CN115511887B - 一种基于人工智能融合的干旱指数预测方法及装置 - Google Patents
一种基于人工智能融合的干旱指数预测方法及装置 Download PDFInfo
- Publication number
- CN115511887B CN115511887B CN202211464979.9A CN202211464979A CN115511887B CN 115511887 B CN115511887 B CN 115511887B CN 202211464979 A CN202211464979 A CN 202211464979A CN 115511887 B CN115511887 B CN 115511887B
- Authority
- CN
- China
- Prior art keywords
- quasi
- pixel
- image
- target area
- thermal infrared
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 47
- 238000003066 decision tree Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 description 114
- 238000004458 analytical method Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人工智能融合的干旱指数预测方法及装置,该方法一具体实施方式包括:首先,获取待测目标区域在日观测时间对应的地表热红外图像;其次,针对待测目标区域任一像元:从地表热红外图像中获取像元对应的地表热红外观测值;对地表热红外观测值进行云干扰检测;基于检测结果确定像元对应的准地表温度;之后,基于每个像元对应的准地表温度,确定待测目标区域对应的准地表温度图像;最后,对准地表温度图像进行预测处理,生成待测目标区域在日观测时间对应的干旱指数图像。由此,对待测目标区域干旱指数进行全天候预测,提高了待测目标区域对应的干旱指数图像预测的空间覆盖度和准确性。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于人工智能融合的干旱指数预测方法及装置。
背景技术
利用静止轨道卫星搭载的遥感热红外传感器采集目标区域的地表热红外图像;采集到的地表热红外图像不仅具有高时间分辨率和高空间分辨率;而且地表热红外图像中热红外波段相比较可见波段,能提前7-14天探测到目标区域植被因缺水而减少蒸腾的信号。但是地表热红外图像的热红外波段受云干扰比较严重,仅限于无云条件下的干旱指数反演。
由于微波波段较长且能穿透云层获取地表信息,因此采用极轨卫星搭载的遥感微波传感器采集目标区域的地表微波图像,该地表微波图像是填补地表热红外图像中云干扰情况的最优选择。然而,遥感微波传感器也有缺陷,例如:首先,微波信号的强度较低导致微波传感器的空间分辨率比热红外传感器低;其次,搭载在极轨卫星上的微波传感器每天仅有两次过境观测,相比较5分钟至1小时就能成像一次的静止轨道热红外传感器,微波传感器的时间分辨率较差。陆面模式分析***也能够模拟目标区域的陆面模式估测图像;首先,该陆面模式分析***具有高时间分辨率,与热红外波段匹配度高;其次,该陆面模式分析***为全天候覆盖,具有晴空观测和有云观测的样本。然而,该陆面模式分析***也有其缺陷,例如:由于陆面模式分析***要受限于模型驱动参数,因此大尺度的陆面模式模拟的空间分辨率通常低于遥感产品。由此可知,基于单一波段和物理模型的图像观测***或分析***各有利弊。
为此,急需要提供一种具有高分辨率、高精度且全天覆盖的的干旱指数预测方法,以克服现有技术的缺陷。
发明内容
本发明提供基于人工智能融合的干旱指数预测方法及装置;该方法能够对待测目标区域实现全天候干旱指数的监测,提高了待测目标区域干旱指数预测的准确性。
为实现上述目的,根据本申请实施例第一方面提供一种基于人工智能融合的干旱指数预测方法,所述方法包括:一种基于人工智能融合的干旱指数预测方法,其特征在于,包括:获取待测目标区域在日观测时间对应的地表热红外图像;针对所述待测目标区域任一像元:从所述地表热红外图像中获取所述像元对应的地表热红外观测值;对所述地表热红外观测值进行云干扰检测;若检测结果表征所述地表热红外观测值为无云干扰,则将所述地表热红外观测值作为准地表温度;若检测结果表征所述地表热红外观测值为有云干扰,则分别获取所述像元在日观测时间对应的地表微波观测值和陆面模式估测值;对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度;基于每个所述像元对应的准地表温度,确定所述待测目标区域对应的准地表温度图像;对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像。
可选的,所述对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度,包括:获取目标区域在日观测时间对应的准地表微波图像、准陆面模式估测图像,以及无云干扰的准地表热红外图像;针对所述目标区域任一像元:从所述准地表微波图像、准陆面模式估测图像,以及所述准地表热红外图像中分别获取所述像元对应的准地表微波观测值、准陆面模式估测值以及准地表热红外观测值;将所述准地表微波观测值和所述准陆面模式估测值共同作为第一训练样本,并将所述准陆面模式估测值和所述准地表热红外观测值共同作为第二训练样本;基于决策树算法,对第一训练样本数据和第二训练样本数据进行模型训练,得到双决策树模型;利用所述双决策树模型对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度。
可选的,所述获取目标区域在日观测时间对应的无云干扰的准地表热红外图像,包括:获取目标区域在日观测时间对应的地表热红外图像以及云图像; 针对目标区域的任一像元:分别从所述地表热红外图像和所述云图像中获取所述像元对应的地表热红外观测值和云模板观测值;若所述像元对应云模板观测值满足第一预设条件,则将所述像元对应的地表热红外观测值作为有效值;若所述像元对应的云模板观测值满足第二预设条件,则将所述像元对应的地表热红外观测值作为无效值;基于所述目标区域中每个所述像元对应的地表热红外观测值,得到所述目标区域对应的无云干扰的准地表热红外图像。
