CN113743000A - 一种生成高时间分辨率全天候地表温度的方法 - Google Patents

一种生成高时间分辨率全天候地表温度的方法 Download PDF

Info

Publication number
CN113743000A
CN113743000A CN202110929875.XA CN202110929875A CN113743000A CN 113743000 A CN113743000 A CN 113743000A CN 202110929875 A CN202110929875 A CN 202110929875A CN 113743000 A CN113743000 A CN 113743000A
Authority
CN
China
Prior art keywords
surface temperature
normal
component
normal component
clear sky
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
CN202110929875.XA
Other languages
English (en)
Other versions
CN113743000B (zh
Inventor
周纪
丁利荣
张旭
马晋
孟令宣
唐文彬
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110929875.XA priority Critical patent/CN113743000B/zh
Publication of CN113743000A publication Critical patent/CN113743000A/zh
Application granted granted Critical
Publication of CN113743000B publication Critical patent/CN113743000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06F2119/12—Timing analysis or timing optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种生成高时间分辨率全天候地表温度的方法，属于热红外遥感地表温度技术领域。本发明将地表温度时间分解模型简化为常态分量和非常态分量，其中常态分量从时间维度上去拟合地表温度在一年中的规律变化，而非常态分量则从空间维度上去考虑多种影响因子对地表温度异常波动影响。利用地表温度年循环模型得到初始常态分量后，利用移动窗口卷积和地表温度日循环模型，在空间和时间维度上对常态分量进行校正；将校正后的常态分量与热红外遥感地表温度作差，得到晴空像元的非常态分量，利用机器学习模型去映射非常态分量与影响因子之间的相关关系，获取全天候非常态分量；最后将常态分量与非常态分量叠加，得到全天候地表温度。

