CN117390969B - 一种用于生成地表温度的方法、电子设备和存储介质 - Google Patents
一种用于生成地表温度的方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117390969B CN117390969B CN202311654057.9A CN202311654057A CN117390969B CN 117390969 B CN117390969 B CN 117390969B CN 202311654057 A CN202311654057 A CN 202311654057A CN 117390969 B CN117390969 B CN 117390969B
- Authority
- CN
- China
- Prior art keywords
- satellite
- data
- surface temperature
- emissivity
- radiance
- 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 59
- 230000005855 radiation Effects 0.000 claims abstract description 63
- 238000007637 random forest analysis Methods 0.000 claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 239000002689 soil Substances 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000005316 response function Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 241000132092 Aster Species 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 210000004243 sweat Anatomy 0.000 description 3
- FHDAHQFLZOYWQM-QDYAWOJKSA-N (1R,3R)-5-[(2E)-2-[(1R,3aS,7aR)-1-[(2S)-1-imidazol-1-ylpropan-2-yl]-7a-methyl-2,3,3a,5,6,7-hexahydro-1H-inden-4-ylidene]ethylidene]-2-methylidenecyclohexane-1,3-diol Chemical compound C[C@H](Cn1ccnc1)[C@H]2CC[C@H]3\C(=C\C=C4C[C@@H](O)C(=C)[C@H](O)C4)\CCC[C@]23C FHDAHQFLZOYWQM-QDYAWOJKSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000379 polymerizing effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本申请提供的一种用于生成地表温度的方法、电子设备和存储介质，涉及计算机领域，该方法包括：获取第一卫星通过预设波段所采集目标区域的可见光数据；对可见光数据进行空间聚合，得到第一卫星对应的光谱指数；将光谱指数输入至预先训练的随机森林模型，得到指示第一卫星对应的第一地表温度，随机森林模型用于指示光谱指数与第一地表温度之间的函数关系；基于第一地表温度，对预先生成的第一卫星对应的目标区域的第二地表温度进行校正，其中，第二地表温度是基于第二卫星的辐射定标系数和第一卫星对应的目标区域的热红外数据生成的。实施本申请提供的技术方案，可以提高当前地表温度的精度。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种用于生成地表温度的方法、电子设备和存储介质。
背景技术
地表温度是地球表层与大气之间能量交换和物质交换的直接驱动因子，作为全球变化研究的关键参数，在区域或全球陆表尺度上的能量平衡研究中发挥着十分重要的作用。随着学科的发展，航空航天遥感正在向高时间分辨率、高空间分辨率、高光谱分辨率、多角度、多极化的方向迅猛发展，中、低分辨率的地表温度产品已经很难满足现代定量遥感的需求，因此高精度、高空间分辨率的地表温度产品显得尤为重要。
现有技术中，通常采用对卫星数据中的热红外数据进行反演从而得到地表温度，其中反演地表温度方式通常采用劈窗算法、NDVI阈值法等进行反演计算。但是，现有卫星数据的热红外光分辨率是90m，其空间分辨率较低，进而面临着反演的地表温度精度低的问题。
由此，如何获取高精度的地表温度，成为需要解决的问题。
发明内容
本申请实施例提供的一种用于生成地表温度的方法，可以提高地表温度的精度。
第一方面，本申请实施例提供了一种用于生成地表温度的方法，包括：获取第一卫星通过预设波段所采集的目标区域的可见光数据；对可见光数据进行空间聚合，生成第一卫星对应的光谱指数，光谱指数包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数；将光谱指数输入至预先训练的随机森林模型，生成指示第一卫星对应的第一地表温度，随机森林模型用于指示光谱指数与第一地表温度之间的函数关系；基于第一地表温度，对预先生成的第一卫星对应的目标区域的第二地表温度进行校正，其中，第二地表温度是基于第二卫星的辐射定标系数和第一卫星对应的目标区域的热红外数据生成的，其中，第一卫星的分辨率高于第二卫星的分辨率。
本申请实施例提供的用于生成地表温度的方法，针对当前地表温度精度低的问题，通过采用高分辨率的第一卫星和第二卫星的辐射定标系数，可以生成高精度的地表温度，并通过随机森林模型对得到的地表温度数据进行校正，进而保障地表温度的精度。
在一种可能的实现中，获取所述第一卫星通过预设波段采集的多个区域的历史可见光数据，所述历史可见光数据对应于第一分辨率；对多个历史可见光数据进行空间聚合，基于聚合结果，生成对应于第二分辨率的样本数据集，样本数据集中包括多个光谱指数样本，光谱指数样本包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数，其中，第一分辨率高于第二分辨率；利用样本数据集中的训练样本，对初始随机森林模型进行回归计算，生成光谱指数与地表温度之间的映射函数，得到随机森林模型。
