CN116295853B - 多通道热红外数据地表温度反演方法、装置及电子设备 - Google Patents
多通道热红外数据地表温度反演方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116295853B CN116295853B CN202310289863.4A CN202310289863A CN116295853B CN 116295853 B CN116295853 B CN 116295853B CN 202310289863 A CN202310289863 A CN 202310289863A CN 116295853 B CN116295853 B CN 116295853B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- expression
- thermal infrared
- layer
- neural network
- 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 30
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 230000005855 radiation Effects 0.000 claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000011022 operating instruction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 11
- 101100259716 Arabidopsis thaliana TAA1 gene Proteins 0.000 description 6
- 101100206899 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) TIR2 gene Proteins 0.000 description 6
- 101150044379 TIR1 gene Proteins 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- -1 vegetation Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
- G01J5/0007—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter of wafers or semiconductor substrates, e.g. using Rapid Thermal Processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于遥感技术领域,涉及多通道热红外数据地表温度反演方法、装置及电子设备,该方法根据大气顶部热辐射的表达式得到地表温度的第一表达式;将亮度温度转换为热红外通道的辐亮度;根据观测天顶角和大气水汽含量以及地表温度的第二表达式,得到地表温度的第三表达式;根据地表发射率之间与可见光‑近红外通道观测值的函数关系,得到地表温度的目标表达式。本发明通过拟合可见光‑近红外通道观测值、热红外通道辐亮度与地表温度之间的函数关系,结合观测天顶角与大气水汽含量数据将目标区域的多通道热红外数据应用于训练好的深度神经网络模型,反演得到目标区域的地表温度,提高了地表温度反演的精准度。
Description
技术领域
本发明涉及遥感技术领域,具体而言,涉及多通道热红外数据地表温度反演方法、装置及电子设备。
背景技术
地表温度是描述区域及全球水热变化的重要物理量,也是驱动陆地与大气之间能量交换的关键因素。精确的地表温度产品不仅能够反映能量平衡状态下地表辐射的时空动态变化信息,而且有助于土壤湿度、大气温度等水热参数的估算,对研究全球或区域能量平衡、气候变化、环境监测等都具有重要意义。
卫星遥感技术提供了一种大范围获取地表温度数据的手段,具有传统野外测量方法所不具备的高效、廉价等优势。目前,地表温度反演算法主要包括单通道算法、多通道算法、多角度算法、昼/夜算法、温度发射率分离算法,其中多通道算法中的SW算法(Split-Window Algorithm,劈窗算法)是应用最广泛的。现有技术根据先验知识对VZA(ViewingZenith Angle,观测天顶角)和WVC(water vapor content,大气水汽含量)进行范围划分,得到对应范围内的线性函数来优化SW算法,但在该过程中并没有将VZA和WVC作为变量加入到函数中,从而导致构建的函数关系精度不足,影响地表温度的反演精度。
