CN117148350B - 基于sar图像的地表温度空间降尺度方法、装置及设备 - Google Patents

基于sar图像的地表温度空间降尺度方法、装置及设备 Download PDF

Info

Publication number
CN117148350B
CN117148350B CN202311403787.1A CN202311403787A CN117148350B CN 117148350 B CN117148350 B CN 117148350B CN 202311403787 A CN202311403787 A CN 202311403787A CN 117148350 B CN117148350 B CN 117148350B
Authority
CN
China
Prior art keywords
resolution
surface temperature
sar image
data
image data
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
CN202311403787.1A
Other languages
English (en)
Other versions
CN117148350A (zh
Inventor
单鼎
王宇翔
陈强
端和阳
颜秋宇
房松松
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.)
Nanjing Aerospace Hongtu Information Technology Co ltd
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Nanjing Aerospace Hongtu Information Technology Co ltd
Aerospace Hongtu Information Technology Co Ltd
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 Nanjing Aerospace Hongtu Information Technology Co ltd, Aerospace Hongtu Information Technology Co Ltd filed Critical Nanjing Aerospace Hongtu Information Technology Co ltd
Priority to CN202311403787.1A priority Critical patent/CN117148350B/zh
Publication of CN117148350A publication Critical patent/CN117148350A/zh
Application granted granted Critical
Publication of CN117148350B publication Critical patent/CN117148350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • 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
    • G01J5/007—Radiation pyrometry, e.g. infrared or optical thermometry for earth observation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Electromagnetism (AREA)
  • Geology (AREA)
  • Computer Hardware Design (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于SAR图像的地表温度空间降尺度方法、装置及设备，涉及图像处理技术领域，包括：对多源卫星遥感数据进行预处理得到目标多源卫星遥感数据；基于SAR图像数据和土地覆被数据构建第一分辨率的训练输入要素特征和第二分辨率的待预测输入要素特征；利用训练输入要素特征和陆地表面温度数据对初始空间降尺度模型进行训练，通过目标空间降尺度模型基于待预测输入要素特征确定初始地表温度估算结果进行残差校正得到目标地表温度估算结果。本发明不仅可以在高云量等恶劣天气条件下实现地表温度估计，还提高了地表温度产品的空间分辨率，大大提高了地表温度产品的利用效率。

Description

基于SAR图像的地表温度空间降尺度方法、装置及设备
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种基于SAR图像的地表温度空间降尺度方法、装置及设备。
背景技术
地表温度（Land Surface Temperature，LST）对气候学和环境研究具有重要意义。然而，卫星提供的 LST产品存在空间分辨率和时间分辨率之间权衡问题。空间降尺度技术可以克服这种矛盾所带来的局限性。以往基于回归的LST空间降尺度模型的研究侧重于利用光学图像中的预测因子来构建此类模型。然而，光学图像数据受天气影响，使其在高云量等恶劣天气条件下失效。
发明内容
有鉴于此，本发明的目的在于提供一种基于SAR图像的地表温度空间降尺度方法、装置及设备，为利用SAR图像进行地表温度估计提供了新的视角，构建了一个性能优秀的空间降尺度模型，不仅可以在高云量等恶劣天气条件下实现地表温度估计，还提高了地表温度产品的空间分辨率，大大提高了地表温度产品的利用效率。
第一方面，本发明实施例提供了一种基于SAR图像的地表温度空间降尺度方法，包括：
获取多源卫星遥感数据，并对所述多源卫星遥感数据进行预处理得到目标多源卫星遥感数据；其中，所述目标多源卫星遥感数据包括SAR图像数据、土地覆被数据和陆地表面温度数据；
基于所述SAR图像数据和所述土地覆被数据构建第一分辨率的训练输入要素特征，以及基于所述SAR图像数据和所述土地覆被数据构建第二分辨率的待预测输入要素特征；其中，所述第二分辨率高于所述第一分辨率；
利用所述第一分辨率的所述训练输入要素特征和所述陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过所述目标空间降尺度模型，基于所述第二分辨率的所述待预测输入要素特征确定所述第二分辨率的初始地表温度估算结果；
对所述初始地表温度估算结果进行残差校正，得到所述第二分辨率的目标地表温度估算结果。
在一种实施方式中，所述训练输入要素特征和所述待预测输入要素特征均包括邻域SAR图像数据、雷达均匀性指数和土地覆被比例；基于所述SAR图像数据和所述土地覆被数据构建第一分辨率的训练输入要素特征的步骤，包括：
基于第一分辨率的所述SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，构造所述第一分辨率的所述邻域SAR图像数据；
