CN115374390B - 一种高光谱热红外地表温度和发射率波谱协同反演方法 - Google Patents
一种高光谱热红外地表温度和发射率波谱协同反演方法 Download PDFInfo
- Publication number
- CN115374390B CN115374390B CN202211314489.0A CN202211314489A CN115374390B CN 115374390 B CN115374390 B CN 115374390B CN 202211314489 A CN202211314489 A CN 202211314489A CN 115374390 B CN115374390 B CN 115374390B
- Authority
- CN
- China
- Prior art keywords
- matrix
- emissivity
- atmospheric
- earth
- temperature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种高光谱热红外地表温度和发射率波谱协同反演方法,本发明通过星上辐亮度对地表温度变化的灵敏性,选出对地表温度敏感的通道作为特征通道,减少未知数个数;采用机器学习找到星上辐亮度与地表和大气参数之间复杂的对应关系,得到地表和大气参数的初始值,结合线性化后的辐射传输模型,降低计算复杂度,并通过构建代价函数找到最优的增量值,准确得到反演值,提高了反演准确度;本发明解决了现有高光谱热红外地表温度反演方法存在反演准确度低的问题。
Description
技术领域
本发明涉及一种地表温度反演方法,具体涉及一种高光谱热红外地表温度和发射率波谱协同反演方法。
背景技术
地表温度和地表发射率是表征地表过程变化的关键特征物理量,在地表能量平衡、气候变化、地质勘探等众多基础学科和研究领域应用广泛。热红外遥感是获取区域和全球尺度的地表温度和地表发射率的主要手段,现有反演方法多针对多光谱热红外遥感反演发展而来,通常需要已知大气垂直廓线数据,然后进行地表温度和地表发射率的分步反演。但是,同步的大气廓线数据获取困难,且在高水汽含量、观测角度较大等情况下,多光谱遥感的反演精度欠佳。
随着高光谱热红外遥感的出现,许多针对高光谱热红外数据的反演方法相继提出,为热红外核心变量的反演增添了新的活力。现有的高光谱热红外遥感的地表温度和地表发射率反演方法大致可分为三类:简单分阶段逐步反演方法、地表温度与地表发射率的协同分离方法以及地气参数的一体化反演方法。其中,分步分阶段反演和地表温度和地表发射率的协同分离,均需要进行精确地大气校正。目前,基于大气廓线的大气校正方法应用最为广泛。但由于该方法需要同步的大气廓线数据的支撑,且依赖于成熟的辐射传输模型,因此其计算量与工作难度相对较大,大大限制了其应用。
无论是分阶段反演,还是地表温度和地表发射率的协同分离,都依赖于各种假设和约束,各阶段的假设和约束所带来的误差会进一步累积,导致反演地表温度和地表发射率的不确定度增大。
发明内容
针对现有技术中的上述不足,本发明提供的一种高光谱热红外地表温度反演方法解决了现有高光谱热红外地表温度反演方法存在反演准确度低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种高光谱热红外地表温度和发射率波谱协同反演方法,包括以下步骤:
S1、根据地表发射率模拟数据、地表温度模拟数据和大气参数模拟数据,通过辐射传输方程,得到星上辐亮度数据;
S2、根据星上辐亮度对地表温度变化的灵敏性,选择出对地表温度敏感的通道作为地表温度和地表发射率反演的特征通道;
S3、采用机器学习将星上辐亮度数据与特征通道的地表和大气参数数据进行拟合,得到特征通道的地表和大气参数估计值;
S4、线性化辐射传输方程,根据地表和大气参数估计值,及构建的代价函数,迭代得到特征通道的最优增量值;
S5、根据特征通道的最优增量值和初始地表温度、初始地表发射率和初始大气参数,得到特征通道的参数反演值;
S6、采用机器学习方法拟合特征通道与剩余通道参数之间的关系,根据特征通道的参数反演值和机器学习模型,得到全部通道的反演值。
进一步地,所述步骤S1中辐射传输方程为:
其中,为星上亮温,为黑体在星上亮温和高光谱通道处对应的星上光谱辐亮度数据,为高光谱通道的地表发射率模拟数据,为高光谱通道的大气透过率,为地表温度模拟数据,为黑体在地表温度模拟数据和高光谱通道处对应的地表光谱辐亮度,为高光谱通道处对应的大气下行辐亮度,为高光谱通道处对应的大气上行辐亮度。
进一步地,所述步骤S4包括以下分步骤:
S41、构建辐射传输方程的线性化形式,并改写成矩阵形式;
S42、根据地表和大气参数的估计值,计算矩阵形式的线性化辐射传输方程中的星上亮温残差矩阵和权重系数矩阵;
S43、根据星上亮温的残差矩阵和权重系数矩阵,得到反演值的增量;
S44、根据反演值的增量,求解代价函数,得到代价值;
S45、采用最小二乘优化算法对反演值的增量进行迭代优化,更新地表和大气参数的估计值,重复步骤S42至步骤S45,直到代价值小于阈值,结束迭代,得到特征通道的最优增量值。
进一步地,所述步骤S41中线性化后的辐射传输方程形式为:
其中,为星上亮温的残差值,为地表发射率的残差,为地表温度的残差,为大气透过率的残差,为大气下行辐亮度的残差,为大气上行辐亮度的残差,为地表发射率的权重系数,为地表温度的权重系数,为大气透过率的权重系数,为大气下行辐亮度的权重系数,为大气上行辐亮度的权重系数。
进一步地,将线性化后的辐射传输方程形式写成矩阵形式,得到矩阵形式的线性化辐射传输方程:
其中,为权重系数矩阵,为地表发射率的权重系数矩阵,为地表温度的权重系数矩阵,为大气透过率的权重系数矩阵,为大气下行辐亮度的权重系数矩阵,为大气上行辐亮度的权重系数矩阵,为地表发射率,为大气透过率,为大气下行辐亮度,为光谱辐亮度对星上亮温的偏导,为地表温度对应的光谱辐亮度,为星上亮温对应的光谱辐亮度,为光谱辐亮度对地表温度的偏导。
进一步地,所述步骤S43中计算反演值的增量的公式为:
进一步地,所述步骤S44中代价函数的公式为:
其中,为代价函数,为星上亮温增量的权重系数,为发射率标准差的权重系数,为星上亮温的增量,为特征通道的地表发射率的标准差,为权重系数矩阵,由地表温度的权重系数矩阵、地表发射率的权重系数矩阵、大气透过率的权重系数矩阵、大气上行辐亮度的权重系数矩阵和大气下行辐亮度的权重系数矩阵组成,为地表和大气参数的增量矩阵,为星上亮温的残差矩阵,为基于L曲线准则的正则化参数,为边界约束矩阵,为所选的ASTER发射率样本库中第个样本的特征通道的地表发射率,为第个样本的特征通道的地表发射率,为第个样本的特征通道的地表发射率。
上述进一步方案的有益效果为:代价函数同时考虑了观测方程残差和地表发射率的反演精度,有利于提高地表参数反演结果的稳定性与精度。
进一步地,所述步骤S5中特征通道的参数反演值的公式为:
综上,本发明的有益效果为:
本发明通过星上辐亮度对地表温度变化的灵敏性,选出对地表温度敏感的通道作为特征通道,减少未知数的个数;采用机器学习获取特征通道的地表和大气参数初始值,结合线性化后的辐射传输方程,降低计算复杂度,并通过构建代价函数找到最优的增量值,准确得到反演值,提高了反演准确度。
附图说明
图1为一种高光谱热红外地表温度和发射率波谱协同反演方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种高光谱热红外地表温度和发射率波谱协同反演方法,包括以下步骤:
S1、根据地表发射率模拟数据、地表温度模拟数据和大气参数模拟数据,通过辐射传输方程,得到星上辐亮度数据;
在本实施例中,地表发射率模拟数据的获取过程为:从地表发射率数据库中选择不同典型地类的地表发射率光谱曲线,如土壤、岩石、水体、植被、人造地表等,经传感器通道响应函数积分后,可得到高光谱通道的地表发射率模拟数据。
在本实施例中,地表温度模拟数据的获取过程为:以-15K到15K为区间,以3K为步长,对大气底层温度进行扰动,从而获得地表温度模拟数据。
在本实施例中,大气参数模拟数据的获取过程为:将大气廓线数据库中的大气廓线代入MODTRAN辐射传输模型,可以得到大气参数模拟数据。大气参数包括:大气透过率、大气上行辐射和大气下行辐射。
所述步骤S1中辐射传输方程为:
其中,为星上亮温,为黑体在星上亮温和高光谱通道处对应的星上光谱辐亮度数据,为高光谱通道的地表发射率模拟数据,为高光谱通道的大气透过率,为地表温度模拟数据,为黑体在地表温度模拟数据和高光谱通道处对应的地表光谱辐亮度,为高光谱通道处对应的大气下行辐亮度,为高光谱通道处对应的大气上行辐亮度。
