本發(fā)明屬于地表溫度反演領(lǐng)域，具體涉及一種提高沙漠地區(qū)地表溫度反演分辨率和精度的耦合方法。

背景技術(shù)：

1、在全球視野范圍內(nèi)，生態(tài)與環(huán)境議題日益凸顯，成為了各國共同關(guān)切的核心話題。而地表溫度是一個(gè)極其重要的物理量，它可以反映大氣與陸地表面之間的熱平衡狀態(tài)，是衡量地球表面自然生態(tài)環(huán)境的重要指標(biāo)之一。同時(shí)，lst(land?surface?temperature,地表溫度)還承載著豐富的環(huán)境信息，如土地覆蓋的動(dòng)態(tài)變化、水體的蒸發(fā)情況等，這些信息對于深入研究生態(tài)環(huán)境演變及制定保護(hù)策略至關(guān)重要。其獲取在全球氣候變化檢測、災(zāi)害預(yù)防、天氣預(yù)報(bào)以及城市建設(shè)等各方面中都發(fā)揮著舉足輕重的作用。

2、傳統(tǒng)的lst獲取方法主要依賴于地面測量站點(diǎn)的測溫設(shè)備，盡管這種方法能夠提供一些高精度的數(shù)據(jù)，獲得較好的溫度反演結(jié)果，但其高昂的成本和數(shù)據(jù)的局限性(如分布不均)使得其應(yīng)用受到限制。

3、目前，隨著衛(wèi)星遙感技術(shù)的飛速發(fā)展，使用遙感技術(shù)獲取lst成為了一種新途徑。與傳統(tǒng)的測量方法相比，遙感技術(shù)具備諸多優(yōu)勢，它能夠覆蓋更廣闊的測量區(qū)域，提供更為全面的lst信息，同時(shí)省去高昂的成本。但同時(shí)常用的單通道算法、多通道算法或分裂窗算法自身也存在著許多劣勢。首先是參數(shù)的不準(zhǔn)確性，比如地表比輻射率和大氣水汽含量等參數(shù)，由于獲取困難，且容易受到地表覆蓋類型變化、大氣條件變化等因素的影響，所以獲取的數(shù)據(jù)具有不確定性，精確度不高；其次，真實(shí)的物理模型是非常復(fù)雜的，但為了簡化計(jì)算和提高效率，反演算法會(huì)對模型進(jìn)行簡化處理，而這種處理也可能導(dǎo)致誤差的出現(xiàn)；最后，目前已有的這些算法使用的場景都很有限，單通道算法更適用于簡單的大氣條件和地表類型，而多通道算法或分裂窗算法則更適用于復(fù)雜場景，因此要設(shè)置一種可以針對特定場景的反演方法才能有效提高反演精度。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)存在的問題，提供了一種提高沙漠地區(qū)地表溫度反演分辨率和精度的耦合方法，能夠有效提高沙漠地區(qū)地表溫度反演結(jié)果的精度和分辨率。

2、為解決以上技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種提高沙漠地區(qū)地表溫度反演分辨率和精度的耦合方法，包括以下步驟：

3、s1、構(gòu)建并用若干沙漠區(qū)域遙感圖像和對應(yīng)的打好地表類型精細(xì)分類標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，獲得地表精細(xì)分類模型u-biformer；利用地表精細(xì)分類模型u-biformer對沙漠區(qū)域遙感圖像進(jìn)行地表類型的精細(xì)分類，然后基于地表類型的精細(xì)分類計(jì)算得到第一高分辨率地表比輻射率數(shù)據(jù)；

4、s2、根據(jù)歸一化植被指數(shù)將圖像中的像素分類，得到植被覆蓋度；結(jié)合aster數(shù)據(jù)的反射率計(jì)算出aster數(shù)據(jù)的預(yù)設(shè)波段的裸土發(fā)射率，通過轉(zhuǎn)化得到landsat系列衛(wèi)星熱紅外波段發(fā)射率，再經(jīng)過植被調(diào)整并插值計(jì)算得出被調(diào)整后的landsat發(fā)射率，最后計(jì)算得到第二高分辨率地表比輻射率數(shù)據(jù)；