在一种可能的实现中，将样本数据集中的测试样本输入至随机森林模型，得到地表温度输出结果；基于地表温度输出结果与第二卫星相应区域的地表温度，生成地表温度的拟合残差；以及基于第一地表温度，对预先生成的第一卫星对应的第二地表温度进行校正，包括：利用拟合残差对第一地表温度进行校正，得到第三地表温度；利用第三地表温度对第二地表温度进行校正。
在一种可能的实现中，通过辐射定标算法，基于第二卫星的辐射定标系数和地表温度，确定出第一卫星的辐射定标系数，利用第一卫星的辐射定标系数，对第一卫星获得的目标区域的第一热红外数据进行辐射定标，获得与第一卫星对应的第一辐亮度数据；利用第一卫星获取目标区域的近红外光和红外光数据，基于近红外光和红外光数据，得到植被覆盖度，根据植被覆盖度、预先确定出的第一卫星对应的裸土发射率以及预设的植被发射率，得到目标区域的地表发射率；基于第一卫星的辐亮度数据和地表发射率，通过劈窗算法，得到第二地表温度。
在一种可能的实现中，将第二卫星的所述目标区域的多个角度的辐亮度数据，映射为预设角度的第二辐亮度数据；基于预先模拟出的所述预设角度下第二卫星对应的第一辐亮度模拟数据和所述第一卫星对应的第二辐亮度模拟数据，利用最小二乘法对第一辐亮度模拟数据和第二辐亮度模拟数据进行拟合，基于拟合结果，得到预设角度下、第二卫星的辐亮度和第一卫星的辐亮度之间的线性关系；基于第二辐亮度数据和线性关系，得到第一卫星的第三辐亮度数据，第三辐亮度数据为第二卫星对应分辨率下的辐亮度数据；将第一卫星对应的热红外数据的分辨率通过双线性插值法转换为第二卫星对应的分辨率，得到第二热红外数据；基于第三辐亮度数据和第二热红外数据，通过最小二乘法拟合出第一卫星对应的辐射定标系数；基于第一卫星对应的辐射定标系数和第一热红外数据，生成第一辐亮度数据。
在一种可能的实现中，从全球地表发射率数据集中选取出多个裸土发射率样本；利用全球地表发射率数据集对应的热红外通道光谱响应函数与多个裸土发射率样本进行卷积，得到第一发射率；利用第一卫星的热红外通道光谱响应函数与多个裸土发射率样本进行卷积，得到第二发射率；采用最小二乘法拟合出第一发射率和第二发射率之间的线性回归关系，得到第一卫星对应的目标区域的裸土发射率。
在一种可能的实现方式中，基于第一辐亮度数据和第一卫星的热红外通道的中心波长，利用普朗克方程得到热红外通道对应的亮度温度；基于亮度温度、地表发射率和预先确定出的劈窗算法系数，确定出地表温度。
在一种可能的实现方式中，对预先获取的多条大气廓线进行解析，得到大气数据，大气数据包括预设角度下大气透过率、大气上行辐射数据和大气下行辐射数据，利用大气数据与第一卫星的热红外通道的光谱响应函数进行积分，得到第一卫星的热红外通道对应的大气参数；利用普朗克方程得到第一卫星对应的热红外通道的地表自身辐射；利用预先选取的多条发射率曲线与第一卫星的热红外通道的光谱响应函数进行卷积，得到热红外通道对应的发射率数据；基于大气参数和发射率数据，用辐射传输方程模拟出第一卫星对应的星上辐亮度数据；基于星上辐亮度数据，通过最小二乘拟合得到劈窗算法的系数。
第二方面，本申请提供了一种生成地表温度的装置，该装置包括：获取模块：获取第一卫星通过预设波段所采集的目标区域的可见光数据；第一生成模块：对可见光数据进行空间聚合，生成第一卫星对应的光谱指数，光谱指数包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数；第二生成模块：将光谱指数输入至预先训练的随机森林模型，生成指示第一卫星对应的第一地表温度，随机森林模型用于指示光谱指数与第一地表温度之间的函数关系；校正模块：基于第一地表温度，对预先生成的第一卫星对应的目标区域的第二地表温度进行校正，其中，第二地表温度是基于第一卫星的辐射定标系数和第一卫星对应的目标区域的地表温度生成的，其中，第一卫星的分辨率高于第二卫星的分辨率。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器和接口；存储器，用于存储指令；接口，用于与其他设备通信；处理器，用于执行存储器中存储的指令，以使电子设备执行如第一方面所述的方法。
第四方面，本申请实施例提供了一种可读存储介质，该可读存储介质包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如第一方面所述的方法。
可以理解的是，本申请第二至第四方面的技术方案与本申请的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
附图说明
图1是本申请实施例提供的生成地表温度方法的一个流程图；
图2是本申请实时提供的生成第二卫星辐亮度的流程图；
图3是本申请实施例提供的辐射差值与观测角的线性关系图；
图4是本申请实施例提供的生成目标区域地表发射率的流程图；
图5是本实施提供的生成目标区域地表温度的流程图；
图6是本申请实施例提供的拟合劈窗算法系数的流程图；
图7是本申请实施例提供的生成地表温度装置的结构示意图；
图8是本申请实施例提供的电子设备的一个结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个换能器是指两个或两个以上的换能器。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
现有技术中，通常采用对卫星数据中的热红外数据进行反演从而得到地表温度，其中反演地表温度方式通常采用劈窗算法、NDVI阈值法等进行反演计算。但是，现有卫星数据的热红外光分辨率是90m，其空间分辨率较低，进而面临着反演的地表温度精度低的问题。本申请实施例提供的用于生成地表温度的方法，针对当前地表温度精度低的问题，通过采用高分辨率的第一卫星和第二卫星的辐射定标系数，可以生成高精度的地表温度，并通过随机森林模型对得到的地表温度数据进行校正，进而保障地表温度的精度。
其中，第一卫星采用我国分辨率为40m的GF5B-VIMI，第二卫星采用美国分辨率为90m的MODIS。下面结合图1，对本申请实施例提供的一种用于生成地表温度的方法，进行更为详细的描述。请参考图1，图1是本申请实施例提供的生成地表温度方法的一个流程图。该生成地表温度方法的流程100包括：
步骤101，获取第一卫星通过预设波段所采集的目标区域的可见光数据。
在本申请实施例中，获取GF5B-VIMI的第1-6波段对应的多个地区或国家的可见光数据，多个地区或国家可以包括但不限于中国内蒙古、阿富汗和阿曼。
步骤102，对可见光数据进行空间聚合，生成第一卫星对应的光谱指数，光谱指数包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数。
