从modis数据反演地表温度和发射率方法

专利名称：：从modis数据反演地表温度和发射率方法
技术领域：
：本发明涉及一种从遥感数据MODIS反演地表温度和发射率的方法，能够应用在气象、环境监测、土地管理、农情监测、以及国防军事等遥感部门。
背景技术：
：地表温度是指地表表层的温度，地表发射率是衡量地物在热红外波段辐射能力的一个非常重要的指标。地表温度和发射率在气候变化研究中是两个非常重要的参数，其重要性己经使热红外遥感成为遥感研究的一个重要领域，目前已经开发了很多实用的地表温度遥感反演方法，如热辐射传输方程法、劈窗算法、单窗算法和多通道算法。许多反演算法是针对具体的传感器开发的，例如Qinetal口001]针对NOAA-AVHRR开发了一个劈窗算法[QinZ.H.，OlmoG.D.,andKarnieliA.,DerivationofsplitwindowalgorithmanditssensitivityanalysisforretrievinglandsurfacetemperaturefromNOAA-advancedveryhighresolutionradiometerdata,Geo//^.2001,22,655-22,670.]，由于AVHRR传感器上没有近红外波段反演大气水汽含量，只能通过气象站点或者其他传感器获得大气参数。1999、2002年搭载MODIS遥感器的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(如图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1)，因而非常合适于区域尺度的地表热量空间差异分析。但是，目前针对MODIS遥感数据的地表温度反演方法不是很多，万正明等在1996和1997年在MODIS传感器还没有搭载卫星上天之前，针对这个传感器提出了两禾中反演算法[WanZ.andDozierJ.,Ageneralizedsplit-windowalgorithmforretrievinglandsurfacetemperaturemeasurementfromspace,rra肌iewofeSera.，1996，34:892-905.;WanZ.M.,LiZ..L.，APhysics-BasedAlgorithmforRetrievingland-surfaceemissivityandtemperaturefromEOS/MODISdata,TE五五7ra肌Gmyc/.T^附o/e&"s.，1997，35:980-996.]。其中一个是劈窗算法，只反演地表温度，该算法中发射率是通过地表分类数据和发射率库匹配得到。由于受云等的影响，分类产品不具备实时性，所以地表发射率也不具备实时性；另外一个算法是能同时反演地表温度和发射率，该算法同时需要白天和晚上的数据，由于数据匹配原因和该算法需要的一些参数需要其它同时搭载的传感器或者其它反演产品获得，使得同时反演的温度产品分辨率从lxl公里降低到5x5公里。这两个算法被美国宇航局(NASA)采用作为产品算法。但算法比较复杂，一般科研人员难以实现，比较复杂。国内许多研究者针对MODIS传感器的地表温度反演做过一些研究，比如毛克彪和覃志豪等[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.;毛克彪，覃志豪，施建成，用MODIS影像和劈窗算法反演山东半岛的地表温度,中国矿业大学学报(自然科学版)，2005(1):46-50.]。毛克彪等于2009年已经针对MODIS数据申报了地表温度反演方法专利一项[申请号200910091030.7]。虽然该方法简便实用，但只能反演地表温度，而不能同时反演得到地表发射率。虽然MODIS卫星传感器搭载在美国卫星上，但我国MODIS数据地面接收站比较多，比如农业部资源遥感与数字农业重点室，中国气象局卫星气象中心，中国科学院地理所等都有接收站点。美国宇航局向全球发布MODIS温度产品，其精度在美国本土比较准确，但在世界其它地区有些地方精度还是不够，需要进一步提高[WAN,Z.,ZHANG,Y.,ZHANG,Q.andLI,Z.-L.,2002，Validationoftheland-surfacetemperatureproductsretrievedfromTerraModerateResolutionImagingSpectroradiometerdata.RemoteSensingofEnvironment,2002，83,163-180.]。特别需要我们根据世界各地本地的实际情况，进一步研究新算法或者做进一步的校正，以提高精度。表1MODIS遥感器技术参数<table>tableseeoriginaldocumentpage5</column></row><table><table>tableseeoriginaldocumentpage6</column></row><table>