基于第二分辨率的所述SAR图像数据中第一指定分块内不同像元值对应的像元数，和所述第二分辨率的SAR图像数据内不同像元值对应的像元数，构造所述第一分辨率的所述雷达均匀性指数；
基于第三分辨率的所述土地覆被数据中第二指定分块内不同土地覆被类别对应的像元数，和所述第二指定分块中的像元总数，构造所述第一分辨率的所述土地覆被比例；
其中，所述第三分辨率高于所述第二分辨率。
在一种实施方式中，基于第一分辨率的所述SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，构造所述第一分辨率的所述邻域SAR图像数据的步骤，包括：
对于第一分辨率的所述SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，以该像元点为中心确定该像元匹配的邻域范围和所述邻域范围内的像元值；其中，所述第一分辨率的所述SAR图像数据包含的像元点与所述第一分辨率的所述陆地表面温度数据包含的像元点一一对应；
基于所述邻域范围内的所述像元值，生成该像元点对应的所述第一分辨率的所述邻域SAR图像数据。
在一种实施方式中，基于第二分辨率的所述SAR图像数据中第一指定分块内不同像元值的像元数，和所述第二分辨率的SAR图像数据内不同像元值的像元数，构造所述第一分辨率的所述雷达均匀性指数的步骤，包括：
基于所述第一分辨率与所述第二分辨率的比值，确定第一分块尺寸；
按照所述第一分块尺寸将所述第二分辨率的所述SAR图像数据进行分块处理，得到多个第一指定分块；其中，所述第一指定分块与所述第一分辨率的所述陆地表面温度数据包含的像元点一一对应；
对于每个所述第一指定分块，将该第一指定分块内不同像元值对应的像元数与所述第二分辨率的SAR图像数据内不同像元值对应的像元数的比值，作为该第一指定分块对应的所述第一分辨率的所述雷达均匀性指数；
其中，所述雷达均匀性指数如下所示：
；
第一指定分块/>的雷达均匀性指数，/>为第一指定分块/>中第/>个像元点的像元值，/>为第二分辨率的SAR图像数据/>中第/>个像元点的像元值，/>为第一指定分块/>中的像元总数，/>为第二分辨率的SAR图像数据/>中的像元总数。
在一种实施方式中，基于第三分辨率的所述土地覆被数据中第二指定分块内不同土地覆被类别对应的像元数，和所述第二指定分块中的像元总数，构造所述第一分辨率的所述土地覆被比例的步骤，包括：
基于所述第一分辨率与所述第三分辨率的比值，确定第二分块尺寸；
按照所述第二分块尺寸将所述第三分辨率的所述土地覆被数据进行分块处理，得到多个第二指定分块；其中，所述第二指定分块与所述第一分辨率的所述陆地表面温度数据包含的像元点一一对应；
对于每个所述第二指定分块，将该第二指定分块内不同土地覆被类别对应的像元数与该第二指定分块中的像元总数的比值，作为该第二指定分块对应的所述第一分辨率的所述土地覆被比例。
在一种实施方式中，所述初始空间降尺度模型采用随机森林回归模型；利用所述第一分辨率的所述训练输入要素特征和所述陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过所述目标空间降尺度模型，基于所述第二分辨率的所述待预测输入要素特征确定所述第二分辨率的初始地表温度估算结果的步骤，包括：
将所述第一分辨率的所述训练输入要素特征作为输入，将所述第一分辨率的所述陆地表面温度数据作为训练标签，对随机森林回归模型进行训练，得到目标空间降尺度模型；
将所述第二分辨率的所述待预测输入要素特征输入至所述目标空间降尺度模型，得到所述目标空间降尺度模型输出的所述第二分辨率的初始地表温度估算结果。
在一种实施方式中，对所述初始地表温度估算结果进行残差校正，得到所述第二分辨率的目标地表温度估算结果的步骤，包括：
对所述第二分辨率的所述初始地表温度估算结果重采样至所述第一分辨率，得到所述第一分辨率的所述初始地表温度估算结果；
将所述第一分辨率的所述初始地表温度估算结果与所述第一分辨率的所述陆地表面温度数据之间的差值，作为地表温度残差；
将所述地表温度残差与所述第二分辨率的所述初始地表温度估算结果的和值，作为所述第二分辨率的目标地表温度估算结果。
第二方面，本发明实施例还提供一种基于SAR图像的地表温度空间降尺度装置，包括：
数据获取模块，用于获取多源卫星遥感数据，并对所述多源卫星遥感数据进行预处理得到目标多源卫星遥感数据；其中，所述目标多源卫星遥感数据包括SAR图像数据、土地覆被数据和陆地表面温度数据；
特征构建模块，用于基于所述SAR图像数据和所述土地覆被数据构建第一分辨率的训练输入要素特征，以及基于所述SAR图像数据和所述土地覆被数据构建第二分辨率的待预测输入要素特征；其中，所述第二分辨率高于所述第一分辨率；
训练及预测模块，用于利用所述第一分辨率的所述训练输入要素特征和所述陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过所述目标空间降尺度模型，基于所述第二分辨率的所述待预测输入要素特征确定所述第二分辨率的初始地表温度估算结果；
残差校正模块，用于对所述初始地表温度估算结果进行残差校正，得到所述第二分辨率的目标地表温度估算结果。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种基于SAR图像的地表温度空间降尺度方法、装置及设备，首先获取多源卫星遥感数据，并对多源卫星遥感数据进行预处理得到目标多源卫星遥感数据；其中，目标多源卫星遥感数据包括SAR图像数据、土地覆被数据和陆地表面温度数据；然后基于SAR图像数据和土地覆被数据构建第一分辨率的训练输入要素特征，以及基于SAR图像数据和土地覆被数据构建第二分辨率的待预测输入要素特征；其中，第二分辨率高于第一分辨率；再利用第一分辨率的训练输入要素特征和陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过目标空间降尺度模型，基于第二分辨率的待预测输入要素特征确定第二分辨率的初始地表温度估算结果；最后对初始地表温度估算结果进行残差校正，得到第二分辨率的目标地表温度估算结果。上述方法利用与天气无关的 SAR图像数据中的要素特征来对地表温度进行空间降尺度，首先利用SAR图像数据及土地覆被数据，提取出多个空间降尺度模型的输入要素特征，然后使用空间降尺度模型输出初始地表温度估算结果，最后通过引入残差校正，得到高空间分辨率的目标地表温度估算结果，本发明实施例为利用SAR图像进行地表温度估计提供了新的视角，构建了一个性能优秀的空间降尺度模型，不仅可以在高云量等恶劣天气条件下实现地表温度估计，还提高了地表温度产品的空间分辨率，大大提高了地表温度产品的利用效率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于SAR图像的地表温度空间降尺度方法的流程示意图；
图2为本发明实施例提供的另一种基于SAR图像的地表温度空间降尺度方法的流程示意图；
图3为本发明实施例提供的一种基于SAR图像的地表温度空间降尺度装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