Description

一种生成高时间分辨率全天候地表温度的方法
技术领域
本发明属于热红外遥感地表温度技术领域，具体涉及一种生成高时间分辨率全天候地表温度的方法。
背景技术
热红外遥感地表温度虽然在反演理论方法和科学数据产品等方面已较为成熟，但热红外难以穿透云雾的特点导致反演得到的地表温度在云下有大量缺失；被动微波遥感虽能获取云下地表温度，但由于物理机制和成像方式的限制，存在空间分辨率不足、精度较低、有较大轨道间隙等问题。通过卫星单源遥感难以直接获取中空间分辨率、不受云雾影响的全天候地表温度，如何获取全天候地表温度对促进相关研究具有十分重要的意义。多源数据集成是获取全天候地表温度的基本途径之一，多源数据集成可分为热红外与被动微波遥感集成、热红外与再分析资料集成两类。多源数据集成可以整合热红外遥感、被动微波遥感、再分析资料各自的优势，具有较大的研究价值和潜力。先前的多源数据集成获取卫星热红外遥感全天候地表温度都是基于热红外与被动微波遥感集成这种方式，这些方法都仅适用于极轨卫星热红外遥感全天候地表温度获取。热红外与再分析资料集成获取全天候地表温度的方法较少，仅有的少量方法也不适用于静止轨道卫星热红外全天候地表温度数据的获取，针对静止轨道卫星的高时间分辨率全天候地表温度获取目前唯一的方法是基于能量平衡进行插值。
当前，现有的基于多源数据集成的全天候地表温度生成方法不适用于静止轨道卫星全天候地表温度获取的原因如下：
(1)被动微波传感器基本都搭载于极轨卫星上，而静止轨道卫星上的热红外传感器具有较高时间分辨率，这使得二者在观测时间上存在较大差异。这种时间差异是先前的方法中没有考虑到的，因此现有的热红外与被动集成方法难以完成静止轨道卫星热红外与极轨卫星被动微波的协同与集成，无法将基于极轨卫星的多源遥感集方法成移植到静止轨道卫星全天候地表温度的获取中。
(2)热红外与再分析资料(Reanalysis Data，对观测资料(包括地面观测、卫星，还有雷达、探空、浮标、飞机、船舶等)进行质量控制，然后再同化入全球模式后所获得的资料)集成获取全天候地表温度都是基于极轨卫星地表温度产品，这些遥感温度产品时间分辨率低，而静止轨道卫星遥感地表温度产品具有高时间分辨率特性，每个时刻的地表温度缺失情况差别较大，这是先前的方法没有考虑到的。因此，基于仅有的少量热红外与再分资料集成方法并不适用于静止轨道卫星高时间分辨率全天候遥感地表温度的获取。
(3)针对静止轨道卫星的全天候地表温度获取方法是基于能量平衡方程通过插值获取的，该方法依在获取云下像元理想状态地表温度时是基于晴空有效地表温度观测通过时空插值获取的，因此当云下像元处于较大的时空空白窗口时，该方法就难以应用。此外获取云下地表温度差异时，依赖于地表短波净辐射的准确获取，而短波净辐射的获取本身就是一个难题。因此该方法在实际应用中面临着诸多限制。
发明内容
本发明要解决的技术问题是，利用再分析资料的时空连续特性和地表温度时间分解理论，将地表温度分解为常态分量和非常态分量，实现基于静止轨道卫星热红外地表温度的高时间分辨率全天候地表温度获取。
本发明公开的生成高时间分辨率全天候地表温度的方法，包括下列步骤：
步骤1：对地表温度的常态分量模型进行拟合，获取全天候地表温度的常态分量的初始值；
所述地表温度的常态分量模型为：基于静止轨道卫星热红外遥感地表温度逐时、逐像元晴空时间序列数据，拟合晴空常态分量模型；再从对应时刻的再分析资料地表温度数据，提取出对应时刻及对应像元的非晴空地表温度时间序列，拟合非晴空常态分量模型；将晴空常态分量模型与非晴空常态分量模型进行加权平均，得到地表温度的常态分量模型；
步骤2：对常态分量的初始值进行空间维度和时间维度的异常校正处理，得到优化常态分量：
采用移动窗口卷积的方式对空间维度的异常点进行检测，并对满足条件的异常点进行校正，得到空间异常校正处理后的常态分量；
基于空间异常校正处理后的常态分量，对每一天中各个时刻的常态分量预测模型进行拟合，获取日内常态分量预测值；若同一像元的日内常态分量预测值与空间异常校正处理后的常态分量之间的偏差大于或等于指定的时间维度检测阈值，则将当前像元的优化常态分量置为其日内常态分量预测值；否则，当前像元的优化常态分量为空间异常校正处理后的常态分量；
步骤3：采用机器学习的方式估算地表温度的非常态分量；
其中，机器学习的训练数据为：将优化常态分量与静止轨道卫星热红外遥感地表温度作差，得到晴空像元的非常态分量，并基于晴空像元的指定描述因子构建非常态特征向量，将每个晴空像元的非常态分量和非常态特征向量作为一个训练样本；
