CN115015147A - 一种高空间分辨率高光谱热红外遥感影像模拟方法 - Google Patents
一种高空间分辨率高光谱热红外遥感影像模拟方法 Download PDFInfo
- Publication number
- CN115015147A CN115015147A CN202210419706.6A CN202210419706A CN115015147A CN 115015147 A CN115015147 A CN 115015147A CN 202210419706 A CN202210419706 A CN 202210419706A CN 115015147 A CN115015147 A CN 115015147A
- Authority
- CN
- China
- Prior art keywords
- thermal infrared
- remote sensing
- image
- emissivity
- resolution
- 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 32
- 238000004088 simulation Methods 0.000 title claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 59
- 230000003287 optical effect Effects 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 230000005855 radiation Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000002310 reflectometry Methods 0.000 claims description 43
- 238000005316 response function Methods 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002834 transmittance Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- YGULWPYYGQCFMP-CEAXSRTFSA-N Metoprolol tartrate Chemical compound OC(=O)[C@H](O)[C@@H](O)C(O)=O.COCCC1=CC=C(OCC(O)CNC(C)C)C=C1.COCCC1=CC=C(OCC(O)CNC(C)C)C=C1 YGULWPYYGQCFMP-CEAXSRTFSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种高空间分辨率高光谱热红外遥感影像模拟方法,所述方法包括:在8‑14μm波长范围内设置若干个高光谱热红外的波段组合以模拟高光谱热红外传感器;利用高空间分辨率光学数据获取模拟高空间分辨率高光谱热红外遥感影像所需的发射率影像;基于深度学习网络模型处理地表温度遥感影像,获得降尺度的高分辨率地表温度遥感影像;基于所述发射率影像、所述降尺度的高分辨率地表温度遥感影像、大气参数,基于热辐射传输方程和高光谱热红外传感器的噪声水平,获取高空间分辨率高光谱热红外遥感影像。根据本发明的方案,为未来发展星载高光谱热红外传感器及建立共性关键技术提供重要技术支撑与参考数据集。
Description
技术领域
本发明涉及对地观测与遥感技术领域,尤其涉及一种高空间分辨率高光谱热红外遥感影像模拟方法。
背景技术
高光谱遥感数据具有成百上千的观测波段,蕴含了地物丰富的反射与辐射信息,因此是进行地物识别的重要数据源。国际上先后发射了多颗高光谱遥感卫星和传感器,例如美国的EO-1/Hyperion具有242个波段,中国的高分五号可见短波红外高光谱相机(AHSI)具有330个波段。这些传感器提供了图谱合一的遥感数据,可以同时在光谱维和空间维上观测地表。但是,以上图谱合一的遥感数据皆为0.4-2.5μm间的光学波段,在8-14μm之间的热红外波长范围内还仅存在单点式的高光谱卫星遥感数据,例如欧空局METOP卫星搭载的干涉式红外大气探测仪(IASI)、美国宇航局Aqua卫星上的大气红外探测仪(AIRS)、Suomi NPP卫星上的跨轨扫描红外探测仪(CrIS)以及中国风云四号搭载的干涉式大气垂直探测仪(GIIRS)。