[发明专利]一种地表温度鲁棒降尺度方法

摘要

本发明公开了一种地表温度鲁棒降尺度方法，包括以下八个步骤：1、地表参数的获取；2、大气参数的获取；3、配套数据集的制备；4、机器学习算法的训练；5、机器学习误差的估计；6、地表温度偏差的估算；7、地表温度降尺度的计算；8、降尺度结果的加权融合。本发明在前端的输入部分，通过额外引入大气降尺度因子来实现对地表温度空间分布和变化进行准确的表征；在后端的输出部分，通过小尺度机器学习算法训练以及算法加权融合，来解决算法的尺度问题和过拟合问题，最终实现不同区域不同下垫面都适用且精度有保障的地表温度降尺度。

主权项

1.一种地表温度鲁棒降尺度方法，其特征在于：所述方法包括以下步骤：步骤1、地表参数的获取；将降尺度前的原始地表温度产品表示为T_O，其空间分辨率表示为R_O；将预期得到的降尺度后的地表温度产品表示为T_J，其空间分辨率表示为R_J；根据原始地表温度产品T_O的获取时间，下载空间分辨率为R_J且与T_O的获取时间接近且与地表温度空间分布和变化相关的多个地表参数集S_O；所述地表参数集S_O包括地表反射率产品、地表土地覆盖和土地利用分类图、地表数字高程模型、地表经度、地表纬度；根据R_J的数值大小，下载空间分辨率近似相等，且与T_O的获取时间接近的晴空无云热红外地表温度产品T_R，其空间分辨率为R_R；同时，根据地表温度产品T_R的获取时间，下载相同时间且空间分辨率相同的与地表温度空间分布和变化相关的多个地表参数集S_R，其空间分辨率为R_R；所述地表参数集S_R包括地表反射率产品、地表土地覆盖和土地利用分类图、地表数字高程模型、地表经度、地表纬度；T_R后续将作为机器学习的因变量，而S_R后续将作为机器学习的自变量之一；步骤2、大气参数的获取；根据原始地表温度产品T_O获取时间及其空间分辨率数值大小，下载空间分辨率接近且同一天的多个时刻的大气再分析数据，并从中挑选出与地表温度空间分布和变化相关的多个大气参数集A_O，其空间分辨率为R_A；同时，根据热红外地表温度产品T_R获取时间及其空间分辨率数值大小，下载空间分辨率接近且同一天的多个时刻的大气再分析数据，并从中挑选出与地表温度空间分布和变化相关的多个大气参数集A_R，其空间分辨率也为R_A；大气参数集A_R后续将和地表参数集S_R一块作为机器学习的自变量；大气参数集A_O以及A_R都包括近地表气温、大气可降水量、水平风速、垂直风速、短波下行通量、短波上行通量、长波下行通量和长波上行通量；步骤3、配套数据集的制备；制备空间分辨率为R_J的地表参数集S_O和大气参数集A_O，作为降尺度算法的输入；制备空间分辨率为R_R的地表参数集S_R和大气参数集A_R，用于机器学习算法的训练；具体过程为：第一步：降尺度输入数据集的制备，数据集包含地表参数集S_O和大气参数集A_O，空间分辨率为R_J；首先，根据降尺度后的地表温度产品T_J的空间分辨率和投影坐标，将下载的地表反射率产品、地表土地覆盖和土地利用分类图、地表数字高程模型、地表经度、地表纬度分别做几何裁剪、几何纠正和重投影，以使这些地表参数数据都能够完全配准到一块；接着，利用重投影后的地表反射率产品，根据下式分别计算降尺度所需的7类光谱指数；这7类光谱指数将添补至地表参数集；具体的计算公式如下：其中，ρ_R为红光反射率产品，ρ_NIR为近红外反射率产品，NDVI为归一化植被；Fv为植被覆盖度，SAVI为土壤调节植被指数；NDVI_max和NDVI_min分别是NDVI值的最大值和最小值；NMDI为归一化多波段干旱指数，ρ_SWIR1和ρ_SWIR2分别为两个短波红外反射率产品；NDDI为归一化干旱指数，ρ_B为蓝光反射率产品；MNDWI为改进的归一化水指数，ρ_G为绿光反射率产品；NDBI为归一化建筑指数；然后，利用地表数字高程模型，分别在3*3的窗口内，依次计算坡度SLOPE和坡向ASPECT参数，具体公式如下：其中，f_x和f_y由下式计算得到：f_x和f_y是中间参数，表示3*3窗口中心像素点(i，j)位置处的水平和垂直坡度；H_i,j代表像素点(i，j)位置处的高程，可直接从地表数字高程模型中提取；R_J是地表数字高程模型的空间分辨率；同样，坡度SLOPE和坡向ASPECT参数也将添补至地表参数集；根据降尺度后的地表温度产品T_J的获取时间，将下载的同一天多个时刻的近地表气温、大气可降水量、水平风速、垂直风速、短波下行通量、短波上行通量、长波下行通量和长波上行通量先进行时间插值，线性内插至地表温度获取时间；同时，依旧参考地表温度产品T_J的空间分辨率和投影坐标，将内插好的近地表气温、大气可降水量、水平风速、垂直风速、短波下行通量、短波上行通量、长波下行通量和长波上行通量分别做几何裁剪、几何纠正和重投影，以使这些大气参数数据都能够和地表温度产品完全配准到一块；至此，所有的地表参数集S_O和大气参数集A_O都具有相同的空间分辨