CN116011342B - 一种高分辨率热红外地表温度全天候重建方法 - Google Patents
一种高分辨率热红外地表温度全天候重建方法 Download PDFInfo
- Publication number
- CN116011342B CN116011342B CN202310078867.8A CN202310078867A CN116011342B CN 116011342 B CN116011342 B CN 116011342B CN 202310078867 A CN202310078867 A CN 202310078867A CN 116011342 B CN116011342 B CN 116011342B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- resolution
- regression
- clear sky
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000005855 radiation Effects 0.000 claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000002360 preparation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 19
- 239000002689 soil Substances 0.000 claims description 17
- 238000002310 reflectometry Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000012876 topography Methods 0.000 claims description 8
- HQHACWYQWDKBOZ-UHFFFAOYSA-N 1-nitroso-azacyclotridecane Chemical compound O=NN1CCCCCCCCCCCC1 HQHACWYQWDKBOZ-UHFFFAOYSA-N 0.000 claims description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000012368 scale-down model Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000179 transient infrared spectroscopy Methods 0.000 description 1
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
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种高分辨率热红外地表温度全天候重建方法，该方法包括以下步骤：S1、多源遥感数据获取与处理；S2、理论晴空地表温度重建；S3、云下地表温度补偿；S4、地表温度空间降尺度。本发明提出了具有物理约束的适用于全天任意时刻的地表温度修正参数化方案，利用辐射值变化进行云下地表温度补偿，实现了晴空和有云情况下的高精度地表温度重构；本发明针对重构的低分辨率时空连续观测数据，在晴空或无云情况下采取不同的模拟数据制备策略，获得地表温度和回归核配套数据集，在此基础上分情况训练地表温度降尺度模型，进一步对粗分辨率像元进行分解，从而获得高空间分辨率鲁棒性强的地表温度产品。
Description
技术领域
本发明涉及一种重建方法，尤其涉及一种高分辨率热红外地表温度全天候重建方法。
背景技术
地表温度(LST)作为表征地表状态的一个关键物理参数，在区域和全球范围内密切影响着地表能量平衡和水循环过程，在全球气候变化、地表通量估算、土壤水分估算、农业旱情监测、城市热环境、地热资源探测等研究领域得到了广泛的应用。具有热红外通道的卫星遥感是获取全球和区域尺度地表温度的唯一途径，精确的地表温度不仅有助于评估地表能量与水文平衡、热惯量和土壤湿度，而且有助于获取地球表面温度并掌握其长期的变化规律。随着遥感技术的不断发展，不同类型的星载热红外传感器能够提供多源、多尺度的地表温度产品。
然而，受制于卫星载荷以及热红外传感器硬件设计、轨道参数等因素，现阶段的卫星传感器仍难以在空间分辨率和时间分辨率上达到平衡，很大程度上限制了地表温度产品在更精细尺度上的应用。以常用的卫星数据为例，Landsat TIRS(空间分辨率100m)以及ASTER(空间分辨率90m)尽管能够提供高空间分辨率热红外通道数据，但重返周期均为16天；MODIS(空间分辨率1km)、AVHRR(空间分辨率1.1km)每天能提供两次数据，但空间分辨率太低。因此，目前单一传感器仍无法获取同时具备高时间、空间分辨率的热红外通道数据。
此外，由于热红外通道容易受到如云、雨等不利天气条件的干扰，对同一地理位置的有效观测时间间隔实际更长，造成了地表温度产品的严重缺失，更加限制了高时空分辨率无缝地表温度产品的获取，无法满足精细化遥感监测中对高时空地表温度数据的需求。目前常用的统计回归填补法通过建立地表温度与归一化植被指数、高程等与地表温度相关的附属变量之间的相关关系，插补地表温度的缺失值，但该模型泛化能力较低且依赖于回归变量的选择。
