CN113486581A - 一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备 - Google Patents
一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113486581A CN113486581A CN202110751738.1A CN202110751738A CN113486581A CN 113486581 A CN113486581 A CN 113486581A CN 202110751738 A CN202110751738 A CN 202110751738A CN 113486581 A CN113486581 A CN 113486581A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- surface temperature
- atmospheric
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 57
- 230000005855 radiation Effects 0.000 claims description 47
- 238000002834 transmittance Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 42
- 238000004088 simulation Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 28
- 230000005540 biological transmission Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 239000005427 atmospheric aerosol Substances 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000011160 research Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000000179 transient infrared spectroscopy Methods 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于地表温度估算技术领域，公开一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，首选根据专家知识进行和相应的传感器的波段设置建立相应推理模式，对单个方程4个未知数地表温度、大气透过率、地表发射率和大气平均作用温度如何获取进行逻辑推理，确定传感器进行地表温度反演的最佳波段组合，选择最佳的地表温度反演方案。有益效果：本发明提供一种基于专家知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，以克服传统方法需要获取关键参数作为先验知识从而影响反演精度的缺陷，同时也能克服在定标中存在的误差。
Description
技术领域
本发明涉及地表温度估算方法的技术领域，具体涉及一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备。
背景技术
温度是表征地球各圈层之间能量传输的关键物理量之一。作为反映地表状态的重要指标，地表温度(LST)可以提供地表大气热和质量通量、植被水分胁迫和土壤水分等信息，与地球资源、地表能量平衡、环境、气候变化以及人类日常生产生活等众多方面息息相关，其信息的获取在水文、环境、生态和生物地球化学等众多研究领域中不可或缺。因此，随着不同领域对地表温度的时空分异性、动态变化掌握的需求不断增加，地表温度的快速获取具有重要的现实意义与急迫性。
获取LST的方法主要分为两种，第一种是传统方式，即通过地面有限观测点的监测数据来分析，此类方式在参数获取的种类覆盖上固然比较全面，但其致命缺点在于不能在各种生态环境下保持时间与空间上的数据连续性，在大尺度研究领域捉襟见肘的同时成本耗费巨大。因此，研究者们一直热衷于追求低成本、高效率的方式获取地表温度，另一种方法—空间测量LST应运而生。借助卫星遥感技术，通过热红外或被动微波，可便捷地获取大面积的地温资料，其数据更新快、成本低廉等优点使得该方式成为地表温度反演的主要方式[Yu X，Guo X，Wu Z.Land surface temperature retrieval from Landsat 8TIRS—Comparison between radiative transfer equation-based method，split windowalgorithm and single channel method[J].Remote Sensing，2014，6(10)：9829-9852.]。热红外(TIR)受大气影响较大但其光谱区域能检测到由地表直接发射的大部分能量，而被动微波虽然具有极强的穿透云层的作用，受大气影响较小，但现阶段对被动微波的地表辐射机理研究尚不成熟[毛克彪.农业气象遥感关键参数反演算法及应用研究[M].北京:中国农业科学技术出版社，2017:2-3.]。自20世纪70年代开始[McMillin L M.Estimation ofsea surface temperatures from two infrared window measurements with differentabsorption[J].Journal of Geophysical Research，1975，80(36)：5113-5117.]，热红外遥感技术迅速发展，并逐渐成为了地表热状况信息获取的重要手段[Jiménez-
JC，Sobrino J A.A generalized single-channel method for retrieving land surfacetemperature from remote sensing data[J].Journal of Geophysical Research：Atmospheres，2003，108(D22).]。因此，热红外(TIR)数据一直是星载遥感器提供用于地表温度反演研究的主要来源，如Terra/Aqua上搭载的MODIS[Neteler M.Estimating dailyland surface temperatures in mountainous environments by reconstructed MODISLST data[J].Remote sensing，2010，2(1)：333-351.]和ASTER[Jiménez-