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，下面将结合实施例对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，光学图像数据受天气影响，使其在高云量等恶劣天气条件下失效，基于此，本发明实施提供了一种基于SAR图像的地表温度空间降尺度方法、装置及设备，为利用SAR图像进行地表温度估计提供了新的视角，构建了一个性能优秀的空间降尺度模型，不仅可以在高云量等恶劣天气条件下实现地表温度估计，还提高了地表温度产品的空间分辨率，大大提高了地表温度产品的利用效率。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于SAR图像的地表温度空间降尺度方法进行详细介绍，参见图1所示的一种基于SAR图像的地表温度空间降尺度方法的流程示意图，该方法主要包括以下步骤S102至步骤S108：
步骤S102，获取多源卫星遥感数据，并对多源卫星遥感数据进行预处理得到目标多源卫星遥感数据。
其中，多源卫星遥感数据包括原始的SAR（Synthetic Aperture Radar）图像数据、土地覆被数据（也即ESA WorldCover土地覆被数据，简称ESA数据）和陆地表面温度数据（简称LST数据），目标多源卫星遥感数据包括预处理后的SAR图像数据、土地覆被数据和陆地表面温度数据，具体包括第一分辨率的SAR图像数据和陆地表面温度数据、第二分辨率的SAR图像数据、第三分辨率的SAR图像数据和土地覆被数据，第二分辨率高于第一分辨率，第三分辨率高于第二分辨率。
在一种实施方式中，通过对获取的多源卫星遥感数据进行重采样、重投影、裁剪和降噪等预处理，即可得到不同分辨率的SAR图像数据、土地覆被数据和陆地表面温度数据。
步骤S104，基于SAR图像数据和土地覆被数据构建第一分辨率的训练输入要素特征，以及基于SAR图像数据和土地覆被数据构建第二分辨率的待预测输入要素特征。
其中，训练输入要素特征和待预测输入要素特征均包括邻域SAR图像数据、雷达均匀性指数和土地覆被比例，区别在于两者的分辨率不同，训练输入要素特征的分辨率低于待预测输入要素特征的分辨率。
在一种实施方式中，可以根据第一分辨率的SAR图像数据构建第一分辨率的邻域SAR图像数据，根据第二分辨率的SAR图像数据构建第一分辨率的雷达均匀性指数HRI（Radar Homogeneity Index），根据第三分辨率的土地覆被数据构建第一分辨率的土地覆被比例；同理，根据第二分辨率的SAR图像数据构建第二分辨率的邻域SAR图像数据，根据第三分辨率的SAR图像数据构建第二分辨率的雷达均匀性指数HRI，根据第三分辨率的土地覆被数据构建第二分辨率的土地覆被比例。
步骤S106，利用第一分辨率的训练输入要素特征和陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过目标空间降尺度模型，基于第二分辨率的待预测输入要素特征确定第二分辨率的初始地表温度估算结果。
其中，初始空间降尺度模型采用随机森林回归模型。
在一种实施方式中，将第一分辨率的邻域SAR图像数据、雷达均匀性指数和土地覆被比例作为模型输入，将第一分辨率的陆地表面温度数据作为模型输出，对随机森林回归模型进行训练，然后将第二分辨率的邻域SAR图像数据、雷达均匀性指数和土地覆被比例输入至训练之后的随机森林回归模型（也即，目标空间降尺度模型），即可得到第二分辨率的初始地表温度估算结果。
步骤S108，对初始地表温度估算结果进行残差校正，得到第二分辨率的目标地表温度估算结果。
在一种实施方式中，可以对初始地表温度估算结果进行重采样，并基于重采样后的第一分辨率的初始地表温度估算结果确定地表温度残差，利用该地表温度残差对第二分辨率的初始地表温度估算结果进行残差校正，即可得到第二分辨率的目标地表温度估算结果。
本发明实施例提供的基于SAR图像的地表温度空间降尺度方法，利用与天气无关的 SAR图像数据中的要素特征来对地表温度进行空间降尺度，首先利用SAR图像数据及土地覆被数据，提取出多个空间降尺度模型的输入要素特征，然后使用空间降尺度模型输出初始地表温度估算结果，最后通过引入残差校正，得到高空间分辨率的目标地表温度估算结果，本发明实施例为利用SAR图像进行地表温度估计提供了新的视角，构建了一个性能优秀的空间降尺度模型，不仅可以在高云量等恶劣天气条件下实现地表温度估计，还提高了地表温度产品的空间分辨率，大大提高了地表温度产品的利用效率。
为便于理解，本发明实施例提供了一种基于SAR图像的地表温度空间降尺度方法的具体实施方式。
对于前述步骤S102，本发明实施例提供了一种获取多源卫星遥感数据，并对多源卫星遥感数据进行预处理得到目标多源卫星遥感数据的实施方式，参见如下步骤A1至步骤A2：
步骤A1，数据获取：基于GEE云平台，检索并筛选指定时间和空间范围的Sentinel-1 SAR数据、Landsat-8 LST陆地表面温度数据以及ESA WorldCover土地覆被数据。
在一例中，Sentinel-1 SAR数据选择具有干涉宽幅 (IW) 仪器模式的地面距离检测 (GRD)数据，包括垂直发射/水平接收（VH）及垂直发射/垂直接收（VV）偏振后向散射数据。
在一例中，Landsat-8 LST陆地表面温度数据来自 Landsat-8 Level-2Collection-2 Tier-1 数据集，该数据集包含由 Landsat 8 OLI/TIRS 传感器生成的数据得出的经过大气校正的表面反射率和陆地表面温度。
在一例中，ESA WorldCover土地覆被数据，WorldCover 地图是第一个基于Sentinel-1 和 Sentinel-2 数据的全球土地覆被产品，包含11 个不同的土地覆被类别，分辨率为 10 m。
步骤A2，数据预处理：本发明实施例旨在利用从多个来源获取的数据或图像来开发降尺度模型，因此确保图像之间的精确配准对于在降尺度模型中建立预测变量与目标变量之间的精确对应关系至关重要。数据预处理的步骤包括对数据集进行裁剪、重采样和重投影等基本操作，以实现数据集的对齐（配准）。此外，还包括对数据进行降噪处理，以减少数据的噪声影响。具体包括：
（1）重采样：将SAR图像数据重采样至指定分辨率，以实现将SAR图像数据重采样至与LST数据相同分辨率。
（2）重投影：将SAR图像数据、ESA数据、LST数据均重新投影到WGS84（EPSG:4326）坐标系，以确保空间位置一致性。
（3）裁剪：利用研究区边界矢量数据，将SAR图像数据、ESA数据、LST数据裁剪到相同的范围。
（4）降噪：除 " ESA WorldCover土地覆被数据"外，将SAR图像数据、LST数据均使用 3 × 3 内核的均值滤波器进行滤波，以去除噪声。其中，均值滤波的实现公式为：
；
式中，为内核半径，/>和/>分别表示待滤波像元行列号，/>和/>分别表示滤波后像元行列号，/>也即待滤波的数据，/>也即滤波后的数据。
对于前述步骤S104，本发明实施例提供了一种基于SAR图像数据和土地覆被数据构建第一分辨率的训练输入要素特征的实施方式，包括如下步骤B1至步骤B3：
