一种地表温度遥感产品降尺度方法、系统、设备及介质技术方案

本发明专利技术公开了一种地表温度遥感产品降尺度方法、系统、设备及介质，所述方法包括以下步骤：获取目标时刻T的T

【技术实现步骤摘要】
一种地表温度遥感产品降尺度方法、系统、设备及介质


[0001]本专利技术属于卫星遥感对地观测
，特别涉及一种地表温度遥感产品降尺度方法、系统、设备及介质。

技术介绍

[0002]地表温度(Land Surface Temperature，LST)是地表能量和水平衡中的一个重要成分，提供了从局部到全球表面平衡状态的时空变化信息。现如今，地表温度被广泛应用于蒸散发估算、城市热岛监测、局部气候变化、植被监测、农业监测以及森林火灾监测等；然而，由于地表热辐射的能量相对较低以及卫星传感器受限于成本和硬件技术，目前单一的卫星传感器获取的遥感数据存在“时空的矛盾”，即获取的地表温度难以同时满足高空间分辨率和高时间分辨率，极大程度上限制了地表温度的应用需求。
[0003]针对如何获取高时空LST这一问题，众多学者已提出了不同LST降尺度方法，包括：
[0004]1)按照算法理论分为基于尺度因子的降尺度方法和基于时空融合的降尺度方法；其中，基于时空融合的降尺度方法更能有效降低模型对辅助数据的依懒性，且低成本、便捷高效地实现地表温度的降尺度；
[0005]2)按照实现原理可以分为基于权重函数的方法、基于学习的方法和基于解混的方法；其中，对于时间变化波动性强、光谱特征不丰富的LST数据，使权重函数类方法的参数更加敏感，也影响学习类方法训练量的有效性，导致这俩种方法总体融合效果较低；基于解混的方法对于时刻发生变化的LST，在LST变化趋势相同的区域上结合不同传感器变化趋势比相等的假设，可提高不同时相LST的融合效果。
[0006]当前基于解混策略的模型是主要模型，该类模型能够有效减少地表环境变化对预测精度的影响，同时相比于基于学习的模型，该类方法学习成本低，时间效率比较高；然而，现有该类模型尚存在以下两点缺点：
[0007]1)线性解混模型无法有效平衡刻画同质单元数量与解混精度；具体解释性的，高空间分辨率的地表问题信息一方面需要大量的地表同质单元，但由于当前线性解混模型求解能力的不足，导致当同质单元数量超过一定范围，线性解混模型出现无法解算的情况；
[0008]2)当前的权重函数由于其数学本身缺点的影响，导致在地表温度前后变化率为
‑
1的区间中，出现无法预测的情况，导致地表温度的计算出现较大的误差。
[0009]综上所述，现有的LST降尺度方法中，遥感影像空间降尺度模型无法在地表温度快速变化的场景下，对地表温度进行有效的降尺度估计，存在生产的逐日高空间分辨率地表温度产品精度不足以及无法提供准确的高时空分辨率地表温度产品的技术缺陷。