S2、根据星上辐亮度对地表温度变化的灵敏性,选择出对地表温度敏感的通道作为地表温度和地表发射率反演的特征通道;
在本实施例中,基于星上辐亮度对地表温度变化的灵敏性进行通道选择,从而选择出对地表信息最敏感的通道作为地表温度和地表发射率反演的特征通道。通道灵敏性定义为地表温度每增加1K时,星上辐亮度变化的百分比。设置灵敏度阈值为80%,将高于阈值的通道作为特征通道。
S3、采用机器学习将星上辐亮度数据与特征通道的地表和大气参数数据进行拟合,得到特征通道的地表和大气参数估计值;
在步骤S3中,通过训练过程的机器学习去找到星上辐亮度数据与特征通道对应关系,从而通过训练完成的机器学习得到地表和大气参数估计值。
训练过程为:N个通道的星上辐亮度为机器学习的自变量,地表温度、M个特征通道的地表发射率、M个特征通道的大气透过率、M个特征通道的大气上行辐射和M个特征通道的大气下行辐射为机器学习的因变量。随机选取数据集的70%作为训练集用于超参数调整和机器学习模型训练,剩下的30%作为测试集来评价机器学习模型的准确性。
S4、线性化辐射传输方程,根据地表和大气参数估计值,以及构建的代价函数,得到特征通道的最优增量值;
所述步骤S4包括以下分步骤:
S41、构建辐射传输方程的线性化形式,并改写成矩阵形式;
步骤S41中线性化后的辐射传输方程形式为:
其中,为星上亮温的残差值,为地表发射率的残差,为地表温度的残差,为大气透过率的残差,为大气下行辐亮度的残差,为大气上行辐亮度的残差,为地表发射率的权重系数,为地表温度的权重系数,为大气透过率的权重系数,为大气下行辐亮度的权重系数,为大气上行辐亮度的权重系数;
将线性化后的辐射传输方程形式写成矩阵形式,得到矩阵形式的线性化辐射传输方程:
S42、根据地表和大气参数的估计值,计算矩阵形式的线性化辐射传输方程中的星上亮温残差矩阵和权重系数矩阵;
其中,为权重系数矩阵,为地表发射率的权重系数矩阵,为地表温度的权重系数矩阵,为大气透过率的权重系数矩阵,为大气下行辐亮度的权重系数矩阵,为大气上行辐亮度的权重系数矩阵,为地表发射率,为大气透过率,为大气下行辐亮度,为光谱辐亮度对星上亮温的偏导,为地表温度对应的光谱辐亮度,为星上亮温对应的光谱辐亮度,为光谱辐亮度对地表温度的偏导。
S43、根据星上亮温的残差矩阵和权重系数矩阵,得到反演值的增量;
步骤S43中计算反演值的增量的公式为:
根据步骤S42中计算得到的星上亮温的残差矩阵和权重系数矩阵具体值,得到反演值的增量矩阵的具体值。
S44、根据反演值的增量,求解代价函数,得到代价值;
步骤S44中代价函数的公式为:
其中,为代价函数,为星上亮温增量的权重系数,为发射率标准差的权重系数,为星上亮温的增量,为特征通道的地表发射率的标准差,为权重系数矩阵,由地表温度的权重系数矩阵、地表发射率的权重系数矩阵、大气透过率的权重系数矩阵、大气上行辐亮度的权重系数矩阵和大气下行辐亮度的权重系数矩阵组成,为地表和大气参数的增量矩阵,为星上亮温的残差矩阵,为基于L曲线准则的正则化参数,为边界约束矩阵,为所选的ASTER发射率样本库中第个样本的特征通道的地表发射率,为第个样本的特征通道的地表发射率,为第个样本的特征通道的地表发射率。
S45、采用最小二乘优化算法对反演值的增量进行迭代优化,更新地表和大气参数的估计值,重复步骤S42至步骤S45,直到代价值小于阈值,结束迭代,得到特征通道的最优增量值。
S5、根据特征通道的最优增量值和初始地表温度、初始地表发射率和初始大气参数,得到特征通道的参数反演值。
所述步骤S5中反演值的公式为:
S6、采用机器学习方法拟合特征通道与剩余通道参数之间的关系,根据特征通道的参数反演值和机器学习模型,得到全部通道的反演值。
在步骤S6中,利用机器学习技术将剩余通道的参数表示为特征通道参数的函数,达到压缩和降噪的目的。机器学习所需的配套输入和输出数据为S1中的模拟数据,基于模拟数据可以拟合得到剩余通道与特征通道参数之间的关系。
训练过程为:M个特征通道的地表发射率、M个特征通道的大气透过率、M个特征通道的大气上行辐射和M个特征通道的大气下行辐射分别为机器学习的自变量,N-M个剩余通道的地表发射率、N-M个特征通道的大气透过率、N-M个特征通道的大气上行辐射和N-M个特征通道的大气下行辐射分别为机器学习的因变量,训练得到剩余通道与特征通道参数之间的关系。随机选取数据集的70%作为训练集用于超参数调整和机器学习模型训练,剩下的30%作为测试集来评价机器学习模型的准确性。