地表发射率是地表温度反演的一个重要参数,地表发射率估算的准确性直接影响地表温度反演结果。目前,获取地表发射率的方法主要有两种方法:第一种是半经验算法,建立地表发射率的半经验查找表,根据查找表进行地表发射率的反演;第二种是多通道温度发射率分离算法,基于地表发射率光谱特征或基于假设条件利用多/高光谱卫星数据特征从一个或多个通道的地表发射率中直接进行地表发射率的反演。以上方法都直接或间接通过VIS-NIR(visible near infrared spectrophotometer,可见光-近红外)通道的观测值来反演地表发射率,这个过程会对地表发射率的反演带来误差,进而给地表温度反演带来误差。
发明内容
为了解决上述技术问题,本发明提供多通道热红外数据地表温度反演方法、装置及电子设备。
第一方面,本发明提供了多通道热红外数据地表温度反演方法,包括:
根据大气辐射传输方程,得到大气顶部热辐射的表达式;
根据所述大气顶部热辐射的表达式,得到地表温度的第一表达式;
根据所述地表温度的第一表达式以及两个相邻热红外通道对大气吸收不同的特性去除大气影响,将所述地表温度表示为相邻热红外通道的亮度温度与发射率的函数,将所述亮度温度转换为所述热红外通道的辐亮度,得到所述地表温度的第二表达式;
根据观测天顶角和大气水汽含量以及所述地表温度的第二表达式,得到所述地表温度的第三表达式;
根据地表发射率之间与可见光-近红外通道观测值的函数关系,代替所述地表发射率,得到所述地表温度的目标表达式;
构建深度神经网络模型,对所述地表温度的目标表达式中的各个变量进行拟合,并对所述深度神经网络模型进行模型训练;
将训练好的所述深度神经网络模型应用于目标区域多通道热红外数据的地表温度反演,得到地表温度反演结果。
第二方面,本发明提供了多通道热红外数据地表温度反演装置,包括获取单元、第一表达式获取单元、第二表达式获取单元、第三表达式获取单元、目标表达式获取单元、模型构建单元与输入输出单元;
所述获取单元,用于根据大气辐射传输方程,得到大气顶部热辐射的表达式;
所述第一表达式获取单元,用于根据所述大气顶部热辐射的表达式,得到地表温度的第一表达式;
所述第二表达式获取单元,用于根据所述地表温度的第一表达式以及两个相邻TIR通道对大气吸收不同的特性去除大气影响,将所述地表温度表示为相邻TIR通道的亮度温度与发射率的函数,将所述亮度温度转换为所述热红外通道的辐亮度,得到所述地表温度的第二表达式;
所述第三表达式获取单元,用于根据观测天顶角和大气水汽含量以及所述地表温度的第二表达式,得到所述地表温度的第三表达式;
所述目标表达式获取单元,用于根据地表发射率之间与可见光-近红外通道观测值的函数关系,代替所述地表发射率,得到所述地表温度的目标表达式;
所述模型构建单元,用于构建深度神经网络模型,对所述地表温度的目标表达式中的各个变量进行拟合,并对所述深度神经网络模型进行模型训练;
所述输入输出单元,用于将训练好的所述深度神经网络模型应用于目标区域多通道热红外数据的地表温度反演,得到地表温度反演结果。
第三方面,本发明提供了一种电子设备,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行所述的多通道热红外数据地表温度反演方法。
本发明的有益效果是:本发明通过拟合可见光-近红外通道观测值、热红外通道辐亮度与地表温度之间的函数关系,构建深度神经网络模型,结合观测天顶角与大气水汽含量数据将目标区域的多通道热红外数据应用于训练好的深度神经网络模型,反演得到目标区域的地表温度,提高了地表温度反演的精准度。
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,构建深度神经网络模型,包括:
使用LSTM网络作为编码-解码器对输入向量进行编码与解码;
解码后的向量通过注意力机制赋予权重;
对赋予权重的向量进行特征提取,利用inception结构对各个所述特征进行拟合,得到所述地表温度的目标表达式的各个变量之间的关系。
进一步,所述深度神经网络模型包括输入层、LSTM层、Attention层、inception层、卷积层、池化层、全连接层与输出层;所述输入层为预设大小的向量;所述LSTM层包括遗忘门、输入门与输出门;所述inception层为横向卷积核排列结构;所述卷积层由卷积核和激活函数两部分组成,通过局部感知和参数共享两种策略提取局部特征;所述激活函数采用relu函数将卷积后的结果进行非线性映射;池化层采用最大池化;所述全连接层将多维的向量转换成一维;所述输出层输出所述地表温度;在所述深度神经网络模型中添加残差结构对网络不同层次之间进行跳跃连接。
进一步,通过大气辐射传输模拟设备模拟可见光-近红外通道以及所述热红外通道的辐亮度并生成训练集与测试集,对深度神经网络进行训练与测试,并根据测试的结果调整所述深度神经网络模型的结构。
进一步,得到所述地表温度反演结果后,还包括通过MODIS的温度产品对所述地表温度反演结果进行交叉验证。
附图说明
图1为本发明实施例1提供的多通道热红外数据地表温度反演方法的流程图;
图2为本发明多通道热红外数据地表温度反演方法的具体实施方式的原理示意图;
图3为深度网络模型的原理图;
图4a为试验区一的多通道热红外数据实验的温度反演结果,图4b为试验区二的多通道热红外数据实验的温度反演结果;
图5为试验区一数据经由温度产品交叉验证的分布直方图;
