【技术实现步骤摘要】
本专利技术涉及热红外遥感地表温度，具体涉及一种集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法。
技术介绍
1、热红外遥感反演的地表温度具有较高的精度和时空分辨率，广泛应用于气象、水文、环境、公共健康等诸多领域。但热红外信号无法穿透云层，且全球每天大约有三分之二的陆地被云所覆盖，导致热红外反演的地表温度数据存在较多的数据缺失。因此，重建云覆盖区域的遥感地表温度对于提升其应用价值具有重要意义。
2、当下针对遥感地表温度的插补研究，根据插补使用的信息源可分为两类。一类是利用遥感地表温度数据中云覆盖区域邻近无云像元的信息利用空间插值或者生成对抗网络（gan）等深度学习模型对云覆盖区域进行插值；另一类基于无云像元地表温度值与地表温度密切相关的环境变量（如植被指数、高程、地表反照率等）构建模型，由于这些环境变量随时间变化小，可以通过多时相合成生成空间无空缺分布图，然后将模型应用于云覆盖区的环境变量估算得到地表温度。然而，考虑到地表温度具有较强的时空变异性，单纯依赖与环境变量相关性信息建模换至不同区域时，由于缺乏背景信息的支撑填补效果常常不够稳定；而仅依赖地表温度云区邻近无云像元信息进行插补，在面临大范围时空缺失时插补效果也不理想。当下，基于遥感数据同时结合地表温度缺失区域的邻近信息和相关信息对地表温度缺失区域进行插补的研究仍然较少。当下利用gan对地表温度插补的研究，没有用到辅助变量或所用的辅助变量数据较少，未充分利用多源辅助变量信息。同时，在对gan进行训练时，需要基于空间连续无缺失的地表温度添加云层掩膜构建
技术实现思路
1、本专利技术的目的是为了提出一种集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，同时结合云覆盖区域邻近晴空像元的地表温度和植被指数、水体指数、海拔等辅助空间变量，在月尺度上基于条件生成对抗网络进行充分预训练，再迁移到日尺度，对逐日地表温度中云覆盖区域的缺失值进行由缺失边缘逐步向缺失中心的渐进插补，消除条件生成对抗网络（cgan）小图插补后拼接所引起的边缘效应，生成逐日无缝遥感地表温度。
2、为实现上述技术目的，本专利技术采取的技术方案为：
3、一种集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，所述方法包括以下步骤：
4、基于条件生成对抗网络构建月尺度插补模型，将月尺度的地表温度数据和辅助插补的空间变量作为预训练数据集，对月尺度插补模型进行预训练，空间变量至少包括增强型植被指数evi、改进归一化水体指数mndwi和高程；月尺度插补模型包括生成器和判别器，其中，将具有模拟云覆盖的月合成地表温度数据、月合成evi、月合成mndwi、高程和云层掩膜数据作为生成器的输入变量，无云的月合成地表温度作为生成器的目标变量，对生成器进行训练；将经过生成器插补的月合成地表温度和真实晴空的月合成地表温度数据分别作为判别器的输入变量，两个输入变量的标签作为判别器的目标变量，对判别器进行训练；通过生成器和判别器的对抗训练，选出经过验证集测试的精度最高的权重参数，将其作为月尺度插补模型的最佳权重参数；
5、加载最佳权重参数，将日尺度的地表温度数据和辅助插补的空间变量作为迁移训练数据集，对生成器和判别器进行迁移训练，得到日尺度对应的最佳生成器参数，采用加载最佳参数的生成器对逐日地表温度中云覆盖区域的缺失值进行由缺失边缘逐步向缺失中心的渐进插补。
6、进一步地，训练数据的获取过程包括以下步骤：
7、采集逐日地表温度数据和用于辅助插补的空间变量，空间变量至少包括增强型植被指数evi、改进归一化水体指数mndwi和高程；从逐日地表温度数据提取缺失值区域，作为云层掩膜数据；
8、对逐日地表温度数据、evi和mndwi进行月合成去云处理，得到月合成地表温度、月合成evi和月合成mndwi；
9、对逐日地表温度、月合成地表温度、月合成evi、月合成mndwi、高程数据按照预设重叠比裁剪成子图；再随机抽取云层掩膜数据对月合成地表温度进行云层掩膜处理，生成具有模拟云覆盖的月合成地表温度数据；
10、将裁剪得到的子图按照成像时间和成像区域进行组合，分为日尺度数据和月尺度数据，按预设比例将日尺度数据和月尺度数据分别进行划分为训练集、验证集和测试集。
11、进一步地，采用下述公式计算增强型植被指数evi：
12、；
