[发明专利]结合数据空间信息的机器学习重建无云地表温度方法

说明书

本发明公开了一种结合数据空间信息的机器学习重建无云地表温度方法，首先利用卫星遥感获取原始地表温度数据，结合地形，土地利用，人口密度，反射率，植被指数等辅助数据对地表温度数据初步填补缺失值，然后根据该数据计算地表温度的空间信息，再结合上述辅助数据，基于随机森林回归得到重建后的地表温度。接着根据原始数据获取残差，并通过克里格回归预测原始值缺失部分残差。最终使用该残差校正重建后的地表温度，得到无云地表温度数据。本发明能精确的重建地表温度数据，为获取高时空分辨率的数据提供了算法基础，解决了研究城市热环境变化难以获取连续影像图的关键问题。

技术领域

本发明涉及遥感缺失数据的重建方法，具体涉及一种结合数据空间信息的机器学习重建无云地表温度方法。

背景技术

为了了解人类活动对自然生态环境的影响以及对全球环境变化的响应，地表温度(Land Surface Temperature,LST)已被广泛应用于各个领域，包括城市热环境研究、全球气候变化等。

遥感技术的发展极大地方便了LST数据的获取。目前已有多种算法根据不同的传感器从卫星图像中反演LST(Li Z-L,Tang B-H,Wu H,et al.,2013,Satellite-derivedland surface temperature:Current status and perspectives.Remote Sensing ofEnvironment,131,pp.14-37.)。反演的LST具有空间覆盖面广、观测周期长、空间分辨率多样等特点。然而，受限于技术和大气条件，单传感器的空间分辨率和时间分辨率往往不一致，这不利于对LST精细长时间序列的观测研究。例如，Landsat系列卫星提供30m的高空间分辨率数据，重返周期为16天，而MODIS系列产品提供每日250m到1km不等的低空间分辨率产品。此外由于热红外波段不能穿透云层，云层的覆盖的区域反演的LST反演往往与真实值存在一定的差异。因此，在研究区域和限定时间内，很难获取高分辨率的无云卫星图像来获得LST。

为了解决这个问题，目前已经提出了几种算法来获取无缝隙的LST。这些方法大致可以分为三类。第一类是基于空间信息的方法。由于LST具有空间连续性和自相关性，因而可以借助目标重建像素周边的有效值的空间信息来重建缺失值。例如样条曲线插值(张军,覃志豪,刘梅,涂丽丽,周义,杨强.,2011,利用空间插值法估算云覆盖像元地表温度的可行性研究.地理与地理信息科学,27(06),pp.45-49+115.)、地统计插值方法(BhattacharjeeS,Mitra P,Ghosh S K.,2014,Spatial Interpolation to Predict Missing Attributesin GIS Using Semantic Kriging.IEEE Transactions on Geoscience and RemoteSensing,52(8),pp.4771-4780.)、反距离加权等(Liu Z,Wu P,Duan S,et al.,2017,Spatiotemporal Reconstruction of Land Surface Temperature Derived From FengYun Geostationary Satellite Data.IEEE Journal of Selected Topics in AppliedEarth Observations and Remote Sensing,10(10),pp.4531-4543.)。然而，当缺失数据较大时，由于基于空间信息的方法仅参考了自身空间信息，有限的有效空间信息会导致重建效果变差(Artusi A,Banterle F,Chetverikov D.,2011,A Survey of SpecularityRemoval Methods.Computer Graphics Forum,30(8),pp.2208-2230.)。第二类是基于多时相信息的方法，利用同一区域在不同时间的数据重建无云数据。Xu Y等人(Xu Y,Shen Y.,2013,Reconstruction of the land surface temperature timeseries using harmonicanalysis.ComputersGeosciences,61,pp.126-132.)开发了时间序列谐波分析算法(HANTS)来重建8天MODISLST数据。PengFu等人(Fu P,Weng Q H.,2016,Consistent landsurface temperature data generation from irregularly spaced Landsatimagery.Remote Sensing of Environment,184,pp.175-187.)使用连续的Landsat卫星图像反演的LST数据来重建无缝隙LST。虽然基于多时相信息的方法在缺失数据较大的地区表现良好，但当土地覆盖类型的变化时，该方法性能会较弱(Wu P,Yin Z,Zeng C,et al.,2021,Spatially Continuous and High-Resolution Land Surface TemperatureProduct Generation:A review of reconstruction and spatiotemporal fusiontechniques.IEEE Geoscience and Remote Sensing Magazine,9(3),pp.112-137.).最后一类是基于时空信息的混合方法，该方法包含了丰富的信息，也被认为是最有前景的方法。Xia等人(Xia H P,Chen Y H,Li Y,et al.,2019,Combining kernel-driven and fusion-based methods to generate daily high-spatial-resolution land surfacetemperatures.Remote Sensing of Environment,224,pp.259-274.)结合降尺度和数据融合的基本理论，开发了核驱动和基于融合的方法的组合，生成了每日高空间分辨率LST；FengG等人(Feng G,Masek J,Schwaller M,et al.,2006,On the blending of theLandsat and MODIS surface reflectance:predicting daily Landsat surfacereflectance.IEEE Transactions on Geoscience and Remote Sensing,44(8),pp.2207-2218.)提出时空自适应反射率融合模型(STARFM)算法，通过结合Landsat和MODIS LST数据生成高时空LST，由于所需数据获取便捷，预测性能较好，该方法应用广泛。然而，STARFM在具有异质性的区域很敏感。尽管研究人员已经提出了各种方法来获取无缝隙LST数据，但其性能受到有效原始数据有限、土地覆盖变化、准确性验证等多因素的影响。