAL OF HYDROLOGY: REGIONAL STUDIES》 *
唐荣林等: "基于地表温度—植被指数三角/梯形特征空间的", 《遥感学报》 *
尹剑等: "区域尺度蒸散发遥感估算——反演与数据同化研究进展", 《地理科学》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114563353B (zh) * 2022-01-21 2022-11-18 河海大学 一种基于多源卫星遥感数据土壤热通量预测方法
CN114563353A (zh) * 2022-01-21 2022-05-31 河海大学 一种基于多源卫星遥感数据土壤热通量预测方法
CN115617935A (zh) * 2022-10-18 2023-01-17 中国水利水电科学研究院 一种基于融合模型的地下水储量偏差降尺度方法
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
CN116050567A (zh) * 2022-10-31 2023-05-02 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
WO2024113427A1 (zh) * 2022-12-02 2024-06-06 深圳先进技术研究院 一种地表温度遥感产品降尺度方法、系统、设备及介质
CN115964958A (zh) * 2023-02-15 2023-04-14 中国科学院、水利部成都山地灾害与环境研究所 通量观测足迹与遥感像元空间尺度的匹配方法
CN115964958B (zh) * 2023-02-15 2023-06-30 中国科学院、水利部成都山地灾害与环境研究所 通量观测足迹与遥感像元空间尺度的匹配方法
CN116448966A (zh) * 2023-06-15 2023-07-18 吉林省中农阳光数据有限公司 基于智能物联网和深度学习相结合的空气质量评估方法
CN116448966B (zh) * 2023-06-15 2023-09-12 吉林省中农阳光数据有限公司 基于智能物联网和深度学习相结合的空气质量评估方法
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
CN116776651A (zh) * 2023-08-23 2023-09-19 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
CN118428413A (zh) * 2024-07-02 2024-08-02 南京信息工程大学 一种用于估算地表水含量的深度学习模型及应用
CN118428413B (zh) * 2024-07-02 2024-09-13 南京信息工程大学 一种用于估算地表水含量的深度学习模型及应用

Also Published As

Publication number Publication date
CN113486000B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
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
Danner et al. Efficient RTM-based training of machine learning regression algorithms to quantify biophysical & biochemical traits of agricultural crops
Kamadinata et al. Sky image-based solar irradiance prediction methodologies using artificial neural networks
Deo et al. Universally deployable extreme learning machines integrated with remotely sensed MODIS satellite predictors over Australia to forecast global solar radiation: A new approach
CN108268735A (zh) 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN106918816B (zh) 农作物长势监测系统及其数据处理方法和模块
CN111024618A (zh) 基于遥感影像的水质健康监测方法、装置及存储介质
Zhao et al. Object-oriented vegetation classification method based on UAV and satellite image fusion
CN114742179B (zh) 基于ecmwf的格点预报偏差修正方法
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
CN108256186A (zh) 一种在线计算查找表的逐像元大气校正方法
Gallo et al. Solar radiation forecasting with deep learning techniques integrating geostationary satellite images
Xiong et al. Comparison of artificial neural network and support vector machine methods for urban land use/cover classifications from remote sensing images a case study of Guangzhou, South China
CN110032963A (zh) 互花米草新生斑块的动态监测方法
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
CN113297904A (zh) 一种基于卫星驱动模型的高寒草地生物量估算方法及系统
CN112364289A (zh) 一种通过数据融合提取水体信息的方法
CN117437538A (zh) 一种热带雨林生态系统时空格局特征提取及预测方法
Chen et al. LAI-NOS: An automatic network observation system for leaf area index based on hemispherical photography
CN112733746B (zh) 融合InSAR相干性与多光谱遥感的协同分类方法
CN114120145A (zh) 一种监测方法、装置、电子设备及计算机可读存储介质
CN116342448B (zh) 一种全圆盘可见光拟合方法、系统、设备及介质
Ling et al. Estimating Winter Wheat LAI Using Hyperspectral UAV Data and an Iterative Hybrid Method
CN114296061B (zh) 基于多元变量检测和不同辐射传输模型的交叉定标方法
CN114357885B (zh) 一种融合多源数据的光合有效辐射散射比例预测方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211217

CF01 Termination of patent right due to non-payment of annual fee