在本申请实施例中，随机森林被用作回归模型的建立，为了更好的对地表温度进行模拟，获取了 12 个解释变量，分别为 30m 分辨率的 ASTER GDEM 数据，20m 分辨率的GF5B-VIMI 1-6 波段数据以及裸土指数（Bare Soil Index, BI）、归一化植被指数（Normalized Difference Vegetation Index, NDVI）、归一化建筑指数（NormalizedDifference Building Index NDBI）和两个归一化水体指数（Normalized DifferenceWater Index, NDWI、MNDWI）共5个光谱指数（模型训练时所有地表参量均已被空间聚合到1km）输入随机森林，进行模型训练。光谱指数的计算公式如图表一所述。
表一
其中，B1代表裸土指数BI，B2代表归一化植被指数NDVI，B3代表归一化植被水体指数NDWI，B4代表归一化植被水体指数MNDWI，B5代表归一化建筑指数NDBI。
随机森林模型所用的光谱指数均由空间聚合后的 GF5B-VIMI 1-6 波段可见光数据计算获得，因此这些光谱指数与VIMI一样，空间分辨率为40m。
步骤103，将光谱指数输入至预先训练的随机森林模型，生成指示第一卫星对应的第一地表温度，随机森林模型用于指示光谱指数与第一地表温度之间的函数关系。
在一种可能的实现方式中，获取第一卫星通过预设波段采集的多个区域的历史可见光数据，历史可见光数据对应于第一分辨率；对多个历史可见光数据进行空间聚合，基于聚合结果，生成对应于第二分辨率的样本数据集，样本数据集中包括多个光谱指数样本，光谱指数样本包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数，其中，第一分辨率高于第二分辨率；利用样本数据集中的训练样本，对初始随机森林模型进行回归计算，生成光谱指数与地表温度之间的映射函数，得到随机森林模型。
在本申请实施例中，随机森林的训练样本的选择采用bootstrap有放回的采样方式，当样本数量足够多时，总有约三分之一的样本不会被选中，成为袋外样本（Out-Of-Bag，OOB），可作为测试样本集，在模型训练与测试过程中，首先通过训练集回归计算拟合出各个光谱指数样本到第一地表温度的映射函数，也就是随机森林模型，其表达形式如公式（1）。
公式（1）
其中，VIS1-6代表GF5B-VIMI1-6波段数据，LSTcoarse 为MODIS地表温度。
在本申请实施例中，需要验证随机森林模型的精度，本申请将GF5B-VIMI数据空间聚合到1km作为输入数据引入随机森林降尺度模型。通过袋外样本的分数（OOB_score）判断随机森林模型的精度，随机森林模型中所有决策树的均值就是该模型的OOB_score。如表二所示，统计了三个研究区的GF5B-VIMI数据所用随机森林降尺度模型的OOB_score均值作为模型的拟合分数，结果显示降尺度模型的评分均在0.88以上。
表二
| 区域/国家 | OOB_score（袋外样本分数） |
| 中国内蒙古 | 0.88 |
| 阿富汗 | 1.14 |
| 阿曼 | 3.38 |
虽然 OOB_score 可以表示模型的拟合精度，但不能直观评定地表温度经过降尺度的精度损失，因此，通过对比GF5B-VIMI地表温度与聚合后再降尺度回40m的MODIS温度，评定地表温度图像降尺度的精度如表三所示。
表三
| 区域/国家 | 像元数量 | 偏差Bias | 均方根误差 |
| 中国内蒙古 | 6062136 | 0.05 | 0.88 |
| 阿富汗 | 7664130 | 0.01 | 1.14 |
| 阿曼 | 5961600 | 2.01 | 3.38 |
| 总计 | 19687866 | 0.63 | 2.05 |
根据表三可以看出，总平均偏差为0.63K，总均方根误差为2.05K，在中国内蒙古和阿富汗的研究区误差较小，阿曼的研究区误差较大，这主要是由于阿曼的研究区地表情况复杂，而可用的影像像元又相对较少造成的。另外，该研究区的DEM数据影像存在多处图像拼接，几何校正不够准确也是造成随机森林降尺度模型有误差的重要原因。
但从整体来看，该随机森林降尺度模型达到了预计的效果，能够实现 1km 到 40m获取高精度、高分辨率的地表温度。
在一种可能的实现方式中，将样本数据集中的测试样本输入至随机森林模型，得到地表温度输出结果；基于地表温度输出结果与第二卫星相应区域的地表温度，生成地表温度的拟合残差；以及基于第一地表温度，对预先生成的所述第一卫星对应的第二地表温度进行校正，包括：利用所述拟合残差对所述第一地表温度进行校正，得到第三地表温度；利用第三地表温度对第二地表温度进行校正。
在本申请实施例中，地表温度的降尺度按照随机森林模型训练所得的拟合函数，以40m的12个地表参量为因变量求解地表特征相关的温度结果，得到降尺度模型预测的40m地表温度。这个预测结果已经包含了各地表参量的影响，将地面的空间异质性考虑在内，为了能够使模拟结果获得更高的精度，随机森林降尺度过程还将模型测试时产生的拟合残差进行插值并对最初预测结果校正，得到降尺度后40m空间分辨率的地表温度。
步骤104，基于第一地表温度，对预先生成的第一卫星对应的目标区域的第二地表温度进行校正，其中，第二地表温度是基于第二卫星的辐射定标系数和第一卫星对应的目标区域的地表温度生成的，其中，第一卫星的分辨率高于第二卫星的分辨率。
在本申请实施例中，计算MODIS降尺度地表温度的第一均方根误差；基于GF5B-VIMI对应的地表温度，计算GF5B-VIMI对应的地表温度的第二均方根误差；将第一均方根误差和第二均方根误差进行比较验证，如表四所示。
表四
| 区域/国家 | 像元数量 | 偏差Bias | 均方根误差 |
| 中国内蒙古 | 5677116 | 0.67 | 2.26 |
| 阿富汗 | 6576054 | -1.33 | 2.78 |
| 阿曼 | 4974950 | -0.87 | 3.47 |
| 总计 | 17228120 | -0.54 | 2.85 |
比较结果表明，GF5B-VIMI对应的地表温度在三个研究区的平均偏差绝对值小于1.5K，平均均方根误差小于3.5K。这表明GF5B-VIMI对应的地表温度在研究区域具有合理的精度。
在一种可能的实现方式中，通过辐射定标算法，基于第二卫星的辐射定标系数和地表温度，确定出第一卫星的辐射定标系数，利用第一卫星的辐射定标系数，对第一卫星获得的目标区域的第一热红外数据进行辐射定标，获得与第一卫星对应的第一辐亮度数据；利用第一卫星获取目标区域的近红外光和红外光数据，基于近红外光和红外光数据，得到植被覆盖度，根据植被覆盖度、预先确定出的第一卫星对应的裸土发射率以及预设的植被发射率，得到目标区域的地表发射率；基于第一卫星的辐亮度数据和地表发射率，通过劈窗算法，得到所述第二地表温度。
在本申请实施例中，基于MODIS的辐射定标系数和热红外数据，通过辐射定标算法确定出GF5B-VIMI的辐射定标系数，利用GF5B-VIMI的辐射定标系数对GF5B-VIMI获得的目标区域的热红外数据进行辐射定标，获得GF5B-VIMI对应的40m辐亮度数据。