图6为试验区二数据经由温度产品交叉验证的分布直方图;
图7为本发明实施例1提供的多通道热红外数据地表温度反演装置的原理图;
图8为本发明实施例3中提供的一种电子设备的原理图。
图标:80-电子设备;810-处理器;820-总线;830-存储器;840-收发器。
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。
实施例1
作为一个实施例,如附图1所示,为解决上述技术问题,本实施例提供多通道热红外数据地表温度反演方法,包括:
根据大气辐射传输方程,得到大气顶部热辐射的表达式;
根据大气顶部热辐射的表达式,得到地表温度的第一表达式;
根据地表温度的第一表达式以及两个相邻热红外通道对大气吸收不同的特性去除大气影响,将地表温度表示为相邻热红外通道的亮度温度与发射率的函数,将亮度温度转换为热红外通道的辐亮度,得到地表温度的第二表达式;
根据观测天顶角和大气水汽含量以及地表温度的第二表达式,得到地表温度的第三表达式;
根据地表发射率之间与可见光-近红外通道观测值的函数关系,代替地表发射率,得到地表温度的目标表达式;
构建深度神经网络模型,对地表温度的目标表达式中的各个变量进行拟合,并对深度神经网络模型进行模型训练;
将训练好的深度神经网络模型应用于目标区域多通道热红外数据的地表温度反演,得到地表温度反演结果。
本发明通过拟合可见光-近红外通道观测值、热红外通道辐亮度与地表温度之间的函数关系,构建深度神经网络模型,结合观测天顶角与大气水汽含量数据将目标区域的多通道热红外数据应用于训练好的深度神经网络模型,反演得到目标区域的地表温度,提高了地表温度反演的精准度。
在实际应用过程中,根据大气辐射传输方程,观测天顶角为θ时,通道i的大气顶部的热辐射Bi(Ti)表达为:
由上述公式可以得到通道i下地表温度Ts与发射率εi、大气顶部辐射Bi(Ti)、透过率τi(θ)、大气下行辐射大气上行辐射/>之间的关系:
根据两个相邻TIR(thermal infrared,热红外)通道的对大气吸收不同的特性去除大气影响,地表温度可以表示为相邻TIR通道亮度温度与发射率的函数,亮度温度通过普朗克函数可以转换为辐亮度,故Ts可以表达为:
Ts=f(εTIR1,εTIR2,RTIR1,RTIR2);
由于观测天顶角VZA与大气水汽含量WVC二者也会对Ts产生一定的影响,因此可以得到:
Ts=f(VZA,WVC,εTIR1,εTIR2,RTIR1,RTIR2);
地表类型通过VIS-NIR通道观测值获得,因此可以使用地表发射率与VIS-NIR通道观测值(共有5个VIS-NIR通道)之间存在函数关系来代替地表发射率:
Ts=f(VZA,WVC,RVIS-NIR1,RVIS-NIR2,RVIS-NIR3,RVIS-NIR4,RVIS-NIR5,RTIR1,RTIR2)
通过上述推导,构建了地表温度Ts与观测天顶角VZA、大气水汽含量WVC、VIS-NIR通道的辐亮度以及TIR通道的辐亮度之间的关系,接下来通过构建深度神经网络来拟合上述变量之间的关系。
可选的,构建深度神经网络模型,包括:
使用LSTM网络作为编码-解码器对输入向量进行编码与解码;
解码后的向量通过注意力机制赋予权重;
对赋予权重的向量进行特征提取,利用inception结构对各个特征进行拟合,得到地表温度的目标表达式的各个变量之间的关系。
可选的,如附图3所示,深度神经网络模型包括输入层、LSTM层、Attention层、inception层、卷积层、池化层、全连接层与输出层;输入层为预设大小的向量,各个变量作为输入数据通过h0、h1、h2、h3、h4、h5、h6、h7、h8、h9进行赋权处理,LSTM层包括遗忘门、输入门与输出门;inception层为横向卷积核排列结构;卷积层由卷积核和激活函数两部分组成,通过局部感知和参数共享两种策略提取局部特征;激活函数采用relu函数将卷积后的结果进行非线性映射;池化层采用最大池化;全连接层将多维的向量转换成一维;输出层输出地表温度;在深度神经网络模型中添加残差结构对网络不同层次之间进行跳跃连接。
在实际应用过程中,深度神经网络模型的网络结构主要由输入层、LSTM层、Attention层、inception层、卷积层、池化层、全连接层与输出层构成。可选的,输入层是一个尺寸为1×9的向量,尺寸分别与VZA、WVC、五个VIS-NIR通道观测值RVIS-NIR以及两个辐亮度RTIR对应。LSTM层内部引入门机制来实现信息的保护和控制,包括遗忘门、输入门和输出门。inception层采用横向的卷积核排列设计,融合不同尺度的卷积层以及池化层,一个inception就可以得到多个尺度的信息,下一个inception也可以同时从不同尺度提取特征,也可以进行多维度特征的融合,这种结构拓展了网络的宽度,提升了网络的计算力,从而达到较好的学习效果。卷积层由卷积核和激活函数两部分组成,卷积通过局部感知和参数共享两种策略提取局部特征并降低模型的复杂度和计算量,激活函数则采用relu函数将卷积后的结果进行非线性映射。池化层采用最大池化,其作用是对卷积层的输出结果做进一步的筛选,从而有效减少后续网络层次所需要的参数量。全连接层的作用是将多维的向量转换成一维。输出层输出地表温度。同时,在网络中添加的残差结构通过跳跃连接的方式将网络上一层的计算结果加到后一层的计算结果当中,从而解决了随着网络深度增加而带来的网络退化问题。
