CN111191673B - 一种地表温度降尺度方法及*** - Google Patents

一种地表温度降尺度方法及*** Download PDF

Info

Publication number
CN111191673B
CN111191673B CN201911198692.4A CN201911198692A CN111191673B CN 111191673 B CN111191673 B CN 111191673B CN 201911198692 A CN201911198692 A CN 201911198692A CN 111191673 B CN111191673 B CN 111191673B
Authority
CN
China
Prior art keywords
surface temperature
remote sensing
earth surface
microwave remote
passive microwave
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911198692.4A
Other languages
English (en)
Other versions
CN111191673A (zh
Inventor
许剑辉
周成虎
邓应彬
杨骥
张菲菲
钟凯文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Institute of Geography of GDAS
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201911198692.4A priority Critical patent/CN111191673B/zh
Publication of CN111191673A publication Critical patent/CN111191673A/zh
Application granted granted Critical
Publication of CN111191673B publication Critical patent/CN111191673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/007—Radiation pyrometry, e.g. infrared or optical thermometry for earth observation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/48—Thermography; Techniques using wholly visual means
    • G01J5/485—Temperature profile
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
    • G01K11/006—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of the effect of a material on microwaves or longer electromagnetic waves, e.g. measuring temperature via microwaves emitted by the object
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J2005/0077—Imaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明涉及一种地表温度降尺度方法及***，利用土地利用分类数据对MODIS时间序列数据、热红外地表温度数据和高空间分辨率的被动微波遥感地表温度进行分类，利用三重组合方法对MODIS时间序列数据、热红外地表温度数据和高空间分辨率的被动微波遥感地表温度进行误差分析，得到不同土地覆盖类型下的热红外和被动微波遥感地表温度的时空权重，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到每个土地覆盖类型的高空间分辨率地表温度。相对于现有技术，本发明实现了不同土地覆盖类型的热红外和被动微波遥感地表温度产品有效融合，得到无云情况下高精度、高分辨率的地表温度。