发明内容本发明的目的在于提供一种从遥感数据MODIS同时反演地表温度和发射率的方法，以克服现有地表温度反演方法复杂，且难以满足科研人员个人使用的需要，以及更加充实国内研究人员针对热红外遥感器开发的产品算法，为我国2020之前计划发射100颗卫星上热红外传感器提供地表温度和发射率反演方法参考，而且还能进一步提高目前农业部业务运行中地表温度和发射率的反演精度，提高旱情监测和农作物估产精度[已经拟定作为农业部农情监测中的地表温度和发射率反演方法之一]。为实现上述目的，本发明提供的从遥感数据MODIS同时反演地表温度和发射率方法步骤为第一步、建立对地观测卫星上MODIS传感器第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)选择常见地物在MODIS数据第29、31和32波段的发射率分别作为输入参数；1-3)输入所获得影像时间在所在地区温度变化范围的可能最低值，并限定最高值，模拟过程中地表温度变化；1-4)输入大气水汽含量初始值，限定最大值，模拟过程中大气水汽含量变化；1-5)输入对地观测卫星MODIS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，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四个输入节点，地表温度和MODIS第29、31、32波段的发射率作为4个输出节点，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，输出地表温度和发射率；2-4)将2-3中输出的地表温度和发射率和对应的地表温度和发射率对比，达到给定精度时候就停止训练。第三步、反演地表温度和发射率3-1)对MODIS遥感影像数据的第2、19、29、31、32波段进行几何校正；3-2)利用MODIS第19波段和第2波段计算比值T，然后利用这个比值计算大气水汽含量W[KaufmanY.J"GaoBo-Cai.，RemoteSensingofWaterVaporintheNearIRfromEOS/MODIS,7>ww.Geosc/.及ewo化Sera.,1992，30:871-884.]:<formula>formulaseeoriginaldocumentpage8</formula>3-3)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);3-4)将3-2中W和3-3中T29、T31、T32输入到第二步训练好的神经网络中，输出地表温度和MODIS第29、31、32波段的发射率(E29、E31、E32);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，温度变化范围的最低值和最高值为所在地区历史上的温度变化范围最低值和最高值，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和最大值为所在地区历史上大气水汽含量的最小值和最大值，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l-5中，输入MODIS传感器高度为705KM。所述的方法，其中，第二步的2-4中，地表温度平均误差大于0.5K和MODIS第29、31、32波段的发射率都大于0.01时，将两层隐含节点都加10，重复2-2继续进行训练和测试，至地表温度平均误差小于0.5K和MODIS第29、31、32波段的发射率平均误差都小于0.01。本发明的有益效果是，利用地球物理参数之间存在关系，具体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。提高了反演精度和减少计算时间，克服以往同一地点需要白天和晚上两景数据的困难，特别当白天或者晚上有云或者降雨无数据的难点。为气象预报、气候变化研究、农情监测等提供了有效手段和技术支撑。其操作实用性比美国宇航局(NASA)数据产品分发中心的产品算法要简单，精度要高。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传感器第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是本发明的反演地表温度和发射率的流程示意图。图7是利用第2和19波段估算的大气水汽含量图。图8是采用本发明反演的地表温度分布图。图9美国宇航局(NASA)提供的1KM地表温度产品分布图。图10是本发明反演得到地表温度与美国宇航局(NASA)提供地表温度产品相对误差分布图。图11是采用本发明得到的地表实测数据与反演结果的对比图。具体实施例方式地表温度反演是以地表热辐射传导方程为基础，即通过建立能量平衡方程来反演地表温度。辐射传输方程描述了卫星的微波辐射计所观测到的辐射总强度，不仅有来自地表的辐射，而且还有来自大气的向上和向下的路径辐射。这些辐射成分在穿过大气层到达遥感器的过程中，还受到大气层的吸收作用的影响而削减。同时，地表和大气的辐射也在这一过程中产生不可忽略的影响。地表温度的反演公式可以简化为式3所示A(t;.)=《.(。、(e)石,.(7;)+[i—+(i-。(。)r,.(0)]A(rj(式3)式3中r,.(0表示z'波段(z'为表l中所示MODIS传感器第29，31，32波段)在视角^的透过率，《.(e)表示z'波段在视角e的发射率，t;表示z波段的星上亮度温度，t;表示地表温度，7;表示大气平均作用温度，5,.