利用GF5B-VIMI的第三、四波段的红外光和近红外数据，得到植被覆盖度，根据植被覆盖度、预先设定的裸土发射率以及预设的植被发射率计算出GF5B-VIMI对应目标区域的地表发射率。
基于GF5B-VIMI的40m辐亮度数据和目标区域的地表发射率，通过劈窗算法得到GF5B-VIMI对应的40m地表温度。
在一种可能的实现方式中，将第二卫星获得的所述目标区域的多个角度的辐亮度数据，映射为预设角度的第二辐亮度数据；基于预先模拟出的预设角度下第二卫星对应的第一辐亮度模拟数据和第一卫星对应的第二辐亮度模拟数据，利用最小二乘法对第一辐亮度模拟数据和第二辐亮度模拟数据进行拟合，基于拟合结果，得到预设角度下、第二卫星的辐亮度和第一卫星的辐亮度之间的线性关系；基于第二辐亮度数据和线性关系，得到第一卫星的第三辐亮度数据，第三辐亮度数据为第二卫星对应分辨率下的辐亮度数据；将第一卫星对应的热红外数据的分辨率通过双线性插值法转换为第二卫星对应的分辨率，得到第二热红外数据；基于第三辐亮度数据和第二热红外数据，通过最小二乘法拟合出第一卫星对应的辐射定标系数；基于第一卫星对应的辐射定标系数和第一热红外数据，生成第一辐亮度数据。
下面结合图2对本申请实施例进行更为详细的说明，图2是本申请实时提供的生成第二卫星辐亮度的流程图。
在本申请实施例中，利用MODIS波段31和波段32的热红外数据和MODIS定标系数，对以GF5B-VIMI的波段11和波段12的热红外数据进行辐射定标，获得40m分辨率的GF5B-VIMI辐射定标数据，该定标系数构建了同时期的MODIS与GF5B-VIMI辐亮度数据之间的相关关系，不受空间尺度变化的影响。在本申请实施例中，使用了GF5B-VIMI过境时间前后15分钟内的MOD02产品，认为15min内传感器在大气顶层接收的辐射信息不发生较大变化。
在本申请实施例中，预设角度采用GF5B-VIMI观测的角度，MODIS的观测条带宽2330km，观测天顶角（VZA）范围为0°-65°，而GF5B-VIMI的观测角度是垂直观测角度。由于不同观测角度的辐射能量在大气传输路径中吸收和散射存在差异，并且地表热辐射存在各向异性的特性，观测角度对地表热辐射和大气透过率的影响不容忽视。因此，在辐射定标过程中，有必要对MODIS在不同角度的接收的辐射数据进行归一化处理，将其转换为天底（0˚）观测的辐射。本申请实施例利用MODTRAN 5.2辐射传输模型模拟MODIS 的31和32波段在不同VZA（0˚、3˚、14.9˚、38.6˚、44.5˚、51.2˚、58˚和65˚）条件下的辐射。考虑到不同大气类型对辐射变化的影响程度不同，模拟数据从Seebor V5.0大气廓线库中选择了适用于当前研究数据的大气廓线，即中低纬度地区4月之前和9月之后的廓线。通过计算不同观测角度与天底观测辐射的差值比r(θ)，表征角度变化对TOA辐射的影响，差值比r(θ)的计算公式如公式（2）所示。
公式（2）
其中，Rad(θ)和Radnadir在不同角度和观测的辐亮度，结合图3，图3是本申请实施例提供的辐射差值与观测角的线性关系图，利用计算结果模拟得到观测角度θ和r（θ）间的关系，关系式如公式（3）所示。
公式（3）
其中，a0、a1和a2为θ和r（θ）的比例关系系数。
利用公式（4），结合MODIS观测的角度数据，将各观测角度下的大气顶层辐亮度改正到与GF5B-VIMI同样观测角度的辐亮度。
公式（4）
公式（4）中Radobs（θ）是MODIS在各个观测角度下接收的辐亮度，是改正
到与GF5B-VIMI相同观测角度的大气顶层辐亮度，r（θ）是不同观测角度与天底观测辐射的
差值比。
经过将MODIS接收的辐亮度已经全部改正到与GF5B-VIMI相同观测角度的辐亮度，降低了大气透过率的差异和地表热辐射的各向异性对辐亮度的影响。
在本申请实施例中，GF5B-VIMI和MODIS热红外波段之间存在着光谱通道差异，其中光谱范围不同导致光谱响应值不同。因此，还要将MODIS接收的辐亮度改正到与GF5B-VIMI通道相同的辐亮度，才能继续模拟辐射定标系数。本申请实施例模拟了相同地表温度条件下GF5B-VIMI和MODIS在天底观测的辐亮度数据，得到GF5B-VIMI和MODIS之间辐亮度的转换关系。模拟方法具体为：以大气廓线温度T0为基准，分别向上扩充29K向下扩充-5K，模拟白天地表温度变化范围，以5K为间隔建立模拟的地表温度，并在模拟的地表温度基础上计算地表自身热辐射。依据ASTER光谱库和UCSB发射率波谱库提供的发射率曲线，通过发射率曲线分别于与MODIS热红外通道光谱响应函数和GF5B-VIMI热红外通道光谱响应函数分别进行卷积，得到MODIS和GF5B-VIMI对应热红外通道的发射率。利用MODTRAN 5.2完成大气辐射传输的大气参数计算，将地表通道热辐射、MODIS和GF5B-VIMI通道发射率和大气参数带入辐射传输方程，计算出GF5B-VIMI和MODIS的大气层顶辐亮度数据。最后，采用最小二乘法拟合出天底观测的GF5B-VIMI观测的角度和MODIS的线性关系，如公式（5）所示。
公式（5）
其中，代表在MODIS分辨率下GF5B-VIMI接收到的大气顶层辐亮度；表示MODIS在GF5B-VIMI同一观测角度接收的辐亮度;a和b为二者之间的转换系
数。通过GF5B-VIMI观测的角度和MODIS的线性关系，将MODIS接收的辐亮度数据转换为与
GF5B-VIMI同一角度、同一通道的辐亮度数据，得到的辐亮度数据可以看做GF5B-VIMI在
MODIS对应分辨率的辐亮度数据。
将GF5B-VIMI原始的辐亮度数据由40m分辨率通过双线性插值法降到1km，得到1km分辨率下的DN值，利用最小二乘法，结合公式（6）确定出GF5B-VIMI热红外通道的定标参数。
公式（6）
其中，为GF5B-VIMI接收的辐亮度；为GF5B-VIMI观测的角度
1km分辨率的图像像元值，Gain和Offset分别为定标的增益和偏量，即GF5B-VIMI对应的定
标系数。
在一种可能的实现方式中，基于第一辐亮度数据和第一卫星的热红外通道的中心波长，利用普朗克方程得到热红外通道对应的亮度温度；基于亮度温度、地表发射率和预先确定出的劈窗算法系数，确定出地表温度。
下面结合图4，对本申请实施例做更详细的描述，图4是本申请实施例提供的生成目标区域地表发射率的流程图。
在本申请实施例中，通过GF5B-VIMI的3、4通道的近红外光和红外光数据，首先需要计算出归一化植被指数NDVI，如公式（7）所示。
公式（7）
NIR和Red分别是GF5B-VIMI的近红外波段和红光波段大气层顶表观反射率，根据计算的目标区域的植物归一化指数，计算出目标区域的植被覆盖度，如公式（8）所示。
公式（8）