J C，Sobrino J A.A single-channel algorithm for land-surface temperature retrievalfrom ASTER data[J].IEEE Geoscience and Remote Sensing Letters，2010，7(1)：176-179.]、NOAA上搭载的AVHRR[Pinheiro A C T，Privette J L，Mahoney R，etal.Directional effects in a daily AVHRR land surface temperature dataset overAfrica[J].IEEE Transactions on Geoscience and Remote Sensing，2004，42(9)：1941-1954.]、Landsat 8卫星上的TIRS[Rozenstein O，Qin Z，Derimian Y，et al.Derivationof land surface temperature for Landsat-8TIRS using a split window algorithm[J].Sensors，2014，14(4)：5768-5780.]，中国FY-3上搭载的VIRR[Jiang J，Li H，Liu Q，etal.Evaluation of land surface temperature retrieval from FY-3B/VIRR data inan arid area of northwestern China[J].Remote Sensing，2015，7(6)：7080-7104.]、HJ-1B上搭载的IRS[Li H，Liu Q，Du Y，et al.Evaluation of MODIS and NCEPatmospheric products for land surface temperature retrieval from HJ-1B IRSthermal infrared data with ground measurements[C]//2012IEEE InternationalGeoscience and Remote Sensing Symposium.IEEE，2012：5057-5060.]、GBERS-02上搭载的IRMSS[张勇，余涛，顾行发，张玉香，陈良富，余姗姗，张文君，李小文.CBERS-02IRMSS热红外数据地表温度反演及其在城市热岛效应定量化分析中的应用[J].遥感学报，2006(05):789-797.]。对此，各国学者针对不同卫星搭载的不同传感器，开展了多种地表温度反演方法，主要可以分为以下5类：单通道算法、多通道算法、多角度算法、多时相算法、高光谱反演算法。
多通道算法中的劈窗算法(又称分裂窗算法)是目前热红外遥感反演地表温度中精度较高、应用较广、发展最为成熟的算法，广泛应用于具有两个及以上热红外波段的数据，如NOAA/AVHRR[Kerr Y H，Lagouarde J P，Imbernon J.Accurate land surfacetemperature retrieval from AVHRR data with use of an improved split windo1walgorithm[J].Remote Sensing of Environment，1992，41(2-3)：197-209.]、MODIS[WanZ，Dozier J.A generalized split-window algorithm for retrieving land-surfacetemperature from space[J].IEEE Transactions on geoscience and remote sensing，1996，34(4)：892-905.]以及Landsat8/TIRS[Jiménez-
J C，Sobrino J A，
D，et al.Land surface temperature retrieval methods from Landsat-8thermalinfrared sensor data[J].IEEE Geoscience and remote sensing letters，2014，11(10)：1840-1843.]等。劈窗算法是现在反演地表温度最常用的方法，最初是用于反演海面温度[Prabhakara C，Dalu G，Kunde VG.Estimation of sea surface temperature fromremote sensing in the 11-to 13-μm window region[J].Journal of Geophysicalresearch，1974，79(33)：5039-5044.McMillin L M.Estimation of sea surfacetemperatures from two infrared window measurements with different absorption[J].Journal of Geophysical Research，1975，80(36)：5113-5117.]。基本原理是在给定温度下，两个窗口的辐射度与温度之间存在线性关系，以新的线性关系代替辐射强度以较少未知参数。同时，因为卫星数据拥有不同的透射率和发射率的两个及以上的热红外通道时，便可以建立至少两个方程以描述两个通道的地表热辐射传输过程，从而消去未知参数大气上行平均温度，进一步达到简化辐射传输方程的目的，从而实现LST的求解。这意味着，在不需要精确的大气温度和压力剖面的情况下，从两个及以上热通道的卫星数据估算LST成为可能[Qin Z，Dall'Olmo G，Karnieli A，et al.Derivation of split windowalgorithm and its sensitivity analysis for retrieving land surfacetemperature from NOAA-advanced very high resolution radiometer data[J].Journal of Geophysical Research：Atmospheres，2001，106(D19)：22655-22670.]。随后，更多学者从研究中证明了劈窗算法反演地表温度的可行性[Price JC.Land surfacetemperature measurements from the split window channels of the NOAA7AdvancedVery High Resolution Radiometer[J].Journal of Geophysical Research：Atmospheres，1984，89(D5)：7231-7237.；Becker F.The impact of spectral emissivityon the measurement of land surface temperature from a satellite[J].International Journal of Remote Sensing，1987，8(10)：1509-1522.]，也根据不同的传感器以及研究区域，选择不同方式对热辐射传输方程进行简化与参数求解，从而提出了不同的劈窗算法，并不断完善。
从多个热红外波段的测量中同时反演地表温度和发射率是非常困难的，因为N个波段至少拥有N+1个未知数(N个波段的发射率和地表温度)，这是一个非常典型的病态反演问题。如果不利用任何先验知识，几乎不可能同时从多个热红外数据中反演地表温度和发射率。Kahle and Alley(1992)[Kahle A.B.，Alley R.E.，Separation of temperatureand emittance in remotely sensed radiance measurements，Remote Sens.Environ.，1992，42：1-20.]，Hook et al.(1992)[[Hook S.J.，Gabell A.R.，Green A.A.，and KealyP.S.，A comparison of techniques for extracting emissivity information fromthermal infrared data for geologic studies，Remote Sens.Environ.，1992，42：123–135.]，Watson(1992)[Watson K.，Spectral ratio method for measuring emissivity，Remote Sens.Environ.，1992，42:113–116.]