【技术实现步骤摘要】
一种基于物理模型与数据驱动的全天候地表温度重建方法
[0001]本专利技术属于地表温度重建
，尤其是涉及一种基于物理模型与数据驱动的全天候地表温度重建方法。
技术介绍
[0002]目前，最常用于获取地表温度(LST)的技术是热红外(TIR)遥感(RS)。然而，这种通过卫星获取LST影像容易受到云的干扰，限制了卫星TIR传感器提供完整时空覆盖的LST，研究表明，被云污染的无效数据高达50％以上，并且白天尤为明显，极大降低了LST的遥感应用价值。
[0003]如何重建无云污染的全天候LST，仍然是一个难题，迫切需要开展深入研究。针对该问题，学者们提出了一系列的重建方法，主要可以分为四种：填隙法、被动微波测量法、数据驱动法与物理模型法。
[0004]填隙法主要根据“相近相似”的地理学第一定律，利用时空相邻的像元信息，通过替换或插值推导出被云污染的像元值，例如使用克里金插值与反距离加权插值重建LST。该方法基于时空相邻晴空像元，所以只能推导出假设晴空LST，而不是真实云下的LST。
[0005]被动微波测量法可以直接获取全天候的LST，因为被动微波(PMW)可以穿透云层。然而通过微波估算LST具有局限性，首先，微波信号随地表特性显著变化，其次，PMW测量的LST空间分辨率(0.25
°
至0.1
°
)比TIR测量的LST空间分辨率(<1km)粗糙得多，并且PMW反演的LST精度(约5
‑
6K)比TIR反演的LST精度(约1>‑
2K)差。所以该方法一般用作TIR或其他数据的补充信息，而不作为主要信息。
[0006]随着人工智能技术的发展，数据驱动法开始应用于LST重建研究，该方法从初始的数据或观测值出发，利用机器学习等工具寻找和建立内部特征之间的关系，从而实现预测规律。基于数据驱动的LST重建方法在效率、精度等多方面都取得了卓越的成就。然而，该方法重在数据挖掘，忽视物理规律，因此，往往无法解释因果关系。这种机理的不透明性、因果的不可解释性也使得其受到了一定的争议和质疑。
[0007]物理模型法是从物理规律出发，构建从观测数据到目标参量之间的表达式。比如地表能量平衡法与各种基于地表能量平衡法修正的方法，该方法的优点是，观测数据和目标参量之间具有明确的因果关系，模型建立过程透明，可解释。但是，物理建模的方式难以准确地描述复杂多变的现实情况，模型比较复杂，并且有些输入变量难以获取和计算，也会给建模带来一定的不确定性，结果精度有待提高。
[0008]在上述几种LST重建方法中，数据驱动法与物理模型法的应用最为广泛，技术比较成熟。数据驱动方法虽然可以重建LST，但是缺乏理论支持、可解释性弱等“黑匣子”问题并未解决。不同于数据驱动方法，物理模型基于知识及演绎，包含丰富的底层系统知识，其结果可解释性强，但是现有的物理模型需要输入较多的参数，并且有些参数还是难以获取的，参数化存在较大的不确定性，导致物理模型的结果存在较大的不确定性。并且现有物理模型的众多参数中需要一些假设的气象条件作为模拟LST的前提，所以模拟出的LST精度较
低。此外，物理模型输出的虽然是全天候的数据，但它的空间细节度不足(比如各地物LST的差异，高程分布，山脊与山谷走势等细节表现不足)，与遥感卫星影像数据相比，在空间特征分布与像元精度上需要进一步提高。
技术实现思路
[0009]本专利技术的目的是针对上述问题，提供一种基于物理模型与数据驱动的全天候地表温度重建方法。本方案考虑到物理模型的可解释性与外推能力强，而数据驱动方法对数据适应性与挖掘数据特征能力强，将物理建模与灵活的数据驱动建模相结合重建LST，以物理模型生成LST源数据，使用数据驱动方法提高精度，形成数据驱动辅助物理模型的模型框架，具体方案如下：
[0010]一种基于物理模型与数据驱动的全天候地表温度重建方法，包括以下步骤：
[0011]S1.通过物理模型模拟出分辨率与MODIS LST一致的目标日全天候LST；
[0012]S2.将目标日全天候LST进行椭球转换得到转换后的目标日全天候WRF LST；此处WRF LST仅表示转换后的目标日全天候简称，并不表示是基于WRF模型得到的目标日全天候，也不表示物理模型一定使用WRF模型，使用其它类型的物理模型实现本方案的也应当在本方案的保护范围内。
[0013]S3.MODIS LST的有效像元作为因变量y，WRF LST时间空间对应因变量y的像元作为自变量x，每个自变量x与对应因变量y为一组，将多组数据划分为训练集和验证集，并使用训练集训练数据模型得到训练后的目标日数据模型，验证集用于验证训练后的目标日数据模型；
[0014]S4.将转换后的目标日全天候WRF LST作为自变量X输入所述的目标日数据模型，目标日数据模型输出目标日的全天候重建LST。自变量X包含相应影像的所有自变量像元x。
[0015]在上述的基于物理模型与数据驱动的全天候地表温度重建方法中，步骤S3和S4中，将自变量的待训练/预测的目标像元的空间相邻像元作为目标像元的空间特性信息一并输入待训练的数据模型或已训练的目标日数据模型。
[0016]在上述的基于物理模型与数据驱动的全天候地表温度重建方法中，步骤S3中，同时将多源遥感数据时间空间对应因变量y的像元作为自变量x；
