一种MODIS地表温度数据产品重建方法技术

本发明专利技术公开一种MODIS地表温度数据产品重建方法，包括以下步骤：首先进行地表温度的初步重建，在此基础上实现地表温度缺失像元的精细化重建并完成时间序列中所有缺值像元的重建；本发明专利技术不仅能够排除地表温度高时空异质性的影响，且对有效像元的数量要求不高，通过引入SSA数据分解算法能挖掘出更多的潜在信息，所提取的数据特征也更加丰富，从而为后续地表温度的精细重建奠定数据基础，在LSTM的基础上加入了CNN，可以实现对地表温度时间序列数据的快速特征提取，挖掘潜在的隐藏信息并去除冗余信息，从而提高LSTM模型的预测精度。从而提高LSTM模型的预测精度。从而提高LSTM模型的预测精度。

【技术实现步骤摘要】
一种MODIS地表温度数据产品重建方法


[0001]本专利技术涉及地表温度重塑
，尤其涉及一种MODIS地表温度数据产品重建方法。

技术介绍

[0002]地表温度(LandSurfaceTemperature，LST)是研究地表能量平衡和陆面过程的重要参数，是城市气候变化、植被、生态监测的关键因子，对全球气候变化研究具有重要意义，因MODIS(Moderate
‑
resolutionImagingSpectroradiometer)数据具有覆盖范围广、观测周期长等特点，逐渐成为获取LST的重要手段，然而，云和云阴影的存在导致MODISLST数据产品的时空连续性受到强烈破坏，研究发现，在任何时候都存在大约65％的全球表面被云层覆盖，直接导致热红外遥感影像中存在大面积的缺值，且缺值区各地不等，严重影响了MODIS地表温度产品的广泛应用，其中我国大陆地区的地表温度年均缺值率最高可达20％，特别是我国西南地区缺值最为严重，导致该区域的MODIS地表温度数据的可用性降低，因此，MODIS地表温度数据重建工作具有相当重要的意义。
[0003]国内外针对MODIS地表温度重建方法的研究，最初主要包括单一的基于空间信息的重建方法和基于时间信息的重建方法，该类方法主要是利用缺失像元与其相邻晴空像元之间的相关性实现插值，虽然此类方法易于实现，操作简单，但重建过程需要充足的有效像元，对数据质量要求较高，后来逐渐发展了综合时空信息的重建方法，其一般做法是先在时间域上进行补值，然后再在空间域上补值，从而实现数据重建，虽然综合时空信息的方法重建精度高，但该类方法受高时空异质性的影响较大，并且其重建结果受人为干预因素的影响较大，而随着深度学习的出现和发展，基于神经网络的地表温度重建方法也相继被提出，虽然该类方法充分考虑了地表温度的时空异质性，且具有较强的学习能力和鲁棒性，但现有基于深度学习的重建方法大多是根据地表温度与环境变量之间的关系实现模型构建，导致重建模型的精度受训练样本的数量和数值分布的影响较大，模型重建结果的精度得不到保证，因此，本专利技术提出一种MODIS地表温度数据产品重建方法以解决现有技术中存在的问题。