可选的,所述获取目标区域在日观测时间对应的准地表微波图像,包括:获取目标区域在日观测时间对应的地表微波图像;基于预设空间分辨率对应的地表叶面积指数,对所述地表微波图像进行降尺度处理,得到准地表微波图像。
可选的,所述获取目标区域在日观测时间对应的准陆面模式估测图像,包括:获取目标区域在日观测时间对应的陆面模式估测图像;基于预设空间分辨率对应的地表叶面积指数,对所述陆面模式估测图像进行降尺度处理,得到准陆面模式估测图像。
可选的,所述获取目标区域在日观测时间对应的地表热红外图像,包括:基于静止轨道卫星的平台高度、平台姿态参数以及对应的星下点经纬度,确定静止轨道卫星所对应圆盘的像元经纬度;将所述圆盘的所有像元经纬度与所述静止轨道卫星所对应圆盘的图像行列号建立映射关系;获取所述静止轨道卫星在所述日观测时间采集目标区域的圆盘图像;针对所述目标区域中任一像元:确定所述像元对应的目标经纬度;基于所述映射关系,从所述圆盘图像中选取与所述目标经纬度距离最近的像元所对应的采样值作为所述像元的地表热红外观测值;基于所述目标区域每个所述像元对应的地表热红外观测值,获取静止轨道卫星在所述日观测时间针对目标区域采集的地表热红外图像。
可选的,所述对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像,包括:从所述准地表温度图像中获取所述待测目标区域中每个像元对应的准地表温度;针对所述目标区域的任一像元:对所述像元对应的准地表温度进行预测处理,生成所述像元对应的日实际蒸散量;基于所述像元在所述观测时间对应的土壤净辐射能量和植被净辐射能量,确定所述像元对应的日潜在蒸散量;基于所述日潜在蒸散量和所述日实际蒸散量,确定所述像元对应的日干旱指数;基于待测目标区域每个所述像元对应的日干旱指数,确定待测目标区域在所述日观测时间对应的日干旱指数图像。
为实现上述目的,根据本申请实施例第二方面还提供一种基于人工智能融合的干旱指数预测装置,所述装置包括:获取模块,用于获取待测目标区域在日观测时间对应的地表热红外图像;第一确定模块,用于针对所述待测目标区域任一像元:从所述地表热红外图像中获取所述像元对应的地表热红外观测值;对所述地表热红外观测值进行云干扰检测;若检测结果表征所述地表热红外观测值为无云干扰,则将所述地表热红外观测值作为准地表温度;若检测结果表征所述地表热红外观测值为有云干扰,则分别获取所述像元在日观测时间对应的地表微波观测值和陆面模式估测值;对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度;第二确定模块,用于基于每个所述像元对应的准地表温度,确定所述待测目标区域对应的准地表温度图像;预测模块,用于对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像。
为实现上述目的,根据本申请实施利第三方面还提供一种电子设备,该电子设备包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如第一方面所述的方法。
为实现上述目的,根据本申请实施例第四方面还提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如第一方面所述的方法。
与现有技术相比,本发明实施例提供一种基于人工智能融合的干旱指数预测方法及装置,所述方法包括:首先,获取待测目标区域在日观测时间对应的地表热红外图像;其次,针对所述待测目标区域任一像元:从所述地表热红外图像中获取所述像元对应的地表热红外观测值;对所述地表热红外观测值进行云干扰检测;若检测结果表征所述地表热红外观测值为无云干扰,则将所述地表热红外观测值作为准地表温度;若检测结果表征所述地表热红外观测值为有云干扰,则分别获取所述像元在日观测时间对应的地表微波观测值和陆面模式估测值;对所述地表微波观测值和所述陆面模式估进行预测处理,得到所述像元对应的准地表温度;之后,基于每个所述像元对应的准地表温度,确定所述待测目标区域对应的准地表温度图像;最后,对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像。由此,本实施例结合地表热红外观测值、地表微波观测值以及陆面模式估测值的各自优势,利用人工智能融合算法,对待测目标区域的干旱指数进行全天候预测,提高了待测目标区域对应的干旱指数图像预测的空间覆盖度和准确性。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1为本发明一实施例提供的基于人工智能融合的干旱指数预测方法的流程示意图;
图2为本发明一实施例中基于模型确定像元对应的准地表温度的流程示意图;
图3为本发明一实施例中生成待测目标区域对应的日干旱指数图像的流程示意图;
图4为本发明一实施例中地表热红外图像和准地表热红外图像的示意图;其中,图4a表示地表热红外图像,图4b表示准地表热红外图像;
图5为本发明一实施例中不同数据源优缺点对比分析的示意图;
图6为本发明一实施例提供的基于人工智能融合的干旱指数预测装置的结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明一实施例提供的基于人工智能融合的干旱指数预测方法的流程示意图。
一种基于人工智能融合的干旱指数预测方法,所述方法至少包括如下步骤:
S101,获取待测目标区域在日观测时间对应的地表热红外图像;
S102,针对待测目标区域任一像元:从地表热红外图像中获取像元对应的地表热红外观测值;对地表热红外观测值进行云干扰检测;若检测结果表征地表热红外观测值为无云干扰,则将地表热红外观测值作为准地表温度;若检测结果表征地表热红外观测值为有云干扰,则分别获取像元对应的地表微波观测值和陆面模式估测值;对地表微波观测值和陆面模式估测值进行预测处理,得到像元对应的准地表温度;
S103,基于每个像元对应的准地表温度,确定待测目标区域对应的准地表温度图像;
S104,对准地表温度图像进行预测处理,生成待测目标区域在日观测时间对应的干旱指数图像。
在S101中,从静止轨道卫星搭载的热红外传感器上获取待测目标区域对应的地表热红外图像。
在S102和S103中,待测目标区域包括若干个像元。
