云覆盖区域地表温度重建方法及相关装置

本技术涉及遥感领域，具体而言，涉及一种云覆盖区域地表温度重建方法及相关装置。

背景技术：

1、地表温度(land surface temperature，lst)是地球-大气能量平衡的重要组成部分，在干旱监测、城市热岛分析、气候学、生态学等领域发挥着至关重要的作用。而获得更高分辨率和更精确的大尺度地表温度对于有效监测广泛的环境动态至关重要。由于遥感手段具有空间覆盖范围更广、成本更低等优势，因此，成为获取大尺度连续lst数据集的主要方法。迄今为止，已经开发了各种lst产品，其中基于中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer，modis)的lst产品因其易于获取、分辨率高、覆盖范围广等优点得到了广泛的应用。但由于热红外遥感手段无法穿透云层，导致modis lst产品存在数据缺失。因此，重建无云modis lst数据是获取全天候lst信息的关键。

2、目前为止，提出的地表温度重建方法主要分为时空重建方法、多源数据融合方法和基于统计回归的方法，但这些方法都有其局限性。具体表现为，地表温度数据的质量对重建精度影响很大，基于统计回归的方法受到特定区域以及回归因子不确定性的约束。而数据融合方法中，多源lst数据集之间的观测时间、空间分辨率的差异会给结果带来误差。

3、因此，如何提高地表重建温度已称为本领域亟需解决的问题。

技术实现思路

1、为了克服现有技术中的至少一个不足，本技术提供一种云覆盖区域地表温度重建方法及相关装置，具体包括：

2、第一方面，本技术提供一种云覆盖区域地表温度重建方法，所述方法包括：

3、获取待重建区域的多种地表特征信息；

4、将所述多种地表特征信息划分为多个特征集，并获得所述多个特征集各自的预处理特征向量；

5、将所述多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；

6、通过温度重建模型中级联的多个随机森林层对所述预处理拼接向量进行处理，得到所述待重建区域的地表预测温度。

7、结合第一方面的可选实施方式，所述将所述多种地表特征信息划分为多个特征集，包括：

8、将所述多种地表特征信息进行排序，得到地表特征序列；

9、通过多个滑动窗口对所述地表特征序列进行截取，得到所述多个特征集，其中，所述多个滑动窗口具有不同的窗口大小。

10、结合第一方面的可选实施方式，所述温度重建模型还包括预处理层，所述预处理层包括不同输入维度的多个随机森林；所述获得所述多个特征集各自的预处理特征向量，包括：

11、对于每个所述特征集，获取所述特征集的维度；

12、将所述特征集输入与所述特征集的维度相匹配的随机森林，得到所述特征集的预处理向量。

13、结合第一方面的可选实施方式，所述与所述特征集的维度相匹配的随机森林包括第一随机森林与第二随机森林，所述第一随机森林的随机性高于所述第二随机森林的随机性；所述将所述特征集输入与所述特征集的维度相匹配的随机森林，得到所述特征集的预处理向量，包括：

14、将所述特征集输入所述第一随机森林，得到第一特征向量；

15、将所述特征集输入所述第二随机森林，得到第二特征向量；

16、将所述第一特征向量与所述第二特征向量，作为所述预处理向量。

17、结合第一方面的可选实施方式，所述通过温度重建模型中级联的多个随机森林层对所述预处理拼接向量进行处理，得到所述待重建区域的地表预测温度，包括：

18、将所述预处理拼接向量输入所述多个随机森林层的首个随机森林层；

19、对于所述多个随机森林层任意相邻层，获取上一随机森林层输出的输出向量；

20、将所述输出向量与所述预处理拼接向量进行拼接，得到输入下一随机森林层的拼接预测向量；

21、根据最后一个随机森林层的输出向量，确定所述待重建区域的地表预测温度。

22、结合第一方面的可选实施方式，所述最后一个随机森林层包括多个随机森林，所述最后一个随机森林层的输出向量包括所述多个随机森林各自的温度预测向量，所述根据最后一个随机森林层的输出向量，确定所述待重建区域的地表预测温度，包括：