技术实现思路

[0004]针对上述问题，本专利技术的目的在于提出一种MODIS地表温度数据产品重建方法，解决现有MODIS地表温度重建方法因重建模型的精度受训练样本的数量和数值分布的影响较大而导致模型重建结果的精度得不到保证的问题。
[0005]为了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：一种MODIS地表温度数据产品重建方法，包括以下步骤：
[0006]步骤一：先利用SSA模型提取地表温度时间序列的主要变化特征，并将提取的主要特征作为补值数据，进行地表温度的初步重建；
[0007]步骤二：先将地表温度数据的初步重建结果输入CNN
‑
LSTM模型，然后CNN部分的卷
积层遍历输入的地表温度信息，通过卷积内核权重与地表温度信息局部序列段进行卷积运算，得到一个特征表达能力强于原始时间序列的初步特征序列，卷积计算之后，平均池化层把最后一个卷积层计算得到的特征序列作为输入，用池化窗口在该序列上滑动，每滑动一次取窗口的平均值进行池化，输出更具表现力的特征序列，最后再用堆叠的LSTM模型实现缺值像元的精细重建；
[0008]步骤三：按照缺值像元的时间先后顺序，利用步骤二中的精细化重建方法对地表温度数据的缺值像元逐一进行精细化重建，同时在重建过程中将上一缺值像元的新值替换初步重建数据，实现数据的更新，再将更新后的数据重新输入CNN
‑
LSTM模型中对下一缺值点的地表温度进行精细重建，并不断迭代至完成时间序列中所有缺值像元的重建，得到重建后的地表温度数据。
[0009]进一步改进在于：所述步骤一中，地表温度的初步重建的具体步骤为：先利用SSA模型对缺值像元的地表温度数据的时间序列进行分解，得到包含不同特征的子序列数据，接着计算分解后各子序列数据的贡献率，并按照从大到小的顺序选择前r个子序列，使选择的子序列的贡献率之和大于等于85％，然后将所选子序列相加组成重构数据，并代替缺值像元的值完成时间序列的更新，实现地表温度时间序列的初步重建。
[0010]进一步改进在于：所述子序列贡献率计算过程如下：
[0011][0012]式中，C
j
表示前j项子序列的贡献率，λ
r
表示特征值。
[0013]进一步改进在于：所述步骤二中，CNN部分的卷积层提取地表温度数据潜在的特征时，用固定大小的卷积核扫描整个地表温度数据，不同权值的多个卷积核通过卷积运算提取地表温度数据不同方面的不同特征。
[0014]进一步改进在于：所述步骤二中，卷积核的运算过程如下式所示：
[0015][0016]式中，为第l层第i个卷积核权重矩阵，X
l
‑1为第l
‑
1层输出，为第l层输出的第i个特征，*为卷积运算符，为偏置项。
[0017]进一步改进在于：所述步骤二中，所述CNN
‑
LSTM模型由CNN和LSTM网络结构组成，所述CNN网络结构由五个卷积层和一个平均池化层组成，所述LSTM网络结构由三个堆叠的LSTM网络组成。
[0018]进一步改进在于：利用CNN
‑
LSTM模型中CNN部分的卷积层遍历输入的地表温度信息，用卷积内核权重与地表温度信息局部序列段进行卷积运算，得到一个特征表达能力强于原始时间序列的初步特征序列。
[0019]进一步改进在于：得到初步特征序列后利用平均池化层将最后一个卷积层计算得到的特征序列作为输入，用池化窗口在该序列上滑动，每滑动一次取窗口的平均值进行池化，输出更具表现力的特征序列，实现对地表温度时间序列的显著时序特征提炼。
[0020]本专利技术的有益效果为：本专利技术基于SSA
‑
CNN
‑
LSTM模型重建地表温度数据，不仅能
够排除地表温度高时空异质性的影响，且对有效像元的数量要求不高，通过引入SSA(奇异谱分析)数据分解算法能挖掘出更多的潜在信息，所提取的数据特征也更加丰富，从而为后续地表温度的精细重建奠定数据基础，在原有LSTM(长短时记忆网络)的基础上加入了CNN(卷积神经网络)，可以实现对地表温度时间序列数据的快速特征提取，挖掘潜在的隐藏信息并去除冗余信息，从而提高LSTM模型的预测精度，可以将CNN对特征信息的提取能力与LSTM对长期依赖信息的学习能力相互结合，从而进一步提高地表温度的重建精度。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本专利技术实施例一的方法流程示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种MODIS地表温度数据产品重建方法，其特征在于，包括以下步骤：步骤一：先利用SSA模型提取地表温度时间序列的主要变化特征，并将提取的主要特征作为补值数据，进行地表温度的初步重建；步骤二：先将地表温度数据的初步重建结果输入CNN
‑
LSTM模型，然后CNN部分的卷积层遍历输入的地表温度信息，通过卷积内核权重与地表温度信息局部序列段进行卷积运算，得到一个特征表达能力强于原始时间序列的初步特征序列，卷积计算之后，平均池化层把最后一个卷积层计算得到的特征序列作为输入，用池化窗口在该序列上滑动，每滑动一次取窗口的平均值进行池化，输出更具表现力的特征序列，最后再用堆叠的LSTM模型实现缺值像元的精细重建；步骤三：按照缺值像元的时间先后顺序，利用步骤二中的精细化重建方法对地表温度数据的缺值像元逐一进行精细化重建，同时在重建过程中将上一缺值像元的新值替换初步重建数据，实现数据的更新，再将更新后的数据重新输入CNN
‑
LSTM模型中对下一缺值点的地表温度进行精细重建，并不断迭代至完成时间序列中所有缺值像元的重建。2.根据权利要求1所述的一种MODIS地表温度数据产品重建方法，其特征在于：所述步骤一中，地表温度的初步重建的具体步骤为：先利用SSA模型对缺值像元的地表温度数据的时间序列进行分解，得到包含不同特征的子序列数据，接着计算分解后各子序列数据的贡献率，并按照从大到小的顺序选择前r个子序列，使选择的子序列的贡献率之和大于等于85％，然后将所选子序列相加组成重构数据，并代替缺值像元的值完成时间序列的更新，实现地表温度时间序列的初步重建。3.根据权利要求2所述的一种MODIS地表温度数据产品重建方法，其特征在于：所述子序列贡献率计算过程如...

【专利技术属性】
技术研发人员：宋冬梅，张曼玉，单新建，崔建勇，王斌，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：