Description

一种地表温度降尺度方法及***
技术领域
本发明涉及地理信息技术领域，尤其是涉及一种地表温度降尺度方法及***。
背景技术
地表温度作为卫星遥感监测地表水分和能量循环中一个十分重要的状态变量，提供了地表能量平衡状态的时空变化信息，在气象、地质、水文、生态、数值预报、以及区域气候模式等研究领域得到广泛的应用。时空连续的高精度地表温度数据不仅有助于评估地表能量与水文平衡、热惯量和土壤湿度，而且有助于获取全球表面温度及掌握其长期的变化，对区域及全球地气***能量平衡和生态***的研究具有重要意义。
获取时空连续的高分辨率被动微波遥感地表温度数据，实现地表温度的全天候遥感监测，多源遥感数据融合是一个可行的方法。现有的遥感数据融合方法在热红外和被动微波遥感地表数据的融合上仍存在缺陷，无法得到高分辨率、高精度的被动微波遥感地表温度。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种高分辨率、高精度的基于热红外地表温度数据和被动微波遥感地表温度的地表温度降尺度方法及***。
一种地表温度降尺度方法，包括以下步骤：
获取研究区内的MODIS时间序列数据、热红外地表温度数据、高空间分辨率的被动微波遥感地表温度和土地利用分类数据；
根据所述土地利用分类数据对所述MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度进行分类，获取所述MODIS时间序列数据、热红外地表温度和被动微波遥感地表温度在不同土地覆盖类型下的地表温度数据集；
针对研究区内无云层和积雪覆盖的像元，基于所述地表温度数据集，利用三重组合方法计算不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的误差方差和对应的真值方差，根据所述误差方差和对应的真值方差计算得到不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的信噪比；
根据所述信噪比，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重；
对所述时间和空间权重进行乘积运算，得到不同土地覆盖类型的热红外和降尺度被动微波遥感地表温度的时空权重；
将所述时空权重作为权重数据，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到每个土地覆盖类型的高空间分辨率地表温度；
所述获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重的步骤具体包括：
按照下列方式，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重：
Figure GDA0002737714890000021
其中，SNRVIRR,TS和SNRMWRI,TS分别为不同土地覆盖类型的时间或空间序列热红外和高空间分辨率的被动微波遥感地表温度数据的信噪比，TS表示时间或空间序列地表温度数据。
相对于现有技术，本发明利用土地利用分类数据对MODIS时间序列数据、热红外地表温度数据和高空间分辨率的被动微波遥感地表温度进行分类，利用三重组合方法对MODIS时间序列数据、热红外地表温度数据和高空间分辨率的被动微波遥感地表温度进行误差分析，得到不同土地覆盖类型下的热红外和被动微波遥感地表温度的时空权重，实现了不同土地覆盖类型的热红外和被动微波遥感地表温度产品有效融合，得到无云情况下高精度、高分辨率的地表温度。
在一个实施例中，获取高空间分辨率的被动微波遥感地表温度的步骤包括：
获取低空间分辨率的被动微波遥感地表温度数据；
利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度。
在一个实施例中，所述被动微波遥感地表温度数据为FY-3C被动微波遥感地表温度数据，所述低空间分辨率为25千米，所述高空间分辨率为1千米，所述利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度的步骤包括：
按照以下方式，将所述被动微波遥感地表温度进行降尺度，得到分辨率为1千米的被动微波遥感地表温度：
Figure GDA0002737714890000022
其中，x为1千米分辨率的待插值网格点，vi为25千米分辨率的网格，z(vi)为25千米分辨率网格的被动微波遥感地表温度，λx为权重，
Figure GDA0002737714890000031
为1千米分辨率的被动微波遥感地表温度；所述权重λx根据以下方式计算得到：
Figure GDA0002737714890000032
其中，K为25千米分辨率的网格数目，μx为拉格朗日乘子，
Figure GDA0002737714890000033
表示25千米分辨率网格vi与25千米分辨率网格vj的协方差函数，
Figure GDA0002737714890000034
表示25千米分辨率网格vi与1千米分辨率网格x的协方差函数。
在一个实施例中，所述地表温度降尺度方法还包括以下步骤：
针对研究区内的云覆盖像元，采用高空间分辨率的被动微波遥感地表温度作为地表温度；