其中，NDVImax表示影像植被全覆盖时的NDVI,这里取值0.86，NDVImin代表影像裸
土背景的NDVI,取值0.2，是植被覆盖度，当NDVI大于NDVImax时，植被覆盖度取
值为1，该像元视为植被像元；当NDVI大于NDVImin时，植被覆盖度取值为0，该
像元视为裸土像元。
在本申请实施例中，由于研究区域的植被覆盖面积较小，且类型单一，因此植被发射率被直接赋值为0.982和0.984。
在本申请实施例中，从ASTER发射率库中选取72个裸土发射率样本，通过ASTER对应5个通道的光谱响应函数与72裸土发射率样本进行卷积，得到ASTER5个通道的光谱响应函数相关的72×5个发射率；通过GF5B-VIMI对应2个热红外通道的光谱响应函数与72裸土发射率样本进行卷积得到GF5B-VIMI对应2个热红外通道的光谱响应函数相关的72×2个发射率。
将上述得到的ASTER5个通道的光谱响应函数相关的72×5个发射率和GF5B-VIMI对应2个热红外通道的光谱响应函数相关的72×2个发射率通过回归拟合建立GF5B-VIMI与ASTER通道发射率之间的线性关系，如公式（9）所示。
公式（9）
其中ε10-ε14分别为ASTER第10-14波段通道的裸土发射率，c0-c5是拟合的发射率转换系数；根据公式（9）得到GF5B-VIMI两个通道的裸土发射率。
根据上述得到的植被覆盖度、裸土发射率、植被发射率，根据公式（10）得到目标区域GF5B-VIMI通道11和通道12的地表发射率。
公式（10）
其中，εi为通道i的发射率，和/>分别为通道i的裸土发射率和植被发射率，dεi为空腔效应项，其计算方法如公式（11）所示。
公式（11）
<dεi>是最大空腔效应值，可简化，如公式（12）所示。
公式（12）
其中，f为植被覆盖度，这里F是形状因子，取决于植被的高度和间距，这里取值0.25。
在一种可能的实现方式中，对预先获取的多条大气廓线进行解析，得到大气数据，所述大气数据包括所述预设角度下大气透过率、大气上行辐射数据和大气下行辐射数据，利用所述大气数据与所述热红外通道的光谱响应函数进行积分，得到所述热红外通道对应的大气参数；利用普朗克方程得到所述第一卫星对应的热红外通道的地表自身辐射；利用预先选取的多条发射率曲线与所述热红外通道的光谱响应函数进行卷积，得到所述热红外通道对应的发射率数据；
基于所述大气参数和所述发射率数据，用辐射传输方程模拟出所述第一卫星对应的星上辐亮度数据；基于所述星上辐亮度数据，通过最小二乘拟合得到所述劈窗算法的系数。
下面结合图5，对本申请实施例做更详细的描述，图5是本实施提供的生成目标区域地表温度的流程图。
在本申请实施例中，根据上述步骤101得到的GF5B-VIMI对应的40m辐亮度数据以及上述得到的目标区域的地表发射率，带入劈窗算法公式，得到目标区域40m地表温度，如公式（13）所示。
公式（13）
其中，Ts是地表温度，T11和T12分别是GF5B-VIMI第11、12波段的亮度温度，可以根据卫星接收的辐亮度及热红外通道的中心波长直接由普朗克方程计算得到；；/>；ε11和ε12分别是GF5B-VIMI第11、12波段的地表发射率，/>代表劈窗算法系数。
在本申请实施例中，结合图6，图6是本申请实施例提供的拟合劈窗算法系数的流程图。拟合劈窗算法系数包括以下步骤：
S1：大气参数计算：
从Seebor V5.0大气廓线库中，以陆地面积占比>80%为条件，筛选得到9136条陆地上空的大气廓线。根据地方时的日出和日落时间，这些大气剖面分为4948条白天和4188条夜间廓线；根据这些廓线测得的大气水汽含量在0.1-7.8g/cm2范围内，大气底层温度（T0）范围在200.2-318.5K之间。
将水汽含量（WVC）划分为6个子区间：[0,1.5]，[1,2.5]，[2,3.5]，[3,4.5]，[4,5.5]和[5,7.8]。每个分组之间包含0.5g/cm2的重叠，以此来降低水汽分区带来的越阶问题。使用MODTRAN 5.2对每条大气廓线进行解析，计算了观测天顶角为0˚时的大气透过率、大气上行辐射以及53˚时的大气下行辐射。然后将光谱结果与VIMI第11和12通道的光谱响应函数进行卷积，得到通道大气参数。
S2：地表自身辐射计算：
通过扩充大气温度T0，按照T0 - 20K，T0 +4K和T0 - 5K，T0 + 29K分别模拟了白天和夜间地表温度数据变化范围，以5K为步长扩展，模拟了更为全面的地表温度。依据普朗克方程计算获得11和12通道的地表自身辐射。
S3：获取发射率数据：
选取ASTER波谱库中81条发射率曲线以及UCSB库的38条发射率曲线与GF5B-VIMI的光谱响应函数积分，得到对应的通道发射率数据。
S4：劈窗算法系数拟合：
大气参数和发射率准备完成后，使用辐射传输方程计算GF5B-VIMI热红外通道星上辐亮度，建立一个模拟的星上辐亮度数据库。最后，通过最小二乘拟合得到6个WVC区间下劈窗算法系数。
可以理解的是，为了实现图1、图2、图4、图5和图6所述的功能，生成地表温度方法的执行主体（例如服务器）包含了执行各个功能相应的硬件和/或软件模块。结合本文中所公开的实施例描述的各示例的步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本实施例可以根据上述方法示例对生成地表温度方法的执行主体（例如服务器）进行功能模块的划分，例如，可以对应各个功能划分各个不同功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块可以采用硬件的形式实现。需要说明的是，本实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下，图7示出了上述实施例中涉及的用于生成地表温度的装置700的一种可能的示意图，图7对应的用于生成地表温度的装置700可以是软件装置，运行于服务器之上，或者用于生成地表温度的装置700可以是一个软件和硬件结合的装置，被嵌入至生成地表温度方法的执行主体（例如服务器）中。如图7所示，该生成地表温度装置700可以包括：获取模块701，用于获取第一卫星通过预设波段所采集的目标区域的可见光数据；第一生成模块702，用于对可见光数据进行空间聚合，生成第一卫星对应的光谱指数，光谱指数包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数；第二生成模块703，用于将光谱指数输入至预先训练的随机森林模型，生成指示第一卫星对应的第一地表温度，随机森林模型用于指示光谱指数与第一地表温度之间的函数关系；校正模块704，用于基于第一地表温度，对预先生成的第一卫星对应的目标区域的第二地表温度进行校正，其中，第二地表温度是基于第一卫星的辐射定标系数和第一卫星对应的目标区域的地表温度生成的，其中，第一卫星的分辨率高于第二卫星的分辨率。
