1.本发明涉及遥感技术领域，尤其涉及一种时空无缝表达的地表温度重建方法、系统及装置。
背景技术：2.地表温度是表征地表过程变化的重要特征变量，是地表和大气之间相互作用及能量交换的综合反映。地表温度是对地表能量和物质变化最敏感的指标，作为众多科学应用领域的关键输入参数，准确地估算地表温度有助于评估地表能量和水文平衡、热惯量和土壤水分等，长时序序列的地表温度观测还有助于了解全球及区域气候变化趋势，对深化理解全球及区域的气候气象变化有极为重要的作用。地表温度的时序变化性大，空间异质性强。传统的站点观测受测站布设密度、空间分布等条件的限制，难以实现大范围、长时序的地表温度估算。卫星遥感凭借覆盖面积大、成像周期短等优势，逐渐成为地表温度的重要数据源。但是，当前以热红外遥感获取地表温度的方法存在易受云遮挡，地表温度信息缺失、时空分布不连续的问题。
技术实现要素：3.为了解决上述技术问题，本发明的目的是提供一种时空无缝表达的地表温度重建方法及系统，实现了地表温度的时空无缝表达。
4.本发明所采用的第一技术方案是：一种时空无缝表达的地表温度重建方法，包括以下步骤：
5.获取研究区域的modis地表温度、归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据；
6.对获取的数据进行预处理并划分为有云像元数据和无云像元数据；
7.选择无云像元数据，将归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据表达为modis地表温度的函数，得到无云像元的地表温度并构建训练数据集；
8.建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型；
9.将有云像元数据输入到训练完成的地表温度估算模型，得到有云像元的地表温度；
10.将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度。
11.进一步，所述amsr2辐射亮温数据包括x、ka和ku亮温和对应的mpdi指数。
12.进一步，所述对获取的数据进行预处理具体包括对数据的质量筛查、投影转换、数据拼接、数据重采样、数据裁剪和数据时序匹配。
13.进一步，所述建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型这一步骤，其具体包括：
14.以modis地表温度为基准，引入梯度提升决策树回归建立地表温度估算模型；
15.将训练数据集划分为训练集、验证集和测试集；
16.基于训练集、验证集和测试集对地表温度估算模型进行训练、验证和测试，得到训练完成的地表温度估算模型。
17.进一步，所述mpdi指数的计算公式如下：
18.mpdi(f)＝a
·
[t
bv
(f)-t
bh
(f)]/[t
bv
(f)+t
bh
(f)]
[0019]
式中，a为比例因子100，f为微波波段，t
bv
和t
bh
分别表示垂直极化亮温和水平极化亮温。
[0020]
进一步，所述地表温度估算模型为：
[0021]
ts＝f(dem、ndvi、x
tbv
、ka
tbv
、ku
tbv
、mpdi
x
、mpdi
ka
、mpdi
ku
)
[0022]
式中，ts为地表温度，f为基于梯度提升决策树的非线性模型，dem为数字高程模型，ndvi为归一化植被指数，x
tbv
为amsr2的x波段垂直极化亮温，ka
tbv
为amsr2的ka波段垂直极化亮温，ku
tbv
为amsr2的ku波段垂直极化亮温，mpdi
x
、mpdi
ka
、mpdi
ku
分别为x、ka和ku波段的mpdi指数。
[0023]
进一步，所述将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度这一步骤，其具体还包括：
[0024]
将有云像元的地表温度和无云像元的地表温度进行融合，得到融合后的地表温度数据；
[0025]
针对融合后的地表温度数据中仍存在间隙的缺失数据进行时序插值填补，生成时空无缝的地表温度。
[0026]
本发明所采用的第二技术方案是：一种时空无缝表达的地表温度重建系统，包括：
[0027]
数据获取模块，用于获取研究区域的modis地表温度、归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据；
[0028]
数据预处理模块，用于对获取的数据进行预处理并划分为有云像元数据和无云像元数据；
[0029]
训练集构建模块，用于选择无云像元数据，将归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据表达为modis地表温度的函数，得到无云像元的地表温度并构建训练数据集；
[0030]
模型构建模块，用于建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型；
[0031]
估算模块，用于将有云像元数据输入到训练完成的地表温度估算模型，得到有云像元的地表温度；
[0032]
融合模块，用于将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度。
[0033]
本发明所采用的第三技术方案是：一种时空无缝表达的地表温度重建装置，包括：
[0034]
至少一个处理器；
[0035]
至少一个存储器，用于存储至少一个程序；
[0036]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种时空无缝表达的地表温度重建方法。
[0037]