[0017]步骤S4中，同时将多源遥感数据作为自变量X输入目标日数据模型。
[0018]在上述的基于物理模型与数据驱动的全天候地表温度重建方法中，所述的多源遥感数据包括高程DEM、纬度LAT、坡度SLOPE和归一化植被指数NDVI。
[0019]在上述的基于物理模型与数据驱动的全天候地表温度重建方法中，若目标日MODIS LST的有效像元足够多，则执行所述步骤S4得到目标日的全天候重建LST；
[0020]若目标日MODIS LST的有效像元不够多，则步骤S4之后还包括S5：
[0021]获取目标日相邻时间的经过训练的若干数据模型为时间相邻模型，并将目标日的自变量X分别输入若干时间相邻模型，将所有时间相邻模型的输出按设定权重求和得到目标日的全天候重建LST。
[0022]在上述的基于物理模型与数据驱动的全天候地表温度重建方法中，当目标日MODIS LST的有效像元多于像元设定值时视为有效像元足够多，且不执行步骤S4，直接执行S5；像元设定值由本领域技术人员根据具体情况确定。
[0023]或者，当目标日MODIS LST与步骤S4得到的重建LST的相关性系数小于系数设定值时视为有效像元不够多，且继续执行步骤S5。相关性系数可以根据Pearson相关性系数公式计算得到，将MODIS LST与重建的LST的像元一一对应地提取出来形成两组数据，通过Pearson相关性系数公式即可求出这两组数据的相关性系数，即为本方案的相关性系数。系数设定值由本领域技术人员根据具体情况确定。
[0024]在上述的基于物理模型本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，包括以下步骤：S1.通过物理模型模拟出分辨率与MODIS LST一致的目标日全天候LST；S2.将目标日全天候LST进行椭球转换得到转换后的目标日全天候WRF LST；S3.MODIS LST的有效像元作为因变量y，WRF LST时间空间对应因变量y的像元作为自变量x，每个自变量x与对应因变量y为一组，将多组数据划分为训练集和验证集，并使用训练集训练数据模型得到训练后的目标日数据模型，验证集用于验证训练后的目标日数据模型；S4.将转换后的目标日全天候WRF LST作为自变量X输入所述的目标日数据模型，目标日数据模型输出目标日的全天候重建LST。2.根据权利要求1所述的基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，步骤S3和S4中，将自变量的待训练/预测的目标像元的空间相邻像元作为目标像元的空间特性信息一并输入待训练的数据模型或已训练的目标日数据模型。3.根据权利要求1所述的基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，步骤S3中，同时将多源遥感数据时间空间对应因变量y的像元作为自变量x；步骤S4中，同时将多源遥感数据作为自变量X输入目标日数据模型。4.根据权利要求3所述的基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，所述的多源遥感数据包括高程DEM、纬度LAT、坡度SLOPE和归一化植被指数NDVI。5.根据权利要求1
‑
4任意一项所述的基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，若目标日MODIS LST的有效像元足够多，则执行所述步骤S4得到目标日的全天候重建LST；若目标日MODIS LST的有效像元不够多，则目标日最终的全天候重建LST通过步骤S5确定：获取目标日相邻时间的经过训练的若干数据模型为时间相邻模型，并将目标日的自变量X分别输入若干时间相邻模型，将所有时间相邻模型的输出按设定权重求和得到目标日的全天候重建LST。6.根据权利要求5所述的基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，当目标日MODIS LST的有效像元多于像元设定值时视为有效像元足够多，且不执行步骤S4，直接执行S5；或者，当目标日MODIS LST与步骤S4得到的重建LST的相关性系数小于系数设定值时视为有效像元不够多，且继续执行步骤S5。7.根据权利要求6所述的基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，目标日MODIS LST的有效像元不够多时，获取目标日的前一日、后一日经过训练的两个数据模型为时间相邻模型，并将目标日的自变量X分别输入两个时间相邻模型，将两个时间相邻模型的输出按设定权重求和得到目标日的重建LST。8.根据权利要求7所述的基于物理模型与数据驱动的全天候地表温度重建方法，其特征在于，目标日MODIS LST的有效像元足够多时，数据驱动部分的计算方法如下：f(X...
【专利技术属性】
技术研发人员：张学鹏，勾鹏，黄莹双，周天宇，刘洋，聂维，欧阳宁磊，王思瑜，
申请(专利权)人：南湖实验室，
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。