[发明专利]一种基于MODIS的PM2.5遥感反演方法

摘要

本发明涉及遥感影像处理领域，特别涉及一种基于MODIS的PM2.5遥感反演方法；本发明同时获取MODIS影像和PM2.5监测数据；将PM2.5数据插值成PM2.5插值影像；构建训练集和测试集；将训练集用于机器学习算法的训练，并将训练的模型用于测试集，计算模型在测试集上的表现指标；重复步骤S3和S4，得到若干个表现指标，从而选取最优模型；将最优模型用于整幅MODIS影像，则可得到整幅MODIS影像的PM2.5反演结果；在本发明中，从遥感影像本身数据出发，通过机器学习算法的手段，直接建立遥感影像本身与实测PM2.5的关系，从而避免了误差传递，从而达到精度更高的反演结果；本发明避免了误差传递，反演精度高。

主权项

1.一种基于MODIS的PM2.5遥感反演方法，其特征在于，包括如下步骤：

步骤S1、获取需要反演PM2.5当天的MODIS影像，同时获取PM2.5环境监测站点的PM2.5监测数据；

步骤S2、将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像；

步骤S3、将PM2.5环境监测站点随机按比例m：n分成训练站点和测试站点，分别构建训练集和测试集；

步骤S4、将训练集用于机器学习算法的训练，并将训练的模型用于测试集，计算模型在测试集上的表现指标；

步骤S5、重复步骤S3和步骤S4，得到若干个表现指标，选取最优的表现指标所对应的模型，作为需要反演的该天的最优模型；

步骤S6、将选出的最优模型用于整幅MODIS影像，则可得到整幅MODIS影像的PM2.5反演结果。

2.根据权利要求1所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S2内，将MODIS影像进行云检测，并将有云的区域标记为0，无云的区域标记为1。

3.根据权利要求2所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S3内，在构建训练集的过程中，对于训练集中的每一个站点，获取该站点在MODIS影像上k*k邻域内的像素；对于在k*k邻域内的每一个像素，若该像素的云检测标记为0，则弃用此像素，若该像素的云检测标记为1，则取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值)，以及该像素在PM2.5插值影像上对应的PM2.5的值，从而构成一条记录，则每个站点最多能构成k*k条记录。

4.根据权利要求3所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S3内，在构建测试集的过程中，对于测试集中的每一个站点，获取该站点在MODIS影像上的像素，对于该像素，若该像素的云检测标记为0，则弃用此像素，若标记为1，取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值)，以及该像素在PM2.5插值影像上对应的PM2.5的值，从而构成一条记录，则每个站点最多能构成1条记录。

5.根据权利要求4所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S6内，对MODIS影像上的每一个像素，若该像素的云检测标记为0，则将此像素的PM2.5反演结果置为0，若标记为1，取其16个发射率(EMI值)、22个辐射率(RAD值)、22个反射率(REF值)，构成一条记录，并将该记录输入到最优模型中，则输出为该像素的PM2.5预测值；将整幅MODIS影像的所有像素都计算完毕后，即可得到整幅MODIS影像的PM2.5反演结果。

6.根据权利要求5所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S4内，表现指标包括相关系数或均方根误差或决定系数。

7.根据权利要求6所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S5内，最优的表现指标指的是相关系数最高或均方根误差最小。

8.根据权利要求7所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S4内，机器学习算法包括随机森林法或支持向量机法或人工神经网络法。

9.根据权利要求1所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S1内，获取需要反演PM2.5当天的MODIS影像，计算得到16个波段的发射率(EMI值)、22个波段的辐射率(RAD值)和22个波段的反射率(REF值)。

10.根据权利要求1所述的一种基于MODIS的PM2.5遥感反演方法，其特征在于，在步骤S1内，PM2.5监测数据的获取时间与MODIS影像的获取时间为相同或相近；在步骤S2内，将监测到的PM2.5数据插值成与MODIS影像的相同分辨率的PM2.5插值影像的插值方法采用最邻近插值法或反距离加权法或克里金插值法。