CN115964958B - 通量观测足迹与遥感像元空间尺度的匹配方法 - Google Patents
通量观测足迹与遥感像元空间尺度的匹配方法 Download PDFInfo
- Publication number
- CN115964958B CN115964958B CN202310114996.8A CN202310114996A CN115964958B CN 115964958 B CN115964958 B CN 115964958B CN 202310114996 A CN202310114996 A CN 202310114996A CN 115964958 B CN115964958 B CN 115964958B
- Authority
- CN
- China
- Prior art keywords
- data
- footprint
- flux
- site
- remote sensing
- 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
- 230000004907 flux Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 67
- 238000005315 distribution function Methods 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012876 topography Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000004141 dimensional analysis Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明属于生态遥感技术领域,涉及通量观测足迹与遥感像元空间尺度的匹配方法,包括:获取站点数据与遥感数据;预处理,从站点数据中提取站点观测通量数据,从站点数据与遥感数据中提取地表异质性因子数据;通量足迹模拟,得到通量足迹模型;对站点数据与遥感数据中提取的地表异质性因子进行通量足迹加权;构建用于表征地表异质性因子数据与站点观测通量数据之间非线性关系的机器学习模型;根据机器学习模型与地表异质性因子数据,得到与中等空间分辨率像元尺度匹配的通量值。本发明考虑了地表异质性对通量观测在空间尺度方面的影响,结合机器学习模型将高时空异质性的通量观测足迹与中等空间分辨率遥感像元进行尺度匹配。
Description
技术领域
本发明属于生态遥感技术领域,具体而言,涉及通量观测足迹与遥感像元空间尺度的匹配方法。
背景技术
地表与大气之间的能量和物质交换(通量)主要通过大气边界层中的湍流活动实现。作为直接测定湍流通量的微气象学技术,涡度相关方法(Eddy Covariance,EC)已广泛用于研究大气与陆地生态系统间碳、水和能量的交换过程。一般来说,通量观测值局限于站点尺度上的贡献源,大尺度上,涉及通量观测的空间代表性表征了给定空间范围内的通量观测信息反映目标区域实际状况的能力。其中,通量观测值的贡献源与遥感像元间的相关性,即站点尺度上通量观测数据反映遥感像元尺度上通量交换过程的程度是通量观测研究中的重要一环。
近年来,全球通量数据集已广泛用作驱动信息来生产通量数据产品以及用作验证信息来评估地球系统模型和遥感产品的可靠性。一般来说,通量数据产品和地球系统模型常常以遥感像元尺度呈现,站点通量数据在像元尺度的空间代表性将影响数据产品的质量和模型评估验证的精度。涡度相关数据具有丰富的时间尺度,但在空间上受贡献源区变化的影响通常表现出异质性。不同时间上的风速风向、下垫面地表特征以及大气湍流状态等因素都会影响通量源区的范围,同时,通量足迹在空间上表现出不对称性,在时序上表现出不重叠性;而遥感像元在空间上则较为规则(一般为正方形或矩形),因此,通量足迹和遥感像元的空间尺度存在不匹配的问题。
目前,全球通量产品通常为中低空间分辨率数据集,基于通量观测的全球通量产品验证将不可避免的存在空间尺度不匹配的问题。现有的塔基通量观测足迹与遥感像元空间尺度的匹配方法通常未考虑地表异质性对通量观测的影响或仅仅通过不同植被类型占比和面积平均等方法来进行空间尺度的匹配,且未考虑通量观测足迹与地表异质性特征间存在的非线性响应关系。
发明内容
为了解决通量观测足迹和遥感像元存在空间尺度不匹配以及现有通量产品未考虑通量观测足迹与地表异质性特征间存在的非线性响应关系问题,本发明提供通量观测足迹与遥感像元空间尺度的匹配方法,包括:
获取站点数据与遥感数据;
对所述站点数据与所述遥感数据进行预处理,从所述站点数据中提取站点观测通量数据,从所述站点数据与所述遥感数据中提取地表异质性因子数据;
采用足迹模型进行通量足迹模拟,得到通量足迹模型;
将从所述站点数据提取的地表异质性因子数据输入所述通量足迹模型,对所述站点数据中提取的所述地表异质性因子进行通量足迹加权;
计算从所述遥感数据提取的地表异质性因子数据的通量足迹权重矩阵,对所述遥感数据中提取的所述地表异质性因子进行通量足迹加权;