，Kealy and Hook(1993)[Kealy P.S.andHook S.，Separating temperature and emissivity in thermal infraredmultispectral scanner data：Implication for recovering land surfacetemperatures，IEEE Trans.Geosci.Remote Sens.，1993，31:1155–1164.]，Schmugge etal(1998，2002)[Schmugge T.，Hook S.J.，Coll C.，Recovering surface temperatureand emissivity from thermal infrared multispectral data，Remote Sens.Environ.，1998，65，2：121-131.][Schmugge T.，French A.，Ritchie J.C.，Rango A.，Pelgrum H.，Temperature and emissivity separation from multispectral thermal infraredobservations，Remote Sens.Environ.，2002，79(2-3)：189-198.]，Liang(2001)[LiangShunlin，An optimization algorithm for separating land surface temperature andemissivity from multispectral thermal infrared imagery，IEEETrans.Geosci.Remote Sens.，2001，39：264-274.]在地表温度和发射率反演方面做了许多工作。Li and Becker(1993)[Li Z.L.and Becker F.，Feasibility of land surfacetemperature and emissivity determination from AVHRR data.RemoteSens.Environ.，1993，43：67-85.]利用TISI技术和白天/晚上的影象数据反演地表温度和发射率，这个反演方法需要大气剖面信息。Wan and Li(1997)[Wan Z.M.，Li Z..L.，APhysics-Based Algorithm for Retrieving land-surface emissivity andtemperature from EOS/MODIS data，IEEE Trans.Geosci.Remote Sens.，1997，35：980-996.]提出了一个多波段算法来同时从EOS/MODIS传感器中同时反演地表温度和发射率，这个方法受地面的光学性质和大气状态的影响。这两个方法都假定了白天和晚上同一地点的发射率不变。Gillespie et al(1998)[[Gillespie A.R.，Rokugawa S.，Matsunaga，ATemperature and emissivity separation algorithm for Advanced SpaceborneThermal Emission and Reflection Radiometer(ASTER)images.IEEETrans.Geosci.Remote Sens.，1998，36：1113-1126.]提出了一个方法对已做大气校正的ASTER影象的地表温度和发射率进行分离，这个方法的精度在很大程度上取决于大气校正的精度。
本方法首先根据相应的传感器波段设置，基于辐射传输平衡方程和专家知识进行分析，对单个方程4个未知数地表温度、大气透过率、地表发射率和大气平均作用温度如何获取进行逻辑推理，确定传感器进行地表温度反演的最佳波段组合，然后使用机器学习的方法进行优化计算，从而克服了传统方法需要获得地表类型和大气水汽等作为先验知识的缺陷，克服了关键参数获取困难的缺点。能够应用在卫星传感器设计、气象、农业旱灾和环境监测监测等遥感部门。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，以克服传统方法需要获取关键参数作为先验知识从而影响反演精度的缺陷，同时也能克服在定标中存在的误差。本发明对算法中利用机器学习可以将目标参数地表温度的精度尽可能地提高，使得在旱灾监测、气象和水文等环境变化监测中更容易使用本发明。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备：
第一步、根据专家知识建立规则，针对传感器波段设置进行物理逻辑推理，选择最佳估算方案，根据相应的传感器波段设置，基于辐射传输平衡方程进行和专家知识进行分析，对单个方程4个未知数，即地表温度、大气透过率、地表发射率和大气平均作用温度如何获取进行逻辑推理，确定传感器进行地表温度反演的最佳波段组合，然后利用机器学习进行优化计算；
所述专家知识分析为：地表温度反演是基于辐射传输方程，利用地表热辐射从地表途经大气达到传感器的过程建立热平衡方程；计算所述地表热辐射时需要考虑地表发射率，同时热辐射传输过程中大气对传感器接收到的能量也有贡献，考虑到这些因素，简化后反演方程可以描述成：
Bi(Ti)＝εi(θ)τi(θ)Bi(Ts)+[1-τi(θ')][1-εi(θ)]τi(θ)
Bi(Ta)+[1-τi(θ)]Bi(Ta) (1)
式中Ts是地表温度，Ti是通道i的星上亮度温度，τi(θ)是通道i在θ角时的透过率，εi(θ)是通道i在θ角时的地表发射率，Ta是向上的大气平均作用温度，Bi(Ts)是地表辐射强度，每个方程中，有三个多余的未知数(波段的发射率，透过率和大气平均作用温度)，这是一个典型的病态问题，每个波段都对应一个未知数发射率，但发射率是由地表类型确定，因此不管几个波段，都可以归结为地表类型，如式2所示，
εi＝f(ground_surface_type) (2)。
每个波段都对应一个未知数透过率，但透过率主要是由大气水汽含
量决定，因此，不管几个波段，都可以归结为大气水汽含量(WVC)，
如式3所示，
τi＝f(W) (3)。
大气水汽含量与热红外之间的亮温差异有关，如式4所示，
WVC＝f(ΔBT) (4)。
每个方程中都含有大气平均作用温度，但大气平均作用温度都跟近地表空气温度有关，如式5所示，
Ta≈A1+B1T0 (5)。
通过互易原理，大气平均作用温度和星上亮温也存在一定的关系，如式6所示，
Ta≈A2+B2Ti (6)。
事实上，还有一个未知数是角度，但这个参数可以从卫星的观测姿态中获得。从上面的推理可知，如果有角度信息输入，至少需要3个输入参数。如果有大气水汽含量参数输入，只需3个热红外波段；如果没有水汽波段，至少需要4个热红外波段输入才能保证一定的精度。当然，要根据热红外波段设置的位置进行具体取舍。
地表温度是估算目标，建立逻辑推理规则：
对于单个热红外波段的传感器：透过率、发射率和大气平均作用温度必须通过先验知识获取，对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，对于发射率的获取：第一可以通过地表分类赋值得到；第二可以通过NDVI值计算得到；第三也可以通过邻近波段计算得到，对于大气平均作用温度获取：第一可以通过大气剖面温度计算得到；第二可以通过近地表空气温度计算得到。
对于两个热红外波段的传感器，根据优选原则，大气平均作用温度相对难以获取，则可以选择获取透过率和发射率解决先验知识难题：对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，对于发射率的获取：第一可以通过地表分类赋值得到；第二可以通过NDVI值计算得到；第三也可以通过邻近波段计算得到。