针对研究区内的积雪覆盖像元，删除积雪覆盖像元的MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度数据。
本发明还提供了一种地表温度降尺度***，包括：
数据获取模块，用于获取研究区内的MODIS时间序列数据、热红外地表温度数据、高空间分辨率的被动微波遥感地表温度和土地利用分类数据；
分类模块，用于根据所述土地利用分类数据对所述MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度进行分类，获取所述MODIS时间序列数据、热红外地表温度和被动微波遥感地表温度在不同土地覆盖类型下的地表温度数据集；
信噪比计算模块，用于针对研究区内无云层和积雪覆盖的像元，基于所述地表温度数据集，利用三重组合方法计算不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的误差方差和对应的真值方差，根据所述误差方差和对应的真值方差计算得到不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的信噪比；
权重计算模块，用于根据所述信噪比，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重；
时空权重计算模块，用于对所述时间和空间权重进行乘积运算，得到不同土地覆盖类型的热红外和降尺度被动微波遥感地表温度的时空权重；
地表温度获取模块，用于将所述时空权重作为权重数据，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到每个土地覆盖类型的高空间分辨率地表温度；
所述权重计算模块包括：
权重计算单元，用于按照下列方式，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重：
Figure GDA0002737714890000041
其中，SNRVIRR,TS和SNRMWRI,TS分别为不同土地覆盖类型的时间或空间序列热红外和高空间分辨率的被动微波遥感地表温度数据的信噪比，TS表示时间或空间序列地表温度数据。
在一个实施例中，所述数据获取模块包括：
数据获取单元，用于获取低空间分辨率的被动微波遥感地表温度数据；
降尺度单元，用于利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度。
在一个实施例中，所述被动微波遥感地表温度数据为FY-3C被动微波遥感地表温度数据，所述低空间分辨率为25千米，所述高空间分辨率为1千米，所述降尺度单元按照以下方式，将所述被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度：
Figure GDA0002737714890000042
其中，x为1千米分辨率的待插值网格点，vi为25千米分辨率的网格，z(vi)为25千米分辨率网格的被动微波遥感地表温度，λx为权重，
Figure GDA0002737714890000043
为1千米分辨率的遥感地表温度；所述权重λx根据以下方式计算得到：
Figure GDA0002737714890000044
其中，K为25千米分辨率的网格数目，μx为拉格朗日乘子，
Figure GDA0002737714890000045
表示25千米分辨率网格vi与25千米分辨率网格vj的协方差函数，
Figure GDA0002737714890000046
表示25千米分辨率网格vi与1千米分辨率网格x的协方差函数。
在一个实施例中，所述地表温度降尺度***还包括：
云像元处理模块，用于针对研究区内的云覆盖像元，采用高空间分辨率的被动微波遥感地表温度作为地表温度；
积雪像元处理模块，用于针对研究区内的积雪覆盖像元，删除积雪覆盖像元的MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度数据。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一个示例性的实施例中一种地表温度降尺度方法的流程图；
图2为本发明一个示例性的实施例中步骤S1的流程图；
图3为本发明一个示例性的实施例中城市扩展预测***的结构示意图；
图4为本发明一个示例性的实施例中数据获取模块1的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系表示可以存在三种关系例如A和/或B可以表示单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1，本发明提供了一种地表温度降尺度方法，包括以下步骤：
步骤S1：获取研究区内的MODIS时间序列数据、热红外地表温度数据、高空间分辨率的被动微波遥感地表温度和土地利用分类数据；
其中，所述MODIS时间序列数据是指中分辨率成像光谱仪获取到的一系列观测地球的土地、海洋和大气的影像。所述热红外地表温度数据为通过热红外探测器收集、记录地物辐射出来的人眼看不到的热红外辐射信息，并可以利用这种热红外信息来获取地表的温度参数。所述土地利用分类数据是指基于遥感影像，采用全数字化人机交互快速提取方法，参照国内外土地覆盖分类体系以及遥感信息源和地表覆盖的实际情况，将土地类型进行划分的土地资源类数据产品。被动微波遥感是指利用微波辐射计或微波散射计等传感器接收自然状况下地面反射和发射的微波，所述被动微波遥感地表温度数据从所述被动微波遥感数据中得到。