Claims (8)
1.一种高光谱热红外地表温度和发射率波谱协同反演方法,其特征在于,包括以下步骤:
S1、根据地表发射率模拟数据、地表温度模拟数据和大气参数模拟数据,通过辐射传输方程,得到星上辐亮度数据;
S2、根据星上辐亮度对地表温度变化的灵敏性,选择出对地表温度敏感的通道作为地表温度和地表发射率反演的特征通道;
S3、采用机器学习将星上辐亮度数据与特征通道的地表和大气参数数据进行拟合,得到特征通道的地表和大气参数估计值;
S4、线性化辐射传输方程,根据地表和大气参数估计值,及构建的代价函数,迭代得到特征通道的最优增量值;
所述步骤S4包括以下分步骤:
S41、构建辐射传输方程的线性化形式,并改写成矩阵形式;
S42、根据地表和大气参数的估计值,计算矩阵形式的线性化辐射传输方程中的星上亮温残差矩阵和权重系数矩阵;
S43、根据星上亮温的残差矩阵和权重系数矩阵,得到反演值的增量;
S44、根据反演值的增量,求解代价函数,得到代价值;
S45、采用最小二乘优化算法对反演值的增量进行迭代优化,更新地表和大气参数的估计值,重复步骤S42至步骤S45,直到代价值小于阈值,结束迭代,得到特征通道的最优增量值;
S5、根据特征通道的最优增量值和初始地表温度、初始地表发射率和初始大气参数,得到特征通道的参数反演值;
S6、采用机器学习方法拟合特征通道与剩余通道参数之间的关系,根据特征通道的参数反演值和机器学习模型,得到全部通道的反演值。
7.根据权利要求1所述的高光谱热红外地表温度和发射率波谱协同反演方法,其特征在于,所述步骤S44中代价函数的公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314489.0A CN115374390B (zh) | 2022-10-26 | 2022-10-26 | 一种高光谱热红外地表温度和发射率波谱协同反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314489.0A CN115374390B (zh) | 2022-10-26 | 2022-10-26 | 一种高光谱热红外地表温度和发射率波谱协同反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115374390A CN115374390A (zh) | 2022-11-22 |
CN115374390B true CN115374390B (zh) | 2023-01-24 |
Family
ID=84074235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211314489.0A Active CN115374390B (zh) | 2022-10-26 | 2022-10-26 | 一种高光谱热红外地表温度和发射率波谱协同反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574046B (zh) * | 2024-01-17 | 2024-05-14 | 中国科学院空天信息创新研究院 | 遥感反演地表温度的精度验证方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909722B (zh) * | 2017-02-10 | 2019-07-26 | 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准反演方法 |
CN109446739B (zh) * | 2018-12-20 | 2020-01-10 | 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 |
CN109655842B (zh) * | 2019-01-25 | 2022-07-12 | 北京航空航天大学 | 一种基于相关小波重构的高光谱热红外发射率反演方法 |
CN112487346B (zh) * | 2020-10-26 | 2021-07-23 | 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 |