此类传感器是当前探测大气成分、温度、湿度和压强等大气廓线的重要数据源。然而,由于波段可达成百上千,受当前技术的限制,它们均采用单点足迹(footprint)观测,无法获得高光谱热红外遥感影像,从而在一定程度上丧失了地物空间信息。随着高光谱热红外传感器的发展,适用于高光谱热红外数据的温度和发射率反演算法也应运而生,包括alpha剩余法、迭代光谱平滑温度发射率分离(ISSTES)方法、发射率谱线性分段方法等。其中alpha剩余法利用能够反应波谱曲线的alpha 剩余量反演出通道的相对发射率,ISSTES主要利用地表的发射率谱线要比大气发射谱线光滑得多的假设,发射率谱线性分段方法利用分段线性函数表达整个地物发射率波谱,减少未知数的个数从而进行方程的求解。
相对于星载平台,机载和地基高光谱热红外传感器发展相对较快。例如加拿大生产的TASI(Thermal Airborne Hyperspectral Imager)在8- 11.5μm范围内设置了32个波段,该传感器已经在甘肃、新疆等多个区域获取了地表的高光谱热红外遥感数据;加拿大Telops公司高光谱红外热像仪,可在7.7-11.8μm范围提供光谱分辨率为0.25波数的高光谱热红外观测;我国上海技物研制成功的首台机载热红外高光谱成像仪,在8- 12μm范围内提供80多个波段的观测数据,并进行了飞行实验。这些机载和地基高光谱热红外传感器将有利于未来发展星载高光谱热红外传感器的发展。但是需要注意的是,星载和机载平台在观测高度、工作环境、几何形态等方面存在较大差异,现有的模型与算法运用于星载数据的可行性和效率存在不足。鉴于此,本发明将借鉴机载高光谱热红外传感器相关参数的基础上,结合现有的高空间分辨率光学与热红外数据,利用热辐射传输模型和深度神经网络技术,发明一种高空间分辨率高光谱热红外遥感影像模拟方法,以为未来发展星载高光谱热红外传感器及共性关键技术发展提供重要参考。
发明内容
为解决上述技术问题,本发明提出了一种高空间分辨率高光谱热红外遥感影像模拟方法,用以解决如何利用已有卫星观测数据,实现高空间分辨率高光谱热红外卫星遥感影像的模拟,从而解决高光谱热红外反演地表温度与光谱发射率技术缺乏卫星数据的技术问题。
根据本发明的第一方面,提供一种高空间分辨率高光谱热红外遥感影像模拟方法,所述方法包括以下步骤:
步骤S1:在8-14μm波长范围内设置若干个高光谱热红外的波段组合以模拟高光谱热红外传感器,并利用高斯函数模拟所述高光谱热红外传感器各个波段的光谱响应函数;
步骤S2:对多波段反射率影像包含的像元进行端元分解,确定所述像元中各类型端元的面积比例,所述多波段反射率影像基于光学遥感影像进行大气校正获取;
基于所述各个波段的光谱响应函数、所述像元中各类型端元的面积比例,得到所述高空间分辨率高光谱热红外遥感影像对应的发射率影像;所述像元为所述高光谱热红外传感器对地面景物进行扫描采样的最小单元,所述发射率影像中,每个所述像元中包括一个或多个端元,所述端元具有多种类型;
步骤S3:基于深度学习网络模型处理地表温度遥感影像,获得降尺度的高分辨率地表温度遥感影像;
步骤S4:基于所述发射率影像、所述降尺度的高分辨率地表温度遥感影像、大气参数,获取高空间分辨率高光谱热红外遥感影像。
进一步地,所述步骤S1,其中:
所述利用高斯函数模拟所述高光谱热红外传感器各个波段的光谱响应函数,包括:
其中,λc和FWHMi为某一波段的中心波长和波段宽度,f(λi)为模拟的波长λi的光谱响应率,数值在0.0-1.0之间。
进一步地,所述对多波段反射率影像包含的像元进行端元分解,包括:
将待分解的多波段反射率影像作为植被、裸土、水体和建筑用地共四类端元反射率的面积加权和,即:
其中,为所述待分解的多波段反射率影像,ρ1、ρ2…ρn表示待分解像元在1、2…n个波段的反射率;ρek,j表示第k个类型的端元在第j个波段的端元反射率,k∈[1,4]和j∈[1,n];s1、s2、s3、s4分别表示各类型端元在当前像元的面积比例,加和为1;通过反解方程组(2)求解面积比例s1、s2、s3、s4。
进一步地,确定所述各类型端元在当前像元的面积比例,还包括:
步骤S21:对所述光学遥感影像进行监督分类,得到分类结果;每个分类结果内仅混合两种端元;
步骤S22:根据所述分类结果,对所述像元进行分解,使用非负最小二乘法和鲍威尔优化算法进行分解,得到各类型端元的分解结果,进而获取所述各类型端元在当前像元的面积比例s1、s2、s3、s4。
