地表温度数据重构模型构建方法及地表温度数据重构方法与流程

本发明涉及数据重构，尤其是涉及一种地表温度数据重构模型构建方法及地表温度数据重构方法。

背景技术：

1、热红外modis（moderate-resolution imaging spectroradiometer，中分辨率成像光谱仪）地表温度产品由于自身传感器特性，受云层等天气条件影响很大，在非晴空条件下无法有效获取云层覆盖下的有效热辐射信息，限制了该产品的实际应用需求。目前重建modis产品云下缺失地表温度信息的方法可归纳为基于时空域信息、基于表面能量平衡和基于被动微波或再分析数据。

2、其中：（1）基于时空域信息，包括样条函数插值、小波变换等方法，此类方法重建出的一般是假设晴空条件下的理论值，而并非卫星过境时的云下真实地表温度值。（2）基于表面能量平衡，主要是结合各种地表参数进行物理过程建模，需要特定的气象水文观测数据来计算晴空和多云区域间的地表温度差异，而大多观测数据难以在大尺度区域获取，且引入过多参量会增加建模过程的系统误差。（3）基于被动微波或再分析数据是重建modis地表温度数据最为广泛和有效的方法，被动微波或再分析数据能够获取空间无缝地表温度信息，采用不同算法综合被动微波或再分析数据和modis数据的各自优势，可重建空间无缝modis地表温度数据。在当前的实际应用中，基于被动微波或再分析数据进行modis地表温度数据重建包括多分辨率卡尔曼滤波、增强型自适应反射率融合模型(estarfm)和时间序列分解模型等方法，但这些方法一般只考虑到被动微波或再分析数据和modis地表温度之间的线性关系，忽略了地表温度的高时空变化性，在地表异质性较高的区域容易产生较大的重建误差，导致重建效果较差。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种地表温度数据重构模型构建方法及地表温度数据重构方法，可以显著提升地表温度数据重构模型的重建精度，从而显著改善地表温度数据重建效果。

2、第一方面，本发明实施例提供了一种地表温度数据重构模型构建方法，包括：

3、获取多源遥感数据；其中，所述多源遥感数据包括原始modis地表温度、原始gldas地表温度、ndvi数据、降水量数据、气溶胶光学厚度数据；

4、基于所述ndvi数据、所述降水量数据、所述气溶胶光学厚度数据，对所述原始modis地表温度和所述原始gldas地表温度进行时空一致性匹配，得到无云modis地表温度和降尺度后gldas地表温度；

5、基于所述无云modis地表温度和所述降尺度后gldas地表温度构建目标数据集，并利用所述目标数据集对gan模型进行训练和测试得到目标数据重构模型；其中，所述目标数据重构模型用于重构modis地表温度。

6、在一种实施方式中，基于所述ndvi数据、所述降水量数据、所述气溶胶光学厚度数据，对所述原始modis地表温度和所述原始gldas地表温度进行时空一致性匹配，得到无云modis地表温度和降尺度后gldas地表温度，包括：

7、判定所述原始modis地表温度对应的像元类型；其中，所述像元类型包括云覆盖像元和非云覆盖像元；

8、将所述非云覆盖像元对应的所述原始modis地表温度确定为无云modis地表温度；

9、基于所述无云modis地表温度的空间范围和/或时间期次，从所述ndvi数据、所述降水量数据、所述气溶胶光学厚度数据中，分别匹配出目标ndvi数据、目标降水量数据、目标气溶胶光学厚度数据；

10、以所述目标ndvi数据、所述目标降水量数据、所述目标气溶胶光学厚度数据、高程数据、地表类型覆盖数据和经纬度数据作为输入特征值，以所述原始modis地表温度作为目标拟合值，对随机森林模型进行训练；

11、基于训练得到的所述随机森林模型，对所述原始gldas地表温度进行空间降尺度处理得到降尺度后gldas地表温度；其中，所述降尺度后gldas地表温度的空间分辨率与所述原始modis地表温度的空间分辨率一致。

12、在一种实施方式中，基于所述无云modis地表温度和所述降尺度后gldas地表温度构建目标数据集，包括：

13、基于所述无云modis地表温度的空间范围和/或时间期次，从所述降尺度后gldas地表温度中，匹配出目标gldas地表温度；

14、将所述无云modis地表温度和所述目标gldas地表温度，统一裁剪至指定尺寸且像元范围内无云覆盖缺失值，得到无缺失modis地表温度和无缺失gldas地表温度；

15、基于真实云覆盖情况下的原始modis地表温度生成云掩膜数据，并利用所述云掩膜数据对所述无缺失modis地表温度进行掩膜处理，得到模拟云覆盖情况下的缺失modis地表温度；

16、基于所述无缺失modis地表温度、所述无缺失gldas地表温度和所述缺失modis地表温度，构建目标数据集。

17、在一种实施方式中，利用所述目标数据集对gan模型进行训练和测试得到目标数据重构模型，包括：

18、将所述目标数据集划分为训练数据集和测试数据集；

19、将所述训练数据集中的所述无缺失gldas地表温度和所述缺失modis地表温度输入至gan模型中的生成网络部分，以通过所述生成网络部分确定第一重建modis地表温度；

