基于XGBoost学习算法的地表温度降尺度方法、系统及设备技术方案

本发明专利技术涉及一种基于XGBoost学习算法的地表温度降尺度方法、系统及设备，根据不透水面盖度对研究区进行区域划分，结合不同区域低分辨率的城市不透水面盖度、植被盖度、道路密度对地表温度的不同影响程度，以及结合城市下垫面的空间异质性对地表温度的影响，结合低分辨率的热红外影像数据，建立低分辨率的非线性回归模型，并根据高分辨率的上述地表参量和上述非线性回归模型，计算得到整个研究区的高分辨率地表预测温度，相对于现有技术，本发明专利技术实现了对空间异质性复杂的城市环境地表温度的高分辨率预测，能更细致地区分道路、建筑物、植被、水体的地表温度，提高城市地表温度预测的准确性。

Method, system and equipment of surface temperature downscaling based on xgboost learning algorithm

【技术实现步骤摘要】
基于XGBoost学习算法的地表温度降尺度方法、系统及设备
本专利技术涉及地理信息
，尤其是涉及一种基于XGBoost学习算法的地表温度降尺度方法、系统及设备。
技术介绍
地表温度是陆地表层系统非常重要的物理参数，在地表蒸散量估算、土壤水分估计以及城市热环境等研究领域都有广泛的应用需求。然而，随着经济发展、人口增多、城市化进程加快导致城市土地利用及覆盖类型发生明显变化，人工建筑物的增加使得原有的自然植被和裸露土地被建筑物、沥青、水泥等不透水性下垫面所代替，这些不透水性下垫面白天储热夜间释热，具体良好的导热性和高热容量，是城市热岛效应形成的主要原因之一。目前进行遥感地表温度空间降尺度的方法主要对AMSR-E、MODIS、FY-3等低空间分辨率的地表温度进行空间降尺度，获取1km或者30米分辨率地表温度，其精度已无法满足人们的需求。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种分区域计算的高精度、高分辨率的基于XGBoost学习算法的地表温度降尺度方法、系统及设备。>一种基于XGBoo本文档来自技高网...

【技术保护点】
1.一种基于XGBoost学习算法的地表温度降尺度方法，其特征在于，包括以下步骤：/n获取研究区第一分辨率的地表参量和热红外影像数据；其中，所述地表参量包括不透水面盖度、植被盖度、归一化植被指数、归一化建筑指数、改进的归一化差异水体指数和道路密度；/n根据所述不透水面盖度，利用空间聚类算法将所述研究区划分为高密度、中密度和低密度的子区域；/n针对每一个子区域，基于XGBoost算法，以所述第一分辨率的地表参量作为输入变量，以所述第一分辨率的热红外地表温度作为输出变量，构建并训练非线性回归模型，得到所述非线性回归模型的残差值；/n将每个子区域内第二分辨率的地表参量输入所述非线性回归模型，得到每个...

【技术特征摘要】
1.一种基于XGBoost学习算法的地表温度降尺度方法，其特征在于，包括以下步骤：
获取研究区第一分辨率的地表参量和热红外影像数据；其中，所述地表参量包括不透水面盖度、植被盖度、归一化植被指数、归一化建筑指数、改进的归一化差异水体指数和道路密度；
根据所述不透水面盖度，利用空间聚类算法将所述研究区划分为高密度、中密度和低密度的子区域；
针对每一个子区域，基于XGBoost算法，以所述第一分辨率的地表参量作为输入变量，以所述第一分辨率的热红外地表温度作为输出变量，构建并训练非线性回归模型，得到所述非线性回归模型的残差值；
将每个子区域内第二分辨率的地表参量输入所述非线性回归模型，得到每个子区域内第二分辨率的热红外地表温度初始预测值，其中，所述第二分辨率高于第一分辨率；
利用面到点克里金方法对所述残差值进行降尺度，获取所述研究区第二分辨率的残差；将所述第二分辨率的残差与各个子区域内的热红外地表温度初始预测值相加，得到第二分辨率的热红外地表温度预测值。