本发明方法、系统及装置的有益效果是：本发明先使用amsr2的地表温度敏感波段x、ka和ku以及相应波段的mpdi信息作为地表温度的表征变量，以modis地表温度为基准，引入梯度提升决策树表达它们之间的非线性关系并构建地表温度反演模型，经过地表温度融合、地表温度缺失像元时序插值等步骤形成时空无缝表达的地表温度数据。
附图说明
[0038]
图1是本发明一种时空无缝表达的地表温度重建方法的步骤流程图；
[0039]
图2是本发明具体实施例有云像元地表温度估算方法流程图；
[0040]
图3是本发明具体实施例阿里、那曲和玛曲重建后地表温度与modis地表温度回归散点图；
[0041]
图4是本发明一种时空无缝表达的地表温度重建模块的结构框图。
具体实施方式
[0042]
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0043]
参照图1，本发明提供了一种时空无缝表达的地表温度重建方法，该方法包括以下步骤：
[0044]
s1、获取研究区域的modis地表温度、归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据；
[0045]
具体地，获取研究区域特定时序段的amsr2被动微波亮温数据、modis数据和srtm数字高程数据。amsr2能够提供7个频率v极化和h极化14个通道数据多波段的亮温观测，7个频率包括6.9ghz、7.3ghz、10.65ghz、18.7ghz、23.8ghz、36.5ghz和89.0ghz。amsr2的升降轨时序分别为当地时序13:30和01:30，发明中用到来自10.65ghz、18.7ghz、36.5ghz三个频率的升降轨的l3级垂直极化数据；modis数据包括地表温度产品(myd11a1，mod11a1，v5)、归一化植被指数产品(mod13a2ndvi)，以及空间分辨率为90m的srtm数字高程(dem)数据。
[0046]
s2、对获取的数据进行预处理并划分为有云像元数据和无云像元数据；
[0047]
s3、选择无云像元数据，将归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据表达为modis地表温度的函数，得到无云像元的地表温度并构建训练数据集；
[0048]
s4、建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型；
[0049]
s5、将有云像元数据输入到训练完成的地表温度估算模型，得到有云像元的地表温度；
[0050]
s6、将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度。
[0051]
进一步作为本方法的优选实施例，所述amsr2辐射亮温数据包括x、ka和ku亮温和对应的mpdi指数。
[0052]
进一步作为本方法的优选实施例，所述对获取的数据进行预处理具体包括对数据的质量筛查、投影转换、数据拼接、数据重采样、数据裁剪和数据时序匹配。
[0053]
具体地，数据的质量筛查，为了保证模型的精度，首先要对输入数据进行质量筛查。具体为对modis地表温度和amsr2微波辐射亮温进行质量控制。从myd11a1和mod11a1产品中提取出地表温度(lst_day_1km)数据和质量控制(qc_day)数据。像元的质量控制标识为“cloud”、“average emissivity error《＝0.04”、“average emissivity error》0.04”和“average lst error》3k”认为是被云污染的像元，将这些像元设置为无效值。采用散射指数(si)对受到强降雨影响的amsr2像元进行剔除，si的计算公式如下：
[0054]
si＝451.9-0.44t
b,19v-1.775t
b,23v
+0.00575t
b,23v2-t
b,89v
[0055]
式中，t
b,19v
，t
b,23v
和t
b,89v
分别是18.7、23.8和89.0ghz的垂直极化亮温。散射指数大于10k被视为受到强降雨影响的像元。
[0056]
下列条件被满足时，被识别为受冰雪地表影响的像元。
[0057]
t
b.37v
《259.8k和t
b,19v-t
b,37v
》3k
[0058]
式中，t
b.37v
是36.5ghz垂直极化亮温。
[0059]
投影转换，具体为将数据重投影到规则的经纬度格网。由于amsr2数据为为全球圆柱形10公里等面积可扩展的地球格网投影(ease-grid 2.0)，modis产品则为全球1km sin正弦投影或者全球500m正弦投影，两者投影并不统一，因此需进行投影转换到统一的坐标系之中，便于后续的处理及计算。故可将mod11a1、myd11a1、mod13a2、mod09a1数据重投影到规则的经纬度格网，并将同一天的数据拼接并裁剪到目标区域。
[0060]
拼接，具体为将modis每种产品相同日期的数据进行拼接。获取目标区域的modis数据由6景影像拼接而成，需要将6景影像拼接成完整的目标区域。
[0061]
重采样，具体为将amsr2微波辐射亮温数据、和dem数据使用最邻近法重采样到modis地表温度1km空间分辨率。进行模型建立时，将以modis地表温度数据作为基准，为将modis以及dem数据与amsr2数据匹配，将空间分辨率25km的amsr2亮温数据、空间分辨率90m的srtm dem数据使用最邻近法重采样到地表温度产品产品的1km空间分辨率。
[0062]
裁剪，具体为利用目标区域的矢量数据将拼接的数据裁剪到目标区域。利用目标区域的矢量数据裁剪amsr2、modis产品及srtmdem数据，获得目标区域的完整数据。