针对任一像元:从地表热红外图像中获取该像元对应的地表热红外观测值;检测地表热红外观测值是否大于预设阈值;若否,则确定该地表热红外观测值为无云干扰,并将无云干扰的地表热红外观测值作为准地表温度;若是,则确定该地表热红外观测值为有云干扰;之后,从极轨卫星搭载的微波传感器上获取待测目标区域在日观测时间对应的地表微波图像;从陆面模式分析***获取待测目标区域在日观测时间对应的陆面模式估测图像;从地表地表微波图像中提取该像元对应的地表微波观测值;从陆面模式估测图像中提取该像元对应的陆面模式估测值;将地表微波观测值和陆面模式估测值输入双决策树模型,进行预测处理,输出该像元对应的准地表温度;由于每个像元具有对应的准地表温度,因此能够获取目标区域对应的准地表温度图像。
在S104中,将准地表温度图像输入地表-大气能量交换模型,进行预测处理,输出待测目标区域在日观测时间对应的日干旱指数图像。
本实施例结合地表热红外观测值、地表微波观测值以及陆面模式估测值的各自优势,基于人工智能融合算法,预测待测目标区域对应的日干旱指数图像,提高了待测目标区域所对应的日干旱指数图像预测的空间覆盖度和准确度,解决了现有技术中由于采用单一波段的物理模型或者分析***预测待测目标区域干旱指数导致预测有效范围小和准确度低的问题。
如图5所示,为本发明一实施例中不同数据源分析结果的示意图。
采用遥感热红外传感器采集待测目标区域对应的地表热红外图像,采用遥感微波传感器采集待测目标区域对应的地表微波图像;采用陆面模式分析***采集待测目标区域对应的陆面模式估测图像;采用本实施利方法采集待测目标区域对应的准地表温度图像。
根据图5可知,地表热红外图像的特点是:高图像精度、高时间分辨率、高空间分辨率、无云干扰像元。地表微波图像的特点是:低图像精度、低时间分辨率、中等空间分辨率、有云干扰像元。陆面模式估测图像的特点是:中等图像精度、高时间分辨率、低空间分辨率、有云干扰像元。准地表温度图像的特点是:高图像精度、高时间分辨率、高空间分辨率、有云干扰像元。
由此,相比较单一波段和物理模型获取的待测目标区域的地表温度图像,本实施利将多个波段对应的地表温度图像相结合,不仅提高了待测目标区域对应准地表温度图像的精度、时间分辨率,以及空间分辨率,而且能够对待测目标区域有云干扰像元进行准确观测,提高了待测目标区域观测的空间覆盖度和准确性,进而提高了待测目标区域日干旱指数图像预测的准确性。
如图2所示,为本发明一实施例中基于模型确定像元对应的准地表温度的流程示意图。
S201,获取目标区域在日观测时间对应的准地表微波图像、准陆面模式估测图像,以及无云干扰的准地表热红外图像;
S202,针对目标区域任一像元:从准地表微波图像、准陆面模式估测图像,以及准地表热红外图像中分别获取像元对应的准地表微波观测值、准陆面模式估测值以及准地表热红外观测值;将准地表微波观测值和准陆面模式估测值共同作为第一训练样本,并将准陆面模式估测值和准地表热红外观测值共同作为第二训练样本;
S203,基于决策树算法,对第一训练样本数据和第二训练样本数据进行模型训练,得到双决策树模型;
S204,利用双决策树模型对地表微波观测值和陆面模式估测值进行预测处理,得到像元对应的准地表温度。
在这里,准地表微波图像、准陆面模式估测图像以及无云干扰的准地表热红外图像均是空间分辨率为2km的图像。
第一训练样本数据是由若干个第一训练样本形成的数据集;第二训练样本数据是由若干个第二训练样本形成的数据集。例如:由于目标区域包括若干个像元,而每个像元具有对应的第一训练样本和第二训练样本;因此目标区域具有多个第一训练样本和多个第二训练样本。当同一日具有两个日观测时间时,第一训练样本和第二训练样本的数量会在上述基础上增加一倍。
针对第一训练样本数据和第二训练样本数据,利用决策树算法进行模型训练,得到双决策树模型。当待测目标区域的像元对应的地表热红外观测值为有云干扰的情况时,此时采用像元对应的地表热红外观测值进行干旱指数估计就会存在误差;为此,采用双决策树模型对像元对应的地表微波观测值和陆面模式估测值进行预测处理,输出像元对应的准地表温度。由此,基于地表微波观测值和陆面模式估测值确定像元对应的准地表温度,减少了云干扰对像元观测值的影响,提高了像元对应准地表温度获取的准确性。
需要说明的是,在对双决策树模型进行训练时,训练样本数据集中不仅包括无云干扰像元,还包括有云干扰像元。
另外,本实施利以陆面模式估测值为桥梁,建立地表热红外观测值与地表微波观测值的双决策树模型,从而对待测目标区域实现了全天候观测,并且观测结果具有高空间分辨率,高时间分辨率以及高精度,进而提高了待测目标区域对应干旱指数图像预测的准确性。
图4为本发明一实施例中地表热红外图像和准地表热红外图像的示意图;其中,图4a表示地表热红外图像,图4b表示准地表热红外图像。
在本实施例另一优选的实施方式中,获取目标区域在日观测时间对应的无云干扰的准地表热红外图像,至少包括如下步骤:
S1,获取目标区域在日观测时间对应的地表热红外图像以及云图像;
S2,针对目标区域的任一像元:分别从地表热红外图像和云图像中获取像元对应的地表热红外观测值和云模板观测值;
S3,若像元对应云模板观测值满足第一预设条件,则将像元对应的地表热红外观测值作为有效值;若像元对应的云模板观测值满足第二预设条件,则将像元对应的地表热红外观测值作为无效值;
S4,基于目标区域中每个像元对应的地表热红外观测值,得到目标区域对应的无云干扰的准地表热红外图像。
在S1中,示例性的,基于静止轨道卫星的平台高度、平台姿态参数以及对应的星下点经纬度,确定静止轨道卫星所对应圆盘的像元经纬度;将所述圆盘的所有像元经纬度与所述静止轨道卫星所对应圆盘的图像行列号建立映射关系;获取静止轨道卫星在日观测时间采集目标区域的圆盘图像;针对目标区域中任一像元:确定像元对应的目标经纬度;基于映射关系,从圆盘图像中选取与目标经纬度距离最近的像元所对应的采样值作为像元的地表热红外观测值;基于目标区域每个像元对应的地表热红外观测值,获取静止轨道卫星在日观测时间针对目标区域采集的地表热红外图像。
例如:以FY-4A为例进行说明,基于静止轨道圆盘经纬度几何定位算法,根据FY-4A卫星平台的高度、卫星平台姿态参数和对应的星下点经纬度,计算FY-4A圆盘的像元经纬度,建立圆盘的像元经纬度和圆盘的图像行列号的映射关系,生成经纬度查找表。
根据目标区域范围和空间分辨率(res),利用FY-4A上的传感器进行重采样,得到圆盘图像;之后逐个遍历目标区域每个像元,第(i,j)像元对应的目标经纬度计算公式如式(1)所示:
式(1);
其中,表示目标区域的起始经度,表示目标区域的起始纬度;表示目标区域的终止经度,表示目标区域的终止纬度;表示目标区域的空间分辨率。
将目标区域第(i,j)像元的目标经纬度与圆盘的经纬度查找表对比,从圆盘图像中选取与目标经纬度距离最近的像元所对应的采样值作为该像元的地表红外观测值。
由于目标区域对应有多个像元,基于每个像元对应的地表红外观测值,能够确定FY-4A在日观测时间针对目标区域采集的地表热红外图像。
由此,通过建立第一静止轨道卫星所对应圆盘的经纬度查找表,并在采集圆盘图像后根据经纬度查找表确定目标区域的地表红外图像,从而提高了目标区域对应的地表热红外图像获取的准确性。
获取静止轨道卫星在日观测时间采集目标区域的圆盘云覆盖图像;针对目标区域中任一像元:确定像元对应的目标经纬度;基于映射关系,从圆盘云覆盖图像中选取与目标经纬度距离最近的像元所对应的采样值作为像元的地表热红外云观测值;基于目标区域每个像元对应的地表热红外云观测值,获取静止轨道卫星在日观测时间针对目标区域采集的云图像。
在S2至S4中,由于目标区域有若干像元;针对任一像元:若像元对应的云模板观测值不大于1(例如:云模板观测值为0或者云模板观测值为1),则将该像元对应的地表热红外观测值为有效值;若像元对应的云模板观测值大于1(例如:云模板观测值为2或者云模板观测值为3),则将该像元对应的地表热红外观测值作为无效值。由此,能够从目标区域对应的地表热红外观测值中有效去除云干扰,从而能够准确获取目标区域对应的无云干扰的准地表热红外图像。
在本实施例又一优选的实施方式中,获取目标区域在日观测时间对应的准地表微波图像,至少包括如下步骤:
S1,获取目标区域在日观测时间对应的地表微波图像;
S2,基于预设空间分辨率对应的地表叶面积指数,对地表微波图像进行降尺度处理,得到准地表微波图像。
具体地,从搭载在极轨卫星上的微波传感器获取目标区域对应的地表微波图像;获取目标区域的所有像元,针对任一像元:对像元对应的地表微波观测值进行降尺度处理,得到准地表微波观测值;基于目标区域每个像元对应的准地表微波观测值,确定目标区域对应的准地表微波图像。
例如:按照如下公式(2)对像元对应的地表微波观测值进行降尺度处理:
式(2);
其中,
WM C 表示在空间分辨率为9km条件下像元所对应的地表微波观测值;
WM H 表示在预设空间分辨率为2km条件下像元所对应的准地表微波观测值,
LAI表示空间分辨率为2km所对应的地表叶面积指数;表示像元权重,用于指示基于地表叶面积指数的权重;i表示在空间分辨率为9km条件下所对应的像元编号。
需要说明的是,在本实施例中,降尺度处理过程所用到的算法是采用中分辨率成像光谱仪MODIS(moderate-resolution imaging spectroradiometer)的LAI产品实现的。
由此,本实施例通过对地表微波图像进行降尺度处理,能够使降尺度处理后的准地表微波图像与准地表热红外图像具有相同的空间分辨率,从而能够确保模型输入数据的一致性,提高了双决策树模型训练的准确性。
在本实施例又一优选的实施方式中,所述获取目标区域在日观测时间对应的准陆面模式估测图像,包括:
S1,获取目标区域在日观测时间对应的陆面模式估测图像;
S2,基于预设空间分辨率对应的地表叶面积指数,对陆面模式估测图像进行降尺度处理,得到准陆面模式估测图像。
预设空间分辨率用于指示空间分辨率为2km的预设值。
例如,气候预报再分析***(Climate Forecast System Reanalysis ,缩写CFSR)具有全球覆盖、25km的空间分辨率,以及3h的时间分辨率等特点。采用CFSR作为陆面模式分析***采集目标区域对应的陆面模式估测图像;之后获取目标区域的所有像元,针对任一像元:对像元对应的陆面模式估测值进行降尺度处理,得到准陆面模式估测值;基于目标区域每个像元对应的准陆面模式估测值,确定目标区域对应的准陆面模式估测图像。
在这里,对陆面模式估测值进行降尺度处理的方法与对地表微波观测值进行降尺度处理的方法相类似,在这里,不做重复赘述。
由此,本实施例通过对陆面模式估测图像进行降维处理,从而使得降维后的准陆面模式估测图像与准地表热红外图像在空间分辨率上保持一致,提高了双决策树模型训练的准确性。
图3为本发明一实施例中生成待测目标区域对应的日干旱指数图像的流程示意图。
在本实施例优选的再一实施方式中,生成待测目标区域对应的日干旱指数图像,至少包括如下步骤:
S301,从准地表温度图像中获取待测目标区域中每个像元对应的准地表温度;
S302,针对目标区域的任一像元:对像元对应的准地表温度进行预测处理,生成像元对应的日实际蒸散量;基于像元在观测时间对应的土壤净辐射能量和植被净辐射能量,确定像元对应的日潜在蒸散量;基于日潜在蒸散量和日实际蒸散量,确定像元对应的日干旱指数;
S303,基于待测目标区域每个像元对应的日干旱指数,确定待测目标区域在日观测时间对应的日干旱指数图像。
具体地,将像元对应的准地表温度输入地表-大气能量交换模型,进行预测处理,输出像元对应的日实际蒸散量;之后,基于像元在日观测时间对应的土壤净辐射能量和植被净辐射能量,确定像元对应的日潜在蒸散量。例如:像元在观测时间对应的日潜在蒸散量也被分成土壤和植被两部分,具体由Priestley-Taylor 近似公式求得,如下式(3)至(5)所示:
式(3);
式(4);
式(5);
其中,和分别为植被和土壤的日潜在蒸散量,γ是测量常数0.067kPa/摄氏度,S是饱和蒸气压与温度曲线的差值。τ是冠层传递因子,由植被覆盖率和太阳天顶角决定。是常数1.3,但是的取值由τ决定,如果τ小于等于0.5,则= 1;如果τ大于0.5,则。
最后得到像元对应的日潜在蒸散量为:。
基于日潜在蒸散量和日实际蒸散量,确定该像元对应的日干旱指数,包括:基于日潜在蒸散量和日实际蒸散量确定该像元对应的日蒸散比例;获取目标区域的气象基准;将该像元的日蒸散比例和气象基准做比值,得到该像元对应的日干旱指数。
例如:日蒸散比例通过如下式(6)计算得到:
式(6)。
并行预设观测时间段每日的历史数据,从而获取该像元的气象基准。气象基准为预设观测时间段内fPET的平均值和标准差,具体计算公式如下式(7)和式(8)所示:
式(7);
式(8)。
与气象基准做比较,按如下公式(9)计算日干旱指数:
式(9)。