综上可知，现有方法主要存在以下两大技术缺陷：第一，现有地表温度重构方法通常采用时空插值的方法，估算结果为理论晴空地表温度，与实际的云下地表温度存在偏差；第二，现有地表温度全天候产品空间分辨率通常较低，难以满足城市热环境监测等精细尺度上的应用需求，而地表温度降尺度模型都是在晴空条件下构建，在有云条件下精度难以保证。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种高分辨率热红外地表温度全天候重建方法，基于现有热红外地表温度全天候重建技术的局限性，提出了一种高分辨率热红外地表温度全天候重建方法，能够有效实现高精度高时空分辨率无缝地表温度数据的获取。
本发明主要解决的技术问题包括以下两点：
第一，针对现有静止卫星热红外地表温度产品大面积缺失问题，考虑地表温度的时空动态变化特征，重建观测缺失区域的理论晴空地表温度，并且构建适用于全天任意时刻的修正值参数化方案，实现基于物理过程的云下地表温度偏差值补偿，提升地表温度时空重构精度；
第二，针对重构的时空连续观测数据，进一步根据晴空或无云情况采取不同模拟数据制备策略，获得地表温度和回归核配套数据集，进一步将粗分辨率像元进行分解，实现高精度地表温度空间降尺度，从而获得高空间分辨率全天候地表温度产品。
为了解决以上技术问题，本发明采用的技术方案是：一种高分辨率热红外地表温度全天候重建方法，该方法包括以下步骤：
S1、多源遥感数据获取与处理；
S2、理论晴空地表温度重建；
S3、云下地表温度补偿；
S4、地表温度空间降尺度。
优选的，步骤S1中，结合地表温度重构的空间分辨率和时间尺度需求，获取的数据包括：
A.气象资料数据，包括：研究区内低空间分辨率静止气象卫星观测逐小时的辐射资料、大气水汽含量以及云顶温度、大气强迫数据集；
B.低分辨率地表温度产品；
C.高分辨率遥感辅助数据，包括研究区经纬度、数字高程模型、地表覆盖类型、MODIS或者Landsat波段反射率产品和叶面积指数产品；
数据处理：由高分辨率波段反射率产品分别计算得到所需光谱指数，包括归一化植被指数NDVI、改进的归一化差异水体指数MNDWI、归一化差值含水指数NDMI、归一化差异干旱指数NMDI；由数字高程模型DEM提取高程、坡度、坡向信息。
优选的，步骤S2中，从时间和空间两个角度对原始低分辨率静止观测数据进行晴空温度重建，包括：基于植被物候变化的温度循环模型重建和基于空间的多源辅助数据地表温度重建两部分，同时利用不同模型的估计误差，对不同方法的重建值进行加权，最终得到理论晴空条件时空连续逐小时公里级分辨率地表温度产品。
优选的，步骤S2中，基于植被物候变化的温度循环模型重建，具体过程如下：
选用基于植被物候变化的年温度循环PATC模型，该模型将低空间分辨率静止气象卫星年内每日的所有同一时刻的有效观测作为输入，利用归一化植被指数NDVI和站点气温的插值结果作为辅助数据进行参数率定：
其中，TPATC(d)是PATC模型预测的第d天温度，fv、fnov分别表示混合像元中植被组分的比例和非植被组分的比例，利用NDVI进行估算；Tv,o、Av、θv分别是植被组分的年平均温度、温度振幅和相位；Tnov,o、Anov、θnov分别是非植被组分的年平均温度、温度振幅和相位；ΔT表示地表温度的波动，通过与气温的波动进行回归得到。
优选的，步骤S2中，基于空间的多源辅助数据地表温度重建，具体过程如下：
基于地表温度产品和其它生物物理或地表参数的相关性，采用地理加权回归的方式GWR构建地表参数集和地表温度的空间相关关系:
TSR＝GWR(NDVI,albedo,DEM)(2)
其中，TSR为空间重构后的地表温度，GWR为地理加权回归模型，NDVI为归一化植被指数、albedo为MODIS反照率、DEM为数字高程模型；通过真实晴空数据确定最优回归带宽，在保证精度的情况下尽量减小窗口大小以保证计算效率。
优选的，为了达到时空重构优势互补，采取融合时间重构和空间重构两种方式进行地表温度缺失值填补；利用晴空数据模拟不同的时序和空间温度数据缺失情况，构建时间和空间重构模型在不同下垫面类型的模拟精度查找表；将两种估计方法的误差作为权重计算因子，得到高精度理论晴空地表温度融合重构结果：
其中，Tclear即最终重构的理论晴空地表温度，σ为单一模型估计结果的均方根误差。
优选的，步骤S3中，在步骤S2的基础上参数化地表净辐射，并获取云下地表温度偏差的改正补偿项，因此需要根据实际情况进行补偿，即有云条件下的地表温度表示为：
Tcloud＝Tclear+ΔT(4)
其中，Tclear即为上一步骤重构的理论晴空地表温度，ΔT为地表温度改正项；
地表温度改正项ΔT通过下式计算得到：
其中，ΔZ为土壤厚度，一般设置为固定值0.1m；kg为土壤导热率，由公式(6)计算得到；系数β在下垫面类型为水体、岩石或者雪时，分别为定值0.15、0.05和0.10，在下垫面为植被时，通过公式(7)计算得到；ΔSWnet和ΔLWnet分别为短波净辐射差值以及长波净辐射差值，由公式(8)计算得到；
土壤导热率kg通过下式计算得到：
其中，ΔZ为土壤厚度，一般设置为固定值0.1m；和/>分别为月均正午和日出时间的土壤热度值；/>和/>分别为月均正午和日出时间的地表温度值；
系数β通过下式计算得到：
β＝0.5exp(-2.13(0.88-0.78exp(-0.6LAI))) (7)
其中，LAI为叶面积指数；
短波净辐射差值ΔSWnet以及长波净辐射差ΔLWnet分别利用下列公式计算：
其中，ε是地表发射率，σ为斯蒂芬玻尔兹曼常数，ΔT为地表温度改正项；αnear为临近晴空像元的反照率，αcloud为目标待补偿像元的反照率；SW↓near为临近晴空像元的短波下行辐射，SW↓cloud为目标待补偿像元的短波下行辐射；Tclear为上一步骤中重构的理论晴空地表温度，Tnear为临近晴空像元的地表温度；LW↓near为临近晴空像元的长波下行辐射，LW↓cloud为目标待补偿像元的长波下行辐射，分别由公式(9)计算得到；当观测时间为夜间，短波净辐射差值ΔSWnet直接忽略；
