从modis数据估算近地表空气温度方法

文档序号:6151864阅读:540来源:国知局

专利名称::从modis数据估算近地表空气温度方法
技术领域
:本发明涉及一种利用对地观测卫星上MODIS传感器获得的地面热辐射信息估算近地表空气温度的方法,突破了传统地面观测的局限。能够应用在气象、农业、环境监测和旱情监测等遥感部门。
背景技术
:近地表空气温度是指距离地表约2米高左右的温度,它是气候变化研究里一个非常重要的参数[Sun,Y.J.,WangJ.R,Zhang,R.H"Gillies,R.R.,XueY.andBoY.C.,Airtemperatureretrievalfromremotesensingdatabasedonthermodynamics.TheoreticalandAppliedClimatology,2005,80:37-48.]。由于近地表空气温度受时间和空间,以及地表情况的影响,至今还没有一种方法能够很好地估计近地表空气温度的空间分布。目前,在气候变化研究里公知的三种获得近地表空气温度的方法,一是基于能量平衡的物理方法。物理方法需要空气动力学阻抗,以及地表状态(包括水,土壤和植被的状态等),这几个参数非常难以获取[Sun,Y.J.,WangJ.F.,Zhang,R.H.,Gillies,R.R.,XueY.andBoY.C.,Airtemperatureretrievalfromremotesensingdatabasedonthermodynamics.TheoreticalandAppliedClimatology,2005,80:37-48.];另外一个方法就是经验方法[Boyer,D.G.,Estimationofdailytemperaturemeansusingelevationandlatitudeinmountainousterrain,WaterResourceBull4,1984,583-588.]。经验方法就是利用GIS(GeographicInformationSystem)气象站点获得的近地表空气温度进行插值得到近地表空气温度的分布图。当气象站点不是很多而且不是均匀分布(特别是在山区)的时,插值得到的结果不是非常好。三是毛克彪等利用ASTER数据的地表温度和发射率作为先验知识,从ASTER数据中反演近地表空气温度,但ASTER数据波段分辨率比较高,很难满足目前的需求。另外就是波段设置得不是非常合理,精度有待进一步提高[MaoKebiao,HuajunTang,XiufengWang,QingboZhou,DaolongWang,Near-SurfaceAirTemperatureEstimationFromASTERDataUsingNeuralNetwork,InternationalJournalofRemoteSensing,2008,29(20):6021-6028.]。但由于各种条件的限制,目前普遍采用的是经验方法[Burrough,P.A.andMcDo皿ellR.A.,Principlesofgeographicalinformationsystems.NewYork:OxfordUniversityPress,1998.]。MODIS遥感器于1999和2002年搭载对地观测卫星发射成功,为全球和区域资源环境动态监测开辟了又一新的途径。MODIS是一个拥有36个波段的中分辨率遥感系统(见图1),每12天可获得一次全球观测数据,其飞行与太阳同步,每天同一区域至少可获得昼夜两景图像,并且是免费接收,因此非常适合于中大尺度的区域资源环境动态监测。在MODIS的36个波段中有8个是热红外波段,如表l,因而非常合适于区域尺度的地表热量空间差异分析。目前针对MODIS遥感数据的地表温度反演算法已经不少[Wan,Z.M.andLi,Z.L.,Aphysics-basedalgorithmforretrievingland-surfaceemissivityandtemperaturefromEOS/MODISdata.Traraac/Zora(7myc/e"ce朋diS"e,'"g,1997,35(4):980-996;毛克彪,针对MODIS数据的地表温度反演方法研究,硕士学位论文,廣二,X"学,2004.5.;毛克彪,覃志豪,施建成,宫鹏,针对MODIS数据的劈窗算法研究,武汉大学学报(信息科学版),2005(8):703-708.],地表温度和发射率的反演精度已经有一定的保障。目前还没有利用MODIS数据估算近地表空气温度的方法发表。