进一步地,所述基于所述各个波段的光谱响应函数、所述像元中各类型端元的面积比例,得到所述高空间分辨率高光谱热红外遥感影像对应的发射率影像,包括:
确定各像元的光谱发射率,对每个像元:
其中,εpλ为所述像元在λ波段的光谱发射率,k为纯净端元类型,sk为各类型端元在当前像元的面积比例,ελ,k为端元k在λ波段的光谱发射率;
基于所述各个波段的光谱响应函数,积分得到各个像元在高光谱热红外各个波段的波段发射率,对每个像元,均进行以下计算:
其中,λmin和λmax为单一波段的光谱响应函数的下界和上界波长,f(λ)为传感器的光谱响应函数,εpλ为当前像元在λ波段的光谱发射率;
基于所述各个像元在高光谱热红外各个波段的波段发射率,确定所述高光谱热红外的发射率影像。
进一步地,所述深度学习网络模型的输入数据为基于亚百米级热红外遥感观测数据获取的亚百米级分辨率地表温度影像、基于同平台的大气校正以后的光学影像,获取的与地表温度影像同空间分辨率的波段反射率、植被指数、水体指数和建筑指数;所述深度学习网络模型的输出数据为与所述输入数据对应的单波段的地表温度遥感影像。
进一步地,所述步骤S4,其中:
所述星载高空间分辨率高光谱热红外遥感影像基于下式获得:
其中,Li为卫星平台第i波段的辐亮度,量纲为W/m2/sr/μm,Ti为该波段的亮温,量纲为K,Bi()为普朗克函数,Ts为地表温度,为大气上行热辐射、为大气下行热辐射、τi为大气上行透过率,NEDT为高斯分布的等效噪声误差,Li和Ti通过普朗克函数Bi()进行转换计算,εi为发射率。
根据本发明的上述方案,提出一种利用热辐射传输模型和深度神经网络技术,从现有卫星遥感数据模拟高空间分辨率高光谱(8-14μm)热红外遥感影像的方法,从而为未来发展星载高光谱热红外传感器及建立共性关键技术提供重要技术支撑与参考数据集。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明提供如下附图进行说明。在附图中:
图1为本发明一个实施方式的高空间分辨率高光谱热红外遥感影像模拟方法流程图;
图2为本发明一个实施方式的高空间分辨率高光谱热红外遥感影像模拟方法架构示意图。
图3为本发明一个实施方式模拟的高斯分布光谱响应函数。
图4(A)-图4(E)为本发明一个实施方式示范区及其像元内各个组分面积比例空间分布示意图,图4(A)可见光合成光学影像、图4(B)植被组分比例分布图、图4(C)裸土组分比例分布图、图4(D)建筑物组分比例分布图、图4(E)水体组分比例分布图。
图5(A)-图5(E)为本发明一个实施方式模拟的高光谱热红外发射率影像图,图5(A)8.6μm波段发射率影像、图5(B)10.61μm波段发射率影像、图5(C)11.0μm波段发射率影像、图5(D)12.0μm波段发射率影像、图5(E)各个点位的高光谱波段发射率。
图6为本发明一个实施方式模拟的高空间分辨率地表温度影像图。
图7(A)-图7(F)为本发明一个实施方式模拟的高空间分辨率高光谱热红外遥感辐亮度影像与亮温示意图,图7(A)为8.6μm波段TOA辐亮度影像图,图7(B)为10.61μm波段TOA辐亮度影像、图7(C)为11.0μm波段TOA辐亮度影像、图7(D)为12.0μm波段TOA辐亮度影像、图7(E)为三个点在各个波段的TOA辐亮度、图7(F)为三个点在各个波段的TOA亮温示意图。
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,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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。
首先结合图1-2说明为本发明一个实施方式的高空间分辨率高光谱热红外遥感影像模拟方法流程图。如图1-2所示,所述方法包括以下步骤:
步骤S1:在8-14μm波长范围内设置若干个高光谱热红外的波段组合以模拟高光谱热红外传感器,并利用高斯函数模拟所述高光谱热红外传感器各个波段的光谱响应函数;
步骤S2:对多波段反射率影像包含的像元进行端元分解,确定所述像元中各类型端元的面积比例,所述多波段反射率影像基于光学遥感影像进行大气校正获取;