[0063]
时序匹配，具体为将amsr2辐射亮温数据、modis逐日地表温度、modis16日合成ndvi按照日期进行逐一匹配。
[0064]
进一步作为本方法优选实施例，所述建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型这一步骤，其具体包括：
[0065]
以modis地表温度为基准，引入梯度提升决策树回归建立地表温度估算模型；
[0066]
将训练数据集划分为训练集、验证集和测试集；
[0067]
基于训练集、验证集和测试集对地表温度估算模型进行训练、验证和测试，得到训练完成的地表温度估算模型。
[0068]
具体地，基于计算的mpdi指数，以及步骤s2中处理后的数据，建立基于梯度提升决策树的训练模型。梯度提升决策树的学习思想和模型结构上可以保证其不容易产生过拟合，它使用了稳健的代价函数，对异常值的鲁棒性非常强，能灵活的处理各种类型的数据，而且能在相对较少的调参时序下，达到较高的预测准确度，流程图参照图2。
[0069]
进一步作为本方法优选实施例，所述mpdi指数的计算公式如下：
[0070]
mpdi(f)＝a
·
[t
bv
(f)-t
bh
(f)]/[t
bv
(f)+t
bh
(f)]
[0071]
式中，a为比例因子100，f为微波波段，t
bv
和t
bh
分别表示垂直极化亮温和水平极化亮温，垂直极化亮温和水平极化亮温可从amsr2数据中获取。
[0072]
进一步作为本方法的优选实施例，所述地表温度估算模型为：
[0073]
ts＝f(dem、ndvi、x
tbv
、ka
tbv
、ku
tbv
、mpdi
x
、mpdi
ka
、mpdi
ku
)
[0074]
式中，ts为地表温度，f为基于梯度提升决策树的非线性模型，dem为数字高程模型，ndvi为归一化植被指数，x
tbv
为amsr2的x波段垂直极化亮温，ka
tbv
为amsr2的ka波段垂直极化亮温，ku
tbv
为amsr2的ku波段垂直极化亮温，mpdi
x
、mpdi
ka
、mpdi
ku
分别为x、ka和ku波段的mpdi指数。
[0075]
具体地，还包括对模型进行验证验证，为评价本文方法在空间上的精度差异，获取了阿里、那曲和玛曲三个地区2015年5-9月的本文方法结果和相应的modis地表温度进行对比。这三个地区分别代表不同的气候、植被覆盖和土壤水分条件，可以全面衡量本文方法与modis地表温度的差异性。可以发现在这三个地区，r值都在0.6以上，其中那曲地区的r值为0.712，rmsd为6.188k，bias为-0.941k，在三个地区中精度统计指标最优。阿里地区的精度指标相对较差，r值为0.621，rmsd为10.105k，bias为-5.358k，表现出对modis地表温度一定程度的低估。玛曲地区的精度指标比阿里地区有所提升，r值为0.697，rmsd为4.758k，bias为-1.605k，对modis地表温度的低估有一定的改善，如图3所示。
[0076]
进一步作为本方法优选实施例，所述将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度这一步骤，其具体还包括：
[0077]
将有云像元的地表温度和无云像元的地表温度进行融合，得到融合后的地表温度数据；
[0078]
针对融合后的地表温度数据中仍存在间隙的缺失数据进行时序插值填补，生成时空无缝的地表温度。
[0079]
具体地，在modis原始地表温度数据中，由于云遮挡的影响造成数据缺失的现象严重，地表温度被缺失数据分隔呈现破碎分离的状态。地表温度空间分布不连续严重影响了其相关的时序分析与应用。相比于modis原始温度，重建后的地表温度很好地弥补了modis的缺失数据，时空变化具有非常好的连续性。从目视判别的角度来看，在modis有效数据区域，重建后的的地表温度和modis原始地表温度的空间分布一致，在modis缺失数据区域，本文方法获取的地表温度基本延续了modis地表温度的空间变化趋势。
[0080]
如图4所示，一种时空无缝表达的地表温度重建系统，包括：
[0081]
数据获取模块，用于获取研究区域的modis地表温度、归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据；
[0082]
数据预处理模块，用于对获取的数据进行预处理并划分为有云像元数据和无云像元数据；
[0083]
训练集构建模块，用于选择无云像元数据，将归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据表达为modis地表温度的函数，得到无云像元的地表温度并构建训练数据集；
[0084]
模型构建模块，用于建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型；
[0085]
估算模块，用于将有云像元数据输入到训练完成的地表温度估算模型，得到有云
像元的地表温度；
[0086]
融合模块，用于将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度。
[0087]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0088]
一种时空无缝表达的地表温度重建装置：
[0089]
至少一个处理器；
[0090]
至少一个存储器，用于存储至少一个程序；
[0091]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种时空无缝表达的地表温度重建方法。