其中，CWV为大气水汽含量，CTT为云上温度，均可从低分辨率静止气象卫星的大气资料产品中直接获取；Tclear为上一步骤中重构的理论晴空地表温度，Tnear为临近晴空像元的地表温度，ΔT为地表温度改正项；gnear和gcloud分别为临近晴空像元的以及目标待补偿像元的长波上行辐射的估算模型，该模型采用陆面过程模型生成的配套晴空和有云条件下的模拟数据并结合机器学习算法训练来构建。
优选的，结合公式(5)至式(9)，对任意时刻的静止卫星的云天修正值进行计算，具体过程为：首先假设ΔT初始值为0，采用迭代求精的方式，先代入公式(8)和(9)求取长波净辐射差和目标待补偿像元的长波下行辐射，然后带入公式(5)求取地表温度改正项；继续重复上述过程，直至后一次的地表温度改正项与前一次的地表温度改正项变化小于特定的域值为止，最后利用公式(4)计算得到云下地表温度补偿的理论修正值Tcloud。
优选的，步骤S4中，分别针对晴空和有云条件进行地表温度空间降尺度：
在晴空条件下，直接收集地表温度以及配套的波段反射率、遥感光谱指数、地形因子、地表覆盖类型、地理坐标这五类回归核；
在有云条件下，将大气强迫数据集以及地表反射率、地形因子、地表覆盖类型、地理坐标作为陆面过程模型的输入，模拟云天条件下的地表温度，同时保存输入数据集中五类回归核；
通过上述晴空和有云条件下不同的数据制备策略，分别形成晴空和有云条件下的地表温度和回归核配套数据集；
随后，利用基于回归的LST降尺度方法对低分辨率数据进行空间降尺度。
优选的，基于回归的LST降尺度方法的基本假设是在不同尺度下，LST与回归核的回归关系不变，该回归关系如下式所示：
T＝fl((ρi)l,(si)l,(ti)l,(ci)l,(ri)l) (10)
其中，(ρi)l代表低空间分辨率的蓝光、红光、绿光、近红外、短波红外波段反射率，(si)l代表遥感光谱指数NDVI、MNDWI、NDMI、NMDI，(ti)l代表地形因子高程、坡度、坡向，(ci)l代表地表覆盖类型，(ri)l代表地理坐标经度、纬度；下标i指的是该类回归核下的第i个因子；下标l代表低空间分辨率；fl代表回归核与LST之间在低空间分辨上建立的回归关系；
对于地表覆盖类型产品，采用独热编码对不同的地类进行编码，将分类变量转换为二进制向量；
上述回归关系在低空间分辨率上的模型误差表示为：
其中，Tl为低空间分辨率的LST真实值，为利用公式(10)得到的低空间分辨率的LST预测值；
然后，对低空间分辨率上的模型误差进行双线性空间插值，获取回归关系在高空间分辨率上的模型误差/>
最后，基于不同分辨率下尺度不变的假设，将低分辨率构建的回归关系fl应用于高分辨率回归核，得到高分辨率地表温度预测值，并在高空间分辨率的预测结果上加入插值后的模型误差从而得到高空间分辨率的地表温度降尺度结果，表达为下式：
其中，为经过误差校正后的高空间分辨率的LST预测值；(ρi)h,(si)h,(ti)h,(ci)h,(ri)h分别代表高空间分辨率的波段反射率、遥感光谱指数、地形因子、地表覆盖类型、地理坐标这五类回归核；下标i指的是该类回归核下的第i个因子；下标h代表高空间分辨率；fl代表回归核与LST之间在低空间分辨上建立的回归关系；/>为回归关系在高空间分辨率上的模型误差。
本发明提出了具有物理约束的适用于全天任意时刻的地表温度修正参数化方案，利用辐射值变化进行云下地表温度补偿，实现了晴空和有云情况下的高精度地表温度重构；
本发明针对重构的低分辨率时空连续观测数据，在晴空或无云情况下采取不同的模拟数据制备策略，获得地表温度和回归核配套数据集，在此基础上分情况训练地表温度降尺度模型，进一步对粗分辨率像元进行分解，从而获得高空间分辨率鲁棒性强的地表温度产品。
本发明提出了一种高分辨率热红外地表温度全天候重建方法，针对温度产品中云污染或者质量问题造成的大量缺失值，从时间和空间两个角度对缺失数据进行理论晴空地表温度重建，并且吸纳时空重构模型各自的优点，实现了全天候高精度理论晴空地表温度的获取，同时通过引入地表净辐射替代短波净辐射，通过物理约束的方式来修正理论晴空条件下的地表温度偏差，提高了云下地表温度重建的精度；此外，针对重建的低分辨率地表温度数据，考虑晴空和有云条件下不同下垫面地表温度空间分布的差异，分情况差别化进行地表温度空间降尺度建模，同时使用多种机器学习的变量优选结果，提高了模型在不同下垫面类型或气候条件下空间降尺度的精度以及适用性，并获取了高空间分辨率地表温度产品。
附图说明
图1为本发明的总流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提出的高分辨率热红外地表温度全天候重建方法，主要以静止气象卫星低空间分辨率地表温度产品为基础，协同多源遥感和气象资料数据，从时间和空间两个角度进行理论晴空的地表温度重建。接着，在此基础上参数化地表净辐射，并获取云下地表温度偏差的改正补偿项。然后，分别针对晴空和有云条件进行空间降尺度。最终，实现全天候、高空间分辨率、逐小时无缝的地表温度产品的精准获取。
本发明的总体流程图如图1所示，主要分为以下四个步骤：1)多源遥感数据获取与处理；2)理论晴空地表温度重建；3)云下地表温度补偿；4)地表温度空间降尺度。
S1、多源遥感数据获取与处理
结合地表温度重构的空间分辨率和时间尺度需求，所需的数据如下：
1)气象资料数据，包括：研究区内低空间分辨率静止气象卫星观测逐小时的辐射资料、大气水汽含量以及云顶温度、大气强迫数据集(长短波上下行辐射、气温、气压、湿度、风速等)；
2)低分辨率地表温度产品，例如：静止气象卫星FY-4A地表温度产品；