(r》、马(r》、s,(r,。)分别表示星上辐射强度、地面辐射强度和大气平均作用辐射强度，具体表示的是普朗克函数(式4):2c力u"(式4)将能量和温度联系在一起别z;)(7;分别表示7:.、t;、z;。)是分谱辐射亮度，单位是『.附-2.戶一、^是波长，单位戶；/z是普朗克常数(6.6256xl0-34Js);c是光速(3xl08m/s);^是玻耳兹曼常数(1.38x10-23J/K);T是绝对温度(K)。在式1中，每个波段z'(29，31，32)都有一个未知的发射率^.(e)，还有一个未知数7;，7;和r,.(^)，美国宇航局(NASA)的产品算法是通过假定白天和晚上的发射率不变，通过构造14个方程组来减少未知数的个数。毛克彪等(2005)[KebiaoMao,JianchengShi，ZhihaoQin,PengGong，WeiLiu，LinaXu,AMultiple-bandAlgorithmforRetrievingLand-SurfaceTemperatureandEmissivityfromMODISData,InternationalGeoscienceandRemoteSensingSymposium(IGARSS05),25-29July2005，5:3269-3272.]对美国JPL(喷汽推进实验室)提供的光谱库进行了分析。对于具体的地物类型，光谱曲线基本上是稳定的。邻近波段可以通过一个线性方程(式5)来表示，因此，从理论上可以将3个波段发射率的未知数用一个来表示。，=4+A,(式5)式中4是常数，5,.是系数，可以通过统计回归得到。另外，不同波段的大气平均作用温度t;都是由地表空气温度和大气剖面决定的，其表达式可以描述如式6所示^"'+AT。(式6)10式6中C,.、D,是可以通过模拟不同大气状态计算得到。在热红外波段，大气透过率主要受大气水汽含量的影响，其表达式如式7所示式7中『表示大气水汽含量，￡,.表示常数，巧表示系数，这个可以用大气辐射传输模拟软件模拟得到。因此，在理想状态下，是可以构造足够的方程来计算得到地表温度和发射率。但由于不同地球物理参数之间的关系不可能非常准确地描述出来，当用严格的数学方法解方程时，参数之间的估计误差会传递，最后会导致所估计的目标参数误差比较大。另外，式3中的普朗克函数(式4)是一个复杂的非线性方程，以往大多数方法都是通过对普朗克函数进行泰勒展开取一次线性近似求解方程，这也会带来一定的误差。因此，在地球物理参数反演中，神经网络和最小二乘法是经常被采用的方法，这两个方法是将方程目标参数误差最小，使主要误差转移到非目标参数上。本发明的创新点在于将公知的大气辐射传输软件MOTRAN4[Berk,A.,G.Anderson,P.Acharya,M.Hoke,J.Chetwynd,L.Bernstein,E.Shettle,M.Matthew,andS.Adler陽Golden(2003)，MODTRAN4Version3Revision1User'sManual,AirForceRes.Lab.,HanscomAirForceBase,Mass.]禾口动态学习神经网络[TzengYC.,ChenK.S.，KaoW.L.,andFungA.K.,ADynamiclearningnerualnetworkforremotesensingapplications,Gecwl^mo^&"W"g,1994,32(5):1096-1102.]来解反演方程，从而充分利用了地球物理参数之间的潜在信息，克服以往算法需要先做大气校正，以及需要白天和晚上两景数据的缺点。本方法主要包括三个步骤，如图2。第一个步骤是采用美国空军和海军研究实验室共同开发的MODTRAN4大气辐射传输软件模拟卫星传感器(本实施例中是MODIS传感器)获得所在地的各种地表类型的辐射和各种可能的大气状态的正向过程，建立数据库。具体模拟计算流程如图3所示，过程如下-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；2)从美国JPL提供的光谱库OJRL:htto:〃speclib.bl.nasa.gov)，选择其中主要的80种常见地物在MODIS数据第29、31和32波段的发射率分别作为输入参数，图3中用0。来计算模拟过程中地物数目；3)输入所获得影像时间在所在地区温度变化范围的可能最低值，图3设定为273K，并限定最高值，图2中给定320K，用r。表示模拟过程中地表温度变化，反复模拟过程中步阶改变幅度为2K;4)输入大气水汽含量初始值0.2g/cm2，限定最大值为4g/cm2，用『。表示模拟过程中大气水汽含量变化，反复模拟过程中步阶改变幅度为0.2g/cm2;5)输入MODIS卫星传感器高度为705KM，大气气溶胶、二氧化碳等其它参数默认；6)根据表1中，MODIS数据第29、31、32波段的波长范围；7)执行模拟，并输出MODIS数据第29、31、32波段模拟星上辐射亮度；8)判断『。+0.2g/cm2〈4g/cm2，如果小于，则继续进行下一次模拟；9)判断r。+2K。20K，如果小于，则继续进行下一次模拟；10)判断0。+1<80，如果小于，则继续进行下一次模拟；11)将每次模拟得到星上辐射亮度转换成亮度温度，并和每次模拟输入的大气水汽含量、地表温度和发射率一起建立相应的数据库。