步骤4：将非常态分量和优化常态分量叠加，得到全天候地表温度。
进一步的，步骤2中，采用移动窗口卷积的方式对空间维度的异常点进行检测，并对满足条件的异常点进行校正，得到空间异常校正处理后的常态分量为：
定义(x0,y0)表示窗口中心点，i,j分别为移动窗口的行列号，(xi,yj)表示移动窗口的像元位置；
根据公式
Figure BDA0003210124100000031
计算每一次移动窗口的常态分量差异，若TNC-diff(x0,y0)大于或等于指定的空间维度检测阈值，则将窗口中心点所对应的像元作为空间异常点；对每个空间异常点，将其空间异常校正处理后的常态分量设置为
Figure BDA0003210124100000032
其中，TNC(xi,yj)、TNC(x0,y0)分别表示像元位置(xi,yj)和(x0,y0)的常态分量的初始值，mean()表示均值运算；对每个非空间异常点的像元，其空间异常校正处理后的常态分量为其初始值。
进一步的，步骤1中，
晴空常态分量模型为：
Figure BDA0003210124100000033
非晴空常态分量模型为：
Figure BDA0003210124100000034
其中，td-clr和td-cld分别表示晴空和非晴空在一年中的天数次序，t为一天中的时刻，TNC-clr(td-clr,t)和TNC-cld(td-cld,t)分别表示晴空和非晴空的常态分量，TNC-clr-avg和TNC-cld-avg分别表示晴空和非晴空的地表温度的常态分量的年内均值，ANC-clr和ANC-cld分别表示晴空和非晴空条件下拟合的地表温度的常态分量的振幅，，
Figure BDA0003210124100000035
分别表示晴空和非晴空的年初始相位。
进一步的，步骤1中，所述地表温度的常态分量模型为晴空常态分量模型与非晴空常态分量模型的加权和，且晴空常态分量模型的权重为一年中晴空天数在全年总天数的占比wclr，非晴空常态分量模型的权重为1-wclr。
进一步的，步骤1中，获取全天候地表温度的常态分量的初始值还包括：若一年中晴空天数与在全年总天数的占比大于或等于晴空占比阈值，则直接基于晴空常态分量模型的值设置常态分量的初始值；若一年中非晴空天数与在全年总天数的占比大于或等于非晴空占比阈值，则直接基于非晴空常态分量模型的值设置常态分量的初始值。
进一步的，步骤2中，每一天中各个时刻的常态分量预测模型为：
Figure BDA0003210124100000041
其中，TNC-DTC(td,t)表示日内常态分量预测值，td为一年中天数次序，t为一天中的时刻，TNC-td(td)表示常态分量日出时的值，ANC(td)表示常态分量的日内振幅，ωNC-d表示日角频率，
Figure BDA0003210124100000042
表示日初始相位，且TNC-td(td)、ANC(td)和
Figure BDA0003210124100000043
为常态分量预测模型的待拟合系数。
进一步的，步骤3中，所述非常态特征向量包括：地形描述因子、地表空间描述因子、大气状况描述因子和气象因素描述因子。
本发明提供的技术方案至少带来如下有益效果：
本发明利用地表温度年循环模型得到初始常态分量后，利用移动窗口卷积和地表温度日循环模型，在空间和时间维度上对常态分量进行校正；将校正后的常态分量与热红外遥感地表温度作差，得到晴空像元的非常态分量，利用机器学习模型去映射非常态分量与影响因子之间的相关关系，并将该关系用于非晴空像元，获取全天候非常态分量；最后将常态分量与非常态分量叠加，得到全天候地表温度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的生成高时间分辨率全天候地表温度的方法的处理过程示意图；
图2是FY4A地表温度与基于本发明实施例提供的方法所获取的全天候地表温度对比结果，其中，(2-a)和(2-c)分别是FY4A地表温度在2020年第1天和第245天0：00(UTC)时刻的图像，(2-b)和(2-d)分别是基于本发明实施例提供的方法所重构的全天候地表温度在2020年第1天和第245天0：00(UTC)时刻的图像；
图3是基于实测数据的全天候地表温度的验证结果，其中，左图为站点所在像元晴空条件下FY4A地表温度与重构的晴空地表温度对比示意图，右图是基于站点实测地表温度的全天候地表温度验证结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