基于所述各个波段的光谱响应函数、所述像元中各类型端元的面积比例,得到所述高空间分辨率高光谱热红外遥感影像对应的发射率影像;所述像元为所述高光谱热红外传感器对地面景物进行扫描采样的最小单元,所述发射率影像中,每个所述像元中包括一个或多个端元,所述端元具有多种类型;
步骤S3:基于深度学习网络模型处理地表温度遥感影像,获得降尺度的高分辨率地表温度遥感影像;
步骤S4:基于所述发射率影像、所述降尺度的高分辨率地表温度遥感影像、大气参数,基于热辐射传输方程和高光谱热红外传感器的噪声水平,获取高空间分辨率高光谱热红外遥感影像。
所述步骤S1,其中:
本实施例中,通过设置若干个高光谱热红外的波段组合,来模拟高光谱热红外传感器。可以由不同热红外波段任意组合以模拟不同的高光谱热红外波段的组合。
选择热红外波段常见的大气窗口8-14μm为主要波长范围。在8-14μm 波长范围内,以30nm为间隔的中心波长λc、以10nm为半值波宽(FWHM)的方式设置高光谱热红外波段组合,共计201个波段,以弥补现有缺少星载高光谱热红外谱段的空缺。
所述利用高斯函数模拟所述高光谱热红外传感器各个波段的光谱响应函数,包括:
其中,λc和FWHMi为某一波段的中心波长和波段宽度,f(λi)为模拟的波长λi的光谱响应率,数值在0.0-1.0之间。图3显示了模拟的中心波长为 8.60μm波段的光谱响应函数。
所述步骤S2,其中:
对高空间分辨率的光学遥感影像进行大气校正以获得多波段反射率影像。假定单一像元为纯像元,即纯像元仅由植被、裸土、水体和建筑用地四种端元组成,从所述多波段反射率影像提取纯像元,并获取纯像元中各个端元的波段反射率。
所述对多波段反射率影像包含的像元进行端元分解,包括:
将待分解像元的波段反射率作为以上四类端元反射率的面积加权和,即:
其中,为所述待分解像元的波段反射率,ρ1、ρ2…ρn表示所述待分解像元在1、2…n个波段的反射率;ρek,j表示第k个类型的端元在第j个波段的端元反射率,k∈[1,4]和j∈[1,n]。s1、s2、s3、s4分别表示各类型端元在当前像元的面积比例,加和为1。通过反解方程组(2)求解面积比例 s1、s2、s3、s4。
在该式中,ρ1、ρ2…ρn为已知观测值,ρei,j为先验知识,已知量。如果波段数目n大于或等于端元的类型数(本实施例为4),那么就可以通过反解以上方程组求解面积比例s1、s2、s3、s4。
为了获得更为精准的面积比例s1、s2、s3、s4,即确定所述各类型端元在当前像元的面积比例,还包括:
步骤S21:对所述高空间分辨率的光学遥感影像进行监督分类,得到分类结果;每个分类结果内仅混合两种端元。例如,分类结果有以下几种,分别为:浓密植被(包括植被端元及裸土端元)、稀疏植被(包括植被端元及裸土端元)、纯净水体(包括水体端元及裸土端元)、浑浊水体(包括水体端元及裸土端元);裸土(包括植被端元及裸土端元)、城镇(类别:建筑物+裸土);
步骤S22:根据所述分类结果,对所述像元进行分解,使用非负最小二乘法和鲍威尔优化算法进行分解,得到各类型端元的分解结果,进而获取所述各类型端元在当前像元的面积比例s1、s2、s3、s4。
进一步地,考虑到所述各类型端元在当前像元的面积比例之和为1,进行分解时,不包括截距。对于混合像元,模型矩阵形式为AX=Y,A为二元组分比例矩阵(1×2),X为纯净像元光谱矩阵(2×波段数),Y为混合像元光谱 (1×波段数)。综合各类型端元的分解结果,得到各纯净组分比例s1、s2、 s3、s4。
所述基于所述各个波段的光谱响应函数、所述像元中各类型端元的面积比例,得到模拟的所述高光谱热红外的发射率影像,包括:
确定各像元的光谱发射率,对每个像元:
其中,εpλ为所述像元在λ波段的光谱发射率,k为纯净端元类型,sk为各类型端元在当前像元的面积比例,ελ,k为端元k在λ波段的光谱发射率。
基于所述各个波段的光谱响应函数,积分得到各个像元在高光谱热红外各个波段的波段发射率,对每个像元,均进行以下计算:
其中,λmin和λmax为单一波段的光谱响应函数的下界和上界波长,f(λ) 为传感器的光谱响应函数,εpλ为当前像元在λ波段的光谱发射率;
基于所述各个像元在高光谱热红外各个波段的波段发射率,确定所述高光谱热红外的发射率影像。
本实施例中,基于上文中确定的植被、裸土、水体和建筑物在光学各个波段的反射率数值与形状,从典型光谱库中匹配恰当的样本,并将其样本对应的光谱发射率(8-14μm)作为相应端元的光谱发射率。在不考虑像元内各个端元之间多次散射的情况下,基于上文提取的各个像元内端元的面积比例加权法计算每一个像元的光谱发射率。