率和投影坐标系，能够完全配准在一起，完成了降尺度算法的输入配套数据集的制备；第二步：机器学习训练数据集制备，数据集包含地表参数集S_R和大气参数集A_R，空间分辨率为R_R；使用跟第一步相同的方法，但选择的空间分辨率为R_R，制备的对象为地表参数集S_R和大气参数集A_R，利用公式1～11添补地表参数集S_R，并将地表温度产品T_R和地表参数集S_R和大气参数集A_R配准在一起，完成机器学习算法训练的配套数据集的制备；步骤4、机器学习算法的训练；利用制备好的地表温度产品T_R和地表参数集S_R和大气参数集A_R完成机器学习算法的训练；为了便于机器算法的训练和后续机器学习算法的误差估计，将对应好的地表温度产品和地表和大气参数集按60％和40％进行划分，其中60％的数据用于机器学习地表温度降尺度模型的训练，另外的40％用于机器学习算法误差的估计；地表温度产品T_R将作为机器学习的因变量，制备好的配套的地表参数集S_R和大气参数集A_R将作为机器学习的自变量；配套的因变量和自变量都作为机器学习算法的输出和输入，机器学习将自动模拟人脑的学习行为以自动获取自变量与因变量之间存在的非线性复杂关系f；机器学习地表温度降尺度模型的映射训练过程由下式表示：LST_R,k＝f_n(S_R,k¹,…,S_R,k^p,…,S_R,k¹⁹,A_R,k¹,…,A_R,k^q,…,A_R,k⁸)       公式12其中，LST_R,k为地表温度产品T_R中第k个地表温度；S_R,k^p为地表参数集S_R中第k个地表参数所对应的第p个地表降尺度因子，p取值1～19；A_R,k^q为大气参数集A_R中第k个大气参数所对应的第q个大气降尺度因子，q取值1～8；f_n是第n种机器学习算法训练好的非线性复杂关系；步骤5、机器学习误差的估计；由于实际机器学习过程中会不可避免的存在偏差，因此需要进行每个机器学习算法的误差估计，并以此计算融合权重系数；除掉用于机器学习算法训练的60％的数据以外，剩下的40％将用于算法误差的估计；算法误差由下式计算得：其中，σ_n是第n种机器学习算法的算法误差；k是序列数；LST_R,k是用于算法误差估计的地表温度产品T_R中第k个地表温度产品；是用第n种机器学习算法估算的第k个地表温度产品；∑是数学上累加求和符号；N是全部用于算法误差估计的地表温度产品的个数；f_n是第n种机器学习算法训练好的非线性复杂关系；S_R,k^p为地表参数集S_R中第k个地表参数所对应的第p个地表降尺度因子，p取值1～19；A_R,k^q为大气参数集A_R中第k个大气参数所对应的第q个大气降尺度因子，q取值1～8；步骤6、地表温度偏差的估算；由于机器学习算法所采用的地表和大气参数个数仍旧有限，并不能够解释地表温度所有的变异情况，因此需要同一空间分辨率R_O条件下，比较降尺度处理前后的地表温度产品间的差异，并以此作为未解释的地表温度的偏差；地表温度偏差的计算公式为：其中，ΔLST_O,lⁿ是地表温度产品T_O中第l个地表温度偏差；LST_O,l是地表温度产品T_O中第l个地表温度实际值；是用第n种机器学习算法估算的第l个地表温度产品值；∑是数学上累加求和符号；U是第l个地表温度粗像元嵌套包含细像元的总个数；u是序列数；W_O,u是细像元在粗像元内的面积百分比；f_n是第n种机器学习算法训练好的非线性复杂关系；S_O,u^p为粗像元所包含的第u个地表参数所对应的第p个地表降尺度因子，p取值1～19；A_O,u^q为粗像元所包含的第u个大气参数所对应的第q个大气降尺度因子，q取值1～8；步骤7、地表温度降尺度的计算；利用制备好的空间分辨率为R_J的地表参数集S_O和大气参数集A_O、训练好的机器学习算法以及估算的地表温度偏差，进行地表温度的降尺度，计算公式为：其中，LST_O,lⁿ是采用第n种机器学习算法降尺度后的第l个地表温度产品的结果；是用第n种机器学习算法估算的第l个地表温度产品初始值；ΔLST_O,lⁿ是对应的第l个地表温度偏差；f_n是第n种机器学习算法训练好的非线性复杂关系；S_O,l^p为地表参数集S_O中第l个地表参数所对应的第p个地表降尺度因子，p取值1～19；A_O,l^q为大气参数集A_O中第l个大气参数所对应的第q个大气降尺度因子，q取值1～8；步骤8、降尺度结果的加权融合；由于降尺度过程可采用多种机器学习算法，因此为了达到算法间的取长补短优势互补，采用下式对各种机器学习算法降尺度的结果进行了加权融合，具体公式如下：其中，T_J是降尺度后的第l个地表温度最终结果；LST_O,lⁿ是采用第n种机器学习算法降尺度后的第l个地表温度产品的结果；∑是数学上累加求和符号；Z是所选择的机器学习算法的总个数；z是序列数；是第n种机器学习算法的权重系数，该权重系数可以表示为：其中，σ_n是第n种机器学习算法的算法误差；∑是数学上累加求和符号；N是全部用于地表温度降尺度的机器学习算法的个数；n是序列数。