将通量足迹加权后的各所述地表异质性因子数据作为建模因子,构建用于表征所述地表异质性因子数据与所述站点观测通量数据之间非线性关系的机器学习模型;
根据所述机器学习模型与所述地表异质性因子数据,得到与中等空间分辨率像元尺度匹配的通量值。
本发明的有益效果是:本发明采用通量足迹模型结合机器学习表征地表异质性与通量观测间的非线性关系,考虑了地表异质性对通量观测在空间尺度方面的影响,结合机器学习算法将高时空异质性的通量观测足迹与中等空间分辨率遥感像元进行尺度匹配,有助于通量产品和遥感模型在山区的验证,有助于全球山地通量产品的生产及对遥感地球模型的改进以适用于全球山地的通量模拟。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述站点数据包括站点观测元数据与气象数据;所述遥感数据包括用于描述站点地形的地形数据与用于描述植被特征的遥感影像产品数据。
进一步,所述站点观测元数据包括仪器观测高度数据和植被高度数据;所述地形数据包括基于卫星影像生成的数字高程模型数据;对所述地形数据预处理,包括:利用三次卷积法对所述数字高程模型数据重采样至设定空间分辨率;利用设定空间分辨率的所述数字高程模型数据计算得到站点下垫面环境内设定空间分辨率的坡度和坡向数据。
进一步,对所述站点数据与所述遥感数据进行预处理,从所述站点数据中提取站点观测通量数据,从所述站点数据与所述遥感数据中提取地表异质性因子数据,包括:
对所述站点数据中的湍流数据进行预处理,得到所述站点观测通量数据;
所述地表异质性因子数据包括植被异质性因子数据、地形异质性因子数据与气象因子数据;
从所述遥感数据的地形数据中获取所述地形异质性因子数据,从所述遥感数据的遥感影像产品数据中获取所述植被异质性因子数据;将所述植被异质性因子数据空间聚合至中等空间分辨率;
从所述站点数据中提取所述气象因子数据。
进一步,所述植被异质性因子数据包括增强型植被指数、植被叶面积指数时序数据与土地覆被数据。
进一步,对所述站点数据中的湍流数据进行预处理,得到所述站点观测通量数据,包括:
野点数据去除,数据延迟时间校正、坐标旋转、频率响应修正、超声虚温修正与空气密度变化修正,获得多个设定时间长度的所述站点通量观测数据。
进一步,采用足迹模型进行通量足迹模拟,得到通量足迹模型,包括:
基于量纲分析对输入参数重构得到侧风积分足迹函数与侧风分布函数;
根据所述侧风积分足迹函数与所述侧风分布函数,建立基于拉格朗日随机粒子扩散的LPDM-B足迹模型;
基于量纲分析对所述侧风积分足迹函数与所述侧风分布函数确定足迹函数分别进行扩展;
使用代表函数分别对扩展后的所述侧风积分足迹函数与所述侧风分布函数进行拟合,得到足迹参数化函数;
使用无约束非线性优化算法将所述足迹参数化函数拟合到扩展的足迹集合中,得到拟合参数;
根据所述拟合参数确定所述足迹函数的拟合函数;
将所述拟合函数转换到实际尺度,得到所述通量足迹模型。
进一步,基于量纲分析对所述侧风积分足迹函数与所述侧风分布函数确定足迹函数分别进行扩展,包括:
选择所述侧风积分足迹函数的扩展参数,根据所述侧风积分足迹函数的扩展参数得到第一量纲组,确定所述侧风积分足迹函数的无量纲形式的函数表达式,得到扩展后的所述侧风积分足迹函数;
选择所述侧风分布函数的扩展参数,根据所述侧风分布函数的扩展参数得到第二量纲组;根据所述第二量纲组得到侧风距离标准差与侧风距离的无量纲表达式,确定扩展后的所述侧风分布函数。
进一步,将通量足迹加权后的各所述地表异质性因子数据作为建模因子,构建用于表征所述地表异质性因子数据与所述站点观测通量数据之间非线性关系的机器学习模型,包括:
构建用于表征地表异质性因子数据与站点观测通量数据之间的关系的深度信念网络模型,并进行预训练;
根据所述深度信念网络模型,确定所述地表异质性因子数据的初始权重;
基于所述初始权重,利用人工神经网络构建用于表征所述地表异质性因子数据与所述站点观测通量数据之间非线性关系的机器学习模型。
附图说明
图1为本发明提供的通量观测足迹与遥感像元空间尺度的匹配方法的原理图;
图2为本发明提供的通量观测足迹与遥感像元空间尺度的匹配方法的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如附图1所示,为解决上述技术问题,本实施例提供通量观测足迹与遥感像元空间尺度的匹配方法,包括:
获取站点数据与遥感数据;
对站点数据与遥感数据进行预处理,从站点数据中提取站点观测通量数据,从站点数据与遥感数据中提取地表异质性因子数据;
采用足迹模型进行通量足迹模拟,得到通量足迹模型;
将从站点数据提取的地表异质性因子数据输入通量足迹模型,对站点数据中提取的地表异质性因子进行通量足迹加权;
计算从遥感数据提取的地表异质性因子数据的通量足迹权重矩阵,对遥感数据中提取的地表异质性因子进行通量足迹加权;
将通量足迹加权后的各地表异质性因子数据作为建模因子,构建用于表征地表异质性因子数据与站点观测通量数据之间非线性关系的机器学习模型;