需要说明的是,地表叶面积指数参数LAI,本发明采用的是中分辨率成像光谱仪MODIS(moderate-resolution imaging spectroradiometer)的LAI产品(产品编号MCD15A2H.006)。气候预报***再分析数据(Climate Forecast System Reanalysis,缩写CFSR),从CFSR分析数据中提取长波/短波的上行辐射和下行辐射,大气的温度廓线,气压廓线和相对湿度廓线,用于边界层能量的计算和PET参数的计算。
由此,通过模型能够准确获取待测目标区域中像元对应的日干旱指数,从而能够有效地获取待测目标区域对应的日干旱指数图像,
在本实施例再一优选的实施方式中,一种基于人工智能融合的干旱指数预测方法,还包括:
S1,针对干旱指数图像中任一所述日干旱指数:判断日干旱指数是否满足预设条件;
S2,若日干旱指数满足第一预设条件,则对日干旱指数所对应的像元标记用于指示有干旱的第一颜色;
S3,若日干旱指数满足第二预设条件,则对日干旱指数所对应的像元标记用于指示无干旱的第二颜色。
例如,干旱指数的范围为-3.5至3.5,(-3.5,0)区间表示该像元对应的区域有干旱,(0,3.5)区间表示该像元对应的区域水分充沛,无干旱发生。
由此,通过干旱指数判断像元对应的区域是否存在干旱,并将判断结果通过不同颜色进行区分,从而使得干旱指数图像的输出更加直观,有利于用户识别,提高了用户的体验性。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在的逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为本发明应用实施例中对待测目标区域进行干旱指数预测的流程示意图。
下面将结合具体应用对本实施例方法进行详细说明,具体过程如下。
步骤一:获取目标区域在日观测时间对应的地表热红外图像以及云图像。针对目标区域的任一像元:从地表热红外图像和云图像中分别获取像元对应的地表热红外观测值和云模板观测值;若像元对应云模板观测值为0或者1时,则将像元对应的地表热红外观测值作为有效值;若像元对应的云模板观测值为2或3时,则将像元对应的地表热红外观测值作为无效值;基于目标区域中每个像元对应的地表热红外观测值,得到目标区域对应的无云干扰的准地表热红外图像。
获取目标区域在日观测时间对应的地表微波图像;其中,地表微波图像对应的空间分辨率为9km;之后,基于2km的空间分辨率所对应的地表叶面积指数,对地表微波图像进行降尺度处理,得到空间分辨率为2km的准地表微波图像。
获取目标区域在日观测时间对应的陆面模式估测图像;其中,陆面模式估测图像对应的空间分辨率为25km;基于2km的空间分辨率所对应的地表叶面积指数,对陆面模式估测图像进行降尺度处理,得到空间分辨率为2km的准陆面模式估测图像。
步骤二:针对目标区域任一像元:从准地表微波图像、准陆面模式估测图像,以及准地表热红外图像中分别获取像元对应的准地表微波观测值、准陆面模式估测值以及准地表热红外观测值;将准地表微波观测值和准陆面模式估测值共同作为第一训练样本,并将准陆面模式估测值和准地表热红外观测值共同作为第二训练样本。基于决策树算法,对第一训练样本数据和第二训练样本数据进行模型训练,得到双决策树模型。
步骤三:获取静止轨道卫星在日观测时间针对待测目标区域采集的地表热红外图像。针对待测目标区域任一像元:从地表热红外图像中获取像元对应的地表热红外观测值;对地表热红外观测值进行云干扰检测;若检测结果表征地表热红外观测值为无云干扰,则将地表热红外观测值作为准地表温度;若检测结果表征地表热红外观测值为有云干扰,则分别获取像元在日观测时间对应的地表微波观测值和陆面模式估测值;将地表微波观测值和陆面模式估测值输入双决策树模型;输出像元对应的准地表温度;基于每个像元对应的准地表温度,确定待测目标区域对应的准地表温度图像。
步骤四:从准地表温度图像中获取待测目标区域中每个像元对应的准地表温度;针对目标区域的任一像元:利用地表-大气能量交换模型对像元对应的准地表温度进行预测处理,生成像元对应的日实际蒸散量;基于像元在日观测时间对应的土壤净辐射能量和植被净辐射能量,确定像元对应的日潜在蒸散量;基于日潜在蒸散量和日实际蒸散量,确定像元对应的日干旱指数;
步骤五:基于待测目标区域每个像元对应的日干旱指数,确定待测目标区域在日观测时间对应的日干旱指数图像。
本实施利基于单一波段和物理模型的干旱产品各有利弊,利用人工智能融合算法,结合遥感热红外,遥感微波和陆面模式数据的各自优势,生成高分辨率、高精度且全天候覆盖的干旱监测与预报产品
另外,本实施例以陆面模式产品作为桥梁建立的热红外和微波产品的人工智能决策树模型,覆盖度全,代表性高,精度更好。融合后的产品具有全天候覆盖,且兼具高空间分辨率,高时间分辨率和高精度的优势。
如图6所示,为本发明一实施例提供的基于人工智能融合的干旱指数预测装置的结构示意图。一种基于人工智能融合的干旱指数预测装置,至少包括:获取模块601,用于获取待测目标区域在日观测时间对应的地表热红外图像;第一确定模块602,用于针对所述待测目标区域任一像元:从所述地表热红外图像中获取所述像元对应的地表热红外观测值;对所述地表热红外观测值进行云干扰检测;若检测结果表征所述地表热红外观测值为无云干扰,则将所述地表热红外观测值作为准地表温度;若检测结果表征所述地表热红外观测值为有云干扰,则分别获取所述像元在日观测时间对应的地表微波观测值和陆面模式估测值;对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度;第二确定模块603,用于基于每个所述像元对应的准地表温度,确定所述待测目标区域对应的准地表温度图像;预测模块604,用于对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像。
在优选的实施方式中,该装置还包括:第二确定模块包括:获取单元,用于获取目标区域在日观测时间对应的准地表微波图像、准陆面模式估测图像,以及无云干扰的准地表热红外图像;样本单元,用于针对所述目标区域任一像元:从所述准地表微波图像、准陆面模式估测图像,以及所述准地表热红外图像中分别获取所述像元对应的准地表微波观测值、准陆面模式估测值以及准地表热红外观测值;将所述准地表微波观测值和所述准陆面模式估测值共同作为第一训练样本,并将所述准陆面模式估测值和所述准地表热红外观测值共同作为第二训练样本;训练单元,用于基于决策树算法,对第一训练样本数据和第二训练样本数据进行模型训练,得到双决策树模型;预测单元,用于利用所述双决策树模型对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度。