23、根据所述多个随机深林各自的温度预测向量，计算相同位置的元素之间的均值；

24、从多个均值中选取最大的，作为所述地表预测温度。

25、结合第一方面的可选实施方式，在获取待重建区域的多种地表特征信息之前，所述方法还包括：

26、获取待分析区域的遥感图像；

27、根据所述遥感图像，从所述待分析区域中确定出云层覆盖的区域；

28、从所述云层覆盖的区域中选取所述待重建区域。

29、第二方面，本技术还提供一种云覆盖区域地表温度重建装置，所述装置包括：

30、特征获取模块，用于获取待重建区域的多种地表特征信息；

31、温度预测模块，用于将所述多种地表特征信息划分为多个特征集，并获得所述多个特征集各自的预处理特征向量；

32、所述温度预测模块，还用于将所述多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；

33、所述温度预测模块，还用于通过温度重建模型中级联的多个随机森林层对所述预处理拼接向量进行处理，得到所述待重建区域的地表预测温度。

34、结合第二方面的可选实施方式，所述温度预测模块还具体用于：

35、将所述多种地表特征信息进行排序，得到地表特征序列；

36、通过多个滑动窗口对所述地表特征序列进行截取，得到所述多个特征集，其中，所述多个滑动窗口具有不同的窗口大小。

37、结合第二方面的可选实施方式，所述温度重建模型还包括预处理层，所述预处理层包括不同输入维度的多个随机森林；所述温度预测模块还具体用于：

38、对于每个所述特征集，获取所述特征集的维度；

39、将所述特征集输入与所述特征集的维度相匹配的随机森林，得到所述特征集的预处理向量。

40、结合第二方面的可选实施方式，与所述特征集的维度相匹配的随机森林包括第一随机森林与第二随机森林，所述第一随机森林的随机性高于所述第二随机森林的随机性；所述温度预测模块还具体用于：

41、将所述特征集输入所述第一随机森林，得到第一特征向量；

42、将所述特征集输入所述第二随机森林，得到第二特征向量；

43、将所述第一特征向量与所述第二特征向量，作为所述预处理向量。

44、结合第二方面的可选实施方式，所述温度预测模块还具体用于：

45、将所述预处理拼接向量输入所述多个随机森林层的首个随机森林层；

46、对于所述多个随机森林层任意相邻层，获取上一随机森林层输出的输出向量；

47、将所述输出向量与所述预处理拼接向量进行拼接，得到输入下一随机森林层的拼接预测向量；

48、根据最后一个随机森林层的输出向量，确定所述待重建区域的地表预测温度。

49、结合第二方面的可选实施方式，所述最后一个随机森林层包括多个随机森林，所述最后一个随机森林层的输出向量包括所述多个随机森林各自的温度预测向量，所述温度预测模块还具体用于：

50、根据所述多个随机深林各自的温度预测向量，计算相同位置的元素之间的均值；

51、从多个均值中选取最大的，作为所述地表预测温度。

52、结合第二方面的可选实施方式，在获取待重建区域的多种地表特征信息之前，所述特征获取模块还用于：

53、获取待分析区域的遥感图像；

54、根据所述遥感图像，从所述待分析区域中确定出云层覆盖的区域；

55、从所述云层覆盖的区域中选取所述待重建区域。

56、第三方面，本技术还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的云覆盖区域地表温度重建方法。

57、第四方面，本技术还提供一种电子设备，所述电子设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的云覆盖区域地表温度重建方法。

58、相对于现有技术而言，本技术具有以下有益效果：

59、本实施例提供一种云覆盖区域地表温度重建方法及相关装置。其中，电子设备获取待重建区域的多种地表特征信息；将多种地表特征信息划分为多个特征集，并获得多个特征集各自的预处理特征向量；将多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；通过温度重建模型中级联的多个随机森林层对预处理拼接向量进行处理，得到待重建区域的地表预测温度。由于温度重建模型中级联的多个随机森林层结合了随机森林与深度神经网络的优点，并且多个特征集充分发掘了不同特征组合对温度的影响，因此，能够提高地表预测温度的精度。