根据机器学习模型与地表异质性因子数据,得到与中等空间分辨率像元尺度匹配的通量值。
可选的,站点数据包括站点观测元数据与气象数据;遥感数据包括用于描述站点地形的地形数据与用于描述植被特征的遥感影像产品数据。
通量足迹模型能够刻画通量观测贡献区的时空变化特征,其模型输入数据包括:站点观测元数据与气象数据;气象数据包括摩擦风速、莫宁奥布霍夫长度、边界层高度、侧向风速标准差和观测高度处的风速风向。
可选的,站点观测元数据包括仪器观测高度数据和植被高度数据;地形数据包括基于卫星影像生成的数字高程模型数据;对地形数据预处理,包括:利用三次卷积法对数字高程模型数据重采样至设定空间分辨率;利用设定空间分辨率的数字高程模型数据计算得到站点下垫面环境内设定空间分辨率的坡度和坡向数据。
可选的,对站点数据与遥感数据进行预处理,从站点数据中提取站点观测通量数据,从站点数据与遥感数据中提取地表异质性因子数据,包括:
对站点数据中的湍流数据进行预处理,得到站点观测通量数据;在实际应用过程中,基于涡度协方差数据处理软件(Eddypro)对涡动相关仪原始采集的高频(大于或等于10赫兹)的湍流数据进行预处理:主要包括野点数据去除,数据延迟时间校正、坐标旋转、频率响应修正、超声虚温修正与空气密度变化(Webb-Pearman-Leuning,WPL)修正,处理时取平均时段为30分钟,由此可获得每半小时的站点观测通量数据,基于站点观测通量数据质量标识剔除低质量的数据。
地表异质性因子数据包括植被异质性因子数据、地形异质性因子数据与气象因子数据;本发明简化为如附图2所示的过程。
从遥感数据的地形数据中获取地形异质性因子数据,从遥感数据的遥感影像产品数据中获取植被异质性因子数据;将植被异质性因子数据空间聚合至中等空间分辨率(500m);地形数据为基于ALOS卫星影像生成的12.5m数字高程模型(Digital ElevationModel,DEM)数据,利用三次卷积法(Cubic Convolution)重采样至10m空间分辨率;利用10m分辨率DEM数据计算得到站点下垫面环境内10m的坡度和坡向数据;
从站点数据中提取气象因子数据。
可选的,植被异质性因子数据包括增强型植被指数、植被叶面积指数(Leaf AreaIndex,LAI)时序数据与土地覆被(Land Cover,LC)数据。利用无人机多光谱和Sentinel-2数据,计算增强型植被指数(Enhanced Vegetation Index,EVI);基于UofT(University ofToronto) LAI算法、STSG(Spatial-Temporal Savitzky-Golay)模型和STNLFFM(Spatialand Temporal NonlocalFilter based Fusion Model,基于时空非局部滤波的融合模型)从MODIS(Moderate-resolutionImaging Spectroradiometer,中分辨率成像光谱仪)和Sentinel-2反射率数据获取10m的植被LAI时序数据。
采用足迹模型进行通量足迹模拟,得到通量足迹模型,过程包括:
二维参数化足迹模型(Flux footprint prediction,FFP模型)是利用拉格朗日随机法建立的近似解析模型,属于多足迹模式结合的足迹模型,广泛适用于不同的大气条件和观测高度。该模型基于量纲分析对输入参数重构得到无量纲上风距离函数及其无量纲侧风积分足迹函数/>。
计算了通量观测的足迹范围,对于通量足迹的模拟计算除采用上述二维参数化足迹模型还可以采用足迹模型如:Hsieh模型和Kormann&Meixner(KM)模型等。
可选的,采用足迹模型进行通量足迹模拟,得到通量足迹模型,包括:
基于量纲分析对输入参数重构得到侧风积分足迹函数与侧风分布函数;
根据侧风积分足迹函数与侧风分布函数,建立基于拉格朗日随机粒子扩散的LPDM-B足迹模型;
基于量纲分析对侧风积分足迹函数与侧风分布函数确定足迹函数分别进行扩展,包括:
选择侧风积分足迹函数的扩展参数,根据侧风积分足迹函数的扩展参数得到第一量纲组,确定侧风积分足迹函数的无量纲形式的函数表达式,得到扩展后的侧风积分足迹函数;
选择侧风分布函数的扩展参数,根据侧风分布函数的扩展参数得到第二量纲组;根据第二量纲组得到侧风距离标准差与侧风距离的无量纲表达式,确定扩展后的侧风分布函数。
使用代表函数分别对扩展后的侧风积分足迹函数与侧风分布函数进行拟合,得到足迹参数化函数;
拟合参数a、b、c、d的推导取决于以下约束条件:
积分必须满足积分条件:
由此可得:
使用无约束非线性优化算法将足迹参数化函数拟合到扩展的足迹集合中,得到拟合参数;
具体的,使用无约束非线性优化算法(Nelder-Mead算法)将足迹参数化的拟合函数拟合到扩展的足迹集合中,由此得到拟合参数a、b、c、d。
根据拟合参数确定足迹函数的拟合函数;
具体的,根据扩展后LPDM-B足迹模型模拟结果进行拟合得到足迹函数的拟合函数:
根据扩展后LPDM-B模型模拟结果进行拟合即可得到即可得到参数ac、bc、cc。
将拟合函数转换到实际尺度,得到通量足迹模型。
