[发明专利]基于机器学习的全天候地表温度生成方法及装置

说明书

本发明公开了一种基于机器学习的全天候地表温度生成方法及装置，所述方法采用MODIS的工具MRT提取经遥感反演的MODIS数据集；并采用静止气象卫星数据、与ALOS卫星的DEM地形数据相结合，估算并得到地表入射太阳辐射；将相同的空间尺度的数据集进行空间聚合，与上述MODIS数据集作为机器学习训练数据集；通过随机森林模型构建地表温度关系模型；估算有云覆盖像元的地表真实温度；将有云覆盖像元的地表真实温度与无云覆盖像元的数据集相结合，生成全天候地表温度。本发明方法解决了当前热红外遥感易受云雾影响、地表温度产品存在大量空白缺值区域的问题，实现有云条件地表温度估算，为全天候地表温度产品生成提供重要的基础。

技术领域

本发明涉及地表温度监测技术，尤其涉及一种基于机器学习的全天候地表温度生成方法及装置。

背景技术

地表温度(Land surface temperature，LST)作为地球表层系统中反映地气间相互作用的重要参数，是影响地表生态、水文、气象等过程的关键参数，是大气和陆地之间能量交换和物质迁移转化的综合结果。因此，定量并准确获取地表温度的时空分布特征对地气系统能量平衡和生态系统研究具有重要的研究意义和价值。并且，区域和全球尺度上的资源环境动态监测需要全面、完整、连续的全天候地表温度时空分布信息，如应用在农业旱灾预报、农田土壤水分管理、农作物产量预报、数值天气预报和气候变化等方向。

在常规的地表温度观测中，地面站点观测是最直接的方式。但是受地表温度高空间异质性的影响，单点测量的地表温度具有较低的空间代表性，通过有限地面观测很难准确获取大范围区域地表温度动态信息。近年来，随着卫星遥感空间探测技术的进步与发展，遥感已成为获取区域及全球地表温度的主要手段，其中最为通用的监测方式包括热红外遥感反演地表温度反演和被动微波遥感反演地表温度。

但由于被动微波地表温度反演精度较低、被动微波数据与热红外数据之间较大的尺度差异，被动微波地表温度自身误差以及降尺度的不确定性导致数据融合生成全天候地表温度产品存在很大的不确定性；并且，利用现有的反演算法存在的问题是：估算的地表温度值并非是卫星过境时刻的真正云下地表温度，而是卫星过境时刻晴空条件下地表温度的理论值，难以满足实际应用的需求。

因此，如何克服上述方法中存在的问题，有效获取真实情况下云覆盖区的全天候地表温度，进而提高地表温度产品的空间连续性，对提升地表温度遥感产品的实际服务和应用水平具有重要意义。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提出一种基于机器学习的全天候地表温度生成方法。

本发明的第二个目的在于提出一种基于机器学习的全天候地表温度生成装置。

本发明的第三个目的在于提出一种计算机设备。

本发明的第四个目的在于提出一种计算机存储介质。

为实现上述目的，第一方面，根据本发明实施例的基于机器学习的全天候地表温度生成方法，所述方法包括：

采用MODIS的数据处理工具MRT，在相应的MODIS陆地产品中分别提取经遥感反演的有云覆盖像元、无云覆盖像元各自对应的MODIS数据集；所述MODIS数据集包括归一化植被指数、增强植被指数、叶面积指数、地表反照率数据及最佳反演精度的地表温度；

采用静止气象卫星数据、与ALOS卫星的DEM地形数据相结合，估算并得到地表入射太阳辐射；

依据所述地表温度的空间尺度，将相同的空间尺度的地表入射太阳辐射聚合，得到空间尺度聚合的数据集；将所述空间尺度聚合的数据集、及所述无云覆盖像元的数据集，作为机器学习训练数据集；

选用随机森林模型训练所述机器学习训练数据集、构建并得到地表温度关系模型；将所述地表温度关系模型应用于所述有云覆盖像元的数据集、估算并得到所述有云覆盖像元的地表真实温度；