技术实现思路

[0010]本专利技术的目的在于提供一种地表温度遥感产品降尺度方法、系统、设备及介质，以解决现有线性解混模型无法有效估计地表温度以及现有权重函数在变化率
‑
1附近失效的技术问题。
[0011]为达到上述目的，本专利技术采用以下技术方案：
[0012]本专利技术第一方面提供的一种地表温度遥感产品降尺度方法，包括以下步骤：
[0013]获取目标时刻T的T
前
、T
后
的原始低空间分辨率地表温度数据和原始高空间分辨率地表温度数据；其中，T
前
为目标时刻T之前的任意有数据时刻，T
后
为目标时刻T之后的任意有数据时刻；
[0014]将T
前
、T
后
的原始低空间分辨率地表温度数据重采样到与原始高空间分辨率地表温度数据一致的空间分辨率，获得T
前
、T
后
的采样后低空间分辨率地表温度数据以及采样后每个像素对应于原始像素的ID值；
[0015]基于T
前
、T
后
的采样后的低空间分辨率地表温度数据，按照T
前
、T、T
后
三个时间点计算逐像素的变化率，获得低空间分辨率地表温度数据逐像素变化率；
[0016]将低空间分辨率地表温度数据逐像素变化率、采样后每个像素对应于原始像素的ID值以及预获取的地表同质单元ID作为输入，利用预训练好的动态多层感知网络DyNet预测获得高空间分辨率地表温度数据逐类别变化率；将T
前
、T
后
的原始高空间分辨率地表温度数据的差值的绝对值和获得的高空间分辨率地表温度数据逐类别变化率作为输入，利用预训练好的权重感知网络WNet预测获得目标时刻T的地表温度。
[0017]本专利技术的进一步改进在于，所述预训练好的动态多层感知网络DyNet的获取步骤包括：
[0018]获取第一训练样本集；其中，所述第一训练样本集中的每个训练样本均包括作为输入的低空间分辨率地表温度数据逐像素变化率、采样后每个像素对应于原始像素的ID值和地表同质单元ID，以及作为标签的高空间分辨率地表温度数据逐类别变化率；其中，所述高空间分辨率地表温度类别变化率是基于T
前
、T、T
后
的原始高空间分辨率地表温度数据，按照T
前
、T、T
后
三个时间点逐像素计算，并利用地表同质单元ID求取逐个类别的均值得到；地表同质单元ID由时间序列地表温度数据聚类或土地覆被类型数据获得；
[0019]基于所述第一训练样本集对预构建的动态多层感知网络，采用MSE Loss损失函数进行训练，达到预设收敛条件后，获得所述预训练好的动态多层感知网络。
[0020]本专利技术的进一步改进在于，所述预构建的动态多层感知网络DyNet包括：用于屏蔽部分输入神经元的暂退层，设置于暂退层后串接的多个全连接层和Relu激活函数层，以及用于屏蔽部分输出神经元的暂退层。
[0021]本专利技术的进一步改进在于，所述预训练好的权重感知网络WNet的获取步骤包括：
[0022]获取第二训练样本集；其中，所述第二训练样本集中的每个训练样本均包括作为输入的高空间分辨率地表温度数据T
前
和T
后
的差值的绝对值和所述第一训练样本集中所述高空间分辨率地表温度数据逐类别变化率，以及作为标签的目标日期的高空间分辨率地表温度；
[0023]基于所述第二训练样本集对预构建的权重感知网络，采用MSE Loss损失函数进行训练，达到预设收敛条件后，获得所述预训练好的权重感知网络。
[0024]本专利技术的进一步改进在于，所述预构建的权重感知网络包括：用于输入数据的数据映射层，以及设置于数据映射层后串接的多个全连接层和Relu激活函数层。
[0025]本专利技术的进一步改进在于，所述预构建的权重感知网络WNet中，所述数据映射层进行数据映射的步骤包括：
[0026]对标签真值数据进行变换，变换表达式为，ΔLST＝LST
‑
LST
前
；式中，LST为目标时刻T真实的地表温度LST，LST
前
为T
前
时刻的地表温度LS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地表温度遥感产品降尺度方法，其特征在于，包括以下步骤：获取目标时刻T的T
前
、T
后
的原始低空间分辨率地表温度数据和原始高空间分辨率地表温度数据；其中，T
前
为目标时刻T之前的任意有数据时刻，T
后
为目标时刻T之后的任意有数据时刻；将T
前
、T
后
的原始低空间分辨率地表温度数据重采样到与原始高空间分辨率地表温度数据一致的空间分辨率，获得T
前
、T
后
的采样后低空间分辨率地表温度数据以及采样后每个像素对应于原始像素的ID值；基于T
前
、T
后
的采样后的低空间分辨率地表温度数据，按照T
前
、T、T
后
三个时间点计算逐像素的变化率，获得低空间分辨率地表温度数据逐像素变化率；将低空间分辨率地表温度数据逐像素变化率、采样后每个像素对应于原始像素的ID值以及预获取的地表同质单元ID作为输入，利用预训练好的动态多层感知网络DyNet预测获得高空间分辨率地表温度数据逐类别变化率；将T
前
、T
后
的原始高空间分辨率地表温度数据的差值的绝对值和获得的高空间分辨率地表温度数据逐类别变化率作为输入，利用预训练好的权重感知网络WNet预测获得目标时刻T的地表温度。2.根据权利要求1所述的一种地表温度遥感产品降尺度方法，其特征在于，所述预训练好的动态多层感知网络DyNet的获取步骤包括：获取第一训练样本集；其中，所述第一训练样本集中的每个训练样本均包括作为输入的低空间分辨率地表温度数据逐像素变化率、采样后每个像素对应于原始像素的ID值和地表同质单元ID，以及作为标签的高空间分辨率地表温度数据逐类别变化率；其中，所述高空间分辨率地表温度类别变化率是基于T
前
、T、T
后
的原始高空间分辨率地表温度数据，按照T
前
、T、T
后
三个时间点逐像素计算，并利用地表同质单元ID求取逐个类别的均值得到；地表同质单元ID由时间序列地表温度数据聚类或土地覆被类型数据获得；基于所述第一训练样本集对预构建的动态多层感知网络，采用MSE Loss损失函数进行训练，达到预设收敛条件后，获得所述预训练好的动态多层感知网络。3.根据权利要求2所述的一种地表温度遥感产品降尺度方法，其特征在于，所述预构建的动态多层感知网络DyNet包括：用于屏蔽部分输入神经元的暂退层，设置于暂退层后串接的多个全连接层和Relu激活函数层，以及用于屏蔽部分输出神经元的暂退层。4.根据权利要求2所述的一种地表温度遥感产品降尺度方法，其特征在于，所述预训练好的权重感知网络WNet的获取步骤包括：获取第二训练样本集；其中，所述第二训练样本集中的每个训练样本均包括作为输入的高空间分辨率地表温度数据T
前
和T
后
的差值的绝对值和所述第一训练样本集中所述高空间分辨率地表温度数据逐类别变化率，以及作为标签的目标日期的高空间分辨率地表温度；基于所述第二训练样本集对预构建的权重感知网络，采用MSE Loss损失函数进行训练，达到预设收敛条件后，获得所述预训练好的权重感知网络。5.根据权利要求4所述的一种地表温度遥感产品降尺度方法，其特征在于，所述预构建的权重感知网络包括：用于输入数据的数据映射层，以及设置于数据映射层后串接的多个全连接层和Relu激活函数层。6.根据权利要求4所述的一种地表温度遥感产品降尺度方法，其特征在于，所述预构建
的权重感知网络WNet中，所述数据映射层进行数据映射的步骤包括：对标签真值数据进行变换，变换表达式为，ΔLST＝LST
‑
LST
前
；式中，LST为目标时刻T真实的地表温度LST，LST
前
为T
前
时刻的地表温度LST，ΔLST为温度差；当T
后
时刻的地表温度值小于T
前
时刻的地表温度值时，高空间分辨率影像逐类别变化率的变换表达式为，式中，为高空间分辨率影像逐类别变化率，为变换后的逐类别变化率；当T
后
...

【专利技术属性】
技术研发人员：郭善昕，陈劲松，韩宇，姜小砾，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：