最终,二维足迹函数可以通过将侧风分散函数(通量足迹)应用于侧风积分足迹来实现。由输入的扩展参数(/>、/>、/>、/>、/>或粗糙度长度/>或奥布霍夫长度L),任意(x,y)处的二维足迹可由以下步骤获得:
可选的,将通量足迹加权后的各地表异质性因子数据作为建模因子,构建用于表征地表异质性因子数据与站点观测通量数据之间非线性关系的机器学习模型,包括:
构建用于表征地表异质性因子数据与站点观测通量数据之间的关系的深度信念网络模型,并进行预训练;
根据深度信念网络模型,确定地表异质性因子数据的初始权重;
基于初始权重,利用人工神经网络构建用于表征地表异质性因子数据与站点观测通量数据之间非线性关系的机器学习模型。可选的,结合深度信念网络和人工神经网络构建地表异质性特征与通量观测之间的非线性关系,除上述实施方式外,还可以使用其他的机器学习模型构建这种非线性关系如:随机森林和支持向量机等。
本发明采用通量足迹模型结合机器学习表征地表异质性与通量观测间的非线性关系,考虑了地表异质性对通量观测在空间尺度方面的影响,结合机器学习算法将高时空异质性的通量观测足迹与中等空间分辨率遥感像元进行尺度匹配,有助于通量产品和遥感模型在山区的验证,有助于全球山地通量产品的生产及对遥感地球模型的改进以适用于全球山地的通量模拟。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,包括:
获取站点数据与遥感数据;
对所述站点数据与所述遥感数据进行预处理,从所述站点数据中提取站点观测通量数据,从所述站点数据与所述遥感数据中提取地表异质性因子数据;
采用足迹模型进行通量足迹模拟,得到通量足迹模型;
将从所述站点数据提取的地表异质性因子数据输入所述通量足迹模型,对所述站点数据中提取的所述地表异质性因子进行通量足迹加权;
计算从所述遥感数据提取的地表异质性因子数据的通量足迹权重矩阵,对所述遥感数据中提取的所述地表异质性因子进行通量足迹加权;
将通量足迹加权后的各所述地表异质性因子数据作为建模因子,构建用于表征所述地表异质性因子数据与所述站点观测通量数据之间非线性关系的机器学习模型;
根据所述机器学习模型与所述地表异质性因子数据,得到与中等空间分辨率像元尺度匹配的通量值。
2.根据权利要求1所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,所述站点数据包括站点观测元数据与气象数据;所述遥感数据包括用于描述站点地形的地形数据与用于描述植被特征的遥感影像产品数据。
3.根据权利要求2所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,所述站点观测元数据包括仪器观测高度数据和植被高度数据;所述地形数据包括基于卫星影像生成的数字高程模型数据;对所述地形数据预处理,包括:利用三次卷积法对所述数字高程模型数据重采样至设定空间分辨率;利用设定空间分辨率的所述数字高程模型数据计算得到站点下垫面环境内设定空间分辨率的坡度和坡向数据。
4.根据权利要求1所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,对所述站点数据与所述遥感数据进行预处理,从所述站点数据中提取站点观测通量数据,从所述站点数据与所述遥感数据中提取地表异质性因子数据,包括:
对所述站点数据中的湍流数据进行预处理,得到所述站点观测通量数据;
所述地表异质性因子数据包括植被异质性因子数据、地形异质性因子数据与气象因子数据;
从所述遥感数据的地形数据中获取所述地形异质性因子数据,从所述遥感数据的遥感影像产品数据中获取所述植被异质性因子数据;将所述植被异质性因子数据空间聚合至中等空间分辨率;
从所述站点数据中提取所述气象因子数据。
5.根据权利要求4所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,所述植被异质性因子数据包括增强型植被指数、植被叶面积指数时序数据与土地覆被数据。
6.根据权利要求1所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,对所述站点数据中的湍流数据进行预处理,得到所述站点观测通量数据,包括:
野点数据去除,数据延迟时间校正、坐标旋转、频率响应修正、超声虚温修正与空气密度变化修正,获得多个设定时间长度的所述站点通量观测数据。
7.根据权利要求1所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,采用足迹模型进行通量足迹模拟,得到通量足迹模型,包括:
基于量纲分析对输入参数重构得到侧风积分足迹函数与侧风分布函数;
根据所述侧风积分足迹函数与所述侧风分布函数,建立基于拉格朗日随机粒子扩散的LPDM-B足迹模型;
基于量纲分析对所述侧风积分足迹函数与所述侧风分布函数确定足迹函数分别进行扩展;
使用代表函数分别对扩展后的所述侧风积分足迹函数与所述侧风分布函数进行拟合,得到足迹参数化函数;