5、s3、使用線性加權(quán)融合法將第一高分辨率地表比輻射率數(shù)據(jù)、第二高分辨率地表比輻射率數(shù)據(jù)賦予不同權(quán)重，加權(quán)計(jì)算后獲得第三高分辨率地表比輻射率數(shù)據(jù)；

6、s4、使用低分辨率的ncep大氣水汽含量數(shù)據(jù)，對數(shù)據(jù)進(jìn)行空間和時(shí)間上的線性插值，得到高分辨率的大氣水汽含量數(shù)據(jù)，再計(jì)算出大氣函數(shù)；

7、s5、基于對抗神經(jīng)網(wǎng)絡(luò)算法，在預(yù)處理后的熱紅外數(shù)據(jù)集上訓(xùn)練srgan模型，通過生成器和判別器的對抗訓(xùn)練，使生成器能夠生成超分辨率熱紅外圖像；

8、s6、根據(jù)超分辨率熱紅外圖像dn值計(jì)算出高分辨率的輻射亮度和亮度溫度，最后結(jié)合第三高分辨率地表比輻射率數(shù)據(jù)以及大氣函數(shù)，使用單通道算法進(jìn)行地表溫度反演，最終獲得高精度、高分辨率的地表溫度數(shù)據(jù)。

9、進(jìn)一步地，前述的步驟s1包括以下子步驟：

10、s1.1、獲取高分辨率可見光數(shù)據(jù)，從沙漠區(qū)域遙感圖像中篩選出清晰的圖像；對圖像剪裁并且添加地表類型精細(xì)分類標(biāo)簽；然后對圖像進(jìn)行標(biāo)注，并劃分劃分訓(xùn)練集、驗(yàn)證集、測試集；

11、s1.2、在biformer模型基礎(chǔ)上添加u型解碼器，構(gòu)建基于深度學(xué)習(xí)的地表精細(xì)分類網(wǎng)絡(luò)，然后設(shè)置初始參數(shù)，訓(xùn)練深度學(xué)習(xí)的地表精細(xì)分類網(wǎng)絡(luò)時(shí)使用ce+focal混合損失函數(shù)，如下：

12、loss＝lossce+lossfocal

13、其中，交叉熵?fù)p失函數(shù)lossce與焦點(diǎn)損失函數(shù)lossfocal在多類別任務(wù)中單個(gè)像素點(diǎn)計(jì)算公式分別為:

14、

15、

16、其中,yi表示預(yù)測樣本的真實(shí)標(biāo)簽,pi表示模型預(yù)測像素屬于第i個(gè)類別的概率,fl(yi,pi)表示第i個(gè)類別的焦點(diǎn)損失,α是一個(gè)平衡因子用于調(diào)整正類別和負(fù)類別之間的權(quán)重,γ是一個(gè)調(diào)節(jié)參數(shù)用于控制難易樣本的權(quán)重；

17、s1.3、設(shè)置訓(xùn)練算法參數(shù)，根據(jù)損失函數(shù)學(xué)習(xí)結(jié)果調(diào)整權(quán)連接參數(shù)，直到達(dá)到預(yù)設(shè)精度，獲得地表精細(xì)分類模型u-biformer，利用地表精細(xì)分類模型u-biformer對沙漠區(qū)域遙感圖像進(jìn)行地表類型的精細(xì)分類，得到對應(yīng)的地表類型，包括城鎮(zhèn)、農(nóng)田、沙漠、水體、山地；

18、s1.4、對分類后的不同地表類型取不同的地表比輻射率，獲得第一高分辨率地表比輻射率數(shù)據(jù)：

19、

20、進(jìn)一步地，前述的步驟s2包括以下子步驟：

21、s2.1、獲取aster數(shù)據(jù)集中低分辨率的13、14波段的反射率數(shù)據(jù)；

22、s2.2、使用近紅外nir數(shù)據(jù)和紅外r數(shù)據(jù)計(jì)算得到歸一化植被指數(shù)ndvi，如下式：

23、

24、s2.3、基于土壤的ndvi閾值，植被的ndvi閾值，使用植被指數(shù)對圖像中的像素進(jìn)行分類，將圖像中的像素分為純水體、混合像元和純植被，并計(jì)算得到植被覆蓋度pv：