步骤B1，基于第一分辨率的SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，构造第一分辨率的邻域SAR图像数据。例如，邻域SAR图像数据可以为1000米分辨率且55邻域SAR图像（VV/VH波段）。具体可参见如下步骤B1-1至步骤B1-2：
步骤B1-1，对于第一分辨率的SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，以该像元点为中心确定该像元匹配的邻域范围和邻域范围内的像元值。其中，第一分辨率的SAR图像数据包含的像元点与第一分辨率的陆地表面温度数据包含的像元点一一对应。
示例性的，第一分辨率可以为1000米分辨率。在具体实现时，前述步骤A2中已将SAR图像数据重采样至与LST数据相同分辨率（也即100米分辨率），在此基础上，将100米分辨率的SAR图像数据再次聚合至1000米分辨率。
通常情况下，与 LST 数据相比，SAR图像数据在局部区域会出现显著的反向散射强度变化，不如光学成像波段中常见的平滑表现。虽然过量使用空间滤波可以缓解这种强度变化，但此举可能会导致信息丢失，使模型无法捕捉到目标变量LST数据的准确关系。为了减少这种限制，本发明实施例将 1000米分辨率的SAR图像数据中的VV波段和 VH 波段中所有像元点55 范围作为邻域范围，并获取5/>5范围内每个像元点的像元值。
步骤B1-2，基于邻域范围内的像元值，生成该像元点对应的第一分辨率的邻域SAR图像数据。
在实际应用中，在已知55范围内每个像元点的像元值的情况下，可以直接生成55范围下的邻域SAR图像数据，该邻域SAR图像数据的分辨率也为1000米分辨率。
在模型训练阶段，将每个像元点对应的邻域SAR图像数据均作为空间降尺度模型的预测变量（也即训练输入要素特征）。
步骤B2，基于第二分辨率的SAR图像数据中第一指定分块内不同像元值对应的像元数，和第二分辨率的SAR图像数据内不同像元值对应的像元数，构造第一分辨率的雷达均匀性指数。例如，可以根据100米分辨率SAR图像计算的1000米分辨率雷达均匀性指数RHI（Radar Homogeneity Index）（VV/VH波段）。具体可参见如下步骤B2-1至步骤B2-3：
步骤B2-1，基于第一分辨率与第二分辨率的比值，确定第一分块尺寸。
示例性的，假设第一分辨率为1000米分辨率，第二分辨率为100米分辨率，则第一分块尺寸为10×10。
步骤B2-2，按照第一分块尺寸将第二分辨率的SAR图像数据进行分块处理，得到多个第一指定分块。其中，第一指定分块与第一分辨率的陆地表面温度数据包含的像元点一一对应。
示例性的，可以按照1010对100米分辨率的SAR图像数据进行分块处理，也即每个第一指定分块为10/>10像元大小，即对应一个1000米分辨率的LST像元。
步骤B2-3，对于每个第一指定分块，将该第一指定分块内不同像元值对应的像元数与第二分辨率的SAR图像数据内不同像元值对应的像元数的比值，作为该第一指定分块对应的第一分辨率的雷达均匀性指数。
为进一步解决SAR图像数据空间模式噪声的限制，本发明实施例提出了一种新的雷达均匀性指数RHI，并将其作为空间降尺度模型的预测变量。RHI的计算方式为指定分块内不同像元值的总数除以整幅图像中不同像元值的总数。因此，同质分块的RHI值较低，而异质分块的RHI值较高。其数学描述如下：
；
为第一指定分块/>的雷达均匀性指数，第一指定分块/>为SAR图像数据中的10/>10像元大小分块，/>为第一指定分块/>中第/>个像元点的像元值，/>为第二分辨率的SAR图像数据/>中第/>个像元点的像元值，/>为第一指定分块/>中的像元总数，/>为第二分辨率的SAR图像数据/>中的像元总数。
步骤B3，基于第三分辨率的土地覆被数据中第二指定分块内不同土地覆被类别对应的像元数，和第二指定分块中的像元总数，构造第一分辨率的土地覆被比例。例如，第三分辨率为10米分辨率，根据10米分辨率土地覆被数据计算的1000米分辨率土地覆被类别比例LCCP（Land Cover Classes Proportion）。具体可参见如下步骤B3-1至步骤B3-3：
步骤B3-1，基于第一分辨率与第三分辨率的比值，确定第二分块尺寸。
示例性的，假设第一分辨率为1000米分辨率，第三分辨率为10米分辨率，则第二分块尺寸为100×100。
步骤B3-2，按照第二分块尺寸将第三分辨率的土地覆被数据进行分块处理，得到多个第二指定分块。其中，第二指定分块与第一分辨率的陆地表面温度数据包含的像元点一一对应。
示例性的，可以按照100100对10米分辨率的ESA数据进行分块处理，也即每个第二指定分块为100/>100像元大小，即对应一个1000米分辨率的LST像元。
步骤B3-3，对于每个第二指定分块，将该第二指定分块内不同土地覆被类别对应的像元数与该第二指定分块中的像元总数的比值，作为该第二指定分块对应的第一分辨率的土地覆被比例。
本发明实施例引入了一种将土地覆被数据作为特征的新方法。计算指定空间分辨率分块内所有像素包含的土地覆被类别的比例LCCP，旨在更精确地表示土地覆被信息的包含情况。在传统方法中，由于从土地覆被信息中提取的特征（即不同的土地覆被类别）具有离散性，因此估计的土地覆被信息会被离散化。相比之下，本发明实施例将这些离散的类别转换为连续的表示，将土地覆被数据中各类别的比例作为特征输入降尺度模型，提高了模型的精度，减少了离散信息引起的噪声。
具体来说，1000米分辨率的Landsat-8 LST 图像中的一个像元对应10米分辨率的ESA WorldCover 图像中的一个 100100 像元大小的第二指定分块。在该第二指定分块内，计算出每个土地覆被类别的比例，作为该特定像元的特征值。例如，如果100/>00 分块内有 2000 个像素对应土地覆被类别A，则该类别的土地覆被比例计算为LCCPA =2000/10000= 0.2。该特征值作为预测变量输入降尺度模型。
进一步的，在执行基于SAR图像数据和土地覆被数据构建第二分辨率的待预测输入要素特征的步骤时，可参见前述步骤B1至步骤B3，以得到高分辨率输入要素特征（也即待预测输入要素特征），用于估算高分辨率LST估算结果以及空间降尺度模型的预测推理阶段。具体包括：
（1）100米分辨率，55邻域SAR图像（VV/VH波段）。
（2）参照步骤B2，根据10米分辨率SAR图像计算的100米分辨率雷达均匀性指数RHI（Radar Homogeneity Index）（VV/VH波段）。
（3）参照步骤B3，根据10米分辨率土地覆被数据计算的100米分辨率土地覆被类别比例LCCP（Land Cover Classes Proportion）。
对于前述步骤S106，本发明实施例提供了一种利用第一分辨率的训练输入要素特征和陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过目标空间降尺度模型，基于第二分辨率的待预测输入要素特征确定第二分辨率的初始地表温度估算结果的实施方式。其中，空间降尺度可定义为将空间信息从粗空间分辨率转换为高空间分辨率的过程。基于随机森林的空间降尺度模型旨在建立输入预测因子与粗分辨率目标变量之间的统计关系。