对于三个热红外波段的传感器，根据优选原则，则可以选择获取透过率解决先验知识难题：对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，
对于四个热红外波段以上的传感器，则可以直接估算地表温度，可以不需要先验知识。但如果能够获取水汽波段作为补充数据，则可以大大提高估算精度。
第二步，基于专家知识和逻辑推理，根据不同的传感器波段利用辐射传输模型构建辐射传输模拟数据库，如果有可靠的地面站点数据和星上数据可做适当补充，从而构建训练和测试数据库。
2-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；
2-2)选择常见地物在影像数据不同波段的发射率分别作为输入参数；
2-3)输入所获得影像时间在所在地区温度变化范围的可能最低值，并限定最高值，模拟过程中地表温度变化；
2-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；
2-5)输入卫星传感器高度，并默认大气气溶胶、二氧化碳等其它参数；
2-6)设置波段响应函数，根据传感器数据不同的波段的波长范围执行模拟，并输出不同波段的模拟星上辐射亮度；
2-7)将每次模拟得到星上辐射亮度转换成亮度温度，并和每次模拟输入的地表温度和发射率一起建立相应的数据库。
2-8)补充地表观测站点数据和对应的星上亮温数据，建立专家知识库。
第三步，构建动态学习神经网络模型：
3-1)将第二步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；
3-2)将训练数据集中的遥感数据对应波段的星上亮度温度作为神经网络的输入节点，地表温度作为输出节点，进行训练；
3-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度；
3-4)将3-3中输出的地表温度和对应的地表温度对比。
第四步，反演地表温度：
4-1)对遥感影像数据的不同波段进行几何校正；
4-2)将遥感数据的第不同波段的星上亮度转换成星上亮度温度；
4-3)将4-2中不同波段的亮温或水汽输入到第三步训练好的神经网络中，输出地表温度；
4-4)根据影像对应的地表进行相关验证。
第五步，对实际反演结果进行评估，如果精度不在允许的误差内，基于专家知识判断分析误差来源：(1)如果精度正负起伏很大，则可能是星上定标不稳定；(2)如果整体偏低或者偏高，则需要进行地面重新定标或者交叉定标或者根据地面站点数据重新建立训练和测试数据库，再回到第三步进行重新测试和训练，直到满足精度要求为止。
第六步，输出最终地表温度数据集。
进一步的，所述地表发射率是由地表类型确定，不管几个波段，都可以归结为地表类型，方程可以描述成：
εi＝f(ground_surface_type)。
进一步的，每个所述波段都对应一个未知数透过率，透过率主要是由大气水汽含量决定，不管几个波段，都可以归结为大气水汽含量(WVC)，方程可以描述成：
τi＝f(W)。
进一步的，所述大气水汽含量与热红外之间的亮温差异有关，方程可以描述成：
WVC＝f(ΔBT)。
进一步的，所述每个方程中都含有大气平均作用温度，但大气平均作用温度都跟近地表空气温度有关，方程可以描述成：
Ta≈A1+B1T0。
进一步的，通过互易原理，所述大气平均作用温度和星上亮温也存在一定的关系，方程可以描述成：
Ta≈A2+B2Ti。
进一步的，所述θ角度可以从卫星的观测姿态中获得。
进一步的，所述第二步中有可靠的地面站点数据和星上数据可做适当补充，构建训练和测试数据库。
进一步的，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取专家知识，建立逻辑推理规则，构建最佳反演方案；
通过仿真模型和实测数据建立训练和测试数据库，并对数据进行预处理；
影像数据几何校正，辐射校正预处理，生成格式的文件；
构建深度学习神经网络模型，利用训练数据进行训练，得到反演温度；
确定反演模型精度评价指标，将星上亮温数据和地面站点数据的各要素作为输入因子，估算地表温度，并对模型进行精度评价。
进一步的，所述地表温度反演系统包括：
专家知识模块，用于建立最佳反演模型；
数据集获取模块，用于获取仿真数据和地面站点实测数据集；
数据预处理模块，用于对获取的数据集进行预处理；
地表温度估算模块，用于构建全连接深度学习神经网络，并将得到训练和测试数据集进行训练和测试，得到反演温度；
影像反演模块，用于将对应的热红外遥感影像进行反演计算；
精度评价模块，用于确定反演模型精度评价指标，并对模型进行精度评价。
(三)有益效果
与现有技术相比，本发明提供了一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，具备以下有益效果：
该基于专家知识的地表温度反演方法，首选根据专家知识进行和相应的传感器的波段设置建立相应推理模式，对单个方程4个未知数地表温度、大气透过率、地表发射率和大气平均作用温度如何获取进行逻辑推理，确定传感器进行地表温度反演的最佳波段组合，选择最佳的地表温度反演方案；在专家知识逻辑推理基础上，利用辐射传输模型针对传感器波段构建辐射传输模拟仿真数据库，可以适当补充可靠的地面站点数据和星上数据，从而构建训练和测试数据库；构建动态学习神经网络模型；反复迭代反演地表温度；对实际反演结果进行评估，重新测试和训练，确定最佳中间层和隐含层，确定模型评价指标，直到满足精度要求为止；输出最终地表温度数据集，并对估算精度进行评价。
附图说明
图1本发明地表温度反演技术路线图；
图2本发明模拟仿真图；
图3本发明机器学习过程；
图4本发明高分辨率遥感影响反演结果；
图5本发明中分辨率遥感影响反演结果；
图6本发明低分辨率遥感影响反演结果。
具体实施方式
下面将结合本发明的实施例和附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
实验例：
一种基于专家知识的地表温度反演方法，包括以下步骤：第一步，根据相应的传感器波段设置，基于辐射传输平衡方程进行和专家知识进行分析，对单个方程4个未知数地表温度、大气透过率、地表发射率和大气平均作用温度如何获取进行逻辑推理，确定传感器进行地表温度反演的最佳波段组合，然后利用机器学习进行优化计算。专家知识推理如下：地表温度反演是基于辐射传输方程，利用地表热辐射从地表途经大气达到传感器的过程建立热平衡方程。地表不是黑体，在计算地表热辐射时需要考虑地表发射率，同时热辐射传输过程中大气对传感器接收到的能量也有贡献。考虑到这些因素，简化后反演方程可以描述成式(1)。
Bi(Ti)＝εi(θ)τi(θ)Bi(Ts)+[1-τi(θ')][1-εi(θ)]τi(θ)
Bi(Ta)+[1-τi(θ)]Bi(Ta) (1)
式中Ts是地表温度，Ti是通道i的星上亮度温度，τi(θ)是通道i在θ角时的透过率，εi(θ)是通道i在θ角时的地表发射率，Ta是向上的大气平均作用温度，Bi(Ts)是地表辐射强度。
每个方程中，有三个多余的未知数(波段的发射率，透过率和大气平均作用温度)，这是一个典型的病态问题。每个波段都对应一个未知数发射率，但发射率是由地表类型确定，因此不管几个波段，都可以归结为地表类型，如式2所示，
εi＝f(ground_surface_type) (2)。
每个波段都对应一个未知数透过率，但透过率主要是由大气水汽含量决定，因此，不管几个波段，都可以归结为大气水汽含量(WVC)，如式3所示，
τi＝f(W) (3)。
大气水汽含量与热红外之间的亮温差异有关，如式4所示，
WVC＝f(ΔBT) (4)。
每个方程中都含有大气平均作用温度，但大气平均作用温度都跟近地表空气温度有关，如式5所示，
Ta≈A1+B1T0 (5)。
通过互易原理，大气平均作用温度和星上亮温也存在一定的关系，如式6所示，