在此基础上,利用高光谱热红外各个波段的光谱响应函数可以积分得到各个像元在高光谱热红外传感器各个波段的波段发射率(见式(4)),最终以模拟得到与光学同等空间分辨率的高空间分辨率高光谱热红外发射率影像。
所述步骤S3,其中:
构建所述深度学习网络模型对所述地表温度遥感影像进行降尺度操作。所述深度学习网络模型为常规的深度学习模型,例如,RNN、CNN等。
基于亚百米热红外遥感数据及与所述亚百米热红外遥感数据对应的光学影像反射率、指数构建输入数据,降尺度后的高分辨率地表温度遥感影像作为输出数据;其中,所述光学影像反射率基于未降尺度的地表温度遥感影像同空间分辨率的波段反射率获得,所述指数为植被指数(如NDVI,SAVI, EVI)、水体指数(NDWI)和建筑指数等。对所述深度学习网络模型进行训练,训练所述深度学习网络模型的目得是得到输入数据与输出数据的回归关系,并保存回归结果和真实值之间的残差。为了保证所述深度学习网络模型的有效性,要求构建的所述深度学习网络模型计算的地表温度误差不低于1.0K,得到训练好的深度学习网络模型。
本实施例中,利用现有的民用亚百米的热红外遥感数据反演的地表温度产品与对应的光学影像反射率及其计算的各类指数,构建进行地表温度降尺度(从粗空间分辨率到高空间分辨率)的深度学习网络,并将该网络应用到高分辨率光学影像,以获得高空间分辨率的地表温度影像。主要包括地表温度降尺度深度学习网络构建以及高空间分辨率地表温度影像获取两个模块。
例如,基于现有的亚百米级热红外遥感观测数据(例如高分五号的全谱段成像光谱仪,空间分辨率40m)获取亚百米级分辨率的地表温度影像。利用同平台的利用大气校正以后的光学影像,获取与地表温度影像同空间分辨率的波段反射率、植被指数(如NDVI,SAVI,EVI)、水体指数(NDWI)和建筑指数(NDBI);随机选择10000个样点数据,形成地表温度、反射率、植被指数、水体指数和建筑指数数据集:
{LST,ρ,NDVI,SAVI,EVI,NDBI}i=1,2...10000 (5)
以此数据集为基础,构建从反射率、植被指数、水体指数和建筑指数拟合地表温度的深度神经网络。在不考虑尺度效应的假设下,将在地表温度空间分辨率尺度上建立的深度神经网络用于高空间分辨率的光学影像,以获得高空间分辨率的地表温度影像。
所述深度学习网络模型的训练过程包括:
步骤S31:获取地表温度遥感影像,提取特征数据,所述特征数据包括:反射率、植被指数,即NDVI、EVI和NDBI指数集合,记为 {ρ,NDVI,SAVI,EVI,NDBI}coarse;由所述特征数据构成训练样本的输入数据;
本实施例中,根据亚百米(用coarse表示)热红外遥感影像和高空间分辨率(用fine表示)光学遥感数据,形成反射率。NDVI、EVI和NDBI等指数集合{ρ,NDVI,SAVI,EVI,NDBI}coarse、{ρ,NDVI,SAVI,EVI,NDBI}fine可以通过现有的标准化计算公式或相应产品提取。
步骤S32:获取与所述输入数据对应的单波段的地表温度遥感影像LSTcoarse作为训练样本的输出数据;
本实施例中,利用亚百米热红外遥感数据,计算得到亚百米分辨率地表温度LSTcoarse。
步骤S33:由所述训练样本的输入数据和输出数据组成训练样本,对所述深度学习网络模型进行训练,得到训练好的深度学习网络模型。
本实施例中,所述基于深度学习网络模型处理地表温度遥感影像,包括:
获取地表温度遥感影像,提取数据特征{ρ,NDVI,SAVI,EVI,NDBI}fine,将所述数据特征输入训练好的所述深度学习网络模型,得到降尺度的高空间高分辨率地表温度遥感影像。
该步骤获得的是一个单波段的地表温度遥感影像。本实施例中,利用现有的民用亚百米的热红外遥感数据反演的地表温度产品与对应的光学影像反射率及其计算的各类指数,构建进行地表温度降尺度(从粗空间分辨率到高空间分辨率)的深度学习网络,并将该网络应用到高分辨率光学影像,以获得高空间分辨率的地表温度影像。
所述步骤S4,其中:
所述星载高空间分辨率高光谱热红外遥感影像为:
其中,Li为卫星平台第i波段的辐亮度,量纲为W/m2/sr/μm,Ti为该波段的亮温,量纲为K,Bi()为普朗克函数,Ts为地表温度,为大气上行热辐射、为大气下行热辐射、τi为大气上行透过率,NEDT为高斯分布的等效噪声误差。Li和Ti通过普朗克函数Bi()进行转换计算。
