[发明专利]一种基于物理模型与数据驱动的全天候地表温度重建方法

说明书

本方案公开了一种基于物理模型与数据驱动的全天候地表温度重建方法，该方法考虑到物理模型的可解释性与外推能力强，而数据驱动方法对数据适应性与挖掘数据特征能力强，将物理建模与灵活的数据驱动建模相结合重建LST，以物理模型生成LST源数据，使用数据驱动方法提高精度，能够生成一种空间分辨率较高的全天候类似MODIS数据，弥补卫星TIR影像受云污染而无法获取完整LST的缺点。本方案将重建模型建立在LST源数据的真实性与科学性的基础上，然后使用多源遥感数据与影像空间信息提高LST精度，最终能获得高精度的全天候LST影像。

技术领域

本发明属于地表温度重建技术领域，尤其是涉及一种基于物理模型与数据驱动的全天候地表温度重建方法。

背景技术

目前，最常用于获取地表温度(LST)的技术是热红外(TIR)遥感(RS)。然而，这种通过卫星获取LST影像容易受到云的干扰，限制了卫星TIR传感器提供完整时空覆盖的LST，研究表明，被云污染的无效数据高达50％以上，并且白天尤为明显，极大降低了LST的遥感应用价值。

如何重建无云污染的全天候LST，仍然是一个难题，迫切需要开展深入研究。针对该问题，学者们提出了一系列的重建方法，主要可以分为四种：填隙法、被动微波测量法、数据驱动法与物理模型法。

填隙法主要根据“相近相似”的地理学第一定律，利用时空相邻的像元信息，通过替换或插值推导出被云污染的像元值，例如使用克里金插值与反距离加权插值重建LST。该方法基于时空相邻晴空像元，所以只能推导出假设晴空LST，而不是真实云下的LST。

被动微波测量法可以直接获取全天候的LST，因为被动微波(PMW)可以穿透云层。然而通过微波估算LST具有局限性，首先，微波信号随地表特性显著变化，其次，PMW测量的LST空间分辨率(0.25°至0.1°)比TIR测量的LST空间分辨率(1km)粗糙得多，并且PMW反演的LST精度(约5-6K)比TIR反演的LST精度(约1-2K)差。所以该方法一般用作TIR或其他数据的补充信息，而不作为主要信息。

随着人工智能技术的发展，数据驱动法开始应用于LST重建研究，该方法从初始的数据或观测值出发，利用机器学习等工具寻找和建立内部特征之间的关系，从而实现预测规律。基于数据驱动的LST重建方法在效率、精度等多方面都取得了卓越的成就。然而，该方法重在数据挖掘，忽视物理规律，因此，往往无法解释因果关系。这种机理的不透明性、因果的不可解释性也使得其受到了一定的争议和质疑。

物理模型法是从物理规律出发，构建从观测数据到目标参量之间的表达式。比如地表能量平衡法与各种基于地表能量平衡法修正的方法，该方法的优点是，观测数据和目标参量之间具有明确的因果关系，模型建立过程透明，可解释。但是，物理建模的方式难以准确地描述复杂多变的现实情况，模型比较复杂，并且有些输入变量难以获取和计算，也会给建模带来一定的不确定性，结果精度有待提高。

在上述几种LST重建方法中，数据驱动法与物理模型法的应用最为广泛，技术比较成熟。数据驱动方法虽然可以重建LST，但是缺乏理论支持、可解释性弱等“黑匣子”问题并未解决。不同于数据驱动方法，物理模型基于知识及演绎，包含丰富的底层系统知识，其结果可解释性强，但是现有的物理模型需要输入较多的参数，并且有些参数还是难以获取的，参数化存在较大的不确定性，导致物理模型的结果存在较大的不确定性。并且现有物理模型的众多参数中需要一些假设的气象条件作为模拟LST的前提，所以模拟出的LST精度较低。此外，物理模型输出的虽然是全天候的数据，但它的空间细节度不足(比如各地物LST的差异，高程分布，山脊与山谷走势等细节表现不足)，与遥感卫星影像数据相比，在空间特征分布与像元精度上需要进一步提高。

发明内容