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 PDF

Info

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
Application number
CN202211314489.0A
Other languages
English (en)
Other versions
CN115374390A (zh
Inventor
吴骅
李秀娟
倪丽
李召良
周成虎
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.)
Suzhou Zhongketianqi Remote Sensing Technology Co ltd
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Suzhou Zhongketianqi Remote Sensing Technology Co ltd
Institute of Geographic Sciences and Natural Resources of CAS
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 Suzhou Zhongketianqi Remote Sensing Technology Co ltd, Institute of Geographic Sciences and Natural Resources of CAS filed Critical Suzhou Zhongketianqi Remote Sensing Technology Co ltd
Priority to CN202211314489.0A priority Critical patent/CN115374390B/zh
Publication of CN115374390A publication Critical patent/CN115374390A/zh
Application granted granted Critical
Publication of CN115374390B publication Critical patent/CN115374390B/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
    • 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

一种高光谱热红外地表温度和发射率波谱协同反演方法
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：
Figure 222125DEST_PATH_IMAGE001
其中，
Figure 744373DEST_PATH_IMAGE002
为星上亮温，
Figure 177628DEST_PATH_IMAGE003
为黑体在星上亮温
Figure 127130DEST_PATH_IMAGE002
和高光谱通道
Figure 278626DEST_PATH_IMAGE004
处对应的星上光谱辐亮度数据，
Figure 604565DEST_PATH_IMAGE005
为高光谱通道
Figure 892327DEST_PATH_IMAGE004
的地表发射率模拟数据，
Figure 278309DEST_PATH_IMAGE006
为高光谱通道
Figure 526887DEST_PATH_IMAGE004
的大气透过率，
Figure 515572DEST_PATH_IMAGE007
为地表温度模拟数据，
Figure 798786DEST_PATH_IMAGE008
为黑体在地表温度模拟数据
Figure 214723DEST_PATH_IMAGE007
和高光谱通道
Figure 950598DEST_PATH_IMAGE004
处对应的地表光谱辐亮度，
Figure 742974DEST_PATH_IMAGE009
为高光谱通道
Figure 880694DEST_PATH_IMAGE004
处对应的大气下行辐亮度，
Figure 733112DEST_PATH_IMAGE010
为高光谱通道
Figure 956283DEST_PATH_IMAGE004
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：
Figure 549420DEST_PATH_IMAGE011
其中，
Figure 541647DEST_PATH_IMAGE012
为星上亮温的残差值，
Figure 299387DEST_PATH_IMAGE013
为地表发射率的残差，
Figure 9854DEST_PATH_IMAGE014
为地表温度的残差，
Figure 144032DEST_PATH_IMAGE015
为大气透过率的残差，
Figure 990766DEST_PATH_IMAGE016
为大气下行辐亮度的残差，
Figure 184987DEST_PATH_IMAGE017
为大气上行辐亮度的残差，
Figure 117171DEST_PATH_IMAGE018
为地表发射率的权重系数，
Figure 55040DEST_PATH_IMAGE019
为地表温度的权重系数，
Figure 756279DEST_PATH_IMAGE020
为大气透过率的权重系数，
Figure 121402DEST_PATH_IMAGE021