需要说明的是：上述实施例提供的生成地表温度装置700在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请还公开一种电子设备。参照图8，图8是本申请实施例的公开的一种电子设备的结构示意图。该电子设备例如可以为服务器，该电子设备用于执行如图1、图3、图5、图6或图7所示的方法流程。该电子设备可以包括：至少一个处理器801，至少一个网络接口804，用户接口803，存储器805，至少一个通信总线802。
其中，通信总线802用于实现这些组件之间的连接通信。
其中，用户接口803可以包括显示屏（Display）、摄像头（Camera），可选用户接口803还可以包括标准的有线接口、无线接口。
其中，网络接口804可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器801可以包括一个或者多个处理核心。处理器801利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器805内的指令、程序、代码集或指令集，以及调用存储在存储器805内的数据，执行服务器的各种功能和处理数据。可选的，处理器801可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器801可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器801中，单独通过一块芯片进行实现。
其中，存储器805可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器805包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器805可用于存储指令、程序、代码、代码集或指令集。存储器805可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器805可选的还可以是至少一个位于远离前述处理器801的存储装置。参照图8，作为一种计算机存储介质的存储器805中可以包括操作系统、网络通信模块、用户接口模块以及一种数据处理方法的应用程序。
在图8所示的电子设备中，用户接口803主要用于为用户提供输入的接口，获取用户输入的数据；而处理器801可以用于调用存储器805中存储一种数据处理方法的应用程序，当由一个或多个处理器801执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为单元模块显示的部件可以是或者也可以不是物理单元模块，即可以位于一个地方，或者也可以分布到多个网络单元模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元模块可以集成在一个处理单元中，也可以是各个单元模块单独物理存在，也可以两个或两个以上单元模块集成在一个单元中。上述集成的单元模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元模块如果以软件功能单元模块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器中。基于这样的理解，本申请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全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (9)
1.一种用于生成地表温度的方法，其特征在于，包括：
获取第一卫星通过预设波段所采集的目标区域的可见光数据；
对所述可见光数据进行空间聚合，生成所述第一卫星对应的光谱指数，所述光谱指数包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数；
将所述光谱指数输入至预先训练的随机森林模型，生成指示所述第一卫星对应的第一地表温度，所述随机森林模型用于指示所述光谱指数与所述第一地表温度之间的函数关系；
基于所述第一地表温度，对预先生成的所述第一卫星对应的所述目标区域的第二地表温度进行校正，其中，所述第二地表温度是基于第二卫星的辐射定标系数和所述第一卫星对应的所述目标区域的热红外数据生成的，所述第一卫星的分辨率高于所述第二卫星的分辨率；
所述基于所述第一地表温度，对预先生成的所述第一卫星对应的所述目标区域的第二地表温度进行校正，包括：
将样本数据集中的测试样本输入至所述随机森林模型，得到地表温度输出结果；基于所述地表温度输出结果与所述第二卫星相应区域的地表温度，生成地表温度的拟合残差；利用所述拟合残差对所述第一地表温度进行校正，得到第三地表温度；利用所述第三地表温度对所述第二地表温度进行校正。
2.权利要求1所述的方法，其特征在于，所述随机森林模型通过如下步骤训练得到：
获取所述第一卫星通过所述预设波段采集的多个区域的历史可见光数据，所述历史可见光数据对应于第一分辨率；
对所述多个历史可见光数据进行空间聚合，基于聚合结果，生成对应于第二分辨率的所述样本数据集，所述样本数据集中包括多个光谱指数样本，所述光谱指数样本包括以下至少一项：裸土指数、归一化植被指数、归一化水体指数和归一化建筑指数，其中，所述第一分辨率高于所述第二分辨率；
利用所述样本数据集中的训练样本，对初始随机森林模型进行回归计算，生成光谱指数与地表温度之间的映射函数，得到所述随机森林模型。
3.根据权利要求1所述的方法，其特征在于，所述第二地表温度是基于第二卫星的辐射定标系数和所述第一卫星对应的所述目标区域的热红外数据生成的，所述方法还包括：
通过辐射定标算法，基于所述第二卫星的辐射定标系数和地表温度，确定出所述第一卫星的辐射定标系数，利用所述第一卫星的辐射定标系数，对所述第一卫星获得的所述目标区域的第一热红外数据进行辐射定标，获得与所述第一卫星对应的第一辐亮度数据；
利用所述第一卫星获取所述目标区域的近红外光和红外光数据，基于所述近红外光和红外光数据，得到植被覆盖度，根据所述植被覆盖度、预先确定出的所述第一卫星对应的裸土发射率以及预设的植被发射率，得到所述目标区域的地表发射率；
基于所述第一卫星的辐亮度数据和所述地表发射率，通过劈窗算法，得到所述第二地表温度。
4.根据权利要求3所述的方法，其特征在于，所述通过辐射定标算法，基于所述第二卫星的辐射定标系数和地表温度，确定出所述第一卫星的辐射定标系数，利用所述第一卫星的辐射定标系数，对所述第一卫星获得的所述目标区域的第一热红外数据进行辐射定标，获得与所述第一卫星对应的第一辐亮度数据，包括：
将所述第二卫星获得的所述目标区域的多个角度的辐亮度数据，映射为预设角度的第二辐亮度数据；