表1MODIS遥感器技术参数光谱范围光谱带宽地面分辨率(m)信噪比主要应用领域620~670nm50nm250128snr植被叶绿素吸收841~876nm35nm201snr云和植物、土地覆盖459~479nm20nm500243snr土壤、植被差异545~565nm20nm228snr绿色植物123(M250腦20nm74snr叶子/冠层差异5<table>tableseeoriginaldocumentpage6</column></row><table>4433-4498nm50nm0.25NEAT大气湿度/云4482--4549nm50nm0.25NEAT1360'-1390nm30nm1504NEAT巻云、气溶胶6535--6895nm360nm0,25NEAT大气湿度7175--7475nm300腦0.25NEAT840O-8700nm300nm0.05NEAT表面温度9580~-9880腦300nm0.25NEAT臭氧10780--11280nm500nm0.05NEAT云/表面温度11770--12270nm500nm0.05NEAT云顶高度/表面温度13185--13485nm300腦0,25NEAT13485-43785nm300nm0.25NEAT云顶高度13785--14085nm300nm0.25NEAT14085--14385訓300腦0.25NEAT
发明内容本发明的目的在于提供一种从遥感数据MODIS估算近地表空气温度的方法,以克服现有近地表空气温度利用物理方法难以获取的实际困难,以及气象站点插值难以保证精度的缺点,特别是在边远地区难以保证时效性的缺点,而且还能进一步提高近地表小尺度空气温度和地表蒸散发的估算精度。为实现上述目的,本发明提供的从遥感数据MODIS估算近地表空气温度的方法为第一步、建立MODIS遥感器第29、31、32波段星上辐射亮度温度的模拟数据库1-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数;1-2)读出相应MODIS产品每个像元的地表温度(LST)、发射率(s,)和大气水汽含量(w)的值,对于每个像元,LST-2K《LST《LST+2K,s,.-0.03《s,《《+0.03,w-0.13w《w《w+0.13w,作为每个像元的先验知识输入到M0DTRAN4[Berk,A.,Bernstein,L.S.andRoberttson,D.C.,MODTRAN:AmodetateresolutionmodelforLOWTRAN.Burlington,MA,SpectralScience,Inc.,Rep.AFGL-TR-87-0220.1987.]中进行模拟并建立训练和测试数据库;1-3)读入MODIS数据对应的地表温度和发射率值,根据l-2)中限定的变化范围,模拟地表温度和近地表空气温度的可能变化变化;1-4)读入大气水汽含量初始值,根据1-2)中限定误差变化范围,模拟过程中大气水汽含量变化;1-5)输入MODIS卫星传感器高度,并默认大气气溶胶、二氧化碳等其它参数;1-6)根据MODIS数据第29、31、32波段的波长范围执行模拟,并输出MODIS数据第29、31、32波段模拟星上辐射亮度;1-7)将每次模拟得到星上辐射亮度转换成亮度温度,针对每个像元并和每次模拟输入的地表温度和发射率,以及大气水汽含量一起建立相应的数据库。第二步、神经网络训练和测试2-1)将第一步中模拟数据库分成两组,一组为训练数据集;一组为测试数据集;2-2)将训练数据集中的MODIS第29、31、32波段的星上亮度温度和大气水汽含量作为神经网络的输入节点,近地表空气温度作为输出节点,进行训练;2-3)将测试数据集的星上亮度温度和大气水汽含量输入训练好的神经网络,输出近地表空气温度;2-4)将2-3中输出的近地表空气温度和对应的近地表空气温度对比。第三步、反演近地表空气温度3-1)读取MODIS遥感影像数据的第29、31、32波段以及大气水汽含量数据;3-2)将MODIS数据的第29、31、32波段的星上亮度转换成星上亮度温度(T29、T31、T32)和提取相应的大气水汽含量W;3-3)将3-2中T29、T31、T32、W输入到第二步训练好的神经网络中,输出近地表空气温度(NSAT);3-4)根据影像对应的地表进行相关验证和应用分析。所述的方法,其中,第一步的l-3中,近地表空气温度变化范围是NSAT《LST+15K,模拟过程中步阶改变幅度为2K。所述的方法,其中,第一步的l-4中,大气水汽含量初始值是读入的大气水汽含量(w),限定范围为w-0.13w《w《w+0.13w,模拟过程中步阶改变幅度为0.2g/cm2。所述的方法,其中,第一步的1-5中,输入MODIS卫星传感器高度为705KM。