步骤S2：根据所述土地利用分类数据对所述MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度进行分类，获取所述MODIS时间序列数据、热红外地表温度和被动微波遥感地表温度在不同土地覆盖类型下的地表温度数据集。
土地利用分类数据从土地利用现状出发，根据土地利用的地域分异规律、土地用途、土地利用方式等，将一个国家或地区的土地利用情况，按照一定的层次等级体系划分为若干不同的土地利用类别。例如，可以根据所述土地利用分类数据的光谱信息，将MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度分为若干不同土地覆盖类型的地表温度数据集。
步骤S3：针对研究区内无云层和积雪覆盖的像元，基于所述地表温度数据集，利用三重组合方法计算不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的误差方差和对应的真值方差，根据所述误差方差和对应的真值方差计算得到不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的信噪比。
所述三重组合方法(Triple Collocation)可以在未知真值的情况下，对三组相互独立的产品进行交叉评估，基于三重组合方法方法，综合评价了不同土地覆盖类型的热红外和降尺度被动微波被动微波遥感地表温度产品误差的时空分布特征。
步骤S4：根据所述信噪比，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重；
步骤S5：对所述时间和空间权重进行乘积运算，得到不同土地覆盖类型的热红外和降尺度被动微波遥感地表温度的时空权重；
步骤S6:将所述时空权重作为权重数据，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到每个土地覆盖类型的高空间分辨率地表温度。
本发明利用土地利用分类数据对MODIS时间序列数据、热红外地表温度数据和高空间分辨率的被动微波遥感地表温度进行分类，利用三重组合方法对MODIS时间序列数据、热红外地表温度数据和高空间分辨率的被动微波遥感地表温度进行误差分析，得到不同土地覆盖类型下的热红外和被动微波遥感地表温度的时空权重，实现不同土地覆盖类型的热红外和被动微波遥感地表温度产品有效融合，从而获取无云情况下高精度、高分辨率的地表温度。
请参阅图2，在一个示例性的实施例中，所述获取高空间分辨率的被动微波遥感地表温度的步骤包括：
步骤S101：获取低空间分辨率的被动微波遥感地表温度数据；
步骤S102：利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度。
所述面到点克里金降尺度方法考虑了面与点数据的尺度差异性和空间相关性，并确保了1千米微波遥感地表温度能够保持原始25千米微波遥感地表温度的空间分布格局。
在一个示例性的实施例中，所述被动微波遥感地表温度数据为FY-3C被动微波遥感地表温度数据，FY-3C被动微波遥感地表温度数据指的是FY-3C卫星上获取的被动微波遥感地表温度数据，其空间分辨率为25千米；所述低空间分辨率为25千米，所述高空间分辨率为1千米，所述利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度的步骤包括：
按照以下方式，将所述被动微波遥感地表温度进行降尺度，得到分辨率为1千米的被动微波遥感地表温度：
Figure GDA0002737714890000071
其中，x为1千米分辨率的待插值网格点，vi为25千米分辨率的网格，z(vi)为25千米分辨率网格的被动微波遥感地表温度，λx为权重，
Figure GDA0002737714890000072
为1千米的被动微波地表遥感温度；所述权重λx根据以下方式计算得到：
Figure GDA0002737714890000081
其中，K为25千米分辨率的网格数目，μx为拉格朗日乘子。
在一个示例性的实施例中，所述根据误差方差和对应的真值方差计算得到不同土地覆盖类型热红外地表温度和高空间分辨率的被动微波遥感地表温度的信噪比的步骤具体包括：
利用三重组合方法计算所述不同土地覆盖类型热红外地表温度误差方差
Figure GDA0002737714890000082
和对应的真值方差
Figure GDA0002737714890000083
所述高空间分辨率的被动微波遥感地表温度的误差方差
Figure GDA0002737714890000084
和对应的真值方差
Figure GDA0002737714890000085
其中，所述真值方差指的是时间或空间序列不同土地覆盖类型的热红外地表温度和高空间分辨率的被动微波遥感地表温度与对应地表温度真值的方差，反映了热红外地表温度和高空间分辨率的被动微波遥感地表温度对地表温度真值变化的敏感性。
所述热红外地表温度和高空间分辨率的被动微波遥感地表温度的误差方差按照以下方式，计算得到：