为大气下行辐亮度的权重系数，
Figure 540882DEST_PATH_IMAGE022
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：
Figure 157808DEST_PATH_IMAGE023
其中，
Figure 103767DEST_PATH_IMAGE024
为星上亮温的残差矩阵，
Figure 515157DEST_PATH_IMAGE025
为地表和大气参数的反演值的增量矩阵，
Figure 546567DEST_PATH_IMAGE026
为线性化辐射传输方程的权重系数矩阵，
Figure 701605DEST_PATH_IMAGE025
和
Figure 505000DEST_PATH_IMAGE026
的构成如下：
Figure 87291DEST_PATH_IMAGE027
Figure 605997DEST_PATH_IMAGE028
。
进一步地，所述步骤S42中星上亮温的残差矩阵
Figure 299147DEST_PATH_IMAGE024
具体值的计算公式为：
Figure 219698DEST_PATH_IMAGE029
其中，
Figure 707311DEST_PATH_IMAGE030
为星上亮温的估计值，由地表和大气参数的估计值代入辐射传输方程计算得到，
Figure 713313DEST_PATH_IMAGE002
为星上亮温观测值；
权重系数矩阵
Figure 210154DEST_PATH_IMAGE026
的计算公式为：
Figure 985212DEST_PATH_IMAGE031
Figure 909305DEST_PATH_IMAGE032
Figure 137024DEST_PATH_IMAGE033
Figure 171977DEST_PATH_IMAGE034
Figure 67120DEST_PATH_IMAGE035
Figure 427694DEST_PATH_IMAGE036
其中，
Figure 142710DEST_PATH_IMAGE026
为权重系数矩阵，
Figure 981353DEST_PATH_IMAGE037
为地表发射率的权重系数矩阵，
Figure 728073DEST_PATH_IMAGE019
为地表温度的权重系数矩阵，
Figure 993969DEST_PATH_IMAGE020
为大气透过率的权重系数矩阵，
Figure 196281DEST_PATH_IMAGE021
为大气下行辐亮度的权重系数矩阵，
Figure 573035DEST_PATH_IMAGE022
为大气上行辐亮度的权重系数矩阵，
Figure 177192DEST_PATH_IMAGE038
为地表发射率，
Figure 613989DEST_PATH_IMAGE039
为大气透过率，
Figure 303597DEST_PATH_IMAGE040
为大气下行辐亮度，
Figure 749622DEST_PATH_IMAGE041
为光谱辐亮度对星上亮温的偏导，
Figure 83651DEST_PATH_IMAGE042
为地表温度对应的光谱辐亮度，
Figure 815984DEST_PATH_IMAGE043
为星上亮温对应的光谱辐亮度，
Figure 868253DEST_PATH_IMAGE044
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：
Figure 977024DEST_PATH_IMAGE045
其中，
Figure 165559DEST_PATH_IMAGE024
为星上亮温的残差矩阵，
Figure 68793DEST_PATH_IMAGE026
为权重系数矩阵，
Figure 608359DEST_PATH_IMAGE046
为地表和大气参数的增量矩阵。
进一步地，所述步骤S44中代价函数的公式为：
Figure 255241DEST_PATH_IMAGE047
Figure 563863DEST_PATH_IMAGE048
Figure 640928DEST_PATH_IMAGE049
其中，
Figure 667790DEST_PATH_IMAGE050
为代价函数，
Figure 852783DEST_PATH_IMAGE051
为星上亮温增量的权重系数，
Figure 281491DEST_PATH_IMAGE052
为发射率标准差的权重系数，
Figure 792106DEST_PATH_IMAGE053
为星上亮温的增量，
Figure 40685DEST_PATH_IMAGE054
为特征通道
Figure 29370DEST_PATH_IMAGE055
的地表发射率的标准差，
Figure 312583DEST_PATH_IMAGE026
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，
Figure 728521DEST_PATH_IMAGE025
为地表和大气参数的增量矩阵，
Figure 464396DEST_PATH_IMAGE024
为星上亮温的残差矩阵，
Figure 256772DEST_PATH_IMAGE056
为基于L曲线准则的正则化参数，
Figure 394492DEST_PATH_IMAGE057
为边界约束矩阵，
Figure 981331DEST_PATH_IMAGE058
为所选的ASTER发射率样本库中第
Figure 470081DEST_PATH_IMAGE059