在上述第一步骤中，本实施例是选择中纬度夏季模式、斜路径、热辐射模式、单次散射。将MODIS热红外波段的第29波段(范围8.4-8.7"附)，第31波段(范围10.78隱11.28"附)，第32波段(范围11.77-12.27"附)，各中心波长和星上辐射亮度代入式8(该式8是由式2变化得到的)7;=_^——^(8);Uln(2x59500000/(5(7;)xA5)+1)即可计算得到星上对应的温度，即式(3)等式左边的T;.。建立MODIS数据第29、31和32波段的3个星上亮度温度(T29、T31、T32)和大气水汽含量与对应的地表温度；、MODIS第29、31和32波段发射率(E29、E31、E32)数据库。第二个步骤，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,7V画/A^woA,1989，4(5):359-366]。如图4所示，模拟得到的MODIS第29、31、32星上亮度温度和大气水分含量或者MODIS影像的第29、31、32星上亮12度温度(T29、T31、T32)和大气水汽含量(W)作为多层神经网络的4个输入节点，地表温度(LST)和MODIS数据的第29、31、32波段的发射率(E29、E31、E32)作为4个输出节点。网络包含了多层基本处理单元，最小的基本单元被称之为神经元。单个的神经元是神经网络每层的基本构成单元。单个神经元是处理一个或多个输入信号的基本单元(1)输入信号x与权重(w)相乘加上偏差(2)通过激励函数产生输出信号。图5是本实施例釆用的公知的动态学习神经网络的结构示意图。图4中每个神经元的输入信息是系统的输入信号或者上一层的输出信号。激励函数/(/^)有许多种形式，最常见的激励函数是非线性的sigmoid函数，如式9所示。通过输出对输入的响应来获得模拟的函数。在网络的监督训练阶段，训练的模式被内化到网络里。在所有的训练模式被输入后，神经元的权重通过输出和期望输出之间的误差全局最小调整来获得。误差调整的等式如式io所示。五證^1X占饥-]2(10)式中乙,.是第p个模式的第z神经元期望输出，,是第p个模式的第Z神经元的输出。在式10中，z'是输出单元的和。我们可以认为训练的神经网络是由一组离散数据集分组得到的多个最小二乘法构成的内插方程组。很明显，方程近似的精度很大程度上取决于训练数据。对于从遥感数据中反演地球物理参数，对于其中非线性的关系和相互作用的因素很难描述清楚。但神经网络和传统的方法不一样，神经网络不需要准确地知道输入参数和输出参数之间的具体关系。神经网络通过训练数据直接决定了输入数据和输出数据之间的关系。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,/EE五7>aws.Geosc!'.iemofe/Sews/打g,1994,32(5):1096-1102.]的介绍。本发明具体的神经网络训练和测试流程如图5所示，过程如下1)将第一模块中模拟得到的数据库分成两组一组为训练数据集；一组为测试数据集；2)将模拟训练数据集中的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，地表温度和MODIS第29、31、32波段的发射率作为4个输出节点，进行训练；3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度和发射率；4)将第三步中输出的地表温度和发射率与对应的地表温度和发射率对比。如果地表温度平均误差大于0.5K和MODIS第29、31、32波段的发射率平均误差都大于0.01时，将两层隐含节点都加10，跳到第二步继续进行训练和测试；5)如果地表温度平均误差小于0.5K和MODIS第29、31、32波段的发射率平均误差都小于0.01时，则训练成功。在上述第二步骤中，本实施例是随机地将模拟数据分成两部分训练数据是7760组，测试数据634组，训练神经网络。通过不断地调整隐含节点(从小往大递增)，当两个隐含层每个800节点时精度比较高，地表温度的反演平均误差在0.5K以下，各波段的发射率平均误差在0.01以下，达到目前的实用要求。部分反演信息表如表2所示。表2反演信息总结表隐含节点地表滔度波段29发射率波段31发射率波段32发射率RSDRSDRSDRSD100-1000.9951.630.9550扁0.9220.0160.9060.02200-2000.9%1.50.9580.0170.9380.0140.9380.015300-3000.9961.450.9580.0170.9420.0130.9380.015400-4000駕0.950.9750.0130.9680.010.9680.01500-5000.9941.770.9610.0160.9510.0130,9530.013600-6000.9990.550.9840.010.9780細0.9760.009700-70010.510駕0扁0.9850.0070.9860.007800-80010.480.9880扁0.9840.0070.9840扁900-90010.520.9860.010.9830.0080.9830細R:相关系数;SD:标准偏差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。