具体可参见如下步骤C1至步骤C2：
步骤C1，将第一分辨率的训练输入要素特征作为输入，将第一分辨率的陆地表面温度数据作为训练标签，对随机森林回归模型进行训练，得到目标空间降尺度模型。
随机森林回归模型可以表示为一个映射函数，通过训练粗分辨率预测变量和目标变量之间的模型来近似表示。其数学描述如下：
；
式中，表示以 1000 米分辨率训练的随机森林回归模型，/>表示1000 米分辨率的邻域SAR图像数据，/>表示1000 米分辨率SAR图像数据的雷达均匀性指数，/>表示1000米分辨率的土地覆被类别比例，/>表示1000 米分辨率的地表温度数据。
步骤C2，将第二分辨率的待预测输入要素特征输入至目标空间降尺度模型，得到目标空间降尺度模型输出的第二分辨率的初始地表温度估算结果（简称初始LST估算结果）。
具体的，在使用粗分辨率数据构建随机森林回归模型之后，高分辨率的预测变量（也即，待预测输入要素特征）被用作函数/>的输入，以相应地估计精细尺度目标值（也即，100米分辨率的初始LST估算结果）。其数学描述如下：
；
式中，表示以1000米分辨率训练好的随机森林回归模型，/>为模型以100米分辨率估算的初始LST估算结果，/>表示 100米分辨率的邻域SAR图像数据，表示100 米分辨率SAR图像数据的雷达均匀性指数，/>表示100米分辨率的土地覆被类别比例。
对于前述步骤S108，本发明实施例提供了一种对初始地表温度估算结果进行残差校正，得到第二分辨率的目标地表温度估算结果的实施方式，具体可参见如下步骤D1至步骤D3：
步骤D1，对第二分辨率的初始地表温度估算结果重采样至第一分辨率，得到第一分辨率的初始地表温度估算结果。
在一例中，以100米分辨率的初始LST估算结果重采样至1000米分辨率，即可得到1000米分辨率的初始地表温度估算结果。
步骤D2，将第一分辨率的初始地表温度估算结果与第一分辨率的陆地表面温度数据之间的差值，作为地表温度残差。
在一例中，用于降尺度的回归模型往往无法捕捉目标变量的所有变化。为了解决这个问题，本发明实施例在空间降尺度模型中添加残差校正。其数学描述如下：
；
式中，表示以1000米分辨率计算的地表温度残差（简称LST残差），为1000米分辨率的初始地表温度估算结果，/>表示1000 米分辨率的LST数据。
步骤D3，将地表温度残差与第二分辨率的初始地表温度估算结果的和值，作为第二分辨率的目标地表温度估算结果（简称目标LST估算结果）。
在步骤D2中收集到粗空间分辨率下的LST残差后，将步骤C2中估算的高分辨率LST估算结果的所有像素加上LST残差进行调整。最终，残差校正后的目标LST估算结果可表示为：
；
式中，表示100 米分辨率的目标LST估算结果。
本发明实施例提供的基于SAR图像的地表温度空间降尺度方法，对于任意一幅SAR图像，根据步骤S104，可构建高分辨率输入要素特征。将这些特征输入步骤S106中训练好的基于随机森林的SAR图像地表温度空间降尺度模型（也即，目标空间降尺度模型），得到降尺度后的高分辨率LST估算结果。本发明实施例也可推广应用至其他SAR图像数据。
综上所述，本发明实施例提供的基于SAR图像的地表温度空间降尺度方法至少具有以下特点：
（1）本发明实施例创新性地提出了一种利用SAR图像数据估算LST数据的新方法，通过利用SAR图像数据及辅助土地覆被产品提取输入要素特征，构建了基于随机森林的地表温度空间降尺度模型，提高了 LST 数据的空间分辨率。此外，由于SAR图像数据能够穿透云层，不受天气条件的影响，因此本方法同样不受天气条件的限制，大大提高了 LST 数据的利用效率。
（2）本发明实施例创新性地从SAR图像数据中提取出雷达均匀性指数，有效解决SAR图像数据固有的空间模式带来的噪声限制，通过将该指数作空间为降尺度模型的特征，提高空间了降尺度模型的性能。
（3）本发明实施例提出了一种将土地覆被数据作为降尺度模型特征的新方法，通过计算土地覆被类别的比例，更精确地表示土地覆被信息的包含情况，将离散的土地覆被信息转换为连续的表示，减少了离散信息引起的噪声，提高了降尺度模型的精度。
为便于理解，本发明实施例还提供了一种基于SAR图像的地表温度空间降尺度方法的具体实施方式，包括：多源卫星遥感数据获取及预处理；空间降尺度模型输入要素特征构建；基于随机森林的SAR图像地表温度空间降尺度模型构建；利用SAR图像对地表温度进行空间降尺度。具体可参见图2所示的另一种基于SAR图像的地表温度空间降尺度方法的流程示意图，包括：
（1）获取Sentinel-1 SAR GRD（10m）、ESA WorldCover v100（10m）、Landsat-8 LST（100m）；
（2）将Sentinel-1 SAR GRD（10m）、ESA WorldCover v100（10m）分别聚合至100m，以及将Sentinel-1 SAR GRD（10m）、ESA WorldCover v100（10m）分别聚合至1000m，以及将Landsat-8 LST（100m）聚合至1000m；
（3）构造模型训练输入要素（也即训练输入要素特征），并利用1000m Landsat-8LST（100m）、模型训练输入要素对RF降尺度模型进行模型训练。模型训练输入要素包括：1、1000米分辨率且5×5邻域SAR图像（VV/VH波段）；2、根据100米分辨率SAR图像计算的1000米分辨率雷达均匀性指数（VV/VH波段）；3、根据10米分辨率土地覆被数据计算的1000米分辨率土地覆被类别比例；
（4）构造模型预测输入要素（也即待预测输入要素特征），并通过RF降尺度模型进行模型预测推理，得到降尺度LST（100m），也即初始LST估算结果。模型预测输入要素包括：1、100米分辨率，5×5邻域SAR图像（VV/VH波段）；2、根据10米分辨率SAR图像计算的100米分辨率雷达均匀性指数（VV/VH波段）；3、根据10米分辨率土地覆被数据计算的100米分辨率土地覆被类别比例；
（5）对降尺度LST（100m）进行残差校正，得到矫正后的降尺度LST（100m），也即目标LST估算结果。
综上所述，本发明实施例利用与天气无关的 Sentinel-1 合成孔径雷达图像数据中的要素特征来对LST进行空间降尺度。该方法首先利用SAR数据及土地覆被数据，提取出多个空间降尺度模型的输入要素特征。然后使用随机森林作为基础机器学习回归算法，估算出LST。最后通过引入残差校正，构建基于随机森林的SAR图像地表温度空间降尺度模型，得到高空间分辨率的LST产品。本发明实施例为利用SAR 数据进行LST估计领域提供了新的视角，构建了一个性能优秀的空间降尺度模型，提高了 LST 产品的空间分辨率，大大提高了LST产品的利用效率。
在前述实施例的基础上，本发明实施例提供了一种基于SAR图像的地表温度空间降尺度装置，参见图3所示的一种基于SAR图像的地表温度空间降尺度装置的结构示意图，该装置主要包括以下部分：