针对现有的全天候地表温度生成方法多是针对极轨卫星，没有考虑静止轨道卫星的高时间分辨率特性和观测时间较为固定特性，没有充分挖掘静止轨道卫星高时间分辨率对年尺度分量的约束情况。本发明实施例在考虑了静止轨道卫星观测时间的稳定性后，将地表温度时间分解模型简化为常态分量(Normal Component,NC)和非常态分量(AbnormalComponent,AC)，其中常态分量从时间维度上去拟合地表温度在一年中的规律变化，而非常态分量则从空间维度上去考虑多种影响因子对地表温度异常波动影响。利用地表温度年循环模型得到初始常态分量后，利用移动窗口卷积和地表温度日循环模型，在空间和时间维度上对常态分量进行校正；将校正后的常态分量与热红外遥感地表温度作差，得到晴空像元的非常态分量，利用机器学习模型去映射非常态分量与影响因子之间的相关关系，并将该关系用于非晴空像元，获取全天候非常态分量；最后将常态分量与非常态分量叠加，得到全天候地表温度。
参见图1，本发明实施例提供的生成高时间分辨率全天候地表温度的方法包括下列步骤：
步骤S1：基于地表温度年内循环模型的常态分量拟合。首先，利用静止轨道卫星热红外遥感地表温度逐时、逐像元晴空时间序列数据，拟合晴空常态分量模型；再从对应时刻的再分析资料地表温度数据，提取出对应时刻及对应像元的非晴空地表温度时间序列，用以拟合非晴空常态分量模型。然后将晴空常态分量模型与非晴空常态分量模型进行加权平均，得到最终的全天候常态分量拟合模型，以获取全天候地表温度NC初始值。
其中，常态分量拟合模型如下式所示：
Figure BDA0003210124100000051
式中，TNC(td,t)表示第td天的t时刻的常态分量，即td为一年中天数次序，t为一天中的时刻(如地方太阳时)，TNC-avg为地表温度NC的年内均值，ANC为NC的振幅，ωNC为年角频率，数值上等于2π/365或2π/366，单位为rad·day-1，
Figure BDA0003210124100000052
为年初始相位。
将晴空遥感地表温度时间序列和非晴空再分析资料地表温度时间序列带入上式分别拟合，则有下式：
Figure BDA0003210124100000053
式中，td-clr和td-cld分别为晴空和非晴空在一年中的天数次序。即TNC-clr(td-clr,t)、TNC-cld(td-cld,t)分别表示晴空和非晴空的常态分量，TNC-clr-avg、TNC-cld-avg分别表示晴空和非晴空的地表温度NC的年内均值，ANC-clr、ANC-cld分别表示分别表示晴空和非晴空条件下拟合的NC的振幅，
Figure BDA0003210124100000054
Figure BDA0003210124100000061
分别表示晴空和非晴空的年初始相位。因常态分量是地表温度在理想情况下的表现，因此将常态分量与非晴空常态分量进一步加权得到理想情况下的全天候常态分量，全天候常态分量可以用式(3)表示：
TNC(td,t)＝wclrTNC-clr(td,t)+(1-wclr)TNC-cld(td,t) (3)
式中，wclr为一年中晴空天数占全年总天数的比例。
部分像元晴空(非晴空)比例占比极高，此时非晴空(晴空)地表温度时间序列数据较少，难以满足拟合NC所要求的数据量和数据分布态势，因而也可以采用公式(4)来表征此时的全天候常态分量：
Figure BDA0003210124100000062
式中numclr和numcld分别为一年中晴空和非晴空的天数数量，即当某个象元(某一天的某个时刻)晴空和非晴空占比达到指定占比阈值时，直接采用高占比的对象(晴空非晴空)的NC进行表征，以减少不必要的计算处理。
步骤S2：基于空间卷积和地表温度日循环模型的NC矫正。
由于步骤S1获得的全天候NC由于数据质量不稳定，晴空和非晴空地表温度时间序列分布不均匀、热红外地表温度与再分析资料地表温度存在较大差异等一系列问题，部分像元和区域存在不同程度的异常。在部分区域，存在少量像元的NC与周边像元有较大差异，出现了NC异常点。为了检测并消除这些空间上的NC异常，一个移动窗口检测模板被提出，用以检测并消除这些空间上的NC异常。其移动窗口检测模板如式(4)所示：
Figure BDA0003210124100000063