[0092]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0093]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。
技术特征：1.一种时空无缝表达的地表温度重建方法，其特征在于，包括以下步骤：获取研究区域的modis地表温度、归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据；对获取的数据进行预处理并划分为有云像元数据和无云像元数据；选择无云像元数据，将归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据表达为modis地表温度的函数，得到无云像元的地表温度并构建训练数据集；建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型；将有云像元数据输入到训练完成的地表温度估算模型，得到有云像元的地表温度；将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度。2.根据权利要求1所述一种时空无缝表达的地表温度重建方法，其特征在于，所述amsr2辐射亮温数据包括x、ka和ku亮温和对应的mpdi指数。3.根据权利要求2所述一种时空无缝表达的地表温度重建方法，其特征在于，所述对获取的数据进行预处理具体包括对数据的质量筛查、投影转换、数据拼接、数据重采样、数据裁剪和数据时序匹配。4.根据权利要求3所述一种时空无缝表达的地表温度重建方法，其特征在于，所述建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型这一步骤，其具体包括：以modis地表温度为基准，引入梯度提升决策树回归建立地表温度估算模型；将训练数据集划分为训练集、验证集和测试集；基于训练集、验证集和测试集对地表温度估算模型进行训练、验证和测试，得到训练完成的地表温度估算模型。5.根据权利要求4所述一种时空无缝表达的地表温度重建方法，其特征在于，所述mpdi指数的计算公式如下：mpdi(f)＝a
·
[t
bv
(f)-t
b
h(f)]/[t
bv
(f)+t
b
h(f)]式中，a为比例因子100，f为微波波段，t
bv
和t
bh
分别表示垂直极化亮温和水平极化亮温。6.根据权利要求5所述一种时空无缝表达的地表温度重建方法，其特征在于，所述地表温度估算模型为：t
s
＝f(dem、ndvi、x
tbv
、ka
tbv
、ku
tbv
、mpdi
x
、mpdi
ka
、mpdi
ku
)式中，t
s
为地表温度，f为基于梯度提升决策树的非线性模型，dem为数字高程模型，ndvi为归一化植被指数，x
tbv
为amsr2的x波段垂直极化亮温，ka
tbv
为amsr2的ka波段垂直极化亮温，ku
tbv
为amsr2的ku波段垂直极化亮温，mpdi
x
、mpdi
ka
、mpdi
ku
分别为x、ka和ku波段的mpdi指数。7.根据权利要求6所述一种时空无缝表达的地表温度重建方法，其特征在于，所述将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度这一步骤，其具体还包括：将有云像元的地表温度和无云像元的地表温度进行融合，得到融合后的地表温度数据；针对融合后的地表温度数据中仍存在间隙的缺失数据进行时序插值填补，生成时空无
缝的地表温度。8.一种时空无缝表达的地表温度重建系统，其特征在于，包括：数据获取模块，用于获取研究区域的modis地表温度、归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据；数据预处理模块，用于对获取的数据进行预处理并划分为有云像元数据和无云像元数据；训练集构建模块，用于选择无云像元数据，将归一化植被指数、srtm数字高程模型数据和amsr2辐射亮温数据表达为modis地表温度的函数，得到无云像元的地表温度并构建训练数据集；模型构建模块，用于建立地表温度估算模型并基于训练数据集对地表温度估算模型进行训练，得到训练完成的地表温度估算模型；估算模块，用于将有云像元数据输入到训练完成的地表温度估算模型，得到有云像元的地表温度；融合模块，用于将有云像元的地表温度和无云像元的地表温度进行融合，生成时空无缝的地表温度。9.一种时空无缝表达的地表温度重建装置，其特征在于，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述一种时空无缝表达的地表温度重建方法。
技术总结本发明公开了一种时空无缝表达的地表温度重建方法、系统及装置，该方法包括：获取数据；对获取的数据进行预处理并划分为有云像元数据和无云像元数据；基于无云像元数据构建训练数据集；建立地表温度估算模型并训练；将有云像元数据输入到训练完成的地表温度估算模型；将有云像元和无云像元的地表温度进行融合，生成时空无缝的地表温度。该系统为应用于上述时空无缝表达的地表温度重建方法的模块。通过使用本发明，解决了热红外地表温度数据易受云遮挡、数据缺失的问题，实现了地表温度的时空无缝表达。本发明作为一种时空无缝表达的地表温度重建方法、系统及装置，可广泛应用于遥感技术领域。遥感技术领域。遥感技术领域。
技术研发人员：魏祖帅 宋巍巍 潘翠红 梁旻轩 姚雅雯 陈晓霞
受保护的技术使用者：生态环境部华南环境科学研究所（生态环境部生态环境应急研究所）
技术研发日：2022.07.22
技术公布日：2022/11/1