3)高分辨率遥感辅助数据，例如：研究区经纬度、数字高程模型、地表覆盖类型、MODIS或者Landsat波段反射率产品和叶面积指数产品。
由高分辨率波段反射率产品分别计算得到所需光谱指数，包括归一化植被指数(NDVI)、改进的归一化差异水体指数(MNDWI)、归一化差值含水指数(NDMI)、归一化差异干旱指数(NMDI)；由数字高程模型DEM提取高程、坡度、坡向信息。
S2、理论晴空地表温度的重建
本发明从时间和空间两个角度对原始低分辨率静止观测数据进行晴空温度重建，包括：基于植被物候变化的温度循环模型重建和基于空间的多源辅助数据地表温度重建两部分，同时利用不同模型的估计误差，对不同方法的重建值进行加权，最终得到理论晴空条件时空连续逐小时公里级分辨率地表温度产品。
一、基于植被物候变化的温度循环模型重建
基于时间信息重构方法选用基于植被物候变化的年温度循环(PATC)模型，在传统ATC模型的基础上，考虑像元的混合响应，以及植被的物候变化信息。该模型将低空间分辨率静止气象卫星年内每日的所有同一时刻的有效观测作为输入，利用归一化植被指数NDVI和站点气温的插值结果作为辅助数据进行参数率定：
其中，TPATC(d)是PATC模型预测的第d天温度，fv、fnov分别表示混合像元中植被组分的比例和非植被组分的比例，利用NDVI进行估算。Tv,o、Av、θv分别是植被组分的年平均温度、温度振幅和相位；Tnov,o、Anov、θnov分别是非植被组分的年平均温度、温度振幅和相位。ΔT表示地表温度的波动，通过与气温的波动进行回归得到。
二、基于空间的多源辅助数据地表温度重建
空间重构方法主要基于地表温度产品和其它生物物理或地表参数的相关性。采用地理加权回归的方式(GWR)构建地表参数集和地表温度的空间相关关系:
TSR＝GWR(NDVI,albedo,DEM)(2)
其中，TSR为空间重构后的地表温度，GWR为地理加权回归模型，NDVI为归一化植被指数、albedo为MODIS反照率、DEM为数字高程模型。通过真实晴空数据确定最优回归带宽，在保证精度的情况下尽量减小窗口大小以保证计算效率。
为了达到时空重构优势互补，采取融合时间重构和空间重构两种方式进行地表温度缺失值填补。由于两种方法采用不同的数据源，可以认为重构结果的误差分布是相互独立的。因此，可以利用晴空数据模拟不同的时序和空间温度数据缺失情况，构建时间和空间重构模型在不同下垫面类型的模拟精度查找表。将两种估计方法的误差作为权重计算因子，得到高精度理论晴空地表温度融合重构结果：
其中，Tclear即最终重构的理论晴空地表温度，σ为单一模型估计结果的均方根误差。
S3、云下地表温度补偿
上述重构的时空连续地表温度仅代表理论晴空条件下状况，还需要根据实际情况进行补偿，即有云条件下的地表温度可以表示为：
Tcloud＝Tclear+ΔT(4)
其中，Tclear即为上一步骤重构的理论晴空地表温度，ΔT为地表温度改正项。
地表温度改正项ΔT可通过下式获得：
其中，ΔZ为土壤厚度，一般设置为固定值0.1m；kg为土壤导热率，可以由公式(6)计算得到；系数β在下垫面类型为水体、岩石或者雪时，可分别为定值0.15、0.05和0.10，在下垫面为植被时，可通过公式(7)计算得到；ΔSWnet和ΔLWnet分别为短波净辐射差值以及长波净辐射差值，可由公式(8)计算得到。
土壤导热率kg可通过下式计算得到：
其中，ΔZ为土壤厚度，一般设置为固定值0.1m；和/>分别为月均正午和日出时间的土壤热度值；/>和/>分别为月均正午和日出时间的地表温度值。
系数β可通过下式计算得到：
β＝0.5exp(-2.13(0.88-0.78exp(-0.6LAI)))(7)
其中，LAI为叶面积指数。
短波净辐射差值ΔSWnet以及长波净辐射差ΔLWnet分别利用下列公式计算：
其中，ε是地表发射率，σ为斯蒂芬玻尔兹曼常数，ΔT为地表温度改正项；αnear为临近晴空像元的反照率，αcloud为目标待补偿像元(有云)的反照率；SW↓near为临近晴空像元的短波下行辐射，SW↓cloud为目标待补偿像元(有云)的短波下行辐射；Tclear为上一步骤中重构的理论晴空地表温度，Tnear为临近晴空像元的地表温度；LW↓near为临近晴空像元的长波下行辐射，LW↓cloud为目标待补偿像元(有云)的长波下行辐射，分别可由公式(9)计算得到；当观测时间为夜间，短波净辐射差值ΔSWnet可直接忽略。
其中，CWV为大气水汽含量，CTT为云上温度，均可以从低分辨率静止气象卫星的大气资料产品中直接获取；Tclear为上一步骤中重构的理论晴空地表温度，Tnear为临近晴空像元的地表温度，ΔT为地表温度改正项；gnear和gcloud分别为临近晴空像元的以及目标待补偿像元(有云)的长波上行辐射的估算模型，该模型可以采用陆面过程模型(例如：第5代陆面过程模型CLM5)生成的配套晴空和有云条件下的模拟数据并结合机器学习算法训练来构建。
结合式(5)至式(9)，即可对任意时刻的静止卫星的云天修正值进行计算。首先假设ΔT初始值为0，采用迭代求精的方式，先代入公式(8)和(9)求取长波净辐射差和目标待补偿像元(有云)的长波下行辐射，然后带入公式(5)求取地表温度改正项；随后继续上述过程，直至后一次的地表温度改正项与前一次的地表温度改正项变化小于特定的域值为止，如0.1K；最终利用公式(4)得到云下地表温度补偿的理论修正值Tcloud。
S4、地表温度空间降尺度
由于晴空和有云条件时地表温度和相关生物物理参量的关系并不一致，本发明在两种条件下采用不同的模拟数据制备策略，获得地表温度和回归核配套数据集。