使用无约束非线性优化算法将所述足迹参数化函数拟合到扩展的足迹集合中,得到拟合参数;
根据所述拟合参数确定所述足迹函数的拟合函数;
将所述拟合函数转换到实际尺度,得到所述通量足迹模型。
8.根据权利要求7所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,基于量纲分析对所述侧风积分足迹函数与所述侧风分布函数确定足迹函数分别进行扩展,包括:
选择所述侧风积分足迹函数的扩展参数,根据所述侧风积分足迹函数的扩展参数得到第一量纲组,确定所述侧风积分足迹函数的无量纲形式的函数表达式,得到扩展后的所述侧风积分足迹函数;
选择所述侧风分布函数的扩展参数,根据所述侧风分布函数的扩展参数得到第二量纲组;根据所述第二量纲组得到侧风距离标准差与侧风距离的无量纲表达式,确定扩展后的所述侧风分布函数。
9.根据权利要求1所述通量观测足迹与遥感像元空间尺度的匹配方法,其特征在于,将通量足迹加权后的各所述地表异质性因子数据作为建模因子,构建用于表征所述地表异质性因子数据与所述站点观测通量数据之间非线性关系的机器学习模型,包括:
构建用于表征地表异质性因子数据与站点观测通量数据之间的关系的深度信念网络模型,并进行预训练;
根据所述深度信念网络模型,确定所述地表异质性因子数据的初始权重;
基于所述初始权重,利用人工神经网络构建用于表征所述地表异质性因子数据与所述站点观测通量数据之间非线性关系的机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114996.8A CN115964958B (zh) | 2023-02-15 | 2023-02-15 | 通量观测足迹与遥感像元空间尺度的匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114996.8A CN115964958B (zh) | 2023-02-15 | 2023-02-15 | 通量观测足迹与遥感像元空间尺度的匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115964958A CN115964958A (zh) | 2023-04-14 |
CN115964958B true CN115964958B (zh) | 2023-06-30 |
Family
ID=85899572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310114996.8A Active CN115964958B (zh) | 2023-02-15 | 2023-02-15 | 通量观测足迹与遥感像元空间尺度的匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964958B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406715A (zh) * | 2014-12-15 | 2015-03-11 | 重庆市勘测院 | 一种遥感估算地表感热/潜热通量的精度评价方法及系统 |
CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN110058326A (zh) * | 2019-05-23 | 2019-07-26 | 中国环境科学研究院 | 一种小型移动涡动相关湍流水热通量观测系统及方法 |
CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
CN113406667A (zh) * | 2021-07-07 | 2021-09-17 | 武汉大学 | 基于星载激光雷达获取城市co2格网化通量的方法及系统 |
CN113486000A (zh) * | 2021-09-08 | 2021-10-08 | 中国测绘科学研究院 | 基于多源数据和深度学习的地表蒸散发数据降尺度方法 |
-
2023
- 2023-02-15 CN CN202310114996.8A patent/CN115964958B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406715A (zh) * | 2014-12-15 | 2015-03-11 | 重庆市勘测院 | 一种遥感估算地表感热/潜热通量的精度评价方法及系统 |
CN106599548A (zh) * | 2016-11-23 | 2017-04-26 | 中国科学院遥感与数字地球研究所 | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 |
CN110058326A (zh) * | 2019-05-23 | 2019-07-26 | 中国环境科学研究院 | 一种小型移动涡动相关湍流水热通量观测系统及方法 |
CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