基于预先模拟出的所述预设角度下所述第二卫星对应的第一辐亮度模拟数据和所述第一卫星对应的第二辐亮度模拟数据，利用最小二乘法对所述第一辐亮度模拟数据和所述第二辐亮度模拟数据进行拟合，基于拟合结果，得到所述预设角度下、所述第二卫星的辐亮度和所述第一卫星的辐亮度之间的线性关系；
基于所述第二辐亮度数据和所述线性关系，得到所述第一卫星的第三辐亮度数据，所述第三辐亮度数据为所述第二卫星对应分辨率下的辐亮度数据；
将所述第一卫星对应的热红外数据的分辨率通过双线性插值法转换为所述第二卫星对应的分辨率，得到第二热红外数据；
基于所述第三辐亮度数据和所述第二热红外数据，通过最小二乘法拟合出所述第一卫星对应的辐射定标系数；
基于所述第一卫星对应的辐射定标系数和所述第一热红外数据，生成所述第一卫星对应的第一辐亮度数据。
5.根据权利要求3所述的方法，其特征在于，所述根据所述植被覆盖度、预先确定出的所述第一卫星对应的裸土发射率以及预设的植被发射率，得到所述目标区域的地表发射率之前，包括：
从全球地表发射率数据集中选取出多个裸土发射率样本；
利用所述全球地表发射率数据集对应的热红外通道光谱响应函数与所述多个裸土发射率样本进行卷积，得到第一发射率；
利用所述第一卫星的热红外通道光谱响应函数与所述多个裸土发射率样本进行卷积，得到第二发射率；
采用最小二乘法拟合出所述第一发射率和所述第二发射率之间的线性回归关系，得到所述第一卫星对应的所述目标区域的裸土发射率。
6.根据权利要求4所述的方法，其特征在于，所述基于所述第一卫星的辐亮度数据和所述地表发射率，通过劈窗算法，得到所述第二地表温度，包括：
基于所述第一辐亮度数据和所述第一卫星的热红外通道的中心波长，利用普朗克方程得到所述热红外通道对应的亮度温度；
基于所述亮度温度、所述地表发射率和预先确定出的劈窗算法系数，得到所述第二地表温度。
7.根据权利要求6所述的方法，其特征在于，所述基于所述亮度温度、所述地表发射率和预先确定出的劈窗算法系数，得到所述第二地表温度之前，包括：
对预先获取的多条大气廓线进行解析，得到大气数据，所述大气数据包括所述预设角度下大气透过率、大气上行辐射数据和大气下行辐射数据，利用所述大气数据与所述第一卫星的热红外通道的光谱响应函数进行积分，得到所述第一卫星的热红外通道对应的大气参数；
利用普朗克方程得到所述第一卫星对应的热红外通道的地表自身辐射；
利用预先选取的多条发射率曲线与所述第一卫星的热红外通道的光谱响应函数进行卷积，得到所述热红外通道对应的发射率数据；
基于所述大气参数和所述发射率数据，用辐射传输方程模拟出所述第一卫星对应的星上辐亮度数据；
基于所述星上辐亮度数据，通过最小二乘拟合得到所述劈窗算法的系数。
8.一种电子设备，其特征在于，包括处理器、存储器、用户接口和网络接口；
所述存储器，用于存储指令；
所述用户接口和网络接口，用于与其他设备通信；
所述处理器，用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-7任一项所述的方法。
9.一种可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在计算机上运行时，使得所述计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311654057.9A CN117390969B (zh) | 2023-12-05 | 2023-12-05 | 一种用于生成地表温度的方法、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311654057.9A CN117390969B (zh) | 2023-12-05 | 2023-12-05 | 一种用于生成地表温度的方法、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390969A CN117390969A (zh) | 2024-01-12 |
| CN117390969B true CN117390969B (zh) | 2024-03-12 |
Family
ID=89465177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311654057.9A Active CN117390969B (zh) | 2023-12-05 | 2023-12-05 | 一种用于生成地表温度的方法、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390969B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110096301A (ko) * | 2010-02-22 | 2011-08-30 | 공주대학교 산학협력단 | 지표면 온도 산출 방법 |
| CN106932101A (zh) * | 2017-03-27 | 2017-07-07 | 鲁东大学 | Hj‑1b卫星中红外和热红外通道联合的地表温度反演方法 |
| CN110516816A (zh) * | 2019-08-30 | 2019-11-29 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于机器学习的全天候地表温度生成方法及装置 |
| CN114564767A (zh) * | 2022-03-03 | 2022-05-31 | 中国农业科学院农业资源与农业区划研究所 | 一种基于太阳-云-卫星观测几何的云下地表温度估算方法 |
| CN116011342A (zh) * | 2023-02-08 | 2023-04-25 | 中国自然资源航空物探遥感中心 | 一种高分辨率热红外地表温度全天候重建方法 |
| CN117035066A (zh) * | 2023-08-10 | 2023-11-10 | 重庆邮电大学 | 一种耦合地理加权与随机森林的地表温度降尺度方法 |
-
2023
- 2023-12-05 CN CN202311654057.9A patent/CN117390969B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110096301A (ko) * | 2010-02-22 | 2011-08-30 | 공주대학교 산학협력단 | 지표면 온도 산출 방법 |
| CN106932101A (zh) * | 2017-03-27 | 2017-07-07 | 鲁东大学 | Hj‑1b卫星中红外和热红外通道联合的地表温度反演方法 |
| CN110516816A (zh) * | 2019-08-30 | 2019-11-29 | 中国科学院、水利部成都山地灾害与环境研究所 | 基于机器学习的全天候地表温度生成方法及装置 |