个样本的特征通道
Figure 675935DEST_PATH_IMAGE055
的地表发射率，
Figure 792795DEST_PATH_IMAGE060
为第
Figure 691481DEST_PATH_IMAGE059
个样本的特征通道
Figure 523652DEST_PATH_IMAGE061
的地表发射率，
Figure 267617DEST_PATH_IMAGE062
为第
Figure 504564DEST_PATH_IMAGE059
个样本的特征通道
Figure 308571DEST_PATH_IMAGE063
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：
Figure 896548DEST_PATH_IMAGE064
其中，
Figure 444204DEST_PATH_IMAGE065
为特征通道的地表和大气参数反演值，
Figure 535656DEST_PATH_IMAGE066
为特征通道的初始地表温度、初始地表发射率和初始大气参数，
Figure 776145DEST_PATH_IMAGE067
为特征通道的最优增量值。
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：
Figure 320259DEST_PATH_IMAGE001
其中，
Figure 671606DEST_PATH_IMAGE002
为星上亮温，
Figure 617565DEST_PATH_IMAGE003
为黑体在星上亮温
Figure 28955DEST_PATH_IMAGE002
和高光谱通道
Figure 60365DEST_PATH_IMAGE004
处对应的星上光谱辐亮度数据，
Figure 949823DEST_PATH_IMAGE005
为高光谱通道
Figure 156814DEST_PATH_IMAGE004
的地表发射率模拟数据，
Figure 863738DEST_PATH_IMAGE006
为高光谱通道
Figure 257811DEST_PATH_IMAGE004
的大气透过率，
Figure 78524DEST_PATH_IMAGE007
为地表温度模拟数据，
Figure 608862DEST_PATH_IMAGE008
为黑体在地表温度模拟数据
Figure 486688DEST_PATH_IMAGE007
和高光谱通道
Figure 368057DEST_PATH_IMAGE004
处对应的地表光谱辐亮度，
Figure 786268DEST_PATH_IMAGE009
为高光谱通道
Figure 561326DEST_PATH_IMAGE004
处对应的大气下行辐亮度，
Figure 219841DEST_PATH_IMAGE010
为高光谱通道
Figure 854085DEST_PATH_IMAGE004
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：
Figure 748091DEST_PATH_IMAGE011
其中，
Figure 784180DEST_PATH_IMAGE012
为星上亮温的残差值，
Figure 738230DEST_PATH_IMAGE013
为地表发射率的残差，
Figure 594190DEST_PATH_IMAGE014
为地表温度的残差，
Figure 557467DEST_PATH_IMAGE015
为大气透过率的残差，
Figure 916904DEST_PATH_IMAGE016
为大气下行辐亮度的残差，
Figure 327942DEST_PATH_IMAGE017
为大气上行辐亮度的残差，
Figure 405620DEST_PATH_IMAGE018
为地表发射率的权重系数，
Figure 172587DEST_PATH_IMAGE019
为地表温度的权重系数，
Figure 917690DEST_PATH_IMAGE020
为大气透过率的权重系数，
Figure 479121DEST_PATH_IMAGE021
为大气下行辐亮度的权重系数，
Figure 44094DEST_PATH_IMAGE022
为大气上行辐亮度的权重系数；
星上亮温的残差值
Figure 349174DEST_PATH_IMAGE012
为星上亮温的残差矩阵
Figure 683203DEST_PATH_IMAGE024
的元素。
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：
Figure 415536DEST_PATH_IMAGE023
其中，
Figure 467805DEST_PATH_IMAGE024
为星上亮温的残差矩阵，
Figure 310997DEST_PATH_IMAGE025
为地表和大气参数的反演值的增量矩阵，
Figure 765112DEST_PATH_IMAGE026
为线性化辐射传输方程的权重系数矩阵，
Figure 668346DEST_PATH_IMAGE025
和
Figure 207911DEST_PATH_IMAGE026
的构成如下：
Figure 995739DEST_PATH_IMAGE027
Figure 428994DEST_PATH_IMAGE028
。
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；
步骤S42中星上亮温的残差矩阵
Figure 378496DEST_PATH_IMAGE024