25、

26、s2.4、確定地表比輻射率，當(dāng)ndvi小于等于土壤閾值時(shí)，認(rèn)為該像素屬于水體，當(dāng)ndvi大于等于植被閾值時(shí)，認(rèn)為該像素屬于植被；對于被劃分混合像元的像素，使用已經(jīng)計(jì)算得到的pv值進(jìn)行進(jìn)一步計(jì)算，得到aster第13、14波段的裸土發(fā)射率，如下式：

27、

28、其中，εaster,bare表示aster裸土發(fā)射率，εaster表示預(yù)設(shè)波段的發(fā)射率，εaster,veg表示aster純植被的發(fā)射率；

29、s2.5、將aster第13、14波段的裸土發(fā)射率轉(zhuǎn)化到landsat系列衛(wèi)星熱紅外波段發(fā)射率，如下式：

30、εl10,bare＝c0εa13,bare+c1εa14,bare+c2

31、其中，εl10,bare表示landsat?tirs傳感器第10波段的裸土發(fā)射率，εa13,bare和εa14,bare分別表示使用計(jì)算得到的aster第波段13、14的裸土發(fā)射率；

32、s2.6、根據(jù)裸土發(fā)射率、純植被發(fā)射率和pv計(jì)算出植被調(diào)整后的landsat發(fā)射率，如下：

33、ε＝pv·εl10,veg+(1-pv)·εl10,bare

34、其中，ε表示作為后續(xù)單通道算法輸入的第10波段地表發(fā)射率，εl10,veg表示landsat第10波段的純植被發(fā)射率，εl10,bare表示landsat第10波段的裸土發(fā)射率；

35、s2.7、在單通道算法中用如下式計(jì)算：

36、

37、s2.8、對獲取的低分辨率的地表比輻射率數(shù)據(jù)進(jìn)行插值，插值到和可見光數(shù)據(jù)同一分辨率，得到第二高分辨率的地表比輻射率ε2。

38、進(jìn)一步地，前述的步驟s3包括以下子步驟：

39、s3.1、使用線性加權(quán)融合法將第一高分辨率地表比輻射率數(shù)據(jù)、第二高分辨率地表比輻射率數(shù)據(jù)賦予不同權(quán)重，

40、s3.2、根據(jù)設(shè)置的權(quán)重按照如下的計(jì)算公式計(jì)算得到最終使用在單通道算法中的高分辨率的地表比輻射率ε：

41、

42、其中εi指第i步得到的地表比輻射率，wi指第i步對應(yīng)的權(quán)重。

43、進(jìn)一步地，前述的步驟s4包括以下子步驟：

44、s4.1、基于ncep大氣水汽含量數(shù)據(jù)，對數(shù)據(jù)進(jìn)行時(shí)間插值，獲得數(shù)據(jù)拍攝時(shí)刻的水汽含量，公式如下:

45、

46、其中，w表示landsat獲取時(shí)間的水汽含量，和分別表示landsat影像拍攝時(shí)間之前和之后的ncep水汽含量，t表示landsat影像拍攝時(shí)間，t1和t2分別表示landsat影像拍攝時(shí)間之前和之后的ncep大氣水汽含量；

47、s4.2、對大氣水汽含量數(shù)據(jù)進(jìn)行空間插值，將數(shù)據(jù)插值到目標(biāo)區(qū)域，再用得到的大氣水汽含量數(shù)據(jù)計(jì)算大氣函數(shù)f1、f2、f3，公式如下：

48、

49、其中，cij是與傳感器有關(guān)系的常數(shù)。

50、進(jìn)一步地，前述的步驟s5包括以下子步驟：

51、s5.1、構(gòu)建熱紅外圖像數(shù)據(jù)集并進(jìn)行預(yù)處理，數(shù)據(jù)集包括不同熱紅外波段的低分率和高分辨率熱紅外圖像數(shù)據(jù)，以及對應(yīng)的標(biāo)簽；

