基于温度和发射率及深度学习的近地表空气温度反演方法技术

本发明专利技术提出基于温度和发射率及深度学习的近地表空气温度反演方法,包括建立热辐射传输方程、构建专家知识库、构建高精度数据库及计算反演结果并验证四个步骤，通过基于热辐射传输方程和先验知识建立专家知识库，通过辐射传输机理确定反演所需参数，从物理学角度出发，考虑近地表热量交互影响，并利用地表温度和发射率作为先验知识以及利用仿真数据和采集的高精度数据实现较高的反演精度，从而充分利用物理模型和深度学习的优点，将其进行结合，能够获得高精度的近地表气温反演结果，并采用DL

【技术实现步骤摘要】
基于温度和发射率及深度学习的近地表空气温度反演方法


[0001]本专利技术涉及近地表空气温度反演
，尤其涉及基于温度和发射率及深度学习的近地表空气温度反演方法。

技术介绍

[0002]近地表气温通常指距离地面2m左右的大气温度，它是研究区域与全球大气
‑
地球系统相互作用的一个重要参数，涉及到需多相关研究，如全球气候变化、水文学、大气学、生态学、农业生产、城市热岛效应和空气污染研究等都需要近地表气温作为输入参数，近地表气温的高精度反演可以更好的理解气候变化或者局部干扰和模拟复杂的地面过程，此外，近地表气温在蒸发蒸腾、光合作用和热传递等物理过程中也起着重要作用，因此，准确估算近地表气温的时空格局对于进一步理解生态、水文、气候、农业以及陆地生物活动有着重要的意义；
[0003]气象站点是获取近地表气温观测数据的最普遍方式之一，其优点是能够获得长时间序列不同时间分辨率高精度的样本点数据，然而，近地表气温受到陆地/海洋与大气这三个地球系统单元之间的交换过程影响，近地表气温的空间格局分布不同且十分复杂，很多区域地表起伏较大和地表类型多样，气象站点分布不均，特别是偏远和复杂地区缺少观测站点，所以，在区域尺度上只能够提供有限的空间格局信息，此外，气候变化研究中通常需要时空连续的近地表气温数据，样本点数据的记录方式在一定程度上制约相关气候模型模拟分析的精度和限制地学模型的发展，进而影响我们对全球气候和环境变化的认识；
[0004]目前获取时空连续分布的近地表气温方法主要分为三种：第一种方法是基于气象观测站点的空间插值方法；第二种方法是大气垂直廓线方法；第三种方法是基于遥感方法，然而上述方法中，地面测量数据受限于空间代表性不足和地面异质性的影响，无法提供大尺度的连续时空数据，目前很多近地表气温反演算法主要基于经验统计方法，这些方法主要适用于局部地区短期反演，可移植性不强(普适性较低)，因此本专利技术提出基于温度和发射率及深度学习的近地表空气温度反演方法以解决现有技术中存在的问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提出基于温度和发射率及深度学习的近地表空气温度反演方法，来解决现有技术中普适性较低的问题。
[0006]为实现本专利技术的目的，本专利技术通过以下技术方案实现：基于温度和发射率及深度学习的近地表空气温度反演方法，包括以下步骤：
[0007]步骤一、建立热辐射传输方程
[0008]确定研究区域，并获取研究区域的卫星遥感传感器数据以及ERA5
‑
Land数据，根据获得的卫星遥感传感器数据和ERA5
‑
Land数据建立模型数据集，并在模型数据集内引入辅助数据，再从卫星遥感传感器数据的角度建立热辐射传输方程；
[0009]步骤二、构建专家知识库
[0010]基于步骤一中建立的热辐射传输方程，并结合现有的先验知识，构建专家知识库，再通过构建的专家知识库进行物理逻辑推理，推导近地表气温反演所需参数，即是通过物理逻辑推理分析在能量辐射传输过程中影响近地表气温的因素；
[0011]步骤三、构建高精度数据库
[0012]利用步骤一中模型数据集内的传感器数据结合ERA5
‑
Land数据进行双层质量控制，构建高精度反演近地表气温的数据库；
[0013]步骤四：计算反演结果并验证
[0014]根据步骤三中构建的高精度反演近地表气温的数据库，使用深度学习算法DL
‑
NN进行优化计算，得到模型反演结果，再将模型反演结果与步骤一中模型数据集内的ERA5
‑
Land再分析数据、气象站点数据以及模拟数据进行对比验证。
[0015]进一步改进在于：所述步骤一中，辅助数据内包括模拟数据、测量数据和高精度的同化数据，所述模拟数据采用的是大气模拟程序的模拟数据，所述测量数据采用的是来自气象卫星观测站的现场测量数据，所述高精度的同化数据采用的是经过充分验证的产品数据。
[0016]进一步改进在于：所述步骤一中，由于数据采集在时空上的偏差，需要排出异常值和不具有代表性的数据，确保数据库内的数据可以有效的驱动模型，以反应参数与近地表气温之间的关系。