我们选择了一景MODIS/TERRA影像做实际反演分析(地点中国山东半岛，时间是2005年9月上旬)。具体反演流程如图6所示，过程如下1)对MODIS遥感影像数据的第2、19、29、31、32波段进行几何校正；2)禾,式1计算MODIS第19波段和第2波段计算比值T，然后利用式2和比值T计算大气水汽含量W，如图7;3)利用第一步骤中的式8计算MODIS第29、31和32波段的星上亮度温度T29、T31、T32和2)中计算得到的大气水汽含量W输入到第二模块中训练好的神经网络中，输出地表温度和MODIS第29、31、32波段的发射率E29、E31、E32;4)根据影像对应的地表进行相关验证和应用分析；反演得到地表温度结果如图8。图9是美国宇航局(NASA)对应的地表温度产品图。图10是图8与美国MODIS地表温度产品图9的相对误差。Wang和Liang(2005)[Wang,W.,andS.Liang,ValidatingMODISlandsurfacetemperatureproduct,ispmsrs05，17-19,October，Beijing,China,2005.]利用美国通量(http:〃public.ornl.gov/ameriflux/datahandler.cfm)观测到的地表实测数据和MODIS1KM地表温度产品进行了比较，分析结果表明美国宇航局(NASA)产品算法中地表发射率需要调整。韩丽娟(2006)[韩丽娟，同化MODIS地表温度产品和陆面过程模型研究地表蒸散，北京师范大学，博士学位论文，2006.]比较MODIDS地表温度产品和地表实测数据也表明MODIS1KM产品在很多情况下都低估了地表温度。这里我们利用973项目2004在小汤山地区测到的数据和利用RM-NN从MODIS数据中反演结果进行了比较(图ll)，平均精度是1.03K，达到了目前的实用要求。1权利要求1、一种从遥感数据MODIS反演地表温度和发射率的方法，其步骤为第一步、建立MODIS传感器第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)选择常见地物在MODIS数据第29、31和32波段的发射率分别作为输入参数；1-3)输入所获得影像时间在所在地区温度变化范围的最低值，并限定最高值，模拟过程中地表温度变化；1-4)输入大气水汽含量初始值，限定最大值，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，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四个输入节点，地表温度和MODIS第29、31、32波段的发射率作为4个输出节点，进行训练和测试；2-3)将测试数据集的星上亮度温度输入训练好的神经网络，输出的地表温度和发射率；2-4)将2-3中输出的地表温度和发射率和对应的地表温度和发射率对比，到达给定的精度就停止训练；第三步、反演地表温度和发射率3-1)对MODIS遥感影像数据的第29、31、32波段进行几何校正；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，利用第2波段和19波段计算大气水汽含量；3-3)将3-2中转换后的星上亮度温度和大气水汽含量输入到第二步训练好的神经网络中，输出地表温度和MODIS第29、31、32波段的发射率；3-4)根据影像对应的地表进行相关验证和应用分析。2、如权利要求l所述的方法，其中，第一步的l-3中，温度变化范围的最低值和最高值为所在地区历史上的温度变化范围最低值和最高值，模拟过程中步阶改变幅度为2K。3、如权利要求l所述的方法，其中，第一步的l-4中，大气水汽含量初始值和最大值为所在地区历史上大气水汽含量的最小值和最大值，模拟过程中步阶改变幅度为0.2g/cm2。4、如权利要求l所述的方法，其中，第一步的l-5中，输入MODIS卫星传感器高度为705KM。5、如权利要求l所述的方法，其中，第二步的2-4中，地表温度平均误差大于0.5K和MODIS第29、31、32波段的发射率平均误差都大于0.01时，将两层隐含节点都加10，重复2-2继续进行训练和测试，至地表温度平均误差小于0.5K和MODIS第29、31、32波段的发射率平均误差都小于0.01。全文摘要一种从遥感数据MODIS反演地表温度和发射率的方法，包含三个步骤第一步骤是利用大气辐射传输模拟软件MODTRAN4针对所获得遥感数据MODIS第29、31、32热红外波段的区域和季节以及大气模式进行正向模拟，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，并进行实际地表验证和应用分析。本发明得到的地表温度和发射率产品精度高，实用性强，操作相对简单。文档编号G01S17/00GK101655564SQ200910092458公开日2010年2月24日申请日期2009年9月15日优先权日2009年9月15日发明者李滋睿,毛克彪,王建明,王道龙,韩丽娟,黄健熙申请人:中国农业科学院农业资源与农业区划研究所;中国农业大学;国家气象中心