Ta≈A2+B2Ti (6)。
事实上，还有一个未知数是角度，但这个参数可以从卫星的观测姿态中获得。从上面的推理可知，如果有角度信息输入，至少需要3个输入参数。如果有大气水汽含量参数输入，只需3个热红外波段；如果没有水汽波段，至少需要4个热红外波段输入才能保证一定的精度。当然，要根据热红外波段设置的位置进行具体取舍。
第二步，根据不同的传感器波段利用辐射传输模型构建辐射传输模拟数据库，如果有可靠的地面站点数据和星上数据可做适当补充，从而构建训练和测试数据库。
2-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；
2-2)选择常见地物在影像数据不同波段的发射率分别作为输入参数；
2-3)输入所获得影像时间在所在地区温度变化范围的可能最低值，并限定最高值，模拟过程中地表温度变化；
2-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；
2-5)输入卫星传感器高度，并默认大气气溶胶、二氧化碳等其它参数；
2-6)设置波段响应函数，根据传感器数据不同的波段的波长范围执行模拟，并输出不同波段的模拟星上辐射亮度；
2-7)将每次模拟得到星上辐射亮度转换成亮度温度，并和每次模拟输入的地表温度和发射率一起建立相应的数据库。
2-8)补充地表观测站点数据和对应的星上亮温数据，建立专家知识库。
第三步，构建动态学习神经网络模型：
3-1)将第二步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；
3-2)将训练数据集中的遥感数据对应波段的星上亮度温度作为神经网络的输入节点，地表温度作为输出节点，进行训练；
3-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度；
3-4)将3-3中输出的地表温度和对应的地表温度对比。
第四步，反演地表温度：
4-1)对遥感影像数据的不同波段进行几何校正；
4-2)将遥感数据的第不同波段的星上亮度转换成星上亮度温度；
4-3)将4-2中不同波段的亮温或水汽输入到第三步训练好的神经网络中，输出地表温度；
4-4)根据影像对应的地表进行相关验证。
第五步，对实际反演结果进行评估，如果精度不在允许的误差内，基于专家知识判断分析误差来源：(1)如果精度正负起伏很大，则可能是星上定标不稳定；(2)如果整体偏低或者偏高，则需要进行地面重新定标或者交叉定标或者根据地面站点数据重新建立训练和测试数据库，再回到第三步进行重新测试和训练，直到满足精度要求为止。
地表温度是估算目标，建立逻辑推理规则：
对于单个热红外波段的传感器：透过率、发射率和大气平均作用温度必须通过先验知识获取，对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，对于发射率的获取：第一可以通过地表分类赋值得到；第二可以通过NDVI值计算得到；第三也可以通过邻近波段计算得到，对于大气平均作用温度获取：第一可以通过大气剖面温度计算得到；第二可以通过近地表空气温度计算得到。
对于两个热红外波段的传感器，根据优选原则，大气平均作用温度相对难以获取，则可以选择获取透过率和发射率解决先验知识难题：对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，对于发射率的获取：第一可以通过地表分类赋值得到；第二可以通过NDVI值计算得到；第三也可以通过邻近波段计算得到。
对于三个热红外波段的传感器，根据优选原则，则可以选择获取透过率解决先验知识难题：对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，
对于四个热红外波段以上的传感器，则可以直接估算地表温度，可以不需要先验知识。但如果能够获取水汽波段作为补充数据，则可以大大提高估算精度。
第六步，输出最终地表温度数据集。
优选的，所述地表发射率是由地表类型确定，不管几个波段，都可以归结为地表类型，方程可以描述成：
εi＝f(ground_surface_type) (2)。
优选的，每个所述波段都对应一个未知数透过率，透过率主要是由大气水汽含量决定，不管几个波段，都可以归结为大气水汽含量(WVC)，方程可以描述成：
τi＝f(W) (3)。
优选的，所述大气水汽含量与热红外之间的亮温差异有关，方程可以描述成：
WVC＝f(ΔBT) (4)。
优选的，所述每个方程中都含有大气平均作用温度，但大气平均作用温度都跟近地表空气温度有关，方程可以描述成：
Ta≈A1+B1T0 (5)。
优选的，通过互易原理，所述大气平均作用温度和星上亮温也存在一定的关系，方程可以描述成：
Ta≈A2+B2Ti (6)。
优选的，所述θ角度可以从卫星的观测姿态中获得。
优选的，所述第二步中有可靠的地面站点数据和星上数据可做适当补充，构建训练和测试数据库。
优选的，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取专家知识，建立逻辑推理规则，构建最佳反演方案；
通过仿真模型和实测数据建立训练和测试数据库，并对数据进行预处理；
影像数据几何校正，辐射校正预处理，生成格式的文件；
构建深度学习神经网络模型，利用训练数据进行训练，得到反演温度；
确定反演模型精度评价指标，将星上亮温数据和地面站点数据的各要素作为输入因子，估算地表温度，并对模型进行精度评价。
优选的，所述地表温度反演系统包括：
专家知识模块，用于建立最佳反演模型；
数据集获取模块，用于获取仿真数据和地面站点实测数据集；
数据预处理模块，用于对获取的数据集进行预处理；
地表温度估算模块，用于构建全连接深度学习神经网络，并将得到训练和测试数据集进行训练和测试，得到反演温度；
影像反演模块，用于将对应的热红外遥感影像进行反演计算；
精度评价模块，用于确定反演模型精度评价指标，并对模型进行精度评价。
选用成像于2019年6月14日，中国高分数据，2018年10月4日美国Aqua MODIS以及2019年7月1日的风云数据做了反演分析。
第一步，先进行知识和逻辑推理，确定传感器(高分，MODIS，FY)反演地表温度的最近选择，进行地表温度反演的最佳波段组合。根据辐射方程和专家知识逻辑推理：
1-1)对高分数据选择波段9,10,11和12是最合适的选择。
1-2)对于MODIS数据选择29,31,32和水汽输入最合适的选择。
1-3)对于FY数据选择11,1213和14是最合适的。
第二步，如图2所示，进行仿真模拟分析，构建各自的训练和测试数据库。
第三步，构建动态学习神经网络模型，进行机器学习，反演结果如下图。
3-1)对于高分数据，仿真结果如下。
表1高分辨率影像仿真反演结果
3-2)对于中分辨率的MODIS数据，仿真分析结果如下：
表2中分辨率影像仿真反演结果
3-3)对于低分辨率的FY数据，仿真分析结果如下：
表3低分辨率影像仿真反演结果
第四步：根据仿真结果对真实遥感数据进行反演计算，并进行验证，如果误差太大，说明遥感数据与仿真数据有差异。解决的方法有两个，第一个就是对遥感数据重新进行定标；第二个就是构建新的训练和测试数据，比如本研究中的FY和高分数据就存在比较大的偏差，主要是由于星上定标存在问题。因此为了提高反演精度，我们都补充了实际地面温度数据以及星上亮温作为训练和测试数据库的补充，反演结果如图4-6所示。
在上述实施例中，可以全部通过软件、硬件、固件或者其任意组合来实现。当使用全部以计算机程序产品的形式实现，所述计算机程序产品包括多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(如硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
