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 PDF

Info

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
Application number
CN202310114996.8A
Other languages
English (en)
Other versions
CN115964958A (zh
Inventor
谢馨瑶
李爱农
邬昌林
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.)
Institute of Mountain Hazards and Environment IMHE of CAS
Original Assignee
Institute of Mountain Hazards and Environment IMHE 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 Institute of Mountain Hazards and Environment IMHE of CAS filed Critical Institute of Mountain Hazards and Environment IMHE of CAS
Priority to CN202310114996.8A priority Critical patent/CN115964958B/zh
Publication of CN115964958A publication Critical patent/CN115964958A/zh
Application granted granted Critical
Publication of CN115964958B publication Critical patent/CN115964958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

通量观测足迹与遥感像元空间尺度的匹配方法
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
Figure SMS_1
及其无量纲侧风积分足迹函数/>
Figure SMS_2
。
Figure SMS_3
；
Figure SMS_4
；
其中，
Figure SMS_6
为观测高度，/>
Figure SMS_8
为粗糙度长度，/>
Figure SMS_9
为边界层高度，/>
Figure SMS_7
为无量纲风切变的积分形式，/>
Figure SMS_10
为侧风积分足迹函数，/>
Figure SMS_11
为上风向距离。分别对/>
Figure SMS_12
和侧风距离标准差
Figure SMS_5
进行拟合：
Figure SMS_13
；
Figure SMS_14
；
其中，
Figure SMS_17
、/>
Figure SMS_20
、/>
Figure SMS_24
、/>
Figure SMS_16
、/>
Figure SMS_22
、/>
Figure SMS_26
和/>
Figure SMS_27
为拟合参数，/>
Figure SMS_15
为侧向风速标准差，/>
Figure SMS_19
为摩擦风速，/>
Figure SMS_23
为由稳定度确定的比例因子。通量足迹函数/>
Figure SMS_25
可表示为侧向通量积分函数
Figure SMS_18
和侧风分布函数/>
Figure SMS_21
的乘积：
Figure SMS_28
；
Figure SMS_29
；
其中，
Figure SMS_30
为上风向距离，/>
Figure SMS_31
为侧风距离，/>
Figure SMS_32
为测量高度。
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。
剔除不符合FFP模型适用条件的半小时观测数据：①
Figure SMS_33
（/>
Figure SMS_34
为莫宁奥布霍夫长度）；②/>
Figure SMS_35
（/>
Figure SMS_36
为边界层高度，单位米）；③/>
Figure SMS_37
。利用半小时观测数据输入FFP模型得到每半小时的通量足迹。
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；
具体的，足迹函数
Figure SMS_38
通过侧风积分足迹函数/>
Figure SMS_39
和侧风分布函数/>
Figure SMS_40
来表示：
Figure SMS_41
；
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。
在实际应用过程中，对LPDM-B足迹模型的足迹结果进行扩展，包括对
Figure SMS_42
与
Figure SMS_43
进行扩展；
对于
Figure SMS_46
的扩展，首先需要选择与其相关的扩展参数。第一个是仪器高度/>
Figure SMS_48
，第二个是边界层高度/>
Figure SMS_50
，还有观测高度处的风速/>
Figure SMS_45
，摩擦风速/>
Figure SMS_49
。根据这些扩展参数，可以得到4个量纲组/>
Figure SMS_51
、/>
Figure SMS_52
、/>
Figure SMS_44
与/>
Figure SMS_47
，则：
Figure SMS_53
；
Figure SMS_54
；
Figure SMS_55
；
Figure SMS_56
；
侧风积分足迹的无量纲形式
Figure SMS_57
表示为无量纲上风距离/>
Figure SMS_58
的函数，即
Figure SMS_59
，其中/>
Figure SMS_60
，/>
Figure SMS_61
。将上述的扩展过程应用于LPDM-B足迹模型模拟的所有足迹结果。
对于
Figure SMS_62
的扩展，/>
Figure SMS_63
可以表示为与侧风距离标准差/>
Figure SMS_64
有关的高斯分布函数。因此，通量足迹/>
Figure SMS_65
可以表示为：
Figure SMS_66
；
类似于
Figure SMS_67
的扩展，选择与/>
Figure SMS_68
相关的扩展参数，包括侧风距离/>
Figure SMS_69
,侧风距离标准差/>
Figure SMS_70
，摩擦风速/>
Figure SMS_71
和侧向风速标准差/>
Figure SMS_72
，建立了另外3个量纲组：
Figure SMS_73
；
Figure SMS_74
；
Figure SMS_75
；
根据该量纲组，得到侧风距离标准差
Figure SMS_76
和侧风距离/>
Figure SMS_77
的无量纲形式，并将上述扩展过程应用于LPDM-B足迹模型模拟的所有足迹结果。
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；
具体的，扩展后的LPDM-B足迹模型的侧风积分足迹
Figure SMS_78
集合足够连续，可以使用单个代表函数对其拟合，在这里使用幂函数和指数函数的集合形式来对/>
Figure SMS_79
进行拟合，得到足迹参数化的拟合函数：
Figure SMS_80
；
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：
Figure SMS_81
；
由此可得：
Figure SMS_82
Figure SMS_83
Figure SMS_84
；
其中
Figure SMS_85
是伽玛函数，/>
Figure SMS_86
。
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：
Figure SMS_87
；
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。
具体的，将无量纲（即足迹参数化）的足迹结果转换到实际尺度可通过四个量纲组实现（即
Figure SMS_88
和/>
Figure SMS_89
）。
最终，二维足迹函数可以通过将侧风分散函数（通量足迹
Figure SMS_90
）应用于侧风积分足迹来实现。由输入的扩展参数（/>
Figure SMS_91
、/>
Figure SMS_92
、/>
Figure SMS_93
、/>
Figure SMS_94
、/>
Figure SMS_95
或粗糙度长度/>
Figure SMS_96
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：
（1）利用
Figure SMS_97
评估指定x处的无量纲上风距离/>
Figure SMS_98
；
（2）推导
Figure SMS_99
和/>
Figure SMS_100
（通过在足迹参数化的拟合函数和足迹函数的拟合函数中插入无量纲上风距离/>
Figure SMS_101
来代表/>
Figure SMS_102
）；
（3）结合
Figure SMS_103
和/>
Figure SMS_104
推导侧风积分足迹函数/>
Figure SMS_105
和侧风距离标准差/>
Figure SMS_106
；
（4）利用通量足迹
Figure SMS_107
评估指定x和y处的通量足迹/>
Figure SMS_108
。
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。
CN202310114996.8A 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 Active CN115964958B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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