在晴空条件下，直接收集地表温度以及配套的波段反射率、遥感光谱指数、地形因子、地表覆盖类型、地理坐标这五类回归核；在有云条件下，将大气强迫数据集(长短波上下行辐射、气温、气压、湿度、风速等大气参数)以及地表反射率、地形因子、地表覆盖类型、地理坐标作为陆面过程模型(例如第5代陆面过程模型CLM5)的输入，模拟云天条件下的地表温度，同时保存输入数据集中五类回归核。通过上述晴空和有云条件下不同的数据制备策略，分别形成晴空和有云条件下的地表温度和回归核配套数据集。
随后，利用基于回归的LST降尺度方法对低分辨率数据进行空间降尺度。基于回归的LST降尺度方法的基本假设是在不同尺度下，LST与回归核的回归关系不变，该回归关系如下式所示：
T＝fl((ρi)l,(si)l,(ti)l,(ci)l,(ri)l) (10)
其中，(ρi)l,(si)l,(ti)l,(ci)l,(ri)l分别代表低空间分辨率的波段反射率(蓝光,红光,绿光,近红外,短波红外)、遥感光谱指数(NDVI、MNDWI、NDMI、NMDI)、地形因子(高程、坡度、坡向)、地表覆盖类型、地理坐标(经度、纬度)这五类回归核；下标i指的是该类回归核下的第i个因子；下标l代表低空间分辨率；fl代表回归核与LST之间在低空间分辨上建立的回归关系。对于地表覆盖类型产品，采用独热编码对不同的地类进行编码，将分类变量转换为二进制向量。
上述回归关系在低空间分辨率上的模型误差可表示为：
其中，Tl为低空间分辨率的LST真实值，为利用公式(10)得到的低空间分辨率的LST预测值。
然后，对低空间分辨率上的模型误差进行双线性空间插值，获取回归关系在高空间分辨率上的模型误差/>
最后，基于不同分辨率下尺度不变的假设，将低分辨率构建的回归关系fl应用于高分辨率回归核，得到高分辨率地表温度预测值，并在高空间分辨率的预测结果上加入插值后的模型误差从而得到高空间分辨率的地表温度降尺度结果，可表达为下式：
其中，为经过误差校正后的高空间分辨率的LST预测值；(ρi)h,(si)h,(ti)h,(ci)h,(ri)h分别代表高空间分辨率的波段反射率、遥感光谱指数、地形因子、地表覆盖类型、地理坐标这五类回归核；下标i指的是该类回归核下的第i个因子；下标h代表高空间分辨率；fl代表回归核与LST之间在低空间分辨上建立的回归关系；/>为回归关系在高空间分辨率上的模型误差。
为了提高模型的精度以及丰富预测图像的空间信息，可采用多种机器习算法获取地表温度与辅助变量之间的回归关系，例如随机森林法、梯度提升回归树法、神经网络法等。同时，对每种回归模型，基于波段反射率、遥感光谱指数、地形因子、地表覆盖类型、地理坐标这五类不同回归核组合的平行实验结果，筛选最优参数组合，选择最优的机器学习算法来训练降尺度模型，进一步提升降尺度结果的鲁棒性。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (7)
1.一种高分辨率热红外地表温度全天候重建方法，其特征在于：该方法包括以下步骤：
S1、多源遥感数据获取与处理；
S2、理论晴空地表温度重建；具体过程为：
从时间和空间两个角度对原始低分辨率静止观测数据进行晴空温度重建，包括：基于植被物候变化的温度循环模型重建和基于空间的多源辅助数据地表温度重建两部分，同时利用不同模型的估计误差，对不同方法的重建值进行加权，最终得到理论晴空条件时空连续逐小时公里级分辨率地表温度产品；
为了达到时空重构优势互补，采取融合时间重构和空间重构两种方式进行地表温度缺失值填补；利用晴空数据模拟不同的时序和空间温度数据缺失情况，构建时间和空间重构模型在不同下垫面类型的模拟精度查找表；将两种估计方法的误差作为权重计算因子，得到高精度理论晴空地表温度融合重构结果：
其中，Tclear即最终重构的理论晴空地表温度，σ为单一模型估计结果的均方根误差；
S3、云下地表温度补偿；具体过程为：
在步骤S2的基础上参数化地表净辐射，并获取云下地表温度偏差的改正补偿项，因此需要根据实际情况进行补偿，即有云条件下的地表温度表示为：
Tcloud＝Tclear+ΔT (4)
其中，Tclear即为上一步骤重构的理论晴空地表温度，ΔT为地表温度改正项；
地表温度改正项ΔT通过下式计算得到：
其中，ΔZ为土壤厚度，一般设置为固定值0.1m；kg为土壤导热率，由公式(6)计算得到；系数β在下垫面类型为水体、岩石或者雪时，分别为定值0.15、0.05和0.10，在下垫面为植被时，通过公式(7)计算得到；ΔSWnet和ΔLWnet分别为短波净辐射差值以及长波净辐射差值，由公式(8)计算得到；
土壤导热率kg通过下式计算得到：
其中，ΔZ为土壤厚度，一般设置为固定值0.1m；和/>分别为月均正午和日出时间的土壤热度值；/>和/>分别为月均正午和日出时间的地表温度值；
系数β通过下式计算得到：
β＝0.5exp(-2.13(0.88-0.78exp(-0.6LAI))) (7)
其中，LAI为叶面积指数；
短波净辐射差值ΔSWnet以及长波净辐射差ΔLWnet分别利用下列公式计算：
其中，ε是地表发射率，σ为斯蒂芬玻尔兹曼常数，ΔT为地表温度改正项；αnear为临近晴空像元的反照率，αcloud为目标待补偿像元的反照率；SW↓near为临近晴空像元的短波下行辐射，SW↓cloud为目标待补偿像元的短波下行辐射；Tclear为上一步骤中重构的理论晴空地表温度，Tnear为临近晴空像元的地表温度；LW↓near为临近晴空像元的长波下行辐射，LW↓cloud为目标待补偿像元的长波下行辐射，分别由公式(9)计算得到；当观测时间为夜间，短波净辐射差值ΔSWnet直接忽略；