数据获取模块302，用于获取多源卫星遥感数据，并对多源卫星遥感数据进行预处理得到目标多源卫星遥感数据；其中，目标多源卫星遥感数据包括SAR图像数据、土地覆被数据和陆地表面温度数据；
特征构建模块304，用于基于SAR图像数据和土地覆被数据构建第一分辨率的训练输入要素特征，以及基于SAR图像数据和土地覆被数据构建第二分辨率的待预测输入要素特征；其中，第二分辨率高于第一分辨率；
训练及预测模块306，用于利用第一分辨率的训练输入要素特征和陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过目标空间降尺度模型，基于第二分辨率的待预测输入要素特征确定第二分辨率的初始地表温度估算结果；
残差校正模块308，用于对初始地表温度估算结果进行残差校正，得到第二分辨率的目标地表温度估算结果。
本发明实施例提供的基于SAR图像的地表温度空间降尺度装置，利用与天气无关的 SAR图像数据中的要素特征来对地表温度进行空间降尺度，首先利用SAR图像数据及土地覆被数据，提取出多个空间降尺度模型的输入要素特征，然后使用空间降尺度模型输出初始地表温度估算结果，最后通过引入残差校正，得到高空间分辨率的目标地表温度估算结果，本发明实施例为利用SAR图像进行地表温度估计提供了新的视角，构建了一个性能优秀的空间降尺度模型，不仅可以在高云量等恶劣天气条件下实现地表温度估计，还提高了地表温度产品的空间分辨率，大大提高了地表温度产品的利用效率。
在一种实施方式中，训练输入要素特征和待预测输入要素特征均包括邻域SAR图像数据、雷达均匀性指数和土地覆被比例；特征构建模块304还用于：
基于第一分辨率的SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，构造第一分辨率的邻域SAR图像数据；
基于第二分辨率的SAR图像数据中第一指定分块内不同像元值对应的像元数，和第二分辨率的SAR图像数据内不同像元值对应的像元数，构造第一分辨率的雷达均匀性指数；
基于第三分辨率的土地覆被数据中第二指定分块内不同土地覆被类别对应的像元数，和第二指定分块中的像元总数，构造第一分辨率的土地覆被比例；
其中，第三分辨率高于第二分辨率。
在一种实施方式中，特征构建模块304还用于：
对于第一分辨率的SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，以该像元点为中心确定该像元匹配的邻域范围和邻域范围内的像元值；其中，第一分辨率的SAR图像数据包含的像元点与第一分辨率的陆地表面温度数据包含的像元点一一对应；
基于邻域范围内的像元值，生成该像元点对应的第一分辨率的邻域SAR图像数据。
在一种实施方式中，特征构建模块304还用于：
基于第一分辨率与第二分辨率的比值，确定第一分块尺寸；
按照第一分块尺寸将第二分辨率的SAR图像数据进行分块处理，得到多个第一指定分块；其中，第一指定分块与第一分辨率的陆地表面温度数据包含的像元点一一对应；
对于每个第一指定分块，将该第一指定分块内不同像元值对应的像元数与第二分辨率的SAR图像数据内不同像元值对应的像元数的比值，作为该第一指定分块对应的第一分辨率的雷达均匀性指数；
其中，雷达均匀性指数如下所示：
；
第一指定分块/>的雷达均匀性指数，/>为第一指定分块/>中第/>个像元点的像元值，/>为第二分辨率的SAR图像数据/>中第/>个像元点的像元值，/>为第一指定分块/>中的像元总数，/>为第二分辨率的SAR图像数据/>中的像元总数。
在一种实施方式中，特征构建模块304还用于：
基于第一分辨率与第三分辨率的比值，确定第二分块尺寸；
按照第二分块尺寸将第三分辨率的土地覆被数据进行分块处理，得到多个第二指定分块；其中，第二指定分块与第一分辨率的陆地表面温度数据包含的像元点一一对应；
对于每个第二指定分块，将该第二指定分块内不同土地覆被类别对应的像元数与该第二指定分块中的像元总数的比值，作为该第二指定分块对应的第一分辨率的土地覆被比例。
在一种实施方式中，初始空间降尺度模型采用随机森林回归模型；训练及预测模块306还用于：
将第一分辨率的训练输入要素特征作为输入，将第一分辨率的陆地表面温度数据作为训练标签，对随机森林回归模型进行训练，得到目标空间降尺度模型；
将第二分辨率的待预测输入要素特征输入至目标空间降尺度模型，得到目标空间降尺度模型输出的第二分辨率的初始地表温度估算结果。
在一种实施方式中，残差校正模块308还用于：
对第二分辨率的初始地表温度估算结果重采样至第一分辨率，得到第一分辨率的初始地表温度估算结果；
将第一分辨率的初始地表温度估算结果与第一分辨率的陆地表面温度数据之间的差值，作为地表温度残差；
将地表温度残差与第二分辨率的初始地表温度估算结果的和值，作为第二分辨率的目标地表温度估算结果。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口43（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种基于SAR图像的地表温度空间降尺度方法，其特征在于，包括：
获取多源卫星遥感数据，并对所述多源卫星遥感数据进行预处理得到目标多源卫星遥感数据；其中，所述目标多源卫星遥感数据包括SAR图像数据、土地覆被数据和陆地表面温度数据；
基于所述SAR图像数据和所述土地覆被数据构建第一分辨率的训练输入要素特征，以及基于所述SAR图像数据和所述土地覆被数据构建第二分辨率的待预测输入要素特征；其中，所述第二分辨率高于所述第一分辨率；
利用所述第一分辨率的所述训练输入要素特征和所述陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过所述目标空间降尺度模型，基于所述第二分辨率的所述待预测输入要素特征确定所述第二分辨率的初始地表温度估算结果；
对所述初始地表温度估算结果进行残差校正，得到所述第二分辨率的目标地表温度估算结果；
所述训练输入要素特征和所述待预测输入要素特征均包括邻域SAR图像数据、雷达均匀性指数和土地覆被比例；基于所述SAR图像数据和所述土地覆被数据构建第一分辨率的训练输入要素特征的步骤，包括：
基于第一分辨率的所述SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，构造所述第一分辨率的所述邻域SAR图像数据；
基于第二分辨率的所述SAR图像数据中第一指定分块内不同像元值对应的像元数，和所述第二分辨率的SAR图像数据内不同像元值对应的像元数，构造所述第一分辨率的所述雷达均匀性指数；
基于第三分辨率的所述土地覆被数据中第二指定分块内不同土地覆被类别对应的像元数，和所述第二指定分块中的像元总数，构造所述第一分辨率的所述土地覆被比例；
其中，所述第三分辨率高于所述第二分辨率。
2.根据权利要求1所述的基于SAR图像的地表温度空间降尺度方法，其特征在于，基于第一分辨率的所述SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，构造所述第一分辨率的所述邻域SAR图像数据的步骤，包括：