可选的,通过大气辐射传输模拟设备模拟可见光-近红外通道以及热红外通道的辐亮度并生成训练集与测试集,对深度神经网络进行训练与测试,并根据测试的结果调整深度神经网络模型的结构。
在实际应用过程中,通过大气辐射传输模拟设备加载MODTRAN软件(theModerate-Spectral-Resolution Atmospheric Transmittance,大气辐射传输计算软件)模拟VIS-NIR通道以及TIR通道的辐亮度并生成训练集与测试集,对深度神经网络进行训练与测试,并根据测试的结果调整网络的结构,其结构如附图2所示,将训练好的深度神经网络模型应用于目标区域的多通道热红外图像得到对应的温度图像,并使用MODIS温度产品进行交叉验证,具体包括如下步骤:
S1:设置MODTRAN的输入文件即tp文件输入及修改的参数,包括光谱数据库发射率数据、多光谱热红外通道光谱响应函数、AOD(Aerosol Optical Depth,气溶胶光学厚度)、观测天顶角、TIGR(the Thermodynamic Initial Guess Retrieval,大气廓线数据)、观测方位角、经纬度、观测日期以及观测时间,为模拟数据从TIGR大气剖面数据库中挑选出654条大气廓线,这些廓线的水汽含量从0到1.5g/(cm2),大气下边界温度(T_0)从240K到330K,并且为了更真实的模拟地表温度将T0以5K为步长扩展成T0-5K到T0+20K,除此之外,tp文件中的AOD(Aerosol Optical Depth)设置为0到0.4。对于地表条件模拟,使用发射率库,并筛选出64种地表类型其中包括砂土、植被、岩石等。对于几何条件,以试验区一与试验区二为例,试验区一对应的tp文件中经度设置为东经102度到东经119度,纬度设置为北纬36度到北纬45度,观测天顶角设置为179.809度,观测方位角设置为180度到186度,重访日期以2021年1月2号作为第一天并以4天为周期,重访时间设置为4:00,试验区二对应的tp文件中经度设置为东经86度到东经104度,纬度设置为北纬36度到北纬46度,观测天顶角设置为179.809度,观测方位角设置为180度到186度,重访日期以2022年1月3号作为第一天并以4天为周期,重访时间设置为5:00,最终本研究的两个试验区模拟数据集各包含251136条数据(654条大气廓线×6LST×64种地表发射率),每条数据包含的VZA、WVC、RVIS-NIR1、RVIS-NIR2、RVIS-NIR3、RVIS-NIR4、RVIS-NIR5、RTIR1、RTIR2以及Ts;
S2:对模拟的多通道热红外数据进行预处理,并以8:2的比例切分成训练集与测试集,将处理好的数据输入到网络中,训练并根据测试的结果调整网络的结构;
S3:对目标区域的可见光-近红外图像与热红外图像进行预处理,根据像元进行匹配,再将其与观测天顶角VZA和图像中心区域水汽含量数据进行匹配,将匹配好的数据输入到训练好的模型,模型预测得到对应的地表温度;
S4:通过MODIS的温度产品进行交叉验证。
可选的,选取HJ-2A图像中心坐标处大气水汽含量作为整幅图像的大气水汽含量。选用的多通道热红外数据包括两个空间分辨率为96m、幅带宽度为720km的TIR通道和5个空间分辨率为48m的VIS-NIR通道。由于VIS-NIR通道与TIR通道的空间分辨率不同,因此使用ENVI对VIS-NIR通道进行重采样,统一VIS-NIR通道与TIR通道的空间分辨率。
可选的,得到地表温度反演结果后,还包括通过MODIS的温度产品对地表温度反演结果进行交叉验证。
在实际应用过程中,MODIS温度产品用于交叉验证从多通道热红外数据反演得到的LST。MODIS温度产品提供空间分辨率为1km的LST和LSE。由于MODIS温度产品和多通道热红外图像之间的投影不同,因此使用ENVI(The Environment for Visualizing Images,遥感图像处理)工具MCTK(MODIS Conversion Toolkit,MODIS投影转换插件)来转换投影。
采用均方根误差(Root Mean Square Error,简称RMSE)是用来衡量观测值(真值)与预测值之间的偏差。
在使用两组真实多通道热红外数据实验的温度反演结果如附图4a、附图4b、附图5与附图6所示。附图4a、附图4b中,横纵坐标为图像的地理坐标网以及地理坐标公里网,表示的是图像所在的经纬度以及图像的长度与宽度信息(单位为米),图4a的获取时间处于夏季温度较高,反演结果多处于300K以上,图4b的获取时间处于冬季温度较低,反演结果多处于270K左右,温度的反演结果与实际相符。
两组数据经由温度产品交叉验证的分布直方图如附图5和附图6所示,横坐标为反演温度值(Predict Ts)与验证温度值(MODIS Ts)之差,纵坐标为反演温度与验证温度之差出现的频度,反演温度与验证温度之差多数分布于0K左右,试验区一2022年9月6号反演温度的RMSE为1.736K,试验区二2021年12月25号反演温度的RMSE为1.005K。