Figure GDA0002737714890000086
其中，
Figure GDA0002737714890000087
分别表示时间或空间序列热红外的方差，
Figure GDA0002737714890000088
表示高空间分辨率被动微波遥感地表温度的方差；σVIRR,MODIS表示热红外和遥感数据之间的协方差，σVIRR,MWRI表示热红外和高空间分辨率被动微波遥感地表温度之间的协方差，σMODIS,MWRI表示遥感数据和高空间分辨率被动微波遥感地表温度之间的协方差，σMWRI,VIRR表示高空间分辨率被动微波遥感地表温度和热红外之间的协方差，σMWRI,MODIS高空间分辨率被动微波遥感地表温度和遥感数据之间的协方差；
根据所述误差方差和对应的真值方差，按照以下方式计算得到不同土地覆盖类型热红外地表温度和高空间分辨率的被动微波遥感地表温度的信噪比：
Figure GDA0002737714890000091
Figure GDA0002737714890000092
其中，SNRVIRR,TS为热红外地表温度的信噪比，SNRMWRI,TS为高空间分辨率的被动微波遥感地表温度的信噪比。
在一个示例性的实施例中，所述获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重的步骤具体包括：
按照下列方式，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重：
Figure GDA0002737714890000093
其中，SNRVIRR,TS和SNRMWRI,TS分别为不同土地覆盖类型的时间或空间序列热红外和高空间分辨率的被动微波遥感地表温度数据的信噪比，TS表示时间或空间序列地表温度数据。
在一个示例性的实施例中，所述根据误差方差和对应的真值方差计算得到不同土地覆盖类型热红外地表温度和高空间分辨率的被动微波遥感地表温度的信噪比的步骤具体包括：
根据所述误差方差和对应的真值方差，按照以下方式计算得到不同土地覆盖类型热红外地表温度和高空间分辨率的被动微波遥感地表温度的信噪比：
Figure GDA0002737714890000094
Figure GDA0002737714890000095
其中，SNRVIRR,TS为热红外地表温度的信噪比，SNRMWRI,TS为高空间分辨率的被动微波遥感地表温度的信噪比；所述不同土地覆盖类型热红外地表温度误差方差
Figure GDA0002737714890000096
和对应的真值方差
Figure GDA0002737714890000097
所述高空间分辨率的被动微波遥感地表温度的误差方差
Figure GDA0002737714890000098
和对应的真值方差
Figure GDA0002737714890000099
在一个示例性的实施例中，所述对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到该土地覆盖类型的高空间分辨率地表温度具体包括：
按照下列方式，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到该土地覆盖类型的高空间分辨率地表温度：
LSTfusion＝ωVIRRLSTVIRR+ωMWRILSTMWRI。
其中，LSTfusion为热红外地表温度和高空间分辨率的被动微波遥感地表温度的地表温度的融合结果；LSTVIRR和LSTMWRI分别为热红外地表温度和高空间分辨率的被动微波遥感地表温度；ωVIRR和ωMWRI分别为热红外地表温度和高空间分辨率的被动微波遥感地表温度的时空权重。该时空权重由不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重进行乘积运算得到。
在一个示例性的实施例中，所述地表温度降尺度方法还包括以下步骤：
对于研究区内的云覆盖像元，采用降尺度后的高空间分辨率的被动微波遥感地表温度作为地表温度；
对于研究区内的积雪覆盖像元，删除积雪覆盖像元的MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度数据。
由于云覆盖导致MODIS、FY-3C热红外遥感地表温度数据缺失，因此，对于云覆盖像元的地表温度采用降尺度被动微波遥感地表温度产品，而积雪覆盖的地表温度产品不确定性较大，删除积雪覆盖像元的MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度数据；
请参阅图3，本发明还提供了一种地表温度降尺度***，包括：
数据获取模块1，用于获取研究区内的MODIS时间序列数据、热红外地表温度数据、高空间分辨率的被动微波遥感地表温度和土地利用分类数据；
分类模块2，用于根据所述土地利用分类数据对所述MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度进行分类，获取所述MODIS时间序列数据、热红外地表温度和被动微波遥感地表温度在不同土地覆盖类型下的地表温度数据集；