所述的方法,其中,第二步的2-4中,近地表空气温度标准误差大于2K,将两层隐含节点都加5,重复2-2继续进行训练和测试,至近地表空气温度标准误差小于2K。本发明的有益效果是,利用MODIS地表温度和发射率以及大气水汽含量作为先验知识,邻近热红外波段之间的发射率存在线性关系,透过率和大气水汽含量之间存在关系,利用大气辐射传输模型进行模拟可以很好地利用这些潜在的信息,有效地减少未知数和解决病态反演中方程不够的难题。提高了反演精度和计算时间,克服以往直接从卫星数据估算近地表空气温度信息量不够的缺点。为气候变化研究,气象预报,蒸散发,农情监测以及灾害监测等提供了有效手段和技术支撑。其操作实用性比传统的利用地面气象观察站点插值得要简单,面上精度要高。事实上,地面气象观测站也是本方法进一步提高精度的数据重要补充来源,二者结合将大大提供近地表空气温度在区域上的估算精度。下面结合附图和实施例对本发明进一步说明。图1MODIS遥感器。图2是本发明的主流程示意图。图3是本发明建立MODIS遥感器第29、31、32波段星上辐射亮度温度的模拟数据库的流程示意图。图4是本发明采用的多层神经网络结构示意图。图5是本发明的神经网络训练和测试流程示意图。图6是本发明的估算近地表空气温度流程示意图。图7是采用本发明得到的地表实测数据与反演结果的对比图。具体实施例方式陆地表面温度和发射率反演是基于热辐射传输方程,通用的表达式如式(1)所示[毛克彪,针对MODIS数据的地表温度反演方法研究,硕士学位论文,谤京丈学,2004.5.]:<formula>formulaseeoriginaldocumentpage10</formula>,⑨试式中t;表示地表温度,7;表示通道z'在传感器高度获得的星上亮度温度,表示通道z'在观测方向e的大气透过率,e'表示大气向下亮温辐射的方向,表示通道/在观测方向e处的地表发射率。A(7])是传感器接收到的辐射强度,A(7;)地表的辐射强度,z;表示通道z的有效大气平均作用温度。有效大气平均作用温度)是随波长变化而变化的,它主要由大气水汽含量和近地表空气温度决定[MaoKebiao,HuajunTang,XiufengWang,QingboZhou,DaolongWang,Near-SurfaceAirTemperatureEstimationFromASTERDataUsingNeuralNetwork,InternationalJournalofRemoteSensing,2008,29(20):6021-6028.]。<formula>formulaseeoriginaldocumentpage10</formula>(式2)式中r。为2米高左右近地表空气温度,4是常数,5,通道z系数。近地表空气温度还受地表温度的影响。在一个给定的地点,近地表空气温度和地表温度也存在像式2—样的关系,但这个关系不是很稳定,它随时间和地点变化而变化。在等式1中,有三个未知数(发射率,地表温度和近地表空气温度),这是一个典型的病态问题。如果不构造其它条件,方程组无解。另外,每个热红外波段的透过率("0)也是一个未知数,它是大气水汽含量和其它气体的函数(式3)。<formula>formulaseeoriginaldocumentpage10</formula>(式3)『是大气水汽含量,O表示其它气体(二氧化碳,一氧化氮,臭氧,甲垸,一氧化碳等),这些气体相对大气水汽含量是稳定的,其影响可以通过标准大气剖面模拟得到。热红外波段透过率对水汽非常敏感,劈窗算法就是利用两个热红外波段对水汽的不同敏感性来消除水汽的影响,从而反演计算得到地表温度。对于不同的地物在不同的波段,发射率几乎是一个常数,Mao"(2008)[Mao,K.,ShiJ.,TangH.,LiZ丄.,WangX.andChenK.,ANeuralNetworkTechniqueforSeparatingLandSurfaceEmissivityandTemperaturefromASTERImagery,ZE五五rra似ac".o朋G^wc^wceam/iemo化&ww>7g,2008,46(1):200-208.]提出利用邻近波段发射率之间局部线性关系减少未知数来克服病态问题。等式可以描述成如式4。<formula>formulaseeoriginaldocumentpage11</formula>s.W)和。(。是不同波段(/,j)在观测角度卯寸的发射率。c,.是常数,A是通道/的系数。对于同一种地物类型,不同波段的发射率可以用一个波段的发射率表示,从而将不同波段的发射率减少为l个。