该具体实施方式中,基于大气辐射传输方程,利用两个相邻热红外TIR通道对大气吸收作用的不同、观测天顶角VZA和大气水汽含量WVC对温度反演的影响以及可见光-近红外VIS-NIR通道与地表发射率之间的关系建立不同变量与地表温度之间的函数关系,进而根据先验知识得到VIS-NIR、TRI通道的辐亮度与地表温度之的关系。通过MODTRAN模拟VIS-NIR通道以及TIR通道的辐亮度,对模拟的数据进行预处理并生成训练集与测试集。设计一种添加了注意力机制,综合LSTM网络、inception结构与残差结构的新型的深度神经网络,训练与测试网络,拟合VIS-NIR、TIR通道的辐亮度与地表温度之间的函数关系,生成对应的深度神经网络模型。结合ERA的大气水汽含量数据将目标区域的多通道热红外数据应用于训练好的深度神经网络模型,反演得到目标区域的地表温度。
实施例2
基于与本发明的实施例1中所示的方法相同的原理,如附图7所示,本发明的实施例中还提供了多通道热红外数据地表温度反演装置,包括获取单元、第一表达式获取单元、第二表达式获取单元、第三表达式获取单元、目标表达式获取单元、模型构建单元与输入输出单元;
获取单元,用于根据大气辐射传输方程,得到大气顶部热辐射的表达式;
第一表达式获取单元,用于根据大气顶部热辐射的表达式,得到地表温度的第一表达式;
第二表达式获取单元,用于根据地表温度的第一表达式以及两个相邻TIR通道对大气吸收不同的特性去除大气影响,将地表温度表示为相邻TIR通道的亮度温度与发射率的函数,将亮度温度转换为热红外通道的辐亮度,得到地表温度的第二表达式;
第三表达式获取单元,用于根据观测天顶角和大气水汽含量以及地表温度的第二表达式,得到地表温度的第三表达式;
目标表达式获取单元,用于根据地表发射率之间与可见光-近红外通道观测值的函数关系,代替地表发射率,得到地表温度的目标表达式;
模型构建单元,用于构建深度神经网络模型,对地表温度的目标表达式中的各个变量进行拟合,并对深度神经网络模型进行模型训练;
输入输出单元,用于将训练好的深度神经网络模型应用于目标区域多通道热红外数据的地表温度反演,得到地表温度反演结果。
可选的,构建深度神经网络模型,包括:
使用LSTM网络作为编码-解码器对输入向量进行编码与解码;
解码后的向量通过注意力机制赋予权重;
对赋予权重的向量进行特征提取,利用inception结构对各个特征进行拟合,得到地表温度的目标表达式的各个变量之间的关系。
可选的,深度神经网络模型包括输入层、LSTM层、Attention层、inception层、卷积层、池化层、全连接层与输出层;输入层为预设大小的向量;LSTM层包括遗忘门、输入门与输出门;inception层为横向卷积核排列结构;卷积层由卷积核和激活函数两部分组成,通过局部感知和参数共享两种策略提取局部特征;激活函数采用relu函数将卷积后的结果进行非线性映射;池化层采用最大池化;全连接层将多维的向量转换成一维;输出层输出地表温度;在深度神经网络模型中添加残差结构对网络不同层次之间进行跳跃连接。
可选的,通过大气辐射传输模拟设备模拟可见光-近红外通道以及热红外通道的辐亮度并生成训练集与测试集,对深度神经网络进行训练与测试,并根据测试的结果调整深度神经网络模型的结构。
可选的,得到地表温度反演结果后,还包括通过MODIS的温度产品对地表温度反演结果进行交叉验证。
实施例3
基于与本发明的实施例中所示的方法相同的原理,本发明的实施例中还提供了一种电子设备,如附图8所示,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机程序;处理器,用于通过调用计算机程序执行本发明任一实施例所示的方法。
在一个可选实施例中提供了一种电子设备,图8所示的电子设备80包括:处理器810和存储器830。其中,处理器810和存储器830相连,如通过总线820相连。
可选地,电子设备80还可以包括收发器840,收发器840可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器840不限于一个,该电子设备80的结构并不构成对本发明实施例的限定。
处理器810可以是CPU中央处理器,通用处理器,DSP数据信号处理器,ASIC专用集成电路,FPGA现场可编程门阵列或者其他可编程逻辑器件、硬件部件或者其任意组合。处理器810也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线820可包括一通路,在上述组件之间传送信息。总线820可以是PCI外设部件互连标准总线或EISA扩展工业标准结构总线等。总线820可以分为控制总线、数据总线、地址总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器830可以是ROM只读存储器或可存储静态信息和指令的其他类型的静态存储设备,RAM随机存储器或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM电可擦可编程只读存储器、CD-ROM只读光盘或其他光盘存储、光碟存储(包括光碟、激光碟、压缩光碟、数字通用光碟等)、磁盘存储介质,或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器830用于存储执行本发明方案的应用程序代码(计算机程序),并由处理器810来控制执行。处理器810用于执行存储器830中存储的应用程序代码,以实现前述方法实施例所示的内容。