其中，CWV为大气水汽含量，CTT为云上温度，均可从低分辨率静止气象卫星的大气资料产品中直接获取；Tclear为上一步骤中重构的理论晴空地表温度，Tnear为临近晴空像元的地表温度，ΔT为地表温度改正项；gnear和gcloud分别为临近晴空像元的以及目标待补偿像元的长波上行辐射的估算模型，该模型采用陆面过程模型生成的配套晴空和有云条件下的模拟数据并结合机器学习算法训练来构建；
S4、地表温度空间降尺度：具体过程为：
在晴空条件下，直接收集地表温度以及配套的波段反射率、遥感光谱指数、地形因子、地表覆盖类型、地理坐标这五类回归核；
随后，利用基于回归的LST降尺度方法对低分辨率数据进行空间降尺度。
2.根据权利要求1所述的高分辨率热红外地表温度全天候重建方法，其特征在于：步骤S1中，结合地表温度重构的空间分辨率和时间尺度需求，获取的数据包括：
A.气象资料数据，包括：研究区内低空间分辨率静止气象卫星观测逐小时的辐射资料、大气水汽含量以及云顶温度、大气强迫数据集；
B.低分辨率地表温度产品；
C.高分辨率遥感辅助数据，包括研究区经纬度、数字高程模型、地表覆盖类型、MODIS或者Landsat波段反射率产品和叶面积指数产品；
数据处理：由高分辨率波段反射率产品分别计算得到所需光谱指数，包括归一化植被指数NDVI、改进的归一化差异水体指数MNDWI、归一化差值含水指数NDMI、归一化差异干旱指数NMDI；由数字高程模型DEM提取高程、坡度、坡向信息。
3.根据权利要求1所述的高分辨率热红外地表温度全天候重建方法，其特征在于：步骤S2中，基于植被物候变化的温度循环模型重建，具体过程如下：
选用基于植被物候变化的年温度循环PATC模型，该模型将低空间分辨率静止气象卫星年内每日的所有同一时刻的有效观测作为输入，利用归一化植被指数NDVI和站点气温的插值结果作为辅助数据进行参数率定：
其中，TPATC(d)是PATC模型预测的第d天温度，fv、fnov分别表示混合像元中植被组分的比例和非植被组分的比例，利用NDVI进行估算；Tv,o、Av、θv分别是植被组分的年平均温度、温度振幅和相位；Tnov,o、Anov、θnov分别是非植被组分的年平均温度、温度振幅和相位；ΔT表示地表温度的波动，通过与气温的波动进行回归得到。
4.根据权利要求3所述的高分辨率热红外地表温度全天候重建方法，其特征在于：步骤S2中，基于空间的多源辅助数据地表温度重建，具体过程如下：
基于地表温度产品和其它生物物理或地表参数的相关性，采用地理加权回归的方式GWR构建地表参数集和地表温度的空间相关关系:
TSR＝GWR(NDVI,albedo,DEM) (2)
其中，TSR为空间重构后的地表温度，GWR为地理加权回归模型，NDVI为归一化植被指数、albedo为MODIS反照率、DEM为数字高程模型；通过真实晴空数据确定最优回归带宽，在保证精度的情况下尽量减小窗口大小以保证计算效率。
5.根据权利要求1所述的高分辨率热红外地表温度全天候重建方法，其特征在于：结合公式(5)至式(9)，对任意时刻的静止卫星的云天修正值进行计算，具体过程为：首先假设ΔT初始值为0，采用迭代求精的方式，先代入公式(8)和(9)求取长波净辐射差和目标待补偿像元的长波下行辐射，然后带入公式(5)求取地表温度改正项；继续重复上述过程，直至后一次的地表温度改正项与前一次的地表温度改正项变化小于特定的域值为止，最后利用公式(4)计算得到云下地表温度补偿的理论修正值Tcloud。
6.根据权利要求1所述的高分辨率热红外地表温度全天候重建方法，其特征在于：步骤S4中，分别针对晴空和有云条件进行地表温度空间降尺度：
在有云条件下，将大气强迫数据集以及地表反射率、地形因子、地表覆盖类型、地理坐标作为陆面过程模型的输入，模拟云天条件下的地表温度，同时保存输入数据集中五类回归核；
通过上述晴空和有云条件下不同的数据制备策略，分别形成晴空和有云条件下的地表温度和回归核配套数据集。
7.根据权利要求6所述的高分辨率热红外地表温度全天候重建方法，其特征在于：基于回归的LST降尺度方法的基本假设是在不同尺度下，LST与回归核的回归关系不变，该回归关系如下式所示：
T＝fl((ρi)l,(si)l,(ti)l,(ci)l,(ri)l) (10)
其中，(ρi)l代表低空间分辨率的蓝光、红光、绿光、近红外、短波红外波段反射率，(si)l代表遥感光谱指数NDVI、MNDWI、NDMI、NMDI，(ti)l代表地形因子高程、坡度、坡向，(ci)l代表地表覆盖类型，(ri)l代表地理坐标经度、纬度；下标i指的是该类回归核下的第i个因子；下标l代表低空间分辨率；fl代表回归核与LST之间在低空间分辨上建立的回归关系；
对于地表覆盖类型产品，采用独热编码对不同的地类进行编码，将分类变量转换为二进制向量；
上述回归关系在低空间分辨率上的模型误差表示为：
其中，Tl为低空间分辨率的LST真实值，为利用公式(10)得到的低空间分辨率的LST预测值；
然后，对低空间分辨率上的模型误差进行双线性空间插值，获取回归关系在高空间分辨率上的模型误差/>
最后，基于不同分辨率下尺度不变的假设，将低分辨率构建的回归关系fl应用于高分辨率回归核，得到高分辨率地表温度预测值，并在高空间分辨率的预测结果上加入插值后的模型误差从而得到高空间分辨率的地表温度降尺度结果，表达为下式：