由于很难用几个函数将所有的波段精确地描述,这个潜在的信息没有被充分利用[Mao,K.,ShiJ.,TangH.,LiZ丄.,WangX.andChenK.,ANeuralNetworkTechniqueforSeparatingLandSurfaceEmissivityandTemperaturefromASTERImagery,rrawrac"o/wGeosde"ceSrn^"g,2008,46(1):200-208.]。另外非线性函数(比如普朗克函数)的线性简化也会产生误差。为了克服传统的反演算法需要花费很多时间进行推算的缺点。本发明利用神经网络(NN)不需要知道输入和输出参数之间的关系,可以通过大气辐射传输模型(MODTRAN4)模拟训练数据集,通过模拟数据训练直接确定输入和输入数据之间的关系。本实例实现(方法)主要包括三个步骤,如图2。第一步骤是从MODIS地表温度和发射率产品、大气水汽含量产品读取每一个像元的地表温度、发射率和大气水汽含量,将它们作为MODTRAN4的输入参数。举个例子,比如一个像元的地表温度是300K,波段29,31和32的发射率分别是0.95、0.96、0.98,大气水汽含量是1.2g/cm2,将这些产品值作为MODTRAN的已知输入参数,近地表空气温度变化范围是300K到315K,采用是中纬度大气剖面,模拟过程如图3所示;第二步骤是利用神经网络软件,神经网络与传统的方法不一样,它不需要准确地知道反演算法(规则)。由于神经网络具备从复杂的和不精确的数据中提取信息,所以神经网络能够被用来提取模式预测[HomikK.M.,StinchcombeM.,andWhiteH.,Multilayerfeedforwardnetworksareuniversalapproximators,TVewra/A^wwA;,1989,4(5):359-366],如图4所示。本实施例采用动态学习神经网络(DL)对第一步骤中建立的数据库进行训练和测试。动态神经网络使用了卡曼滤波来增加训练时的收敛速度并且提高了解非线性问题的能力,神经网络的各节点权重被初始化为(-l,l)之间的随机数。卡曼滤波过程是均方根估计迭代的过程,每次网络权重的更新是新输入数据集基于先前的权重学习的基础上,输出节点的权重更新是相互独立的。由于基于卡曼滤波的动态学习神经网络只需要两个迭代过程就达到所要求的均方根阈值,而且反演结果很稳定,所以均方根误差通常设定为10e-3,迭代次数为2。更多的请参阅[TzengY.C.,ChenK.S.,KaoW.L.,andFungA.K.,ADynamiclearningnerualnetworkforremotesensingapplications,7>ww.ie附o/eSe"w.wg,1994,32(5):1096-1102.]的介绍。整个模拟和训练过程如图5所示。将模拟数据分成训练和测试两部分训练数据集89和测试数据集51。在反复训练和测试后,近地表空气温度反演结果如表1中T。'所示。从表1中可以看出,反演结果非常好,平均误差和标准误差分别大约为0.8K禾卩0.9K。精度提高的主要原因是地表温度和发射率以及大气水汽含量作为了先验知识;考虑地表温度和发射率的反演误差分别大约为士lK和±0.015[Wan,Z.,Y.Zhang,Y.Q.Zhang,andZ.L.Li,ValidationofthelandsurfacetemperatureproductsretrievedfromModerateResolutionImagingSpectroradiometerdata,RemoteSens.Environ.,2002,83:163—180.],大气tK汽含量的误差为±13%[KaufmanY.J.,GaoB.C.,Remotesensingofwatervaporinthenear-IRfromEOS/MODIS.Tra似.Geosd,Wem.Se朋.,1992,30,871-884.]。这里我们考虑地表温度的反演误差在士2K和发射率误差为士0.03。对于每个像元,LST-2K《LST《LST+2K,《-0.03《《《s,+0.03,w-0.13w《w《w+0.13w,作为每个像元的先验知识输入到M0DTRAN4中进行模拟并建立训练和测试数据。比如一个像元的地表温度为300K,波段29,31和32的发射率分别为0.95、0.96、0.98,大气水汽含量是1.2g/cm2。地表温度(297-303K),波段29、31、32的发射率0.92-0.97,0.93-0.99,0.96-1,大气水汽含量l-1.5g/cm2作为先验知识输入到MODTRAN4中。训练数据集为836,测试数据集为392。在反复训练和测试后,近地表空气温度如表lTo"所示。平均误差和标准偏差分别为1.5K和1.8K,这个在目前的应用中还是能满足要求的。