[0017]进一步改进在于：所述步骤二中，由于地表能量交换影响地表温度和近地表气温之间的差异，继而加入地表温度和发射率作为先验知识。
[0018]进一步改进在于：所述步骤二中，影响近地表气温的因素包括卫星亮度温度、水汽和地表发射率。
[0019]进一步改进在于：所述双层质量控制包括第一层控制和第二层控制，所述第一层控制利用传感器地表温度产品进行把关，所述第二层控制是利用传感器地表温结合ERA5
‑
Land再分析地表温度数据进行第二层把关。
[0020]进一步改进在于：所述数据库构建的方式包括以下步骤：
[0021]S1：基于MYD11A1数据像素质量过滤，识别低质量像素值，将缺失像素和低质量像素都认为是无效像素，并以其位置信息寻找MYD021KM数据中所对应的像素，并且进行剔除；
[0022]S2：对ERA5
‑
land再分析数据进行时间上的线性插值和空间上的地理配准，当两者地表温度之间的差值小于预设值，即认定经过质量控制之后的采集数据为正确的，完成数据库构建工作。
[0023]进一步改进在于：所述步骤四中，根据对比验证结果的精确度，调整数据库内的数据，直至满足精确度的需求。
[0024]本专利技术的有益效果为：该基于温度和发射率及深度学习的近地表空气温度反演方法通过基于热辐射传输方程和先验知识建立专家知识库，通过辐射传输机理确定反演所需参数，从物理学角度出发，考虑近地表热量交互影响，并利用地表温度和发射率作为先验知识以及利用仿真数据和采集的高精度数据实现较高的反演精度，从而充分利用物理模型和深度学习的优点，将其进行结合，不仅能够获得高精度的近地表气温反演结果，且能够增加本方法的普适性。
附图说明
[0025]图1是本专利技术实施例一的步骤流程示意图。
[0026]图2是本专利技术实施例一的近地表气温反演流程示意图。
具体实施方式
[0027]为了加深对本专利技术的理解，下面将结合实施例对本专利技术做进一步详述，本实施例仅用于解释本专利技术，并不构成对本专利技术保护范围的限定。
[0028]实施例一
[0029]根据图1所示，本实施例提出了基于温度和发射率及深度学习的近地表空气温度反演方法，包括以下步骤：
[0030]步骤一、建立热辐射传输方程
[0031]确定研究区域，并获取研究区域的卫星遥感传感器数据以及ERA5
‑
Land数据，根据获得的卫星遥感传感器数据和ERA5
‑
Land数据建立模型数据集，并在模型数据集内引入辅助数据，再从卫星遥感传感器数据的角度建立热辐射传输方程，其中，ERA5
‑
Land数据是欧洲中期天气预报中心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：包括以下步骤：步骤一、建立热辐射传输方程确定研究区域，并获取研究区域的卫星遥感传感器数据以及ERA5
‑
Land数据，根据获得的卫星遥感传感器数据和ERA5
‑
Land数据建立模型数据集，并在模型数据集内引入辅助数据，再从卫星遥感传感器数据的角度建立热辐射传输方程；步骤二、构建专家知识库基于步骤一中建立的热辐射传输方程，并结合现有的先验知识，构建专家知识库，再通过构建的专家知识库进行物理逻辑推理，推导近地表气温反演所需参数，即是通过物理逻辑推理分析在能量辐射传输过程中影响近地表气温的因素；步骤三、构建高精度数据库利用步骤一中模型数据集内的传感器数据结合ERA5
‑
Land数据进行双层质量控制，构建高精度反演近地表气温的数据库；步骤四：计算反演结果并验证根据步骤三中构建的高精度反演近地表气温的数据库，使用深度学习算法DL
‑
NN进行优化计算，得到模型反演结果，再将模型反演结果与步骤一中模型数据集内的ERA5
‑
Land再分析数据、气象站点数据以及模拟数据进行对比验证。2.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述步骤一中，辅助数据内包括模拟数据、测量数据和高精度的同化数据，所述模拟数据采用的是大气模拟程序的模拟数据，所述测量数据采用的是来自气象卫星观测站的现场测量数据，所述高精度的同化数据采用的是经过充分验证的产品数据。3.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述步...

【专利技术属性】
技术研发人员：毛克彪，杜宝裕，孟飞，郭中华，曹萌萌，袁紫晋，
申请(专利权)人：中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：