对于第一分辨率的所述SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，以该像元点为中心确定该像元匹配的邻域范围和所述邻域范围内的像元值；其中，所述第一分辨率的所述SAR图像数据包含的像元点与所述第一分辨率的所述陆地表面温度数据包含的像元点一一对应；
基于所述邻域范围内的所述像元值，生成该像元点对应的所述第一分辨率的所述邻域SAR图像数据。
3.根据权利要求1所述的基于SAR图像的地表温度空间降尺度方法，其特征在于，基于第二分辨率的所述SAR图像数据中第一指定分块内不同像元值的像元数，和所述第二分辨率的SAR图像数据内不同像元值的像元数，构造所述第一分辨率的所述雷达均匀性指数的步骤，包括：
基于所述第一分辨率与所述第二分辨率的比值，确定第一分块尺寸；
按照所述第一分块尺寸将所述第二分辨率的所述SAR图像数据进行分块处理，得到多个第一指定分块；其中，所述第一指定分块与所述第一分辨率的所述陆地表面温度数据包含的像元点一一对应；
对于每个所述第一指定分块，将该第一指定分块内不同像元值对应的像元数与所述第二分辨率的SAR图像数据内不同像元值对应的像元数的比值，作为该第一指定分块对应的所述第一分辨率的所述雷达均匀性指数；
其中，所述雷达均匀性指数如下所示：
；
第一指定分块/>的雷达均匀性指数，/>为第一指定分块/>中第/>个像元点的像元值，/>为第二分辨率的SAR图像数据/>中第/>个像元点的像元值，/>为第一指定分块中的像元总数，/>为第二分辨率的SAR图像数据/>中的像元总数。
4.根据权利要求1所述的基于SAR图像的地表温度空间降尺度方法，其特征在于，基于第三分辨率的所述土地覆被数据中第二指定分块内不同土地覆被类别对应的像元数，和所述第二指定分块中的像元总数，构造所述第一分辨率的所述土地覆被比例的步骤，包括：
基于所述第一分辨率与所述第三分辨率的比值，确定第二分块尺寸；
按照所述第二分块尺寸将所述第三分辨率的所述土地覆被数据进行分块处理，得到多个第二指定分块；其中，所述第二指定分块与所述第一分辨率的所述陆地表面温度数据包含的像元点一一对应；
对于每个所述第二指定分块，将该第二指定分块内不同土地覆被类别对应的像元数与该第二指定分块中的像元总数的比值，作为该第二指定分块对应的所述第一分辨率的所述土地覆被比例。
5.根据权利要求1所述的基于SAR图像的地表温度空间降尺度方法，其特征在于，所述初始空间降尺度模型采用随机森林回归模型；利用所述第一分辨率的所述训练输入要素特征和所述陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过所述目标空间降尺度模型，基于所述第二分辨率的所述待预测输入要素特征确定所述第二分辨率的初始地表温度估算结果的步骤，包括：
将所述第一分辨率的所述训练输入要素特征作为输入，将所述第一分辨率的所述陆地表面温度数据作为训练标签，对随机森林回归模型进行训练，得到目标空间降尺度模型；
将所述第二分辨率的所述待预测输入要素特征输入至所述目标空间降尺度模型，得到所述目标空间降尺度模型输出的所述第二分辨率的初始地表温度估算结果。
6.根据权利要求1所述的基于SAR图像的地表温度空间降尺度方法，其特征在于，对所述初始地表温度估算结果进行残差校正，得到所述第二分辨率的目标地表温度估算结果的步骤，包括：
对所述第二分辨率的所述初始地表温度估算结果重采样至所述第一分辨率，得到所述第一分辨率的所述初始地表温度估算结果；
将所述第一分辨率的所述初始地表温度估算结果与所述第一分辨率的所述陆地表面温度数据之间的差值，作为地表温度残差；
将所述地表温度残差与所述第二分辨率的所述初始地表温度估算结果的和值，作为所述第二分辨率的目标地表温度估算结果。
7.一种基于SAR图像的地表温度空间降尺度装置，其特征在于，包括：
数据获取模块，用于获取多源卫星遥感数据，并对所述多源卫星遥感数据进行预处理得到目标多源卫星遥感数据；其中，所述目标多源卫星遥感数据包括SAR图像数据、土地覆被数据和陆地表面温度数据；
特征构建模块，用于基于所述SAR图像数据和所述土地覆被数据构建第一分辨率的训练输入要素特征，以及基于所述SAR图像数据和所述土地覆被数据构建第二分辨率的待预测输入要素特征；其中，所述第二分辨率高于所述第一分辨率；
训练及预测模块，用于利用所述第一分辨率的所述训练输入要素特征和所述陆地表面温度数据，对初始空间降尺度模型进行训练得到目标空间降尺度模型，以通过所述目标空间降尺度模型，基于所述第二分辨率的所述待预测输入要素特征确定所述第二分辨率的初始地表温度估算结果；
残差校正模块，用于对所述初始地表温度估算结果进行残差校正，得到所述第二分辨率的目标地表温度估算结果；
所述训练输入要素特征和所述待预测输入要素特征均包括邻域SAR图像数据、雷达均匀性指数和土地覆被比例；特征构建模块还用于：
基于第一分辨率的所述SAR图像数据中垂直发射且水平接收波段、垂直发射且垂直接收波段包含的每个像元点，构造所述第一分辨率的所述邻域SAR图像数据；
基于第二分辨率的所述SAR图像数据中第一指定分块内不同像元值对应的像元数，和所述第二分辨率的SAR图像数据内不同像元值对应的像元数，构造所述第一分辨率的所述雷达均匀性指数；
基于第三分辨率的所述土地覆被数据中第二指定分块内不同土地覆被类别对应的像元数，和所述第二指定分块中的像元总数，构造所述第一分辨率的所述土地覆被比例；
其中，所述第三分辨率高于所述第二分辨率。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至6任一项所述的方法。
CN202311403787.1A 2023-10-27 2023-10-27 基于sar图像的地表温度空间降尺度方法、装置及设备 Active CN117148350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311403787.1A CN117148350B (zh) 2023-10-27 2023-10-27 基于sar图像的地表温度空间降尺度方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311403787.1A CN117148350B (zh) 2023-10-27 2023-10-27 基于sar图像的地表温度空间降尺度方法、装置及设备

Publications (2)

Publication Number Publication Date
CN117148350A CN117148350A (zh) 2023-12-01
CN117148350B true CN117148350B (zh) 2024-01-30

Family

ID=88901055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311403787.1A Active CN117148350B (zh) 2023-10-27 2023-10-27 基于sar图像的地表温度空间降尺度方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117148350B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 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确反演方法
