论文部分内容阅读
地表温度(Land Surface Temperature,LST)反演是一个典型的“病态反演”问题,大气状况和地表发射率(Land Surface Emissivity,LSE)的难以确定给传统地表温度反演方法带来严峻挑战。深度学习具有模拟、求解复杂方程以及自我学习的能力,是反演地表温度的良好工具。由于深度学习需要大量高质量、有代表性的训练数据集,而现实中很难获得足够的样本,使其难以在遥感定量提取中应用。针对以上问题,本文提出了一种基于辐射传输模型模拟数据支持的深度学习算法来反演地表温度。该方法使用MODTRAN模拟大量真实场景数据集作为训练和测试数据库,利用深度置信网络(Deep Belief Network,DBN)进行训练得到地表温度反演模型。DBN模型仅输入热红外辐亮度和卫星观测天顶角数据,无需其他先验知识。本文建立了 MODIS(Moderate Resolution Imaging Spectroradiometer)和 VIIRS(Visible Infrared Imaging Radiometer Suite)传感器的 DBN 模型,使用地面实测SURFRAD(Surface Radiation Budget Network)数据对反演结果进行验证,结果表明DBN算法的LST反演结果达到了较高的精度。将反演结果与对应的地表温度产品进行对比,具有较好的空间一致性。本文主要内容如下:(1)使用辐射传输模型模拟真实场景建立训练和测试数据库。深度学习需要大量可靠的样本数据,而辐射传输模型可以克服测量误差,准确保持物理参数之间的关系,其模拟数据具有较高精度。因此,本文提出使用辐射传输模型MODTRAN模拟真实场景数据作为训练和测试数据集。通过考虑地物发射率、地表温度的特点以及全球大气状况,设置MODTRAN各个输入参数的范围,根据传感器光谱响应函数模拟热红外波段辐亮度值,获取大量不同场景对应的卫星信号值,作为深度置信网络的训练和测试数据库。(2)用于温度反演的卫星遥感数据参数确定以及深度置信网络模型的构建。用于温度反演的参数的选择对训练数据的需求和深度置信网络的设计有直接的影响,通过分析不同参数的辐射传输过程明确了用于温度反演的卫星遥感的辐射参数和几何参数。深度置信网络参数的设置,对于训练效果有非常重要的影响。本文通过实验确定网络结构、预训练学习率以及微调时的训练次数;根据经验确定预训练次数、微调时的学习率以及动量。(3)基于MODIS和VIIRS数据的地表温度反演与反演结果的真实性检验。将训练得到的DBN模型应用于MODIS和VIIRS数据来反演LST,使用地面实测SURFRAD数据对反演结果和地表温度产品进行精度验证,使用偏差(Bias)、均方根误差(RMSE)和相关系数(R)进行定量评价。结果表明,本文提出的DBN算法获取的地表温度与地面观测数据具有较好的一致性。本工作较好的解决了当前LST反演因存在“病态”反演问题而对先验知识的依赖,在无需先验知识支持的条件下,基于单一时相的卫星遥感数据可以实现地表温度的高精度反演。有效减少或避免了因先验知识的引入而对反演结果带来的误差。