式中，TNC-diff(x0,y0)表示采用滑窗方式(移动窗口检测校正)所获取的NC差异，即TNC-diff(x0,y0)表示当前窗口的差异，TNC(x0,y0)表示窗口中心点的NC(步骤S1所获得的NC的初始值TNC(td,t))，(x0,y0)为移动窗口中心像元，i,j分别为移动窗口的行列号，(xi,yj)为移动窗口像元位置，TNC(xi,yj)表示窗口内的各像元的NC，mean()表示均值运算，thr1为第一NC差异阈值，
Figure BDA0003210124100000064
表示NC的第一校正值。
即，对于步骤S1所获得的全天候地表温度NC初始值所构成的地表温度图像进行滑窗处理，按照公式(5)获取每次滑窗时的NC差异TNC-diff(x0,y0)，若该差异大于指定的阈值，则对窗口中心点的NC进行第一校正处理，即移动窗口检测校正，得到第一校正值
Figure BDA0003210124100000071
在一种可能的实现方式中，可将窗口中心像元的行列号标记0，即中心像元的位置坐标记为(0,0)，对于尺寸为(2K+1)×(2K+1)的移动窗口，则TNC-diff(x0,y0)可以进一步表示为：
Figure BDA0003210124100000072
其中，K≥1，且
Figure BDA0003210124100000073
移动窗口检测校正可以检测并修正单像元或小面积NC异常，当一天中某一时刻出现大面积NC异常时，移动窗口检测模板难以完成NC异常矫正。此时，需要利用基于静止卫星得到的NC的高时间分辨率特性，基于地表温度日内循环模型，从时间尺度上完成NC在某一时刻的大面积异常矫正，其矫正原理如下所示：
Figure BDA0003210124100000074
式中，TNC-DTC(td,t)表示NC在日内变化的预测值，TNC-td(td)表示NC日出时的值，即第td天的日出时刻的NC的值，ANC(td)表示NC的日内振幅，ωNC-d表示日角频率，且在数值上在白天和夜间分别等于2π/24和2π/60单位为rad·h-1，
Figure BDA0003210124100000075
为日初始相位；T′NC-diff(td,t)为NC日内预测与年内预测差异；thr2为第二NC差异阈值。
将经第一校正处理后的各NC值表示为T′NC(td,t)，再将T′NC(td,t)带入(6)式的(a)中，对模型的待拟合系数TNC-td(td)、ANC(td)、
Figure BDA0003210124100000076
进行拟合，从而得到NC的日预测值TNC-DTC(td,t)的计算模型；
然后，根据公式(a)所给出的计算模型，计算第td天的t时刻的常态分量预测值TNC-DTC(td,t)，再根据公式(b)计算得到NC日内预测值和年内预测(第一校正处理后NC值T′NC(td,t))之间的差异T′NC-diff(td,t)；
最后，基于该差异值进行第二校正处理，若T′NC-diff(td,t)大于指定的阈值thr2，则将其更新为当前计算得到的预测值TNC-DTC(td,t)，否则，保持不变，为T′NC(td,t)，从而得到第二校正处理后的各NC值，记为T″NC(td,t)。
步骤S3：非常态分量AC估算。
利用机器学习算法(包括但不限于随机森林、lightGBM、神经网络、卷积神经网络等多种算法)对AC和其影响因子之间关系进行映射，为了方便描述，本实施例中，以随机森林为例进行描述。将静止轨道卫星热红外地表温度与步骤S2得到的优化NC(T″NC(td,t))作差得到晴空像元对应的AC，然后用随机森林来映射AC和相关因子之间的关系，并将此关系用于全天候AC的生成。
其中，涉及到的相关因子包括但不限于：地形描述因子、地表空间描述因子、大气状况描述因子、气象因素描述因子。
即基于指定的描述因子构成输入机器学习模型的AC特征向量，再将步骤S2中静止轨道卫星热红外地表温度与步骤S2得到的优化NC(T″NC(td,t))作差得到晴空像元对应的AC，并基于每个晴空像元所对应的AC特征向量，对所采用的机器学习模型进行参数训练，即以得到的晴空像元的AC作为训练样本的标签，每个晴空像元的输入特征向量作为训练样本的向量表示，对所采用的机器学习模型进行参数训练，当满足预设的训练结束条件时，得到训练好的机器学习模型。
进而基于该训练好的机器学习模型，获取任意目标像元的全天候AC，即将目标像元(第td天的t时刻)AC特征向量输入该机器学习模型，基于其输出得到对应的AC值，记为TAC(td,t)。
在一种可能的实现方式中，设置各描述因子具体为：
地形描述因子：纬度、经度、高程；
地表空间描述因子：归一化植被指数、叶面积指数、地表反照率；