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 (7)
1.多通道热红外数据地表温度反演方法,其特征在于,包括:
根据大气辐射传输方程,得到大气顶部热辐射的表达式;
根据所述大气顶部热辐射的表达式,得到地表温度的第一表达式;
根据所述地表温度的第一表达式以及两个相邻热红外通道对大气吸收不同的特性去除大气影响,将所述地表温度表示为相邻热红外通道的亮度温度与发射率的函数,将所述亮度温度转换为所述热红外通道的辐亮度,得到所述地表温度的第二表达式;
根据观测天顶角和大气水汽含量以及所述地表温度的第二表达式,得到所述地表温度的第三表达式;
根据地表发射率与可见光-近红外通道观测值的函数关系,代替所述地表发射率,得到所述地表温度的目标表达式;
构建深度神经网络模型,对所述地表温度的目标表达式中的各个变量进行拟合,并对所述深度神经网络模型进行模型训练;
将训练好的所述深度神经网络模型应用于目标区域多通道热红外数据的地表温度反演,得到地表温度反演结果。
2.根据权利要求1所述多通道热红外数据地表温度反演方法,其特征在于,构建深度神经网络模型,包括:
使用LSTM网络作为编码-解码器对输入向量进行编码与解码;
解码后的向量通过注意力机制赋予权重;
对赋予权重的向量进行特征提取,利用inception结构对各个所述特征进行拟合,得到所述地表温度的目标表达式的各个变量之间的关系。
3.根据权利要求1所述多通道热红外数据地表温度反演方法,其特征在于,所述深度神经网络模型包括输入层、LSTM层、Attention层、inception层、卷积层、池化层、全连接层与输出层;所述输入层为预设大小的向量;所述LSTM层包括遗忘门、输入门与输出门;所述inception层为横向卷积核排列结构;所述卷积层由卷积核和激活函数两部分组成,通过局部感知和参数共享两种策略提取局部特征;所述激活函数采用relu函数将卷积后的结果进行非线性映射;池化层采用最大池化;所述全连接层将多维的向量转换成一维;所述输出层输出所述地表温度;在所述深度神经网络模型中添加残差结构对网络不同层次之间进行跳跃连接。
4.根据权利要求1所述多通道热红外数据地表温度反演方法,其特征在于,通过大气辐射传输模拟设备模拟可见光-近红外通道以及所述热红外通道的辐亮度并生成训练集与测试集,对深度神经网络进行训练与测试,并根据测试的结果调整所述深度神经网络模型的结构。
5.根据权利要求1所述多通道热红外数据地表温度反演方法,其特征在于,得到所述地表温度反演结果后,还包括通过MODIS的温度产品对所述地表温度反演结果进行交叉验证。
6.多通道热红外数据地表温度反演装置,其特征在于,包括获取单元、第一表达式获取单元、第二表达式获取单元、第三表达式获取单元、目标表达式获取单元、模型构建单元与输入输出单元;
所述获取单元,用于根据大气辐射传输方程,得到大气顶部热辐射的表达式;
所述第一表达式获取单元,用于根据所述大气顶部热辐射的表达式,得到地表温度的第一表达式;
所述第二表达式获取单元,用于根据所述地表温度的第一表达式以及两个相邻TIR通道对大气吸收不同的特性去除大气影响,将所述地表温度表示为相邻TIR通道的亮度温度与发射率的函数,将所述亮度温度转换为所述热红外通道的辐亮度,得到所述地表温度的第二表达式;
所述第三表达式获取单元,用于根据观测天顶角和大气水汽含量以及所述地表温度的第二表达式,得到所述地表温度的第三表达式;
所述目标表达式获取单元,用于根据地表发射率与可见光-近红外通道观测值的函数关系,代替所述地表发射率,得到所述地表温度的目标表达式;
所述模型构建单元,用于构建深度神经网络模型,对所述地表温度的目标表达式中的各个变量进行拟合,并对所述深度神经网络模型进行模型训练;
所述输入输出单元,用于将训练好的所述深度神经网络模型应用于目标区域多通道热红外数据的地表温度反演,得到地表温度反演结果。
7.一种电子设备,其特征在于,包括:
处理器和存储器;
所述存储器,用于存储计算机操作指令;
所述处理器,用于通过调用所述计算机操作指令,执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289863.4A CN116295853B (zh) | 2023-03-22 | 2023-03-22 | 多通道热红外数据地表温度反演方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289863.4A CN116295853B (zh) | 2023-03-22 | 2023-03-22 | 多通道热红外数据地表温度反演方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116295853A CN116295853A (zh) | 2023-06-23 |