具体值的计算公式为：
Figure 267342DEST_PATH_IMAGE029
其中，
Figure 593281DEST_PATH_IMAGE030
为星上亮温的估计值，由地表和大气参数的估计值代入辐射传输方程计算得到，
Figure 881043DEST_PATH_IMAGE002
为星上亮温观测值；
权重系数矩阵
Figure 1445DEST_PATH_IMAGE026
的计算公式为：
Figure 640237DEST_PATH_IMAGE068
Figure 504288DEST_PATH_IMAGE032
Figure 646556DEST_PATH_IMAGE033
Figure 203440DEST_PATH_IMAGE034
Figure 63948DEST_PATH_IMAGE035
Figure 731690DEST_PATH_IMAGE036
其中，
Figure 994044DEST_PATH_IMAGE026
为权重系数矩阵，
Figure 721829DEST_PATH_IMAGE037
为地表发射率的权重系数矩阵，
Figure 69633DEST_PATH_IMAGE019
为地表温度的权重系数矩阵，
Figure 275487DEST_PATH_IMAGE020
为大气透过率的权重系数矩阵，
Figure 392347DEST_PATH_IMAGE021
为大气下行辐亮度的权重系数矩阵，
Figure 291033DEST_PATH_IMAGE022
为大气上行辐亮度的权重系数矩阵，
Figure 857625DEST_PATH_IMAGE038
为地表发射率，
Figure 867169DEST_PATH_IMAGE039
为大气透过率，
Figure 104116DEST_PATH_IMAGE040
为大气下行辐亮度，
Figure 908124DEST_PATH_IMAGE041
为光谱辐亮度对星上亮温的偏导，
Figure 230521DEST_PATH_IMAGE042
为地表温度对应的光谱辐亮度，
Figure 778177DEST_PATH_IMAGE043
为星上亮温对应的光谱辐亮度，
Figure 869629DEST_PATH_IMAGE044
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：
Figure 110118DEST_PATH_IMAGE045
其中，
Figure 795177DEST_PATH_IMAGE024
为星上亮温的残差矩阵，
Figure 271158DEST_PATH_IMAGE026
为权重系数矩阵，
Figure 92483DEST_PATH_IMAGE046
为地表和大气参数的增量矩阵。
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：
Figure 628507DEST_PATH_IMAGE047
Figure 535283DEST_PATH_IMAGE048
Figure 549375DEST_PATH_IMAGE049
其中，
Figure 490786DEST_PATH_IMAGE050
为代价函数，
Figure 932132DEST_PATH_IMAGE051
为星上亮温增量的权重系数，
Figure 326204DEST_PATH_IMAGE052
为发射率标准差的权重系数，
Figure 146917DEST_PATH_IMAGE053
为星上亮温的增量，
Figure 942835DEST_PATH_IMAGE054
为特征通道
Figure 820661DEST_PATH_IMAGE055
的地表发射率的标准差，
Figure 702030DEST_PATH_IMAGE026
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，
Figure 323504DEST_PATH_IMAGE025
为地表和大气参数的增量矩阵，
Figure 973928DEST_PATH_IMAGE024
为星上亮温的残差矩阵，
Figure 22655DEST_PATH_IMAGE056
为基于L曲线准则的正则化参数，
Figure 391320DEST_PATH_IMAGE057
为边界约束矩阵，
Figure 550906DEST_PATH_IMAGE058
为所选的ASTER发射率样本库中第
Figure 55836DEST_PATH_IMAGE059
个样本的特征通道
Figure 275465DEST_PATH_IMAGE055
的地表发射率，
Figure 131426DEST_PATH_IMAGE060
为第
Figure 829123DEST_PATH_IMAGE059
个样本的特征通道
Figure 454140DEST_PATH_IMAGE061
的地表发射率，
Figure 844670DEST_PATH_IMAGE062
为第
Figure 187926DEST_PATH_IMAGE059
个样本的特征通道
Figure 830260DEST_PATH_IMAGE063
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：
Figure 431487DEST_PATH_IMAGE064
其中，
Figure 868285DEST_PATH_IMAGE065
为特征通道的地表和大气参数反演值，
Figure 557892DEST_PATH_IMAGE066