本发明的有益效果是：首选根据专家知识进行和相应的传感器的波段设置建立相应推理模式，对单个方程4个未知数地表温度、大气透过率、地表发射率和大气平均作用温度如何获取进行逻辑推理，确定传感器进行地表温度反演的最佳波段组合，选择最佳的地表温度反演方案；在专家知识逻辑推理基础上，利用辐射传输模型针对传感器波段构建辐射传输模拟仿真数据库，可以适当补充可靠的地面站点数据和星上数据，从而构建训练和测试数据库；构建动态学习神经网络模型；反复迭代反演地表温度；对实际反演结果进行评估，重新测试和训练，确定最佳中间层和隐含层，确定模型评价指标，直到满足精度要求为止；输出最终地表温度数据集，并对估算精度进行评价。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，具体步骤为：
第一步、根据专家知识建立规则，针对传感器波段设置进行物理逻辑推理，选择最佳估算方案，根据相应的传感器波段设置，基于辐射传输平衡方程进行和专家知识进行分析，对单个方程4个未知数，即地表温度、大气透过率、地表发射率和大气平均作用温度如何获取进行逻辑推理，确定传感器进行地表温度反演的最佳波段组合，然后利用机器学习进行优化计算；
所述专家知识分析为：地表温度反演是基于辐射传输方程，利用地表热辐射从地表途经大气达到传感器的过程建立热平衡方程；计算所述地表热辐射时需要考虑地表发射率，同时热辐射传输过程中大气对传感器接收到的能量也有贡献，考虑到这些因素，简化后反演方程可以描述成：
Bi(Ti)＝εi(θ)τi(θ)Bi(Ts)+[1-τi(θ')][1-εi(θ)]τi(θ)Bi(Ta)+[1-τi(θ)]Bi(Ta) (1)
式中Ts是地表温度，Ti是通道i的星上亮度温度，τi(θ)是通道i在θ角时的透过率，εi(θ)是通道i在θ角时的地表发射率，Ta是向上的大气平均作用温度，Bi(Ts)是地表辐射强度，地表温度是估算目标，建立逻辑推理规则：
对于单个热红外波段的传感器：透过率、发射率和大气平均作用温度必须通过先验知识获取，对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，对于发射率的获取：第一可以通过地表分类赋值得到；第二可以通过NDVI值计算得到；第三也可以通过邻近波段计算得到，对于大气平均作用温度获取：第一可以通过大气剖面温度计算得到；第二可以通过近地表空气温度计算得到；
对于两个热红外波段的传感器，根据优选原则，大气平均作用温度相对难以获取，则可以选择获取透过率和发射率解决先验知识难题：对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到，对于发射率的获取：第一可以通过地表分类赋值得到；第二可以通过NDVI值计算得到；第三也可以通过邻近波段计算得到；
对于三个热红外波段的传感器，根据优选原则，则可以选择获取透过率解决先验知识难题：对于透过率的获取：第一可以通过传感器的近红外波段估算的大气水汽含量，并进一步建立透过率和水汽之间的关系获得；第二可以通过地面气象站点探空获得的水汽数据计算得到；第三可以通过微波估算得到；
对于四个热红外波段以上的传感器，则可以直接估算地表温度，可以不需要先验知识，但如果能够获取水汽波段作为补充数据，则可以大大提高估算精度；
第二步、基于专家知识和逻辑推理，根据不同的传感器波段利用辐射传输模型构建辐射传输模拟数据库，具体步骤为：
2-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数；
2-2)选择常见地物在影像数据不同波段的发射率分别作为输入参数；
2-3)输入所获得影像时间在所在地区温度变化范围的可能最低值，并限定最高值，模拟过程中地表温度变化；
2-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；
2-5)输入卫星传感器高度，并默认大气气溶胶、二氧化碳等其它参数；
2-6)设置波段响应函数，根据传感器数据不同的波段的波长范围执行模拟，并输出不同波段的模拟星上辐射亮度；
2-7)将每次模拟得到星上辐射亮度转换成亮度温度，并和每次模拟输入的地表温度和发射率一起建立相应的数据库；
2-8)补充地表观测站点数据和对应的星上亮温数据，建立专家知识库；
第三步、构建动态学习神经网络模型，具体步骤为：
3-1)将第二步中模拟数据库分成两组，一组为训练数据集；一组为测试数据集；
3-2)将训练数据集中的遥感数据对应波段的星上亮度温度作为神经网络的输入节点，地表温度作为输出节点，进行训练；
3-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度；
3-4)将3-3)中输出的地表温度和对应的地表温度对比；
第四步、反演地表温度，具体步骤为：
4-1)对遥感影像数据的不同波段进行几何校正；
4-2)将遥感数据的第不同波段的星上亮度转换成星上亮度温度；
4-3)将4-2)中不同波段的亮温或水汽输入到第三步训练好的神经网络中，输出地表温度；
4-4)根据影像对应的地表进行相关验证；
第五步、对实际反演结果进行评估，如果精度不在允许的误差内，基于专家知识判断分析误差来源：
5-1)如果精度正负起伏很大，则可能是星上定标不稳定；
5-2)如果整体偏低或者偏高，则需要进行地面重新定标或者交叉定标或者根据地面站点数据重新建立训练和测试数据库，再回到第三步进行重新测试和训练，直到满足精度要求为止；
第六步，输出最终地表温度数据集。
2.根据权利要求1所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，所述地表发射率是由地表类型确定，不管几个波段，都可以归结为地表类型，方程可以描述成：
εi＝f(ground_surface_type) (2)。
3.根据权利要求2所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，每个所述波段都对应一个未知数透过率，透过率主要是由大气水汽含量决定，不管几个波段，都可以归结为大气水汽含量(WVC)，方程可以描述成：
τi＝f(W) (3)。
4.根据权利要求3所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，所述大气水汽含量与热红外之间的亮温差异有关，方程可以描述成：
WVC＝f(ΔBT) (4)。
5.根据权利要求4所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，所述每个方程中都含有大气平均作用温度，但大气平均作用温度都跟近地表空气温度有关，方程可以描述成：
Ta≈A1+B1T0 (5)。
6.根据权利要求5所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，通过互易原理，所述大气平均作用温度和星上亮温也存在一定的关系，方程可以描述成：
Ta≈A2+B2Ti (6)。
7.根据权利要求6所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，所述θ角度可以从卫星的观测姿态中获得。
8.根据权利要求1所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备，其特征在于，所述第二步中有可靠的地面站点数据和星上数据可做适当补充，构建训练和测试数据库。
9.一种计算机可读存储介质，存储及设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取专家知识，建立逻辑推理规则，构建最佳反演方案；
通过仿真模型和实测数据建立训练和测试数据库，并对数据进行预处理；
影像数据几何校正，辐射校正预处理，生成格式的文件；
构建深度学习神经网络模型，利用训练数据进行训练，得到反演温度；
确定反演模型精度评价指标，将星上亮温数据和地面站点数据的各要素作为输入因子，估算地表温度，并对模型进行精度评价。
