[发明专利]一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法

权利要求书

1.一种基于单窗算法和PredRNN的遥感影像热岛效应预测方法，其特征在于：包括以下步骤：

步骤1，影像下载：根据研究需求，下载指定研究区域历年遥感影像；

步骤2，影像预处理：对影像进行几何校正、镶嵌、裁剪、辐射定标、大气校正；

步骤3，单窗算法：利用公式1对影像热红外波段DN值进行光谱辐射值计算，利用公式2对影像热红外波段进行亮度温度的计算，利用影像红外和近红外波段计算NDVI值，利用NDVI和公式3计算地表比辐射率，估算大气透射率，利用单窗算法计算地表温度；

步骤4，将每个时刻的单窗算法处理后的卫星遥感图像按照一定大小切成若干个小的图片并标记每张图片的区域以及时间序列数，构造PredRNN模型，PredRNN通过在上一个序列的最顶层建立一个通道连接到下一个序列的第一层作为隐层输入，实现了网络能够结合利用最靠近输出层特征的效果；

步骤5，将步骤4切分后的图片集处理为序列集的形式，将图片序列集按照训练集与测试集的比例8:2进行切分，并使用PredRNN进行训练，用测试集作为模型的参数调优的评估，最终确定模型，得到模型关于历史卫星遥感图片与未来卫星遥感图片的变化关系；

步骤6，通过训练好的PredRNN模型对未来城市地表温度进行外推预测；

所述公式1为：

L₁₀＝gain*DN+bias

式中：L₁₀为光谱辐射值；gain为增益量；bias为偏移量；

所述公式2为：

式中：T₁₀表示影像热红外波段亮温(K)；L₁₀为光谱辐射值W/(m²*um*sr)；K₁、K₂为发射前预设的常量；

所述公式3包括公式31或公式32；

所述公式31为：

∈＝P_vR_vε_v+(1-P_v)R_mε_m+dε

所述公式32为：

ε＝P_vR_vε_v+(1-P_v)R_sε_s+dε

公式31用于计算城镇地表的地表比辐射率，公式32用于计算自然地表的地表比辐射率；

式中：分别为裸土、建筑物表面、植被纯净像元地表发射率；

P_v是指植被占混合像元比例，

R_v＝0.9332+0.0585P_v

R_m＝0.9886+0.1287P_v

NDVI_s代表完全被裸土或无植被覆盖区域的归一化植被指数；NDVI_v是完全被植被覆盖的像元的归一化植被指数；R_vR_m分别为植被、建筑物的温度比率。

2.根据权利要求1所述的基于单窗算法和PredRNN的遥感影像热岛效应预测方法，其特征在于：所述单窗算法的反演算法如公式(3-5)所示：

式中，LST为地表温度(K)；T_s代表卫星接收到的BT值(K)；T_a代表大气平均作用温度值(K)；a、b为参考系数，a＝-67.355351，b＝0.458606；C、D的获取如公式(3-6)与(3-7)所示：

C＝ετ (3-6)

D＝(1-τ)[1+(1-ε)τ] (3-7)

式中，ε为地表比辐射率，τ为大气透射率。

3.根据权利要求1所述的基于单窗算法和PredRNN的遥感影像热岛效应预测方法，其特征在于：PredRNN的神经单元结构为：输入t-1到t+1的图片记为X，t时刻的输入图片为X_t，模型的网络记为W，第t层网络的神经单元记为W_t，输出的图片结果记为在第t时刻的输出则记为且H和M为W相应的输出图像和隐层状态，为W_t在第i层的隐藏状态和输出图像；

其中为t时刻输入到第一层PredRNN网络的图片，g_t为PredRNN神经单元对当前时刻输入和上一时刻输入信息的抽象提取，为抽象信息提取层对当前时刻输入图片的卷积核，为抽象信息提取层对上一时刻输出图片的卷积核；f_t为t时刻PredRN网络的遗忘门，分别为遗忘门对当前时刻输入图片，上一时刻输入图片，上一时刻网络隐层状态的卷积核；i_t为t时刻网络的输入门，分别为输入门对当前时刻输入图片，上一时刻输入图片，上一时刻网络隐层状态的卷积核；O_t为网络的输出门，分别为输出门对当前时刻输入图片，上一时刻输入图片，上一时刻网络隐层状态的卷积核；符号*代表卷积运算，符号⊙代表点乘运算。