CN116295853B true CN116295853B (zh) | 2024-03-15 |
Family
ID=86812994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310289863.4A Active CN116295853B (zh) | 2023-03-22 | 2023-03-22 | 多通道热红外数据地表温度反演方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116295853B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007003308A (ja) * | 2005-06-22 | 2007-01-11 | Pasuko:Kk | 地表面温度推定方法及びそのためのプログラム |
CN101655564A (zh) * | 2009-09-15 | 2010-02-24 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演地表温度和发射率方法 |
JP2018179808A (ja) * | 2017-04-14 | 2018-11-15 | シャープ株式会社 | 赤外線検出システム、方法、およびプログラム |
CN114581791A (zh) * | 2022-03-02 | 2022-06-03 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据大气水汽含量反演方法及系统 |
-
2023
- 2023-03-22 CN CN202310289863.4A patent/CN116295853B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007003308A (ja) * | 2005-06-22 | 2007-01-11 | Pasuko:Kk | 地表面温度推定方法及びそのためのプログラム |
CN101655564A (zh) * | 2009-09-15 | 2010-02-24 | 中国农业科学院农业资源与农业区划研究所 | 从modis数据反演地表温度和发射率方法 |
JP2018179808A (ja) * | 2017-04-14 | 2018-11-15 | シャープ株式会社 | 赤外線検出システム、方法、およびプログラム |
CN114581791A (zh) * | 2022-03-02 | 2022-06-03 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据大气水汽含量反演方法及系统 |
Non-Patent Citations (2)
Title |
---|
《Landsat 8 地表温度产品降尺度深度学习方法研究》;张义峥等;《遥感学报》;全文 * |
《热红外地表温度遥感反演方法研究进展》;李召良;《遥感学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116295853A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cristóbal et al. | Improvements in land surface temperature retrieval from the Landsat series thermal band using water vapor and air temperature | |
Ye et al. | Land surface temperature estimate from Chinese Gaofen-5 satellite data using split-window algorithm | |
Hulley et al. | Quantifying uncertainties in land surface temperature and emissivity retrievals from ASTER and MODIS thermal infrared data | |
Chen et al. | Effects of foliage clumping on the estimation of global terrestrial gross primary productivity | |
He et al. | Large‐scale estimation and uncertainty analysis of gross primary production in Tibetan alpine grasslands | |