10.一种实施权利要求1～8任意一项所述的一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统，其特征在于，所述地表温度反演系统包括：
专家知识模块，用于建立最佳反演模型；
数据集获取模块，用于获取仿真数据和地面站点实测数据集；
数据预处理模块，用于对获取的数据集进行预处理；
地表温度估算模块，用于构建全连接深度学习神经网络，并将得到训练和测试数据集进行训练和测试，得到反演温度；
影像反演模块，用于将对应的热红外遥感影像进行反演计算；
精度评价模块，用于确定反演模型精度评价指标，并对模型进行精度评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110751738.1A CN113486581A (zh) | 2021-07-02 | 2021-07-02 | 一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110751738.1A CN113486581A (zh) | 2021-07-02 | 2021-07-02 | 一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486581A true CN113486581A (zh) | 2021-10-08 |
Family
ID=77940491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110751738.1A Pending CN113486581A (zh) | 2021-07-02 | 2021-07-02 | 一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486581A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417728A (zh) * | 2022-01-27 | 2022-04-29 | 中国农业科学院农业资源与农业区划研究所 | 基于温度和发射率及深度学习的近地表空气温度反演方法 |
| CN114581791A (zh) * | 2022-03-02 | 2022-06-03 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据大气水汽含量反演方法及系统 |
| CN115797797A (zh) * | 2023-02-09 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种蒸散发塔基遥感监测方法系统及存储介质 |
| CN117933095A (zh) * | 2024-03-20 | 2024-04-26 | 南京信息工程大学 | 一种基于机器学习的地表发射率实时反演及同化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| CN109446739A (zh) * | 2018-12-20 | 2019-03-08 | 中国农业科学院农业资源与农业区划研究所 | 一种地表温度多通道热红外遥感反演方法 |
| CN110879923A (zh) * | 2019-12-04 | 2020-03-13 | 北京中科技达科技有限公司 | 阴天条件下长波下行辐射估算方法、存储介质及电子设备 |
| CN113283155A (zh) * | 2021-03-22 | 2021-08-20 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
| AU2021105120A4 (en) * | 2021-08-09 | 2021-10-07 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Land surface temperature estimation method based on expert knowledge model data driving and machine learning |
| CN114417728A (zh) * | 2022-01-27 | 2022-04-29 | 中国农业科学院农业资源与农业区划研究所 | 基于温度和发射率及深度学习的近地表空气温度反演方法 |
-
2021
- 2021-07-02 CN CN202110751738.1A patent/CN113486581A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018145229A1 (zh) * | 2017-02-10 | 2018-08-16 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精确反演方法 |
| CN109446739A (zh) * | 2018-12-20 | 2019-03-08 | 中国农业科学院农业资源与农业区划研究所 | 一种地表温度多通道热红外遥感反演方法 |
| CN110879923A (zh) * | 2019-12-04 | 2020-03-13 | 北京中科技达科技有限公司 | 阴天条件下长波下行辐射估算方法、存储介质及电子设备 |
| CN113283155A (zh) * | 2021-03-22 | 2021-08-20 | 中国农业科学院农业资源与农业区划研究所 | 一种近地表气温估算方法、系统、存储介质及设备 |
| AU2021105120A4 (en) * | 2021-08-09 | 2021-10-07 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Land surface temperature estimation method based on expert knowledge model data driving and machine learning |
| CN114417728A (zh) * | 2022-01-27 | 2022-04-29 | 中国农业科学院农业资源与农业区划研究所 | 基于温度和发射率及深度学习的近地表空气温度反演方法 |
Non-Patent Citations (5)
| Title |
|---|
| HAN WANG 等: "A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning", REMOTE SENSING OF ENVIRONMENT 265 (2021) 112665, 26 August 2021 (2021-08-26), pages 1 - 19 * |
| M. SANTAMOURIS 等: "Modeling the Global Solar Radiation on the Earth’s Surface Using Atmospheric Deterministic and Intelligent Data-Driven Techniques", S A N T A M O U R I S E T A L, vol. 12, 31 October 1999 (1999-10-31), pages 3105 - 3116 * |
| 林布雷: "融合多源遥感数据的理县高位斜坡灾害早期识别与易发性评价", 中国优秀硕士学位论文全文数据库 基础科学辑, 15 April 2021 (2021-04-15), pages 011 - 107 * |