52、s5.2、構(gòu)建包括生成器和判別器的srgan模型，以低分辨率熱紅外圖像輸入至srgan模型通過對抗訓(xùn)練，輸出高分辨率熱紅外圖像；

53、s5.3、構(gòu)建損失函數(shù)，內(nèi)容損失函數(shù)、對抗損失函數(shù)和感知損失函數(shù)，內(nèi)容損失確保生成的圖像與高分辨率圖像盡量一致；對抗損失通過判別器訓(xùn)練生成器，提高圖像的真實(shí)性；感知損失基于預(yù)訓(xùn)練的vgg網(wǎng)絡(luò)，關(guān)注圖像細(xì)節(jié)特征的相似度：

54、內(nèi)容損失函數(shù)：

55、對抗損失函數(shù)：

56、感知損失函數(shù)：其中,wi,j是特征圖的寬度，hi,j是特征圖的高度，-φi,j是vgg19網(wǎng)絡(luò)中第i個(gè)maxpooling層之前第j次卷積激活后得到的特征映射，r2表示縮放因子，代表標(biāo)準(zhǔn)vgg的損失函數(shù)，i是像素點(diǎn)，hr代表真實(shí)圖像，lr代表縮放圖像。

57、s5.4、設(shè)置生成器和判別器的訓(xùn)練參數(shù)，并開始對抗訓(xùn)練srgan模型，模型優(yōu)化生成器的權(quán)重參數(shù)，生成具有高分辨率的熱紅外圖像，并細(xì)化裂紋區(qū)域的紋理和輻射特征。

58、進(jìn)一步地，前述的步驟s6包括以下子步驟：

59、s6.1、將熱紅外波段圖像的dn值轉(zhuǎn)換為絕對輻射亮度值，計(jì)算公式如下：

60、

61、其中，gain是增益常量，bias是偏置常量；

62、s6.2、根據(jù)輻射亮度值計(jì)算亮度溫度，計(jì)算公式如下：

63、

64、其中，k1、k2是熱紅外波段的定標(biāo)常數(shù)，

65、s6.3、結(jié)合第三高分辨率地表比輻射率數(shù)據(jù)、以及大氣函數(shù)，使用單通道算法計(jì)算地表溫度，如下式：

66、

67、其中，b是與等效波長相關(guān)的量；f1、f2、f3為大氣函數(shù)。

68、相較于現(xiàn)有技術(shù)，本發(fā)明采用以上技術(shù)方案的有益技術(shù)效果如下：本發(fā)明首先建立了基于u-biformer深度學(xué)習(xí)模型獲取地表精細(xì)分類模型，實(shí)現(xiàn)了對任意可見光遙感數(shù)據(jù)對應(yīng)地表類型的自動(dòng)識別，解決了目前地表比輻射率數(shù)據(jù)精確度不高的問題，再結(jié)合一般單通道算法中的地表比輻射率計(jì)算方法，進(jìn)行線性加權(quán)融合，進(jìn)一步提高了地表比輻射率的精度。然后基于對抗神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練srgan模型，通過生成器和判別器的對抗訓(xùn)練，使生成器能夠生成高質(zhì)量、細(xì)節(jié)豐富的超分辨率熱紅外圖像。最后根據(jù)高分辨率的參數(shù)數(shù)據(jù)，使用單通道算法，計(jì)算得到了高分辨率、高精度的地表溫度數(shù)據(jù)，為地表溫度反演精度和分辨率的提升提供了一種新思路。

69、本發(fā)明主要應(yīng)用于沙漠地區(qū)的地表溫度反演，通過對地表精細(xì)分類模型和地表比輻射率計(jì)算方法的修改也可以應(yīng)用到其它地表類型。獲得的高分辨率、高精度的地表溫度數(shù)據(jù)為全球氣候變化檢測、災(zāi)害預(yù)防、天氣預(yù)報(bào)以及城市建設(shè)等方面提供了理論基礎(chǔ)，實(shí)用性強(qiáng)，應(yīng)用推廣價(jià)值高。