CN113406667A (zh) * | 2021-07-07 | 2021-09-17 | 武汉大学 | 基于星载激光雷达获取城市co2格网化通量的方法及系统 |
CN113486000A (zh) * | 2021-09-08 | 2021-10-08 | 中国测绘科学研究院 | 基于多源数据和深度学习的地表蒸散发数据降尺度方法 |
Non-Patent Citations (2)
Title |
---|
Using High Resolution LiDAR Data and a Flux Footprint Parameterization to Scale Evapotranspiration Estimates to Lower Pixel Resolutions;George Sutherland 等;《Canadian Journal of Remote Sensing 》;第43卷(第2期);215-229 * |
遥感估算地表蒸散发真实性检验研究进展;张圆 等;《遥感学报》;975-999 * |
Also Published As
Publication number | Publication date |
---|---|
CN115964958A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
CN111898543A (zh) | 一种融合几何感知与图像理解的建筑物自动提取方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN106355643A (zh) | 一种高速公路三维实景道路模型的生成方法 | |
CN112113545B (zh) | 一种基于多维海面信息的内波振幅反演方法 | |
CN102855609A (zh) | 集成高光谱数据和稀疏声纳数据的浅水水下地形构建方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN110765885B (zh) | 一种基于异源夜光遥感影像的城市扩张检测方法及装置 | |
CN114898089B (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
Song et al. | Remote sensing image spatiotemporal fusion via a generative adversarial network with one prior image pair | |
CN112001121B (zh) | 基于太阳辐射的大面积平缓地区预测性土壤制图方法 | |
Febvre et al. | Training neural mapping schemes for satellite altimetry with simulation data | |
CN115964958B (zh) | 通量观测足迹与遥感像元空间尺度的匹配方法 | |
CN115797184B (zh) | 一种地表水体超分辨率提取方法 | |
CN112668615A (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
Aird et al. | Region-based convolutional neural network for wind turbine wake characterization in complex terrain | |
CN115952743A (zh) | 耦合随机森林和hasm的多源降水数据协同降尺度方法和系统 | |
CN113779863A (zh) | 一种基于数据挖掘的地表温度降尺度方法 | |
Li et al. | Enhanced Deep Learning Super-Resolution for Bathymetry Data | |
Fanelli et al. | Deep Learning for Super-Resolution of Mediterranean Sea Surface Temperature Fields | |
CN115860288B (zh) | 一种风能潜在地区预测方法及预测系统 | |
Brochet et al. | Multivariate Emulation of Kilometer-Scale Numerical Weather Predictions with Generative Adversarial Networks: A Proof of Concept | |
Waqas et al. | An Integrated Approach for 3D Solar Potential Assessment at the City Scale |
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 |