CN113486000B - 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

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，

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；d_i为每个格网中心点到MODIS目标像元中心的球面距离；d_max为四个球面距离中的最大值；D_i代表每个格网中心点到MODIS目标 像元中心的非线性距离；V_i代表大气再分析数据四个0.1°×0.1°格网上的数据值；W_i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：

其中，m为Landsat转投影后在MODIS目标像元范围内的像元个数，L_i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：

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：

其中，

为反演的地表蒸散发，

为30个解释变量，

为神经元相连的权重参数，

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：

其中，

为损失函数，n为样本数量，

和

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：

其中，

和

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,...,x_n]，为一组样本， x_i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

，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：

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：

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。

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；d_i为每个格网中心点到MODIS目标像元中心的球面距离；d_max为四个球面距离中的最大值；D_i代表每个格网中心点到MODIS目标 像元中心的非线性距离；V_i代表大气再分析数据四个0.1°×0.1°格网上的数据值；W_i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：

其中，m为Landsat转投影后在MODIS目标像元范围内的像元个数，L_i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：

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：

其中，

为反演的地表蒸散发；

为30个解释变量；

为神经元相连的权重参数；

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：

其中，

为损失函数，n为样本数量，

和

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：

其中，

和

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,...,x_n]，为一组样本， x_i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

，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 (4)

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；

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；

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，

D_i＝cos⁴((π/2)^*(d_i/d_max))

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；d_i为每个格网中心点到MODIS目标像元中心的球面距离；d_max为四个球面距离中的最大值；D_i代表每个格网中心点到MODIS目标像元中心的非线性距离；V_i代表大气再分析数据四个0.1°×0.1°格网上的数据值；W_i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：

其中，m为Landsat转投影后在MODIS目标像元范围内的像元个数，L_i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；

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：

f(x)＝max(0,w^Tx+b)

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：

其中，

为反演的地表蒸散发，x₁,x₂,....x₃₀为30个解释变量，ω₁,ω₂,...ω_nw为神经元相连的权重参数，b₁,b₂,....b_nb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：

其中，l为损失函数，n为样本数量，

和e⁽ⁱ⁾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；

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：

其中，γ和β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,...,x_n]，为一组样本，x_i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ε＞0，y为x归一化后的数据。

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，

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。

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。

4.一种存储介质，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1-3中任意一项所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。

Images