其中，为经过误差校正后的高空间分辨率的LST预测值；(ρi)h,(si)h,(ti)h,(ci)h,(ri)h分别代表高空间分辨率的波段反射率、遥感光谱指数、地形因子、地表覆盖类型、地理坐标这五类回归核；下标i指的是该类回归核下的第i个因子；下标h代表高空间分辨率；fl代表回归核与LST之间在低空间分辨上建立的回归关系；/>为回归关系在高空间分辨率上的模型误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310078867.8A CN116011342B (zh) | 2023-02-08 | 2023-02-08 | 一种高分辨率热红外地表温度全天候重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310078867.8A CN116011342B (zh) | 2023-02-08 | 2023-02-08 | 一种高分辨率热红外地表温度全天候重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116011342A CN116011342A (zh) | 2023-04-25 |
| CN116011342B true CN116011342B (zh) | 2023-07-21 |
Family
ID=86031933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310078867.8A Active CN116011342B (zh) | 2023-02-08 | 2023-02-08 | 一种高分辨率热红外地表温度全天候重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011342B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274831B (zh) * | 2023-09-04 | 2024-06-14 | 大连海事大学 | 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法 |
| CN116933664B (zh) * | 2023-09-15 | 2024-01-05 | 航天宏图信息技术股份有限公司 | 地表温度数据重构模型构建方法及地表温度数据重构方法 |
| CN117556383B (zh) * | 2023-10-13 | 2024-10-29 | 广东省科学院广州地理研究所 | 基于随机森林回归的海表温度遥感数据的空间降尺度方法 |
| CN117390969B (zh) * | 2023-12-05 | 2024-03-12 | 易智瑞信息技术有限公司 | 一种用于生成地表温度的方法、电子设备和存储介质 |
| CN117932559B (zh) * | 2024-03-19 | 2024-05-31 | 南方海洋科学与工程广东省实验室(珠海) | 静止卫星长时序地表温度和气温重建方法及系统 |
| CN118313469B (zh) * | 2024-06-06 | 2024-08-23 | 中国农业科学院农业资源与农业区划研究所 | 多源数据协同的组分温度反演方法与系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348107A (zh) * | 2019-07-08 | 2019-10-18 | 中国农业科学院农业资源与农业区划研究所 | 一种云下像元真实地表温度重建方法 |
| CN114218756A (zh) * | 2021-11-24 | 2022-03-22 | 中国农业科学院农业资源与农业区划研究所 | 一种基于地表温度年变化模型的云下地表温度重建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108761484A (zh) * | 2018-04-26 | 2018-11-06 | 江苏省气象台 | 一种基于多源卫星遥感数据的海雾监测方法 |
-
2023
- 2023-02-08 CN CN202310078867.8A patent/CN116011342B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348107A (zh) * | 2019-07-08 | 2019-10-18 | 中国农业科学院农业资源与农业区划研究所 | 一种云下像元真实地表温度重建方法 |
| CN114218756A (zh) * | 2021-11-24 | 2022-03-22 | 中国农业科学院农业资源与农业区划研究所 | 一种基于地表温度年变化模型的云下地表温度重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 近地表气温遥感反演方法综述;冷佩;廖前瑜;任超;李召良;;中国农业信息(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116011342A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116011342B (zh) | 一种高分辨率热红外地表温度全天候重建方法 | |
| Wu et al. | Spatially continuous and high-resolution land surface temperature product generation: A review of reconstruction and spatiotemporal fusion techniques | |
| Zhang et al. | A method based on temporal component decomposition for estimating 1-km all-weather land surface temperature by merging satellite thermal infrared and passive microwave observations | |