| 毛克彪 等: "基于大数据的遥感参数人工智能反演范式理论形 成与工程技术实现", 农业大数据学报, vol. 5, no. 4, 15 December 2023 (2023-12-15), pages 1 - 12 * |
| 毛克彪;唐华俊;李丽英;许丽娜;: "一个从MODIS数据同时反演地表温度和发射率的神经网络算法", 遥感信息, no. 04, 15 August 2007 (2007-08-15), pages 9 - 16 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417728A (zh) * | 2022-01-27 | 2022-04-29 | 中国农业科学院农业资源与农业区划研究所 | 基于温度和发射率及深度学习的近地表空气温度反演方法 |
| CN114581791A (zh) * | 2022-03-02 | 2022-06-03 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据大气水汽含量反演方法及系统 |
| CN115797797A (zh) * | 2023-02-09 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种蒸散发塔基遥感监测方法系统及存储介质 |
| CN117933095A (zh) * | 2024-03-20 | 2024-04-26 | 南京信息工程大学 | 一种基于机器学习的地表发射率实时反演及同化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113486581A (zh) | 一种基于知识驱动和逻辑推理的机器学习地表温度估算方法、系统、存储介质及设备 | |
| CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
| Crevoisier et al. | First year of upper tropospheric integrated content of CO 2 from IASI hyperspectral infrared observations | |
| Sobrino et al. | Single-channel and two-channel methods for land surface temperature retrieval from DAIS data and its application to the Barrax site | |
| Ye et al. | Land surface temperature estimate from Chinese Gaofen-5 satellite data using split-window algorithm | |
| AU2021105120A4 (en) | Land surface temperature estimation method based on expert knowledge model data driving and machine learning | |
| Di et al. | Enhancing the fast radiative transfer model for FengYun‐4 GIIRS by using local training profiles | |
| CN108460739A (zh) | 一种基于生成对抗网络的遥感图像薄云去除方法 | |
| Kondo et al. | Comparison of the data‐driven top‐down and bottom‐up global terrestrial CO2 exchanges: GOSAT CO2 inversion and empirical eddy flux upscaling | |
| CN101295022A (zh) | 从遥感数据aster反演地表温度和发射率的方法 | |
| Zheng et al. | The retrieved urban LST in Beijing based on TM, HJ-1B and MODIS | |
| CN114581791A (zh) | 基于modis数据大气水汽含量反演方法及系统 | |
| Sekertekin et al. | Modeling diurnal Land Surface Temperature on a local scale of an arid environment using artificial Neural Network (ANN) and time series of Landsat-8 derived spectral indexes | |
| CN101936877A (zh) | 从modis数据反演大气水汽含量方法 | |
| CN116297068B (zh) | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 | |
| Kumar et al. | A machine learning approach to estimating the error in satellite sea surface temperature retrievals | |
| Wang et al. | Airborne hyperspectral imaging of cover crops through radiative transfer process-guided machine learning | |
| CN113553766A (zh) | 一种使用机器学习反演北极积雪深度的方法 | |
| Liu et al. | Hyperspectral infrared sounder cloud detection using deep neural network model | |
| Coopmann et al. | Analysis of MTG‐IRS observations and general channel selection for numerical weather prediction models | |
| Merchant et al. | Bias correction and covariance parameters for optimal estimation by exploiting matched in-situ references | |
| Shi et al. | Synergy of MODIS and AATSR for better retrieval of aerosol optical depth and land surface directional reflectance | |
| Wan et al. | Accuracy Evaluation and Parameter Analysis of Land Surface Temperature Inversion Algorithm for Landsat‐8 Data | |
| Zhao et al. | Land surface temperature retrieval from AMSR-E passive microwave data | |
| Boukabara et al. | Community global observing system simulation experiment (OSSE) package (CGOP): perfect observations simulation validation |
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 |