AU2021105287A4 (en) * | 2021-08-11 | 2021-10-07 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for Simultaneously Retrieving Surface Temperature and Emissivity from Remote Sensing Data Based on Deep Learning |
-
2022
- 2022-10-26 CN CN202211314489.0A patent/CN115374390B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115374390A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836610B (zh) | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 | |
Maselli et al. | Combining remote sensing and ancillary data to monitor the gross productivity of water-limited forest ecosystems | |
CN115374390B (zh) | 一种高光谱热红外地表温度和发射率波谱协同反演方法 | |
CN113850139B (zh) | 一种基于多源遥感的森林年际物候监测方法 | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN114544003B (zh) | 一种地表温度遥感产品不确定度的逐像元估算方法 | |
CN109800921B (zh) | 基于遥感物候同化和粒子群优化的区域冬小麦估产方法 | |
CN109297605A (zh) | 一种基于中红外与热红外数据的地表温度反演方法 | |
Cheng et al. | Generating the 30-m land surface temperature product over continental China and USA from landsat 5/7/8 data | |
CN111707376B (zh) | 一种面向宽波段热红外传感器的地表温度反演方法 | |
CN111859695B (zh) | 基于高分五号卫星紫外可见高光谱的大气污染成分反演方法 | |
CN110866467A (zh) | 一种航空中红外高光谱数据温度和发射率反演方法 | |
CN112163375A (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN116011342B (zh) | 一种高分辨率热红外地表温度全天候重建方法 | |
CN109031343B (zh) | 一种窗口遍历的sevi调节因子自动优化算法 | |
CN114417728A (zh) | 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 | |
CN112858178B (zh) | 一种航空热红外高光谱影像温度和发射率反演方法 | |
CN112597826A (zh) | 一种对高光谱sasi数据进行岩性分类的方法 | |
CN112329733A (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
CN114662732A (zh) | 一种基于Aster卫星数据地热异常区综合预测方法 | |
CN103954952A (zh) | 一种提高短波红外卫星数据二氧化碳反演鲁棒性的方法 | |
CN114296061A (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 | |
CN113255148A (zh) | 基于modis产品数据估算全天气气温及其时空分布方法 | |
CN102346247B (zh) | Hj-1b b08的有效波段宽度计算方法及定标方法 |
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 |