信噪比计算模块3，用于针对研究区内无云层和积雪覆盖的像元，基于所述地表温度数据集，利用三重组合方法计算不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的误差方差和对应的真值方差，根据所述误差方差和对应的真值方差计算得到不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的信噪比；
权重计算模块4，用于根据所述信噪比，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重；
时空权重计算模块5，用于对所述时间和空间权重进行乘积运算，得到不同土地覆盖类型的热红外和降尺度被动微波遥感地表温度的时空权重；
地表温度获取模块6，用于将所述时空权重作为权重数据，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到每个土地覆盖类型的高空间分辨率地表温度。
请参阅图4，在一个示例性的实施例中，所述数据获取模块1包括：
数据获取单元101，用于获取低空间分辨率的被动微波遥感地表温度数据；
降尺度单元102，用于利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度。
在一个示例性的实施例中，所述被动微波遥感地表温度数据为FY-3C被动微波遥感地表温度数据，所述低空间分辨率为25千米，所述高空间分辨率为1千米，所述降尺度单元按照以下方式，将所述被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度：
Figure GDA0002737714890000111
其中，x为高空间分辨率的待插值网格点，vi为原分辨率的网格，z(vi)为原分辨率网格的被动微波遥感地表温度，λx为权重，
Figure GDA0002737714890000112
为高空间分辨率的地表遥感温度；所述权重λx根据以下方式计算得到：
Figure GDA0002737714890000113
其中，K为原分辨率的网格数目，μx为拉格朗日乘子。
在一个示例性的实施例中，所述地表温度降尺度***还包括：
云像元处理模块，用于针对研究区内的云覆盖像元，采用高空间分辨率的被动微波遥感地表温度作为地表温度；
积雪像元处理模块，用于针对研究区内的积雪覆盖像元，删除积雪覆盖像元的MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度数据。
在一个示例性的实施例中，所述权重计算模块包括：
权重计算单元，用于按照下列方式，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重：
Figure GDA0002737714890000121
其中，SNRVIRR,TS和SNRMWRI,TS分别为不同土地覆盖类型的时间或空间序列热红外和高空间分辨率的被动微波遥感地表温度数据的信噪比，TS表示时间或空间序列地表温度数据。
在一个示例性的实施例中，所述信噪比计算模块3根据所述误差方差和对应的真值方差，按照以下方式计算得到不同土地覆盖类型热红外地表温度和高空间分辨率的被动微波遥感地表温度的信噪比：
Figure GDA0002737714890000122
Figure GDA0002737714890000123
其中，SNRVIRR,TS为热红外地表温度的信噪比，SNRMWRI,TS为高空间分辨率的被动微波遥感地表温度的信噪比；所述不同土地覆盖类型热红外地表温度误差方差
Figure GDA0002737714890000124
和对应的真值方差
Figure GDA0002737714890000125
所述高空间分辨率的被动微波遥感地表温度的误差方差
Figure GDA0002737714890000126
和对应的真值方差
Figure GDA0002737714890000127
在一个示例性的实施例中，所述地表温度获取模块6按照下列方式，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到该土地覆盖类型的高空间分辨率地表温度：
LSTfusion＝ωVIRRLSTVIRR+ωMWRILSTMWRI。
其中，LSTfusion为热红外地表温度和高空间分辨率的被动微波遥感地表温度的地表温度的融合结果；LSTVIRR和LSTMWRI分别为热红外地表温度和高空间分辨率的被动微波遥感地表温度；ωVIRR和ωMWRI分别为热红外地表温度和高空间分辨率的被动微波遥感地表温度的时空权重。该时空权重由不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重进行乘积运算得到。
相对于现有技术，本发明通过融合多源遥感数据，借助地统计学理论与TripleCollocation方法，将空间降尺度方法与多源遥感数据融合方法相结合，在被动微波遥感地表温度降尺度模型中考虑地表温度的空间自相关性和保质性，构建热红外和降尺度被动微波遥感地表温度产品的融合模型，充分考虑不同土地覆盖类型的热红外和降尺度被动微波遥感地表温度产品的误差分布特征，生成无云和有云情况下的时间序列高分辨率的FY-3C遥感地表温度数据集。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (8)