大气状况描述因子：压强、湿度；
气象因素描述因子：近地面气温、风速。
对应于所采用的机器学习模型为随机森林的情况，则对应的晴空映射关系可被简单表达为如下形式：
TAC-clr(td,t)＝RF(latclr,lonclr,DEMclr,NDVIclr,Ta-clr,LAIclr,qclr,pclr,αclr,Winclr)+ε (7)
式中，TAC-clr(td,t)表示晴空像元的AC，RF()表示映射关系，即机器学习模型的映射关系，latclr、lonclr、DEMclr、NDVIclr、Ta-clr、LAIclr、qclr、pclr、αclr、以及WinclrWin分别表示晴空像元的纬度、经度、高程、归一化植被指数、近地面气温、叶面积指数、湿度、压强、地表反照率、风速，ε为残差，当采用的映射因子对AC响应足够时，在一定水平上可以忽略该残差。则任意目标像元M的全天候AC为：
TAC(td,t)＝RF(lat,lon,DEM,NDVI,Ta,LAI,q,p,α,Win) (8)
其中，lat,lon,DEM,NDVI,Ta,LAI,q,p,α,Win分别像元的纬度、经度、高程、归一化植被指数、近地面气温、叶面积指数、湿度、压强、地表反照率、风速，
步骤S4：全天候地表温度估算。
将步骤S2和S3获得的T″NC(td,t)与TAC(td,t)叠加，获得重构的高时间分辨率全天候地表温度。
Ts-AW(td,t)＝T″NC(td,t)+TAC(td,t) (9)
式中，Ts-AW(td,t)为重构后的全天候地表温度。
实施例
参见图2至图3，本实施例中，选取的数据主要包括中国风云4号A星(FY4A)，中国陆面同化系统(CLDAS)生产的再分析资料，主要参数包括地表温度、风、温、湿、压等参数，以及其他地表温度非常态分量影响因子，主要包括经度、纬度、高程、地表反照率、归一化植被指数、叶面积指数等。将上述数据进行预处理，统一时空分辨率，并进行时空匹配。其具体实现过程可以被分为以下四步。
(1)NC估算模型拟合与NC初始值估算。
从FY4A热红外地表温度数据中获取逐时逐像元一年中晴空地表温度时间序列，用以拟合式(2)的式(a)中相关参数。然后从纠正后的CLDAS地表温度数据中获取逐时逐像元一年中非晴空地表温度时间序列，用以拟合式(2)的式(b)中相关参数。基于拟合得到的式(2)，按照式(3)和(4)估算全天候NC初值。
(2)全天候常态分量初始值优化。
步骤(1)得到的全天候NC在部分像元存在异常，此外在部分基础数据不确定性较大的时刻存在大面积异常，在进一步估算AC之前，需要对这些NC异常进行校正。首先利用式(5)所示的移动窗口空间检测模板对NC进行空间异常校正，在本实施例中，空间异常校正过程中使用的移动窗口尺寸为5×5像元，像元分辨率为0.04°。对于不同分辨率的数据，可以选择不同尺寸的窗口。
完成基于移动窗口检测模板的NC空间异常校正后，全天候NC在部分时刻存在异常，为了利用静止轨道卫星遥感数据的高时间分辨率特性，使用其他时刻的正常NC来约束少数时刻的异常NC，进一步基于式(6)完成时间维度的NC差异校正。首先基于式(6)的(a)，利用空间校正完成后的NC拟合式中各项系数。基于该系数拟合结果得到像元一天中各个时刻的NC预测值，然后根据公式(6)的(b)和(c)完成NC在时间维度上的校正。
(3)全天候非常态分量预测模型训练与估算。
将静止轨道卫星热红外晴空地表温度与步骤(2)对应的优化NC(两次校正后的NC)作差，获取晴空像元非常分量AC。然后根据式(7)，利用机器学习算法(本实施例中采用随机森林)去映射晴空AC与对应影响因子(本实施例中主要采用因子有纬度、经度、高程、归一化植被指数、近地面气温、叶面积指数、湿度、压强、地表反照率、风速)之间的关系，最后基于训练得到机器学习模型获取全天候AC。
(4)高时间分辨率全天候地表温度估算。
叠加步骤(2)的全天候NC优化值和步骤(3)估算得到的全天候AC，获得重构的高时间分辨率全天候地表温度，如图2、3所示。
综上，本发明实施例所提供的方法可以利用再分资料实现高时间分辨率静止轨道卫星热红地表温度缺失值重构；其从信息分解的角度将地表温度分解为常态分量和分常态分量，可以利用高时间分辨率特性对重构值进行约束；本发明实施例所提供的方法具有物理意义明确、云下地表温度重构精度高等特点。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (8)