在优选的实施方式中,获取单元包括:第一获取子单元,用于获取目标区域在日观测时间对应的地表热红外图像以及云图像; 第二获取子单元,用于针对目标区域的任一像元:分别从所述地表热红外图像和所述云图像中获取所述像元对应的地表热红外观测值和云模板观测值;第一确定子单元,用于若所述像元对应云模板观测值满足第一预设条件,则将所述像元对应的地表热红外观测值作为有效值;若所述像元对应的云模板观测值满足第二预设条件,则将所述像元对应的地表热红外观测值作为无效值;第二确定子单元,用于基于所述目标区域中每个所述像元对应的地表热红外观测值,得到所述目标区域对应的无云干扰的准地表热红外图像。
在优选的实施方式中,获取单元还包括:第三获取子单元,用于获取目标区域在日观测时间对应的地表微波图像;第一预处理单元,用于基于预设空间分辨率对应的地表叶面积指数,对所述地表微波图像进行降尺度处理,得到准地表微波图像。
在优选的实施方式中,获取单元还包括:第四获取子单元,用于获取目标区域在日观测时间对应的陆面模式估测图像;第二预处理单元,用于基于预设空间分辨率对应的地表叶面积指数,对所述陆面模式估测图像进行降尺度处理,得到准陆面模式估测图像。
在优选的实施方式中,第一获取子单元包括:第一确定单元,用于基于静止轨道卫星的平台高度、平台姿态参数以及对应的星下点经纬度,确定静止轨道卫星所对应圆盘的像元经纬度;建立单元,用于将所述圆盘的所有像元经纬度与所述静止轨道卫星所对应圆盘的图像行列号建立映射关系;第一获取单元,用于获取所述静止轨道卫星在所述日观测时间采集目标区域的圆盘图像;第二确定单元,用于针对所述目标区域中任一像元:确定所述像元对应的目标经纬度;基于所述映射关系,从所述圆盘图像中选取与所述目标经纬度距离最近的像元所对应的采样值作为所述像元的地表热红外观测值;第二获取单元,用于基于所述目标区域每个所述像元对应的地表热红外观测值,获取静止轨道卫星在所述日观测时间针对目标区域采集的地表热红外图像。
在优选的实施方式中,预测模块包括:获取单元,用于从所述准地表温度图像中获取所述待测目标区域中每个像元对应的准地表温度;第一确定单元,用于针对所述目标区域的任一像元:对所述像元对应的准地表温度进行预测处理,生成所述像元对应的日实际蒸散量;基于所述像元在所述观测时间对应的土壤净辐射能量和植被净辐射能量,确定所述像元对应的日潜在蒸散量;基于所述日潜在蒸散量和所述日实际蒸散量,确定所述像元对应的日干旱指数;第二确定单元,用于基于待测目标区域每个所述像元对应的日干旱指数,确定待测目标区域在所述日观测时间对应的日干旱指数图像。
上述装置可执行本发明一实施例所提供的基于人工智能融合的干旱指数预测方法,具备执行基于人工智能融合的干旱指数预测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的基于人工智能融合的干旱指数预测方法。
本发明还提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本发明所述的基于人工智能融合的干旱指数预测方法。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请如下各实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于人工智能融合的干旱指数预测方法,其特征在于,包括:
获取待测目标区域在日观测时间对应的地表热红外图像;
针对所述待测目标区域任一像元:从所述地表热红外图像中获取所述像元对应的地表热红外观测值;对所述地表热红外观测值进行云干扰检测;若检测结果表征所述地表热红外观测值为无云干扰,则将所述地表热红外观测值作为准地表温度;若检测结果表征所述地表热红外观测值为有云干扰,则分别获取所述像元在日观测时间对应的地表微波观测值和陆面模式估测值;获取目标区域在日观测时间对应的准地表微波图像、准陆面模式估测图像,以及无云干扰的准地表热红外图像;针对所述目标区域任一像元:从所述准地表微波图像、准陆面模式估测图像,以及所述准地表热红外图像中分别获取所述像元对应的准地表微波观测值、准陆面模式估测值以及准地表热红外观测值;将所述准地表微波观测值和所述准陆面模式估测值共同作为第一训练样本,并将所述准陆面模式估测值和所述准地表热红外观测值共同作为第二训练样本;基于决策树算法,对第一训练样本数据和第二训练样本数据进行模型训练,得到双决策树模型;利用所述双决策树模型对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度;
基于每个所述像元对应的准地表温度,确定所述待测目标区域对应的准地表温度图像;
对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像。
2.根据权利要求1所述的方法,其特征在于,所述获取目标区域在日观测时间对应的无云干扰的准地表热红外图像,包括:
获取目标区域在日观测时间对应的地表热红外图像以及云图像;
针对目标区域的任一像元:分别从所述地表热红外图像和所述云图像中获取所述像元对应的地表热红外观测值和云模板观测值;
若所述像元对应云模板观测值满足第一预设条件,则将所述像元对应的地表热红外观测值作为有效值;若所述像元对应的云模板观测值满足第二预设条件,则将所述像元对应的地表热红外观测值作为无效值;
基于所述目标区域中每个所述像元对应的地表热红外观测值,得到所述目标区域对应的无云干扰的准地表热红外图像。
3.根据权利要求1所述的方法,其特征在于,所述获取目标区域在日观测时间对应的准地表微波图像,包括:
获取目标区域在日观测时间对应的地表微波图像;
基于预设空间分辨率对应的地表叶面积指数,对所述地表微波图像进行降尺度处理,得到准地表微波图像。
4.根据权利要求1所述的方法,其特征在于,所述获取目标区域在日观测时间对应的准陆面模式估测图像,包括:
获取目标区域在日观测时间对应的陆面模式估测图像;
基于预设空间分辨率对应的地表叶面积指数,对所述陆面模式估测图像进行降尺度处理,得到准陆面模式估测图像。
5.根据权利要求2所述的方法,其特征在于,所述获取目标区域在日观测时间对应的地表热红外图像,包括:
基于静止轨道卫星的平台高度、平台姿态参数以及对应的星下点经纬度,确定静止轨道卫星所对应圆盘的像元经纬度;
将所述圆盘的所有像元经纬度与所述静止轨道卫星所对应圆盘的图像行列号建立映射关系;
获取所述静止轨道卫星在所述日观测时间采集目标区域的圆盘图像;
针对所述目标区域中任一像元:确定所述像元对应的目标经纬度;基于所述映射关系,从所述圆盘图像中选取与所述目标经纬度距离最近的像元所对应的采样值作为所述像元的地表热红外观测值;
基于所述目标区域每个所述像元对应的地表热红外观测值,获取静止轨道卫星在所述日观测时间针对目标区域采集的地表热红外图像。
6.根据权利要求1所述的方法,其特征在于,所述对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像,包括:
从所述准地表温度图像中获取所述待测目标区域中每个像元对应的准地表温度;
针对所述目标区域的任一像元:对所述像元对应的准地表温度进行预测处理,生成所述像元对应的日实际蒸散量;基于所述像元在所述观测时间对应的土壤净辐射能量和植被净辐射能量,确定所述像元对应的日潜在蒸散量;基于所述日潜在蒸散量和所述日实际蒸散量,确定所述像元对应的日干旱指数;
基于待测目标区域每个所述像元对应的日干旱指数,确定待测目标区域在所述日观测时间对应的日干旱指数图像。
7.一种基于人工智能融合的干旱指数预测装置,其特征在于,包括:
获取模块,用于获取待测目标区域在日观测时间对应的地表热红外图像;
第一确定模块,用于针对所述待测目标区域任一像元:从所述地表热红外图像中获取所述像元对应的地表热红外观测值;对所述地表热红外观测值进行云干扰检测;若检测结果表征所述地表热红外观测值为无云干扰,则将所述地表热红外观测值作为准地表温度;若检测结果表征所述地表热红外观测值为有云干扰,则分别获取所述像元在日观测时间对应的地表微波观测值和陆面模式估测值;获取目标区域在日观测时间对应的准地表微波图像、准陆面模式估测图像,以及无云干扰的准地表热红外图像;针对所述目标区域任一像元:从所述准地表微波图像、准陆面模式估测图像,以及所述准地表热红外图像中分别获取所述像元对应的准地表微波观测值、准陆面模式估测值以及准地表热红外观测值;将所述准地表微波观测值和所述准陆面模式估测值共同作为第一训练样本,并将所述准陆面模式估测值和所述准地表热红外观测值共同作为第二训练样本;基于决策树算法,对第一训练样本数据和第二训练样本数据进行模型训练,得到双决策树模型;利用所述双决策树模型对所述地表微波观测值和所述陆面模式估测值进行预测处理,得到所述像元对应的准地表温度;
第二确定模块,用于基于每个所述像元对应的准地表温度,确定所述待测目标区域对应的准地表温度图像;
预测模块,用于对所述准地表温度图像进行预测处理,生成所述待测目标区域在日观测时间对应的干旱指数图像。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现根据权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211464979.9A CN115511887B (zh) | 2022-11-22 | 2022-11-22 | 一种基于人工智能融合的干旱指数预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211464979.9A CN115511887B (zh) | 2022-11-22 | 2022-11-22 | 一种基于人工智能融合的干旱指数预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511887A CN115511887A (zh) | 2022-12-23 |
CN115511887B true CN115511887B (zh) | 2023-04-07 |
Family
ID=84514226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211464979.9A Active CN115511887B (zh) | 2022-11-22 | 2022-11-22 | 一种基于人工智能融合的干旱指数预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511887B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160203245A1 (en) * | 2015-01-14 | 2016-07-14 | State Grid Corporation Of China | Method for simulating wind field of extreme arid region based on wrf |
CN110319938B (zh) * | 2019-06-26 | 2020-10-20 | 西安空间无线电技术研究所 | 一种高空间分辨率地表温度生成方法 |
CN111191673B (zh) * | 2019-11-29 | 2020-12-08 | 广州地理研究所 | 一种地表温度降尺度方法及*** |
CN114169215B (zh) * | 2021-08-06 | 2022-11-15 | 中国矿业大学(北京) | 一种耦合遥感与区域气象模式的地表温度反演方法 |
-
2022
- 2022-11-22 CN CN202211464979.9A patent/CN115511887B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115511887A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测*** | |
Ma et al. | An updated moving window algorithm for hourly-scale satellite precipitation downscaling: A case study in the Southeast Coast of China | |