CN109472393A (zh) * 2018-09-30 2019-03-15 广州地理研究所 空间降尺度降水数据检测方法、装置及电子设备
CN110866364A (zh) * 2019-11-20 2020-03-06 中国科学院遥感与数字地球研究所 基于机器学习的地表温度降尺度方法
CN111199185A (zh) * 2019-11-26 2020-05-26 广州地理研究所 基于XGBoost学习算法的地表温度降尺度方法、系统及设备
CN116484712A (zh) * 2023-02-15 2023-07-25 北京市农林科学院信息技术研究中心 植被区域地表温度重建方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 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确反演方法
CN109472393A (zh) * 2018-09-30 2019-03-15 广州地理研究所 空间降尺度降水数据检测方法、装置及电子设备
CN110866364A (zh) * 2019-11-20 2020-03-06 中国科学院遥感与数字地球研究所 基于机器学习的地表温度降尺度方法
CN111199185A (zh) * 2019-11-26 2020-05-26 广州地理研究所 基于XGBoost学习算法的地表温度降尺度方法、系统及设备
CN116484712A (zh) * 2023-02-15 2023-07-25 北京市农林科学院信息技术研究中心 植被区域地表温度重建方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于随机森林算法的地表温度鲁棒降尺度方法;李婉;牛陆;陈虹;吴骅;;地球信息科学学报(08);全文 *

Also Published As

Publication number Publication date
CN117148350A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
Simarro et al. ULISES: An open source code for extrinsic calibrations and planview generations in coastal video monitoring systems
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN109472393B (zh) 空间降尺度降水数据检测方法、装置及电子设备
Alvioli et al. Topography-driven satellite imagery analysis for landslide mapping
KR102319145B1 (ko) 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치
Spinosa et al. Remote sensing-based automatic detection of shoreline position: A case study in apulia region
CN114563378B (zh) 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备
CN116977311B (zh) 一种洪涝灾害区域检测方法、系统、电子设备及存储介质
CN117115666B (zh) 基于多源数据的高原湖泊提取方法、装置、设备及介质
Li et al. Better localized predictions with Out-of-Scope information and Explainable AI: One-Shot SAR backscatter nowcast framework with data from neighboring region
Prerna et al. Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey
CN113627292A (zh) 基于融合网络的遥感图像识别方法及装置
CN117148350B (zh) 基于sar图像的地表温度空间降尺度方法、装置及设备
CN117237256A (zh) 一种浅海珊瑚礁监测数据采集方法、装置及设备
CN116310832A (zh) 遥感图像处理方法、装置、设备、介质及产品
Angelini et al. A review and test of shoreline extraction techniques
Nasiri et al. Integration of radar and optical sentinel images for land use mapping in a complex landscape (case study: Arasbaran Protected Area)
CN115760701A (zh) 一种土地变化检测方法及装置
CN114488070A (zh) 一种基于深度学习模型的雷达回波外推方法和装置
Maurya et al. Information fusion approach for downscaling coarse resolution scatterometer data
Mishra et al. Exploring single-frame super-resolution on real-world Hyperion and PRISMA datasets of an urban area in a developing nation
Hedhli et al. New hierarchical joint classification method for SAR-optical multiresolution remote sensing data
Gaurav et al. RainRoof: Automated Shared Rainwater Harvesting Prediction
Valdiviezo-N et al. Morphological reconstruction algorithms for urban monitoring using satellite data: proper selection of the marker and mask images

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