表1反演误差表<table>tableseeoriginaldocumentpage13</column></row><table>相关系数;SD:标准偏差.T。',T。"为近地表空气温度第三步骤是是利用第二模块中训练好的神经网络对遥感影像数据MODIS进行实际反演。为了便于和实际气象观测站点数据进行对比,我们选择了小汤山和海拉尔(2004年)的两个气象站点的MODIS数据,根据经纬度将对应单点的MODIS第29、31、32波段对应的星上亮度温度,地表温度、发射率、大气水汽含量提取出来,分别建立训练数据库(过程如步骤1,如图3),然后进行实际具体训练和测试流程如图6所示。得到的比较结果如图7,平均误差力4-Kl-)大约是1.6K。权利要求1、从MODIS数据估算近地表空气温度方法,其步骤为第一步、建立MODIS遥感器第29、31、32波段星上辐射亮度温度的模拟数据库1-1)选择所获影像的所在地区的大气剖面模式、大气路径、辐射模式和散射模式作为输入参数;1-2)读出相应MODIS产品每个像元的地表温度(LST)、发射率(εi)和大气水汽含量(w)的值,对于每个像元,LST-2K≤LST≤LST+2K,εi-0.03≤εi≤εi+0.03,w-0.13w≤w≤w+0.13w,作为每个像元的先验知识输入到MODTRAN4中进行模拟并建立训练和测试数据库;1-3)读入MODIS数据对应的地表温度和发射率值,根据1-2)中限定的变化范围,模拟地表温度和近地表空气温度的可能变化变化;1-4)读入大气水汽含量初始值,根据1-2)中限定误差变化范围,模拟过程中大气水汽含量变化;1-5)输入MODIS卫星传感器高度,并默认大气气溶胶、二氧化碳等其它参数;1-6)根据MODIS数据第29、31、32波段的波长范围执行模拟,并输出MODIS数据第29、31、32波段模拟星上辐射亮度;1-7)将每次模拟得到星上辐射亮度转换成亮度温度,针对每个像元并和每次模拟输入的地表温度和发射率,以及大气水汽含量一起建立相应的数据库。第二步、神经网络训练和测试2-1)将第一步中模拟数据库分成两组,一组为训练数据集;一组为测试数据集;2-2)将训练数据集中的MODIS第29、31、32波段的星上亮度温度和大气水汽含量作为神经网络的输入节点,近地表空气温度作为输出节点,进行训练;2-3)将测试数据集的星上亮度温度和大气水汽含量输入训练好的神经网络,输出近地表空气温度;第三步、反演近地表空气温度3-1)读取MODIS遥感影像数据的第29、31、32波段以及大气水汽含量数据;3-2)将MODIS数据的第29、31、32波段的星上亮度转换成星上亮度温度(T29、T31、T32)和提取相应的大气水汽含量W;3-3)将3-2中T29、T31、T32、W输入到第二步训练好的神经网络中,输出近地表空气温度(NSAT);3-4)根据影像对应的地表进行相关验证和应用分析。所述的方法,其中,第一步的1-3中,近地表空气温度变化范围是NSAT≤LST+15K,模拟过程中步阶改变幅度为2K。所述的方法,其中,第一步的1-4中,大气水汽含量初始值是读入的大气水汽含量(w),限定范围为w-0.13w≤w≤w+0.13w,模拟过程中步阶改变幅度为0.2g/cm2。所述的方法,其中,第一步的1-5中,输入MODIS卫星传感器高度为705KM。所述的方法,其中,第二步的2-4中,近地表空气温度标准误差大于2K,将两层隐含节点都加5,重复2-2继续进行训练和测试,至近地表空气温度标准误差小于2K。全文摘要本发明涉及一种从MODIS数据估算近地表空气温度的方法,能够应用在气象、环境监测、土地管理、农情监测、以及灾害监测等遥感应用部门。该方法,包含三个步骤第一步骤是利用MODIS数据产品每个像元的地表温度和发射率以及大气水汽含量值作为先验知识,作为大气辐射传输模拟软件MODTRAN4的输入参数,并针对所获得遥感数据MODIS每个像元第29、31、32热红外波段在不同的区域和季节进行正向模拟,建立训练和测试数据库。第二个步骤是利用神经网络对训练和测试数据集反复训练和测试。第三步骤是对MODIS实际影像数据进行反演计算,得到地表目标地区的近地表空气温度分布情况,可以用于气象预报、环境监测、农情监测和灾情监测等。文档编号G01S17/95GK101634711SQ200910091029公开日2010年1月27日申请日期2009年8月24日优先权日2009年8月24日发明者任天志,张立新,李三妹,毛克彪,王道龙,高懋芳申请人:中国农业科学院农业资源与农业区划研究所;国家卫星气象中心
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1