US20210208307A1 (en) | Training a machine learning algorithm and predicting a value for a weather data variable, especially at a field or sub-field level | |
Anjum et al. | Quantification of spatial temporal variability of snow cover and hydro-climatic variables based on multi-source remote sensing data in the Swat watershed, Hindukush Mountains, Pakistan | |
Liu et al. | Estimation of surface and near-surface air temperatures in arid northwest china using landsat satellite images | |
Zhu et al. | Reconstruction of land surface temperature under cloudy conditions from Landsat 8 data using annual temperature cycle model | |
Eswar et al. | Comparison of three remote sensing based models for the estimation of latent heat flux over India | |
Yu et al. | Assessment of high-resolution satellite rainfall products over a gradually elevating mountainous terrain based on a high-density rain gauge network | |
de Carvalho Alves et al. | Geostatistical improvements of evapotranspiration spatial information using satellite land surface and weather stations data | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
Brogniez et al. | Validation of upper-tropospheric humidity from SAPHIR on board Megha-Tropiques using tropical soundings | |
CN113447137A (zh) | 一种面向无人机宽波段热像仪的地表温度反演方法 | |
Takala et al. | New snow water equivalent processing system with improved resolution over Europe and its applications in hydrology | |
Olsen et al. | Evaluating EO-based canopy water stress from seasonally detrended NDVI and SIWSI with modeled evapotranspiration in the Senegal River Basin | |
CN114417646A (zh) | 一种高维异构降水数据融合方法及*** | |
Zhao et al. | Triangle Space-Based Surface Soil Moisture Estimation by the Synergistic Use of $ In\Situ $ Measurements and Optical/Thermal Infrared Remote Sensing: An Alternative to Conventional Validations | |
Ding et al. | Reconstruction of hourly all-weather land surface temperature by integrating reanalysis data and thermal infrared data from geostationary satellites (RTG) | |
Lee et al. | A comparative study on generating simulated Landsat NDVI images using data fusion and regression method—the case of the Korean Peninsula | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
CN116776651B (zh) | 地表蒸散发测算方法、装置、电子设备及存储介质 | |
Zhao et al. | Cloud identification and properties retrieval of the Fengyun-4A satellite using a ResUnet model | |
CN113408111A (zh) | 大气可降水量反演方法及***、电子设备和存储介质 | |
CN117809183A (zh) | 一种荒漠化监测方法、***、电子设备及介质 | |
He et al. | A multiple-step scheme for the improvement of satellite precipitation products over the Tibetan Plateau from multisource information | |
Li et al. | Triple collocation-based merging of multi-source gridded evapotranspiration data in the Nordic Region |
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 |