1.一种生成高时间分辨率全天候地表温度的方法，其特征在于，包括下列步骤：
步骤1：对地表温度的常态分量模型进行拟合，获取全天候地表温度的常态分量的初始值；
所述地表温度的常态分量模型为：基于静止轨道卫星热红外遥感地表温度逐时、逐像元晴空时间序列数据，拟合晴空常态分量模型；再从对应时刻的再分析资料地表温度数据，提取出对应时刻及对应像元的非晴空地表温度时间序列，拟合非晴空常态分量模型；将晴空常态分量模型与非晴空常态分量模型进行加权平均，得到地表温度的常态分量模型；
步骤2：对常态分量的初始值进行空间维度和时间维度的异常校正处理，得到优化常态分量：
采用移动窗口卷积的方式对空间维度的异常点进行检测，并对满足条件的异常点进行校正，得到空间异常校正处理后的常态分量；
基于空间异常校正处理后的常态分量，对每一天中各个时刻的常态分量预测模型进行拟合，获取日内常态分量预测值；若同一像元的日内常态分量预测值与空间异常校正处理后的常态分量之间的偏差大于或等于指定的时间维度检测阈值，则将当前像元的优化常态分量置为其日内常态分量预测值；否则，当前像元的优化常态分量为空间异常校正处理后的常态分量；
步骤3：采用机器学习的方式估算地表温度的非常态分量；
其中，机器学习的训练数据为：将静止轨道卫星热红外遥感地表温度与优化常态分量作差，得到晴空像元的非常态分量，并基于晴空像元的指定描述因子构建非常态特征向量，将每个晴空像元的非常态分量和非常态特征向量作为一个训练样本；
步骤4：将非常态分量和优化常态分量叠加，得到全天候地表温度。
2.如权利要求1所述的方法，其特征在于，步骤2中，采用移动窗口卷积的方式对空间维度的异常点进行检测，并对满足条件的异常点进行校正，得到空间异常校正处理后的常态分量为：
定义(x0,y0)表示窗口中心点，i,j分别为移动窗口的行列号，(xi,yj)表示移动窗口的像元位置；
根据公式
Figure FDA0003210124090000011
计算每一次移动窗口的常态分量差异，若TNC-diff(x0,y0)大于或等于指定的空间维度检测阈值，则将窗口中心点所对应的像元作为空间异常点；对每个空间异常点，将其空间异常校正处理后的常态分量设置为
Figure FDA0003210124090000021
其中，TNC(xi,yj)、TNC(x0,y0)分别表示像元位置(xi,yj)和(x0,y0)的常态分量的初始值，mean()表示均值运算；对每个非空间异常点的像元，其空间异常校正处理后的常态分量为其初始值。
3.如权利要求1所述的方法，其特征在于，步骤1中，
晴空常态分量模型为：
Figure FDA0003210124090000022
非晴空常态分量模型为：
Figure FDA0003210124090000023
其中，td-clr和td-cld分别表示晴空和非晴空在一年中的天数次序，t为一天中的时刻，TNC-clr(td-clr,t)和TNC-cld(td-cld,t)分别表示晴空和非晴空的常态分量，TNC-clr-avg和TNC-cld-avg分别表示晴空和非晴空的地表温度的常态分量的年内均值，ANC-clr和ANC-cld分别表示晴空和非晴空条件下拟合的地表温度的常态分量的振幅，
Figure FDA0003210124090000024
分别表示晴空和非晴空的年初始相位。
4.如权利要求1至3任一项所述的方法，其特征在于，步骤1中，所述地表温度的常态分量模型为晴空常态分量模型与非晴空常态分量模型的加权和，且晴空常态分量模型的权重为一年中晴空天数在全年总天数的占比wclr，非晴空常态分量模型的权重为1-wclr。
5.如权利要求1所述的方法，其特征在于，步骤1中，获取全天候地表温度的常态分量的初始值还包括：若一年中晴空天数与在全年总天数的占比大于或等于晴空占比阈值，则直接基于晴空常态分量模型的值设置常态分量的初始值；若一年中非晴空天数与在全年总天数的占比大于或等于非晴空占比阈值，则直接基于非晴空常态分量模型的值设置常态分量的初始值。
6.如权利要求1所述的方法，其特征在于，步骤2中，每一天中各个时刻的常态分量预测模型为：
Figure FDA0003210124090000025
其中，TNC-DTC(td,t)表示日内常态分量预测值，td为一年中天数次序，t为一天中的时刻，TNC-td(td)表示常态分量日出时的值，ANC(td)表示常态分量的日内振幅，ωNC-d表示日角频率，
Figure FDA0003210124090000027
表示日初始相位，且TNC-td(td)、ANC(td)和
Figure FDA0003210124090000026
为常态分量预测模型的待拟合系数。
7.如权利要求1所述的方法，其特征在于，步骤3中，所述非常态特征向量包括：地形描述因子、地表空间描述因子、大气状况描述因子和气象因素描述因子。
8.如权利要求7所述的方法，其特征在于，各描述因子具体为：
地形描述因子：纬度、经度、高程；
地表空间描述因子：归一化植被指数、叶面积指数、地表反照率；
大气状况描述因子：压强、湿度；
气象因素描述因子：近地面气温、风速。
CN202110929875.XA 2021-08-13 2021-08-13 一种生成高时间分辨率全天候地表温度的方法 Active CN113743000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110929875.XA CN113743000B (zh) 2021-08-13 2021-08-13 一种生成高时间分辨率全天候地表温度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110929875.XA CN113743000B (zh) 2021-08-13 2021-08-13 一种生成高时间分辨率全天候地表温度的方法