| CN114564767A (zh) * | 2022-03-03 | 2022-05-31 | 中国农业科学院农业资源与农业区划研究所 | 一种基于太阳-云-卫星观测几何的云下地表温度估算方法 |
| CN116011342A (zh) * | 2023-02-08 | 2023-04-25 | 中国自然资源航空物探遥感中心 | 一种高分辨率热红外地表温度全天候重建方法 |
| CN117035066A (zh) * | 2023-08-10 | 2023-11-10 | 重庆邮电大学 | 一种耦合地理加权与随机森林的地表温度降尺度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390969A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hilburn et al. | Intercalibrated passive microwave rain products from the Unified Microwave Ocean Retrieval Algorithm (UMORA) | |
| Jia et al. | A practical algorithm to infer soil and foliage component temperatures from bi-angular ATSR-2 data | |
| Atzberger et al. | Suitability and adaptation of PROSAIL radiative transfer model for hyperspectral grassland studies | |
| Wang et al. | Estimation of daily-integrated PAR from sparse satellite observations: Comparison of temporal scaling methods | |
| CN109632106B (zh) | 一种遥感地表温度产品角度效应校正方法 | |
| CN112798013B (zh) | 一种对光学载荷在轨绝对辐射定标结果进行验证的方法 | |
| CN113970376B (zh) | 一种基于海洋区域再分析资料的卫星红外载荷定标方法 | |
| Wen et al. | Parametrized BRDF for atmospheric and topographic correction and albedo estimation in Jiangxi rugged terrain, China | |
| Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
| Venturini et al. | A comparison among different modified Priestley and Taylor equations to calculate actual evapotranspiration with MODIS data | |
| 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 | |
| CN113408111A (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| 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 | |
| Wang et al. | An alternative split-window algorithm for retrieving land surface temperature from Visible Infrared Imaging Radiometer Suite data | |
| Kim et al. | Radiometric characterization and validation for the KOMPSAT-3 sensor | |
| Huang et al. | A global climatology of outgoing longwave spectral cloud radiative effect and associated effective cloud properties | |
| Zhang et al. | Improved estimation of leaf area index by reducing leaf chlorophyll content and saturation effects based on red-edge bands | |
| CN117390969B (zh) | 一种用于生成地表温度的方法、电子设备和存储介质 | |
| Yang et al. | Optimal ATMS remapping algorithm for climate research | |
| Badescu | Solar radiation estimation from cloudiness data. Satellite vs. ground-based observations | |
| CN113836731B (zh) | 陆表稳定目标大气层顶反射率模型的构建方法和装置 | |
| Cheng et al. | Retrieval and validation of the dawn-dusk land surface temperature from FY-3E MERSI-LL | |
| Sobrino et al. | Water‐vapour retrieval from Meteosat 8/SEVIRI observations | |
| Ghaemi et al. | Uncertainty analysis of radar rainfall estimates over two different climates in Iran | |
| Lee et al. | Surface albedo from the geostationary Communication, Ocean and Meteorological Satellite (COMS)/Meteorological Imager (MI) observation 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 |