通过上述操作,将单波段的地表温度影像转化为高分辨率高光谱影像。
本实施例中,选择典型大气(例如中纬度夏季)廓线,驱动大气辐射传输模型(如MODTRAN)模拟高光谱热红外传感器各个波段的大气上行热辐射下行热辐射和上行透过率τi。结合所述高空间分辨率高光谱热红外波段的发射率影像、地表温度影像和大气参数,利用式(6)所示的热红外辐射传输方程,并加入高斯分布的等效噪声误差NEDT(如,0.12K),可以模拟得到卫星平台的高光谱热红外遥感辐亮度Li影像和亮温Ti影像。
本发明又一实施例提供了高空间分辨率高光谱热红外遥感影像模拟方法。
以2020年4月6日的高分五号全谱段成像光谱仪遥感影像为例进行了本发明方法的应用。该数据在0.4-2.5μm之间共有6个波段,即0.45~0.52、0.52~0.60、0.62~0.68、0.76~0.86、1.55~1.75和2.08~2.35 μm,其四个热红外波段数据可反演得到40m空间分辨率的地表温度产品。利用本发明模拟了20m空间分辨率、8-14μm范围内201个波段高光谱热红外遥感影像。图4(A)-图4(E)显示了示范区的光学影像和分解后的植被、裸土、建筑物和水体各个组分的面积比空间分布图。
从光谱库中选择的四种组分在8-14μm的光谱发射率,并基于步骤一的技术,模拟了8-14μm范围内201波段的高光谱热红外发射率影像。图 5(A)-图5(D)显示了8.6μm、10.61μm、11.0μm和12.02μm四个波段的发射率影像。可以看出各个波段发射率的空间分布,其中水体的像元的发射率较高,植被次之,非植被区发射率相对较小。同时,从图中选择了水体点(P1)、植被点(P2)和农田点(P3),图5(E)给出了各个点位在各个波段的光谱发射率,水体和植被的发射率光谱差异较小,而农田的发射率光谱差异较大,特别是在8-9.5μm之间。图6为本发明模拟的20m分辨率地表温度影像。
基于MODTRAN模拟了中纬度夏季大气廓线对应的各个波段的大气上行热辐射、下行热辐射和透过率,并结合上文模拟的发射率与地表温度,利用热辐射传输方程模拟了20m空间分辨率的卫星高度处的高光谱热红外传感器观测的辐亮度与亮温影像。图7(A)-图7(F)给出了模拟的8.6μm、10.61μm、 11.0μm和12.02μm四个波段的辐亮度影像,可以看出水体的TOA辐亮度与亮温相对较低,而非植被像元的数值相对较高,符合实际情况。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (7)
1.一种高空间分辨率高光谱热红外遥感影像模拟方法,其特征在于,所述方法包括以下步骤:
步骤S1:在8-14μm波长范围内设置若干个高光谱热红外的波段组合以模拟高光谱热红外传感器,并利用高斯函数模拟所述高光谱热红外传感器各个波段的光谱响应函数;
步骤S2:对多波段反射率影像包含的像元进行端元分解,确定所述像元中各类型端元的面积比例,所述多波段反射率影像基于光学遥感影像进行大气校正获取;
基于所述各个波段的光谱响应函数、所述像元中各类型端元的面积比例,得到所述高空间分辨率高光谱热红外遥感影像对应的发射率影像;所述像元为所述高光谱热红外传感器对地面景物进行扫描采样的最小单元,所述发射率影像中,每个所述像元中包括一个或多个端元,所述端元具有多种类型;
步骤S3:基于深度学习网络模型处理地表温度遥感影像,获得降尺度的高分辨率地表温度遥感影像;
步骤S4:基于所述发射率影像、所述降尺度的高分辨率地表温度遥感影像、大气参数,获取高空间分辨率高光谱热红外遥感影像。
4.如权利要求3所述的方法,其特征在于,确定所述各类型端元在当前像元的面积比例,还包括:
步骤S21:对所述光学遥感影像进行监督分类,得到分类结果;每个分类结果内仅混合两种端元;
步骤S22:根据所述分类结果,对所述像元进行分解,使用非负最小二乘法和鲍威尔优化算法进行分解,得到各类型端元的分解结果,进而获取所述各类型端元在当前像元的面积比例s1、s2、s3、s4。
5.如权利要求3-4中任一所述方法,其特征在于,所述基于所述各个波段的光谱响应函数、所述像元中各类型端元的面积比例,得到所述高空间分辨率高光谱热红外遥感影像对应的发射率影像,包括:
确定各像元的光谱发射率,对每个像元:
其中,εpλ为所述像元在λ波段的光谱发射率,k为纯净端元类型,sk为各类型端元在当前像元的面积比例,ελ,k为端元k在λ波段的光谱发射率;
基于所述各个波段的光谱响应函数,积分得到各个像元在高光谱热红外各个波段的波段发射率,对每个像元,均进行以下计算:
其中,λmin和λmax为单一波段的光谱响应函数的下界和上界波长,f(λ)为传感器的光谱响应函数,εpλ为当前像元在λ波段的光谱发射率;
基于所述各个像元在高光谱热红外各个波段的波段发射率,确定所述高光谱热红外的发射率影像。
6.如权利要求5所述的方法,其特征在于,所述深度学习网络模型的输入数据为基于亚百米级热红外遥感观测数据获取的亚百米级分辨率地表温度影像、基于同平台的大气校正以后的光学影像,获取的与地表温度影像同空间分辨率的波段反射率、植被指数、水体指数和建筑指数;所述深度学习网络模型的输出数据为与所述输入数据对应的单波段的地表温度遥感影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210419706.6A CN115015147A (zh) | 2022-04-21 | 2022-04-21 | 一种高空间分辨率高光谱热红外遥感影像模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210419706.6A CN115015147A (zh) | 2022-04-21 | 2022-04-21 | 一种高空间分辨率高光谱热红外遥感影像模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115015147A true CN115015147A (zh) | 2022-09-06 |
Family
ID=83066654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210419706.6A Pending CN115015147A (zh) | 2022-04-21 | 2022-04-21 | 一种高空间分辨率高光谱热红外遥感影像模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115015147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554300A (zh) * | 2024-01-10 | 2024-02-13 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地地表反照率站点观测遥感空间降尺度方法 |
-
2022
- 2022-04-21 CN CN202210419706.6A patent/CN115015147A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117554300A (zh) * | 2024-01-10 | 2024-02-13 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地地表反照率站点观测遥感空间降尺度方法 |
CN117554300B (zh) * | 2024-01-10 | 2024-03-19 | 中国科学院、水利部成都山地灾害与环境研究所 | 山地地表反照率站点观测遥感空间降尺度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Keukelaere et al. | Atmospheric correction of Landsat-8/OLI and Sentinel-2/MSI data using iCOR algorithm: validation for coastal and inland waters | |
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
Pahlevan et al. | On-orbit radiometric characterization of OLI (Landsat-8) for applications in aquatic remote sensing | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
De Jong et al. | Remote sensing image analysis: including the spatial domain | |