为特征通道的初始地表温度、初始地表发射率和初始大气参数，
Figure 472759DEST_PATH_IMAGE067
为特征通道的最优增量值。
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。
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。
2.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S1中辐射传输方程为：
Figure 683322DEST_PATH_IMAGE001
其中，
Figure 265613DEST_PATH_IMAGE002
为星上亮温，
Figure 659685DEST_PATH_IMAGE003
为黑体在星上亮温
Figure 556097DEST_PATH_IMAGE004
和高光谱通道
Figure 617594DEST_PATH_IMAGE005
处对应的星上辐亮度数据，
Figure 571119DEST_PATH_IMAGE006
为高光谱通道
Figure 718067DEST_PATH_IMAGE005
的地表发射率模拟数据，
Figure 949328DEST_PATH_IMAGE007
为高光谱通道
Figure 803014DEST_PATH_IMAGE005
的大气透过率，
Figure 992687DEST_PATH_IMAGE008
为地表温度模拟数据，
Figure 564614DEST_PATH_IMAGE009
为黑体在地表温度模拟数据
Figure 599566DEST_PATH_IMAGE008
和高光谱通道
Figure 370076DEST_PATH_IMAGE005
处对应的地表光谱辐亮度，
Figure 668333DEST_PATH_IMAGE010
为高光谱通道
Figure 789873DEST_PATH_IMAGE005
处对应的大气下行辐亮度，
Figure 566199DEST_PATH_IMAGE011
为高光谱通道
Figure 453865DEST_PATH_IMAGE005
处对应的大气上行辐亮度。
3.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S41中线性化后的辐射传输方程形式为：
Figure 719761DEST_PATH_IMAGE012
其中，
Figure 701DEST_PATH_IMAGE013
为星上亮温的残差值，
Figure 908614DEST_PATH_IMAGE014
为地表发射率的残差，
Figure 591399DEST_PATH_IMAGE015
为地表温度的残差，
Figure 28197DEST_PATH_IMAGE016
为大气透过率的残差，
Figure 858750DEST_PATH_IMAGE017
为大气下行辐亮度的残差，
Figure 976878DEST_PATH_IMAGE018
为大气上行辐亮度的残差，
Figure 842066DEST_PATH_IMAGE019
为地表发射率的权重系数，
Figure 653027DEST_PATH_IMAGE020
为地表温度的权重系数，
Figure 705297DEST_PATH_IMAGE021
为大气透过率的权重系数，
Figure 689434DEST_PATH_IMAGE022
为大气下行辐亮度的权重系数，
Figure 343881DEST_PATH_IMAGE023
为大气上行辐亮度的权重系数。
4.根据权利要求3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，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：
Figure 388061DEST_PATH_IMAGE024
其中，
Figure 927626DEST_PATH_IMAGE025
为星上亮温的残差矩阵，
Figure 653137DEST_PATH_IMAGE026
为地表和大气参数的增量矩阵，
Figure 227338DEST_PATH_IMAGE027
为线性化辐射传输方程的权重系数矩阵，
Figure 176839DEST_PATH_IMAGE028
和
Figure 141384DEST_PATH_IMAGE027
的构成如下：
Figure 732903DEST_PATH_IMAGE029
Figure 99293DEST_PATH_IMAGE030
。
5.根据权利要求4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S42中星上亮温的残差矩阵
Figure 485275DEST_PATH_IMAGE031
具体值的计算公式为：
Figure 202695DEST_PATH_IMAGE032
其中，
Figure 63816DEST_PATH_IMAGE033
为星上亮温的估计值，由地表和大气参数的估计值代入辐射传输方程计算得到，
Figure 347030DEST_PATH_IMAGE034
为星上亮温观测值；
权重系数矩阵
Figure 107176DEST_PATH_IMAGE027
的计算公式为：
Figure 843051DEST_PATH_IMAGE035
Figure 510792DEST_PATH_IMAGE036
Figure 851775DEST_PATH_IMAGE037
Figure 845139DEST_PATH_IMAGE038