Cheng et al. | An efficient hybrid method for estimating clear‐sky surface downward longwave radiation from MODIS data | |
Shuai et al. | Quality assessment of BRDF/albedo retrievals in MODIS operational system | |
Gitelson et al. | An evaluation of MODIS 250‐m data for green LAI estimation in crops | |
Qian et al. | Evaluation of land surface temperature and emissivities retrieved from MSG/SEVIRI data with MODIS land surface temperature and emissivity products | |
Laraby et al. | Uncertainty estimation method and Landsat 7 global validation for the Landsat surface temperature product | |
CN104867179B (zh) | 一种全谱段光学成像仪遥感影像仿真方法 | |
CN102073039B (zh) | 热红外高光谱发射率模拟方法和系统 | |
Liu et al. | A global view of aerosols from merged transport models, satellite, and ground observations | |
Lee et al. | Improvements of 6S look-up-table based surface reflectance employing minimum curvature surface method | |
Cheng et al. | Estimating global land surface broadband thermal-infrared emissivity using advanced very high resolution radiometer optical data | |
CN117315411B (zh) | 一种高光谱卫星影像辐射定标数据的仿真模拟方法 | |
Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
Landier et al. | Calibration of urban canopies albedo and 3D shortwave radiative budget using remote-sensing data and the DART model | |
CN115438562A (zh) | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 | |
CN117933095B (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
Verma et al. | A machine learning approach and methodology for solar radiation assessment using multispectral satellite images | |
Jin et al. | Bayesian spatiotemporal modeling for blending in situ observations with satellite precipitation estimates | |
Wen et al. | Resolve the clear‐sky continuous diurnal cycle of high‐resolution ECOSTRESS evapotranspiration and land surface temperature | |
McCarville et al. | Atmospheric correction of Landsat thermal infrared data: A calculator based on North American Regional Reanalysis (NARR) data | |
Aumann et al. | Global evaluation of the fidelity of clouds in the ECMWF integrated forecast system |
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 |