【技术实现步骤摘要】
本专利技术涉及遥感信息技术和地理信息处理，特别是一种结合了植被光学厚度记忆(vod记忆)特性，利用多源变量和随机森林(rf)算法进行vod数据空间降尺度的方法及其实现系统。
技术介绍
1、植被光学厚度(vod)描述了微波(被动或主动)辐射在植被层中的衰减，与植被含水量(vwc)和冠层结构有关。量化这种衰减效应对于从被动微波卫星观测中准确检索地表土壤湿度、分析全球气候和环境变化领域非常重要。且已广泛应用于全球尺度的碳动态变化植被物候学，全球等水分变化与干旱探测，烧伤面积趋势和火灾风险。如上述研究中vod产品主要来自不同频率的无源微波传感器。这些数据集包括amsr-e(先进微波扫描辐射计)及其继任者amsr2(先进微波扫描辐射计2号)中的高频(c/x/ku波段)vod和土壤水分和海洋盐度(smos)、土壤水分主动式被动(smap)中的l波段低频vod(l-vod)。
2、然而，上数vod产品大都以辐射计为基础，空间分辨率较低(0.25°-0.1°)，阻碍了区域尺度(如1km)植被动态监测应用。此外，高分辨率vod作为微波土壤水分反演的必要辐射传递变量，对提高高分辨率土壤水分反演也很重要。由于这些已开发的vod产品的空间分辨率较粗，为了满足实际应用中对分辨率的要求，获取高分辨率vod在许多研究领域变得越来越必要。国内外研究者们提出了基于统计与物理的方法，以此获得高分辨率vod，如基于平滑滤波器调制(sfim)技术得到的锐化微波亮度温度反演得到分辨率增强的vod、利用sentinel-1c波段后向散射数据基于水云模型反演得到
3、受辅助变量与预测变量之间非线性关系建模能力强的启发，国内外学者们引入机器学习方法且应用于不同数据产品的降尺度研究，而不仅仅限制于某一种数据；如将质量守恒校正引入rf模型对土壤湿度(sm)进行降尺度，得到高分辨率的sm数据；利用smap中36km、9km分辨率的sm数据作为神经网络(nn)算法的训练，基于两者训练关系，获得2.25km分辨率的sm数据；除应用在sm数据降尺度外，另有考虑降水之间的空间相关信息并基于rf模型，对降水产品进行降尺度，生成了高精度、高分辨率的降水数据；上述基于机器学习方法降尺度研究中，充分考虑了高分辨率下自变量与因变量之间非线性关系，降尺度结果在保留了原始大尺度数据空间格局的同时也表现出更多的空间异质性；然而利用机器学习方法对同样通过微波测量从被动微波辐射传递方程中获得的vod进行降尺度的研究较少。
技术实现思路
1、为了克服现有技术的不足，本专利技术旨在提供一种基于随机森林方法提高植被光学厚度的空间分辨率，构建了一种除涉及光学植被指数、地表参数、环境因素外，额外考虑了滞后vod变量的随机森林降尺度模型(rfdm-vod)，为植被光学厚度降尺度方法提供更多有关植被光学厚度的精细尺度信息和植被记忆信息，同时弥补了研究区可用多光谱数据空间和时间的缺失，充分挖掘植被光学厚度与多特征数据之间的非线性关系，以获取高空间分辨率的植被光学厚度。
2、为了实现上述目的，本专利技术提供了一种考虑植被光学厚度记忆的多源数据随机森林降尺度方法，具体包括以下步骤：
3、(1)获取目标区域的植被光学厚度数据、smap土壤水分数据、modis数据和srtm数字高程数据，modis数据包括地表温度数据、植被指数数据、地形数据、worldclim降水数据；
4、(2)设计植被光学厚度降尺度辅助因子之一的植被光学厚度记忆数据，确选取滞后七天的植被光学厚度作为辅助数据；
5、(3)对上述辅助数据产品进行数据质量控制；对modis数据、土壤水分数据和降水数据进行投影转换、拼接、重采样和裁剪处理，对srtm数字高程数据进行投影转换、重采样和裁剪处理，获取与植被光学厚度数据空间分辨率相同的目标区域的modis数据、土壤水分数据、降水数据和srtm数字高程数据，然后与植被光学厚度数据进行时空匹配以作为植被光学厚度降尺度模型的输入数据；
6、(4)基于随机森林构建植被光学厚度降尺度模型，并利用滞后植被光学厚度数据、土壤水分数据和处理后的modis数据、降水数据和srtm数字高程数据，对植被光学厚度降尺度模型进行训练；
7、(5)获得上述考虑植被光学厚度记忆(即滞后vod)的vod空间降尺度(rfdm-vod)模型的特征重要性排序；
8、(6)将滞后植被光学厚度数据、土壤水分数据、modis数据和srtm数字高程数据分别重采样到0.25°/0.1°空间分辨率并输入到植被光学厚度降尺度模型，进行分级降尺度，并最终获取目标区域0.01°空间分辨率的植被光学厚度数据。
9、(7)考虑植被光学厚度记忆的vod空间降尺度(rfdm-vod)模型的应用及结果评价。
10、进一步的，步骤(1)中，植被指数产品包括归一化植被指数产品、增强植被指数产品和叶面积指数数据；modis数据中除植被指数数据外，还涉及地表温度数据和该区域土地覆盖类别；srtm数字高程数据包括高程、坡向和坡度数据；
11、进一步的，步骤(3)中，涉及相关的数据预处理：将所有的modis数据利用arcgis、envi和matlab软件进行重采样，重采样方法选择双线性内插以减少地理参考误差的影响，对重采样后的modis数据进行地理校正以获得和植被光学厚度数据相同的地理配准，之后对所有的数据进行裁剪操作以确保影像具有完全相同的覆盖区域，所有数据都经过预处理以获得其像元值，预处理后的辅助数据和植被光学厚度数据具有相同的投影、空间分辨率和一致的覆盖范围；
12、进一步的，步骤(4)中，所述植被光学厚度降尺度模型一般表达式为：
13、
14、上式中，ξ为残差，为动态变量，分别对应ndvi、lstmean、pre、evi、sm、滞后7天vod(vodlag-7)；为非动态变量，分别对应dem、坡度(slope)、坡向(aspect)、经度(lon)、纬度(lat)；f(·)为因变量与解释变量之间的建模函数关系。
15、进一步的，步骤(5)中，降尺度(rfdm-vod)模型的特征重要性排序中特征包括ndvi、lstmean、pre、evi、sm、滞后7天vod(vodlag-7)、dem、坡度(slope)、坡向(aspect)、经度(lon)、纬度(lat)；
16、进一步的，步骤(6)中，获取目标区域0.01°空间分辨率的植被光学厚度数据需要分级降尺度进行，包括0.25°降为0.1°和0.1°降为0.01°的植被光学厚度数据；
17、进一步的，步骤(7)中，评价包括降尺度后的植被光学厚度与植被指数之间时空相关分析。除此之外，模型精度验证的指标包括均方根误差rmse、正皮尔逊相本文档来自技高网...
【技术保护点】
1.一种考虑植被光学厚度记忆的多源变量随机森林VOD降尺度方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种考虑植被光学厚度记忆的多源变量随机森林...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。