CN111178169B (zh) | 一种基于遥感影像的城市地表覆盖物精细分类方法及装置 | |
US20230186503A1 (en) | Method for troubleshooting hidden dangers of trees near power transmission lines by combining icesat-2 with jl-1 images | |
CN112464745B (zh) | 一种基于语义分割的地物识别与分类方法和装置 | |
CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
Baghdadi et al. | Land surface remote sensing in agriculture and Forest | |
Sun et al. | Automatic atmospheric correction for shortwave hyperspectral remote sensing data using a time-dependent deep neural network | |
CN102163264A (zh) | 一种高光谱数据质量与应用能力的评价方法 | |
Mucsi et al. | The evaluation and application of an urban land cover map with image data fusion and laboratory measurements | |
Liu et al. | Hyperspectral infrared sounder cloud detection using deep neural network model | |
Mamaghani et al. | An initial exploration of vicarious and in-scene calibration techniques for small unmanned aircraft systems | |
Landier et al. | Calibration of urban canopies albedo and 3D shortwave radiative budget using remote-sensing data and the DART model | |
CN115015147A (zh) | 一种高空间分辨率高光谱热红外遥感影像模拟方法 | |
Tao et al. | Estimation of soil moisture using a vegetation scattering model in wheat fields | |
CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
Knudby | Remote sensing | |
Chen et al. | Urban land surface temperature retrieval from high spatial resolution thermal infrared image using a modified split-window algorithm | |
Patra | Remote sensing and geographical information system (GIS) | |
Kozoderov et al. | Cognitive technologies for processing optical images of high spatial and spectral resolution | |
Qi et al. | Evaluating multivariable statistical methods for downscaling nighttime land surface temperature in urban areas | |
Pietersen et al. | Expedient hyperspectral reflectance estimation using in situ pavement reference materials |
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 |