2.根据权利要求1所述的基于XGBoost学习算法的地表温度降尺度方法，其特征在于，所述热红外影像数据为Landsat8热红外影像数据，所述第一分辨率为30米，获取研究区第一分辨率的地表参量，包括：
获取Sentinel-2A遥感影像数据；
利用改进的线性光谱解混方法提取所述遥感影像数据中分辨率为10米的不透水面盖度和植被盖度；
将所述Sentinel-2A遥感影像数据中的近红外波段和中红外波段数据重采样至分辨率为10米；
根据重采样后的近红外波段和中红外波段遥感影像数据计算分辨率为10米的归一化植被指数、归一化建筑指数、改进的归一化差异水体指数和道路密度；
对所述分辨率为10米的不透水面盖度、植被盖度、归一化植被指数、归一化建筑指数、改进的归一化差异水体指数和道路密度进行聚合计算，得到分辨率为30米的地表参量。


3.根据权利要求2所述的基于XGBoost学习算法的地表温度降尺度方法，其特征在于，利用改进的线性光谱解混方法提取所述遥感影像数据中分辨率为10米的不透水面盖度和植被盖度的步骤包括：
利用改进的归一化差异水体指数去除所述遥感影像数据中的水体，选取高反照率、低反照率、植被端元和土壤端元作为解混对象，利用全约束最小二乘线性光谱解混方法求解所述高反照率、低反照率和植被端元在像元中占的比例，得到高反照率盖度、低反照率盖度和植被盖度；
利用Otsu算法对NDBI影像进行阈值提取，将归一化建筑指数大于阈值的像元作为不透水面像元，归一化建筑指数小于阈值的像元作为非不透水面像元，结合所述低反射率盖度将其划分为不透水面的低反照率盖度和非不透水面的低反照率盖度；
利用归一化植被指数对所述非不透水面的低反照率盖度进行进一步划分：若所述归一化植被指数小于0.2，将所述非不透水面的低反照率盖度划分为土壤的低反照率盖度，若归一化植被指数大于0.2，将所述非不透水面的低反照率盖度划分为植被的低反照率盖度；
将高反照率盖度与不透水面的低反照率盖度相加得到所述不透水面盖度，将植被盖度与植被的低反照率盖度相加得到所述植被盖度。


4.根据权利要求1所述的基于XGBoost学习算法的地表温度降尺度方法，其特征在于，所述构建并训练非线性回归模型的步骤包括：
以所述第一分辨率的地表参量作为输入变量，以所述第一分辨率的热红外地表温度作为输出变量，构建非线性回归模型表达式：
lst～imper_frac+veg_frac+road+mndwi+ndbi+ndvi；
其中，lst表示热红外地表温度，imper_frac表示不透水面盖度，veg_frac表示植被盖度，road表示道路密度，mndwi表示MNDWI，ndbi表示归一化建筑指数，ndvi表示归一化植被指数；
设置所述非线性回归模型的训练参数，包括迭代次数、收缩步长、子节点的最小权重值、子样本数目、节点分裂所需的最小损失函数下降值和节点分裂的最大深度，并对所述非线性回归模型进行训练。


5.一种基于XGBoost学习算法的地表温度降尺度系统，其特征在于，包括：
数据获取模块，用于获取研究区第一分辨率的地表参量和热红外影像数据；其中，所述地表参量包括不透水面盖度、植被盖度、归一化植被指数、归一化建筑指数、改进的归一化差异水体指数和道路密度；
区域划分模块，用于根据所...

【专利技术属性】
技术研发人员：许剑辉，周成虎，邓应彬，杨骥，张菲菲，姜浩，
申请(专利权)人：广州地理研究所，南方海洋科学与工程广东省实验室广州，
类型：发明
国别省市：广东;44