20、将所述训练数据集中的所述无缺失modis地表温度和所述第一重建modis地表温度输入至所述gan模型中的判别网络部分，以通过所述判别网络部分确定所述无缺失modis地表温度和所述第一重建modis地表温度之间的差异；

21、通过huber损失函数、所述训练数据集中的所述无缺失modis地表温度和所述第一重建modis地表温度对所述生成网络部分进行训练，以及通过vgg损失函数、所述训练数据集中的所述无缺失modis地表温度和所述第一重建modis地表温度对所述判别网络部分进行训练，得到初始数据重构模型；

22、将所述测试数据集中的所述无缺失gldas地表温度和所述缺失modis地表温度输入至所述初始数据重构模型，以通过所述初始数据重构模型确定第二重构modis地表温度；

23、基于所述测试数据集中的所述无缺失modis地表温度和所述第二重构modis地表温度确定第一模型评价指标，并基于所述第一模型评价指标对所述初始数据重构模型进行模型结构调整与参数优化，得到目标数据重构模型；其中，所述第一模型评价指标包括均方根误差指标和/或相关系数指标。

24、第二方面，本发明实施例还提供一种地表温度数据重构方法，包括：

25、获取待重构modis地表温度和所述待重构modis地表温度匹配的无缺失gldas地表温度；

26、通过目标数据重构模型，基于所述待重构modis地表温度匹配的无缺失gldas地表温度，对所述待重构modis地表温度进行数据重构处理，得到实际重构modis地表温度；

27、其中，所述目标数据重构模型是采用第一方面提供的任一项所述的地表温度数据重构模型的构建方法构建得到的。

28、在一种实施方式中，所述方法还包括：

29、获取所述待重构modis地表温度匹配的站点实测地表温度；

30、基于所述实际重构modis地表温度和所述站点实测地表温度确定第二模型评估指标；其中，所述第二模型评估指标用于评价所述目标数据重构模型，所述第二模型评估指标包括均方根误差指标和/或相关系数指标。

31、第三方面，本发明实施例还提供一种地表温度数据重构模型构建装置，包括：

32、第一数据获取模块，用于获取多源遥感数据；其中，所述多源遥感数据包括原始modis地表温度、原始gldas地表温度、ndvi数据、降水量数据、气溶胶光学厚度数据；

33、时空一致性匹配模块，用于基于所述ndvi数据、所述降水量数据、所述气溶胶光学厚度数据，对所述原始modis地表温度和所述原始gldas地表温度进行时空一致性匹配，得到无云modis地表温度和降尺度后gldas地表温度；

34、模型构建模块，用于基于所述无云modis地表温度和所述降尺度后gldas地表温度构建目标数据集，并利用所述目标数据集对gan模型进行训练和测试得到目标数据重构模型；其中，所述目标数据重构模型用于重构modis地表温度。

35、第四方面，本发明实施例还提供一种地表温度数据重构装置，包括：

36、第二数据获取模块，用于获取待重构modis地表温度和所述待重构modis地表温度匹配的无缺失gldas地表温度；

37、数据重构模块，用于通过目标数据重构模型，基于所述待重构modis地表温度匹配的无缺失gldas地表温度，对所述待重构modis地表温度进行数据重构处理，得到实际重构modis地表温度；

38、其中，所述目标数据重构模型是采用第一方面提供的任一项所述的地表温度数据重构模型的构建方法构建得到的。

39、第五方面，本发明实施例还提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面、第二方面提供的任一项所述的方法。

40、第六方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面、第二方面提供的任一项所述的方法。

41、本发明实施例提供的一种地表温度数据重构模型构建方法及装置，首先获取原始modis地表温度、原始gldas地表温度、ndvi数据、降水量数据、气溶胶光学厚度数据等多源遥感数据；然后基于ndvi数据、降水量数据、气溶胶光学厚度数据，对原始modis地表温度和原始gldas地表温度进行时空一致性匹配，得到无云modis地表温度和降尺度后gldas地表温度；最后基于无云modis地表温度和降尺度后gldas地表温度构建目标数据集，进而利用目标数据集对gan模型进行训练和测试得到目标数据重构模型；其中，目标数据重构模型用于重构modis地表温度。上述方法利用gldas地表温度空间覆盖完整的特点进行modis地表温度云下缺失地表温度信息重建，该方法利用gan无监督学习和特定损失函数设计的优势，能够有效学习到地表温度在不同时空尺度上的高动态变化和非线性关系，减小不同来源数据间的尺度差异，提升模型的重建精度，并且通过gan模型对抗学习的过程能够增强对重建后地表温度的空间细节刻画，本发明实施例具有可靠性和有效性，可为以后利用多源遥感数据重建全天候地表温度提供新的方法参考。

42、本发明实施例提供的一种地表温度数据重构方法及装置，首先获取待重构modis地表温度和待重构modis地表温度匹配的无缺失gldas地表温度；然后通过目标数据重构模型，基于待重构modis地表温度匹配的无缺失gldas地表温度，对待重构modis地表温度进行数据重构处理，得到实际重构modis地表温度；其中，目标数据重构模型是采用地表温度数据重构模型的构建方法构建得到的。上述方法结合了深度学习中gan模型在非线性关系学习上的优势，顾及了地表温度高时空变化性特点，重建了高精度的空间无缝modis地表温度。

43、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

44、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。