Figure 802730DEST_PATH_IMAGE039
Figure 477425DEST_PATH_IMAGE040
其中，
Figure 735231DEST_PATH_IMAGE027
为权重系数矩阵，
Figure 571600DEST_PATH_IMAGE019
为地表发射率的权重系数，
Figure 282067DEST_PATH_IMAGE020
为地表温度的权重系数，
Figure 554261DEST_PATH_IMAGE021
为大气透过率的权重系数，
Figure 604257DEST_PATH_IMAGE022
为大气下行辐亮度的权重系数，
Figure 939423DEST_PATH_IMAGE023
为大气上行辐亮度的权重系数，
Figure 871607DEST_PATH_IMAGE041
为地表发射率，
Figure 888105DEST_PATH_IMAGE042
为大气透过率，
Figure 120503DEST_PATH_IMAGE043
为大气下行辐亮度，
Figure 298674DEST_PATH_IMAGE044
为光谱辐亮度对星上亮温的偏导，
Figure 249313DEST_PATH_IMAGE045
为地表温度对应的光谱辐亮度，
Figure 803922DEST_PATH_IMAGE046
为星上亮温对应的光谱辐亮度，
Figure 890827DEST_PATH_IMAGE047
为光谱辐亮度对地表温度的偏导。
6.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S43中计算反演值的增量的公式为：
Figure 36637DEST_PATH_IMAGE048
其中，
Figure 143746DEST_PATH_IMAGE049
为星上亮温的残差矩阵，
Figure 564363DEST_PATH_IMAGE050
为权重系数矩阵，
Figure 443458DEST_PATH_IMAGE051
为地表和大气参数的增量矩阵。
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：
Figure 25749DEST_PATH_IMAGE052
Figure 685400DEST_PATH_IMAGE053
Figure 581812DEST_PATH_IMAGE054
其中，
Figure 377730DEST_PATH_IMAGE055
为代价函数，
Figure 396501DEST_PATH_IMAGE056
为星上亮温增量的权重系数，
Figure 215553DEST_PATH_IMAGE057
为发射率标准差的权重系数，
Figure 977972DEST_PATH_IMAGE058
为星上亮温的增量，
Figure 628396DEST_PATH_IMAGE059
为特征通道
Figure 755752DEST_PATH_IMAGE060
的地表发射率的标准差，
Figure 387066DEST_PATH_IMAGE061
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，
Figure 422019DEST_PATH_IMAGE062
为地表和大气参数的增量矩阵，
Figure 130212DEST_PATH_IMAGE063
为星上亮温的残差矩阵，
Figure 490786DEST_PATH_IMAGE064
为基于L曲线准则的正则化参数，
Figure 284429DEST_PATH_IMAGE065
为边界约束矩阵，
Figure 123072DEST_PATH_IMAGE066
为所选的ASTER发射率样本库中第
Figure 13668DEST_PATH_IMAGE067
个样本的特征通道
Figure 482827DEST_PATH_IMAGE068
的地表发射率，
Figure 826083DEST_PATH_IMAGE069
为第
Figure 202838DEST_PATH_IMAGE067
个样本的特征通道
Figure 885623DEST_PATH_IMAGE070
的地表发射率，
Figure 588000DEST_PATH_IMAGE071
为第
Figure 376744DEST_PATH_IMAGE067
个样本的特征通道
Figure 557189DEST_PATH_IMAGE072
的地表发射率。
8.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S5中特征通道的参数反演值的公式为：
Figure 422377DEST_PATH_IMAGE073
其中，
Figure 233338DEST_PATH_IMAGE074
为特征通道的地表和大气参数反演值，
Figure 285608DEST_PATH_IMAGE075
为特征通道的初始地表温度、初始地表发射率和初始大气参数，
Figure 473007DEST_PATH_IMAGE076
为特征通道的最优增量值。
CN202211314489.0A 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 Active CN115374390B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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