1.一种地表温度降尺度方法，其特征在于，包括以下步骤：
获取研究区内的MODIS时间序列数据、热红外地表温度数据、高空间分辨率的被动微波遥感地表温度和土地利用分类数据；
根据所述土地利用分类数据对所述MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度进行分类，获取所述MODIS时间序列数据、热红外地表温度和被动微波遥感地表温度在不同土地覆盖类型下的地表温度数据集；
针对研究区内无云层和积雪覆盖的像元，基于所述地表温度数据集，利用三重组合方法计算不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的误差方差和对应的真值方差，根据所述误差方差和对应的真值方差计算得到不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的信噪比；
根据所述信噪比，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重；
对所述时间和空间权重进行乘积运算，得到不同土地覆盖类型的热红外和降尺度被动微波遥感地表温度的时空权重；
将所述时空权重作为权重数据，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到每个土地覆盖类型的高空间分辨率地表温度；
所述获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重的步骤具体包括：
按照下列方式，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重：
Figure FDA0002737714880000011
其中，SNRVIRR,TS和SNRMWRI,TS分别为不同土地覆盖类型的时间或空间序列热红外和高空间分辨率的被动微波遥感地表温度数据的信噪比，TS表示时间或空间序列地表温度数据。
2.根据权利要求1所述的地表温度降尺度方法，其特征在于，获取高空间分辨率的被动微波遥感地表温度的步骤包括：
获取低空间分辨率的被动微波遥感地表温度数据；
利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度。
3.根据权利要求2所述的地表温度降尺度方法，其特征在于，所述被动微波遥感地表温度数据为FY-3C被动微波遥感地表温度数据，所述低空间分辨率为25千米，所述高空间分辨率为1千米，所述利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度的步骤包括：
按照以下方式，将所述被动微波遥感地表温度进行降尺度，得到分辨率为1千米的被动微波遥感地表温度：
Figure FDA0002737714880000021
其中，x为1千米分辨率的待插值网格点，vi为25千米分辨率的网格，z(vi)为25千米分辨率网格的被动微波遥感地表温度，λx为权重，
Figure FDA0002737714880000022
为1千米分辨率的被动微波遥感地表温度；所述权重λx根据以下方式计算得到：
Figure FDA0002737714880000023
其中，K为25千米分辨率的网格数目，μx为拉格朗日乘子，
Figure FDA0002737714880000024
表示25千米分辨率网格vi与25千米分辨率网格vj的协方差函数，
Figure FDA0002737714880000025
表示25千米分辨率网格vi与1千米分辨率网格x的协方差函数。
4.根据权利要求1所述的地表温度降尺度方法，其特征在于，还包括以下步骤：
针对研究区内的云覆盖像元，采用高空间分辨率的被动微波遥感地表温度作为地表温度；
针对研究区内的积雪覆盖像元，删除积雪覆盖像元的MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度数据。
5.一种地表温度降尺度***，其特征在于，包括：
数据获取模块，用于获取研究区内的MODIS时间序列数据、热红外地表温度数据、高空间分辨率的被动微波遥感地表温度和土地利用分类数据；
分类模块，用于根据所述土地利用分类数据对所述MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度进行分类，获取所述MODIS时间序列数据、热红外地表温度和被动微波遥感地表温度在不同土地覆盖类型下的地表温度数据集；
信噪比计算模块，用于针对研究区内无云层和积雪覆盖的像元，基于所述地表温度数据集，利用三重组合方法计算不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的误差方差和对应的真值方差，根据所述误差方差和对应的真值方差计算得到不同土地覆盖类型下热红外地表温度和被动微波遥感地表温度的信噪比；
权重计算模块，用于根据所述信噪比，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重；
时空权重计算模块，用于对所述时间和空间权重进行乘积运算，得到不同土地覆盖类型的热红外和降尺度被动微波遥感地表温度的时空权重；
地表温度获取模块，用于将所述时空权重作为权重数据，对不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度进行加权计算，得到每个土地覆盖类型的高空间分辨率地表温度；
所述权重计算模块包括：
权重计算单元，用于按照下列方式，获取不同土地覆盖类型的时间和空间序列热红外和降尺度被动微波遥感地表温度的时间和空间权重：
Figure FDA0002737714880000031
其中，SNRVIRR,TS和SNRMWRI,TS分别为不同土地覆盖类型的时间或空间序列热红外和高空间分辨率的被动微波遥感地表温度数据的信噪比，TS表示时间或空间序列地表温度数据。
6.根据权利要求5所述地表温度降尺度***，其特征在于，所述数据获取模块包括：
数据获取单元，用于获取低空间分辨率的被动微波遥感地表温度数据；
降尺度单元，用于利用面到点克里金插值方法将所述低空间分辨率的被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度。
7.根据权利要求6所述地表温度降尺度***，其特征在于，所述被动微波遥感地表温度数据为FY-3C被动微波遥感地表温度数据，所述低空间分辨率为25千米，所述高空间分辨率为1千米，所述降尺度单元按照以下方式，将所述被动微波遥感地表温度进行降尺度，得到高空间分辨率的被动微波遥感地表温度：
Figure FDA0002737714880000032
其中，x为1千米分辨率的待插值网格点，vi为25千米分辨率的网格，z(vi)为25千米分辨率网格的被动微波遥感地表温度，λx为权重，
Figure FDA0002737714880000041
为1千米分辨率的被动微波遥感地表温度；所述权重λx根据以下方式计算得到：
Figure FDA0002737714880000042
其中，K为25千米分辨率的网格数目，μx为拉格朗日乘子，
Figure FDA0002737714880000043
表示25千米分辨率网格vi与25千米分辨率网格vj的协方差函数，
Figure FDA0002737714880000044
表示25千米分辨率网格vi与1千米分辨率网格x的协方差函数。
8.根据权利要求5所述地表温度降尺度***，其特征在于：所述地表温度降尺度***还包括：
云像元处理模块，用于针对研究区内的云覆盖像元，采用高空间分辨率的被动微波遥感地表温度作为地表温度；
积雪像元处理模块，用于针对研究区内的积雪覆盖像元，删除积雪覆盖像元的MODIS时间序列数据、热红外地表温度数据和被动微波遥感地表温度数据。
CN201911198692.4A 2019-11-29 2019-11-29 一种地表温度降尺度方法及*** Active CN111191673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911198692.4A CN111191673B (zh) 2019-11-29 2019-11-29 一种地表温度降尺度方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911198692.4A CN111191673B (zh) 2019-11-29 2019-11-29 一种地表温度降尺度方法及***