13、式中，evi为增强型植被指数，为近红外波段的反射率，为红光波段的反射率，为蓝光波段的反射率；
14、采用下述公式计算改进归一化水体指数mndwi：
15、；
16、式中，mndwi为改进归一化水体指数，为绿光波段的反射率，为短波红外1波段的反射率；
17、从数字高程模型数据中提取高程数据。
18、进一步地，将月尺度数据作为预训练数据集，对月尺度插补模型进行预训练，训练的目标损失由对抗损失和内容损失组成；对抗损失采用mse损失函数，内容损失采用l1损失函数；其中，mse损失函数的公式如下：
19、；
20、式中为和之间mse损失，为预测值，为目标值，n代表总共的数量；
21、l1损失函数的公式如下：
22、；
23、式中为和之间l1损失。
24、进一步地，生成器插补的月合成地表温度的公式如下：
25、；
26、式中g为生成器，代表经过生成器g所插补的地表温度，为模拟云覆盖的地表温度，mask为云层掩膜，为月合成evi，为月合成mndwi，el为高程。
27、进一步地，判别器对插补的月合成地表温度和真实晴空的月合成地表温度进行判别的公式如下：
28、；
29、式中d为判别器，为生成器插补的地表温度经过判别器的判别结果，为真实无云地表温度经过判别器的判别结果。
30、进一步地，通过生成器和判别器的对抗训练，选出经过验证集测试的精度最高的权重参数的过程包括以下步骤：
31、生成器的目标损失函数由对抗损失和内容损失组成，对抗损失采用mse损失，内容损失采用l1正则化，具体公式如下：
32、；
33、判别器的目标损失函数为对抗损失，具体公式如下：
34、；
35、条件生成对抗网络的目标损失的具体公式如下：
36、；
37、通过生成器和判别器的对抗训练，选出经过验证集测试的精度本文档来自技高网...
【技术保护点】
1.一种集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，训练数据的获取过程包括以下步骤：
3.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，采用下述公式计算增强型植被指数EVI：
4.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，将月尺度数据作为预训练数据集，对月尺度插补模型进行预训练，训练的目标损失由对抗损失和内容损失组成；对抗损失采用MSE损失函数，内容损失采用L1损失函数；其中，MSE损失函数的公式如下：
5.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，生成器插补的月合成地表温度的公式如下：
6.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，判别器对插补的
7.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，通过生成器和判别器的对抗训练，选出经过验证集测试的精度最高的权重参数的过程包括以下步骤：
8.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，采用加载最佳参数的生成器对逐日地表温度中云覆盖区域的缺失值进行由缺失边缘逐步向缺失中心的渐进插补的过程包括以下步骤：
...【技术特征摘要】
1.一种集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，训练数据的获取过程包括以下步骤：
3.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，采用下述公式计算增强型植被指数evi：
4.根据权利要求1所述的集成空间辅助变量和条件生成对抗网络的云覆盖区遥感地表温度插补方法，其特征在于，将月尺度数据作为预训练数据集，对月尺度插补模型进行预训练，训练的目标损失由对抗损失和内容损失组成；对抗损失采用mse损失函数，内容损失采用l1损失函数；其中，mse损失函数的公式如下：
5.根据权利要求1所述...
【专利技术属性】
技术研发人员：徐永明，周颂清，闫逸斐，吉蒙，祝善友，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
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。