| Sun et al. | Reconstructing daily clear-sky land surface temperature for cloudy regions from MODIS data | |
| CN106909722B (zh) | 一种近地面气温的大面积精准反演方法 | |
| Xiao et al. | Long-time-series global land surface satellite leaf area index product derived from MODIS and AVHRR surface reflectance | |
| Nayak et al. | Estimation and analysis of terrestrial net primary productivity over India by remote-sensing-driven terrestrial biosphere model | |
| Song et al. | An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression | |
| Ma et al. | Generating gapless land surface temperature with a high spatio-temporal resolution by fusing multi-source satellite-observed and model-simulated data | |
| Wu et al. | Downscaling of urban land surface temperature based on multi-factor geographically weighted regression | |
| Hou et al. | On the value of available MODIS and Landsat8 OLI image pairs for MODIS fractional snow cover mapping based on an artificial neural network | |
| CN108961199A (zh) | 多源遥感数据时空融合方法及装置 | |
| Zhang et al. | Simplified SEBAL method for estimating vast areal evapotranspiration with MODIS data | |
| Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
| Zhu et al. | Use of a BP neural network and meteorological data for generating spatiotemporally continuous LAI time series | |
| CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
| Duan et al. | A Novel Approach to All-Weather LST Estimation using XGBoost Model and Multi-Source Data | |
| CN114838827A (zh) | 一种基于mersi-ⅱ遥感数据的地表温度反演通道选择方法 | |
| CN111798132A (zh) | 基于多源时序遥感深度协同下的耕地动态监测方法及系统 | |
| CN113779863B (zh) | 一种基于数据挖掘的地表温度降尺度方法 | |
| Salehi et al. | Spatial and temporal resolution improvement of actual evapotranspiration maps using Landsat and MODIS data fusion | |
| Meng et al. | Estimating Hourly Land Surface Temperature from FY-4A AGRI Using an Explicitly Emissivity-Dependent Split-Window Algorithm | |
| Wang et al. | A taylor expansion algorithm for spatial downscaling of MODIS land surface temperature | |
| Du et al. | An improved change detection method for high-resolution soil moisture mapping in permafrost regions | |
| Chen et al. | A performance evaluation of remotely sensed sea surface salinity products in combination with other surface measurements in reconstructing three-dimensional salinity fields |
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 |