Publications (2)

Publication Number Publication Date
CN111191673A CN111191673A (zh) 2020-05-22
CN111191673B true CN111191673B (zh) 2020-12-08

Family

ID=70710750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911198692.4A Active CN111191673B (zh) 2019-11-29 2019-11-29 一种地表温度降尺度方法及***

Country Status (1)

Country Link
CN (1) CN111191673B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111947707A (zh) * 2020-07-03 2020-11-17 中国气象局兰州干旱气象研究所 干旱半干旱区地表水分循环全分量监测与识别方法
CN112016052B (zh) * 2020-08-20 2021-07-09 广东省气象探测数据中心 基于多源数据的近地表日最高气温估算方法、***及终端
CN112989286B (zh) * 2021-03-22 2021-09-07 自然资源部国土卫星遥感应用中心 一种时空信息融合的微波遥感土壤水分产品降尺度方法
CN113887780B (zh) * 2021-08-26 2023-11-24 国家卫星气象中心(国家空间天气监测预警中心) 一种卫星遥感地表温度的估计方法、装置及设备
CN115511887B (zh) * 2022-11-22 2023-04-07 北京慧天卓特科技有限公司 一种基于人工智能融合的干旱指数预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268735A (zh) * 2018-01-29 2018-07-10 浙江大学 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN109100717A (zh) * 2018-06-11 2018-12-28 广州地理研究所 一种多源微波遥感海面风场数据融合方法及其装置
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN109885959A (zh) * 2019-03-05 2019-06-14 中国科学院地理科学与资源研究所 一种地表温度鲁棒降尺度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9875430B1 (en) * 2016-03-30 2018-01-23 Descartes Labs, Inc. Iterative relabeling using spectral neighborhoods

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268735A (zh) * 2018-01-29 2018-07-10 浙江大学 基于多源遥感卫星融合数据的地表土壤水分降尺度方法
CN109100717A (zh) * 2018-06-11 2018-12-28 广州地理研究所 一种多源微波遥感海面风场数据融合方法及其装置
CN109635309A (zh) * 2018-10-17 2019-04-16 广州地理研究所 一种地表温度空间降尺度方法
CN109885959A (zh) * 2019-03-05 2019-06-14 中国科学院地理科学与资源研究所 一种地表温度鲁棒降尺度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"全球长时序9km土壤水分遥感估算研究";姜红涛;《中国博士学位论文全文数据库 农业科技辑》;20190615(第06期);第6，41，97页 *
"土壤水分产品降尺度及验证研究-基于主被动遥感卫星在肯尼亚地区的应用";刘静;《道客巴巴》;20191117;第13-14，18,23，33，40-41，54页 *

Also Published As

Publication number Publication date
CN111191673A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111191673B (zh) 一种地表温度降尺度方法及***
Ge et al. Modeling alpine grassland cover based on MODIS data and support vector machine regression in the headwater region of the Huanghe River, China
Veh et al. Detecting Himalayan glacial lake outburst floods from Landsat time series
Zhang et al. Estimating daily air temperatures over the Tibetan Plateau by dynamically integrating MODIS LST data
Hengl et al. Spatio-temporal prediction of daily temperatures using time-series of MODIS LST images
Kilibarda et al. Spatio‐temporal interpolation of daily temperatures for global land areas at 1 km resolution
Cordoba et al. Diagnosing atmospheric motion vector observation errors for an operational high‐resolution data assimilation system
Loew et al. A dynamic approach for evaluating coarse scale satellite soil moisture products
Berberoglu et al. Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean
Zhang et al. Lake-area mapping in the Tibetan Plateau: an evaluation of data and methods
Zhao et al. High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region
CN109472393B (zh) 空间降尺度降水数据检测方法、装置及电子设备
Zhang et al. Detecting horizontal and vertical urban growth from medium resolution imagery and its relationships with major socioeconomic factors
Mohammadi et al. Possibility investigation of tree diversity mapping using Landsat ETM+ data in the Hyrcanian forests of Iran
Song et al. An improved surface soil moisture downscaling approach over cloudy areas based on geographically weighted regression
Dong Automated measurement of sand dune migration using multi-temporal lidar data and GIS
Yoo et al. Spatial downscaling of MODIS land surface temperature: Recent research trends, challenges, and future directions
CN111982822B (zh) 一种长时间序列高精度植被指数改进算法
You et al. A prototype precipitation retrieval algorithm over land using passive microwave observations stratified by surface condition and precipitation vertical structure
Zheng et al. Canopy and terrain interactions affecting snowpack spatial patterns in the Sierra Nevada of California
Liu et al. Estimation of surface and near-surface air temperatures in arid northwest china using landsat satellite images
Marconcini et al. A novel method for building height estmation using TanDEM-X data
Fan et al. A comparative study of four merging approaches for regional precipitation estimation
Mashi Monitoring Al-Hammar Marsh topography and climatic applied satellied MODIS Imagery
Sadek et al. Low‐Cost Solutions for Assessment of Flash Flood Impacts Using Sentinel‐1/2 Data Fusion and Hydrologic/Hydraulic Modeling: Wadi El‐Natrun Region, Egypt

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Patentee after: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

Address before: 510075 one of the compound No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY

Patentee before: Guangdong Provincial Laboratory of marine science and engineering of South China (Guangzhou)

CP01 Change in the name or title of a patent holder