Publications (2)

Publication Number Publication Date
CN113743000A true CN113743000A (zh) 2021-12-03
CN113743000B CN113743000B (zh) 2023-04-18

Family

ID=78731020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110929875.XA Active CN113743000B (zh) 2021-08-13 2021-08-13 一种生成高时间分辨率全天候地表温度的方法

Country Status (1)

Country Link
CN (1) CN113743000B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180068416A1 (en) * 2016-09-03 2018-03-08 Microsoft Technology Licensing, Llc Generating real-time sensor maps from videos and in-ground sensor data
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN110516816A (zh) * 2019-08-30 2019-11-29 中国科学院、水利部成都山地灾害与环境研究所 基于机器学习的全天候地表温度生成方法及装置
CN111982294A (zh) * 2020-07-21 2020-11-24 电子科技大学 集成热红外与再分析资料的全天候地表温度生成方法
CN112200349A (zh) * 2020-09-16 2021-01-08 平衡机器科技(深圳)有限公司 一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法
CN112487346A (zh) * 2020-10-26 2021-03-12 中国农业科学院农业资源与农业区划研究所 一种山地地表温度遥感反演方法
CN113158570A (zh) * 2021-04-26 2021-07-23 电子科技大学 一种融合多源卫星遥感的全天候地表温度近实时反演方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180068416A1 (en) * 2016-09-03 2018-03-08 Microsoft Technology Licensing, Llc Generating real-time sensor maps from videos and in-ground sensor data
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN110516816A (zh) * 2019-08-30 2019-11-29 中国科学院、水利部成都山地灾害与环境研究所 基于机器学习的全天候地表温度生成方法及装置
CN111982294A (zh) * 2020-07-21 2020-11-24 电子科技大学 集成热红外与再分析资料的全天候地表温度生成方法
CN112200349A (zh) * 2020-09-16 2021-01-08 平衡机器科技(深圳)有限公司 一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法
CN112487346A (zh) * 2020-10-26 2021-03-12 中国农业科学院农业资源与农业区划研究所 一种山地地表温度遥感反演方法
CN113158570A (zh) * 2021-04-26 2021-07-23 电子科技大学 一种融合多源卫星遥感的全天候地表温度近实时反演方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HIMIKA等: "Global Land Temperature Prediction by Machine Learning Combo Approach" *
王雨生: "基于多源遥感数据的高时空分辨率地表温度产品生成方法研究" *
马晋: "长时序地表温度遥感反演与真实性检验方法研究" *

Also Published As

Publication number Publication date
CN113743000B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Wang et al. A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning
CN108896188B (zh) 一种共口径高轨遥感卫星红外通道大气校正方法
CN111652404B (zh) 一种全天气地表温度反演方法和系统
CN105184076A (zh) 一种遥感地表温度数据的时空一体化融合方法
CN116486931B (zh) 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统
CN115422703B (zh) 一种基于MODIS数据和Transformer网络的地表热红外发射率反演方法
CN112052589B (zh) 基于modis逐日积雪产品的积雪覆盖比例的估算方法和装置
CN107341513A (zh) 基于稳健的固定阶数滤波模型的多源海洋表面温度遥感产品融合方法
CN103983360A (zh) 一种基于hj-1b irs卫星数据反演lst的方法
Liu et al. Bi-LSTM model for time series leaf area index estimation using multiple satellite products
CN113743000B (zh) 一种生成高时间分辨率全天候地表温度的方法
CN113378476A (zh) 一种全球250米分辨率时空连续的叶面积指数卫星产品生成方法
CN114169215A (zh) 一种耦合遥感与区域气象模式的地表温度反演方法
Chen et al. A performance evaluation of remotely sensed sea surface salinity products in combination with other surface measurements in reconstructing three-dimensional salinity fields
CN115630308A (zh) 一种降尺度和融合联合的地表温度时空分辨率增强方法
Jo et al. Chlorophyll concentration derived from microwave remote sensing measurements using artificial neural network algorithm
Sathianarayanan et al. Spatial downscaling of Gpm imerg v06 gridded precipitation using machine learning algorithms
CN116385892A (zh) 基于目标上下文卷积神经网络的数字高程模型提取方法
Liu et al. Geolocation error estimation and correction on long-term MWRI data
CN115201823A (zh) 一种利用BDS-InSAR数据融合的地表形变监测方法
Campbell et al. A self-supervised learning based approach to analyze Martian water–ice cloud properties for planetary atmospheric applications
Cheng et al. Reconstructing Modis LST Products Over Tibetan Plateau based on Random Forest
Lv et al. Validation of Global Gridded Aerosol Models in Inland/Coastal Water Atmospheric Correction for MODIS, VIIRS and Landsat
Liu et al. Construction and Validation of a Dawn and Dusk Land Surface Temperature Using MERSI-LL FY-3E
CN117371316B (zh) 基于深度学习的静止卫星太阳短波辐射反演方法及可读存储介质

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