基于卷积神经网络的陆表温度降尺度方法、产品、介质及设备与流程

本发明涉及陆温观测，特别是涉及一种基于卷积神经网络的陆表温度降尺度方法、产品、介质及设备。

背景技术：

1、陆表温度(land surface temperature，lst)综合反映了地球表面和大气相互作用过程中物质和能量交换的结果，是研究地球系统水热平衡的重要物理参数，对理解地表过程、监测环境变化、应对气候变化等具有重要意义，现被广泛应用于土壤含水量反演、蒸散发反演、环境反演、城市热岛研究及干旱监测等领域。

2、卫星遥感是一种高效获取lst的方法。近年来，随着遥感技术的发展，利用卫星遥感所获得的陆表温度产品在估计地表热惯量、地表湿度和地表蒸散量，衡量土地荒漠化程度及城市热岛等研究中发挥着不可替代的作用。但卫星传感器自身的物理性能限制导致获取的单一遥感数据中，空间分辨率和时间分辨率往往难以兼得，这可能导致一些需要高空间分辨率和高时间分辨率数据支持的研究或应用受到局限。例如，高时间分辨率数据因其低空间分辨率而难以满足城市尺度精细化地表温度研究，而高空间分辨率数据又因其时间分辨率过低而无法研究地表温度在短时间上的持续变化规律。与自然陆表相比，城市下垫面更复杂，其陆表温度空间差异性更高，因此高时空分辨率陆表温度是城市热环境研究的关键数据。然而，当前卫星遥感数据普遍存在着时空分辨率矛盾的问题。

技术实现思路

1、本发明的目的是提供一种基于卷积神经网络的陆表温度降尺度方法、产品、介质及设备，能够实现低分辨率到高分辨率的陆表温度数据降尺度，提高陆表温度数据的时空分辨率。

2、为实现上述目的，本发明提供了如下方案。

3、一方面，本发明提供一种基于卷积神经网络的陆表温度降尺度方法，包括：

4、获取同时相或邻近时相的高分辨率陆表温度数据以及高分辨率辅助数据并构建多源高分数据库；所述高分辨率辅助数据包括多光谱rgb数据、植被指数、建筑指数以及地表高程；

5、构建卷积神经网络降尺度模型；所述卷积神经网络降尺度模型的输入为低分辨率陆表温度数据和高分辨率辅助数据，输出为高分辨率陆表温度数据；

6、基于多源高分数据库构建深度学习训练样本集；

7、采用深度学习训练样本集对卷积神经网络降尺度模型进行训练和测试，训练完成后获得高分辨率陆表温度降尺度模型；

8、针对待降尺度的低分辨率陆表温度数据，使用高分辨率陆表温度降尺度模型进行降尺度，获得高分辨率陆表温度数据。

9、可选地，所述多源高分数据库中，高分辨率陆表温度数据和高分辨率辅助数据均按照数据源、空间分辨率、时间、数据类型以及数据值的顺序逐级存放并定期备份数据。

10、可选地，所述构建卷积神经网络降尺度模型，具体包括：

11、将高分辨率陆表温度数据进行卷积操作得到第一个卷积层conv1；

12、将conv1经过下采样和残差卷积操作得到第二个卷积层conv2；

13、将conv2经过下采样和残差卷积操作得到第三个卷积层conv3；

14、将与高分辨率陆表温度数据对应空间范围的低分辨率陆表温度数据使用最近邻采样至上采样后陆表温度数据，并与conv3在通道上进行连接，得到连接层cat；

15、将cat经过卷积操作得到第四个卷积层conv4；

16、将conv4经过上采样和卷积操作，并与conv2跨层连接，得到第五个卷积层conv5；

17、将conv5经过上采样和卷积操作，并与conv1跨层连接，得到第六个卷积层conv6；

18、将conv6进行卷积操作得到高分辨率陆表温度数据并输出。

19、可选地，所述基于多源高分数据库构建深度学习训练样本集，具体包括：

20、根据低分辨率陆表温度数据的时空范围，从多源高分数据库中选取同时相或邻近时相的高分辨率辅助数据以及高分辨率陆表温度数据并进行掩膜处理；

21、将掩膜处理后的低分辨率陆表温度数据、高分辨率辅助数据以及高分辨率陆表温度数据裁剪为固定尺寸的多组训练样本，共同构成深度学习训练样本集；每组训练样本中均包括低分辨率陆表温度图像块以及对应的高分辨率辅助图像块和高分辨率陆表温度图像块。

22、可选地，所述采用深度学习训练样本集对卷积神经网络降尺度模型进行训练和测试，训练完成后获得高分辨率陆表温度降尺度模型，具体包括：

23、设置模型训练所需的超参数，使用深度学习训练样本集训练卷积神经网络降尺度模型；

24、训练过程中不断更新模型参数以最小化训练样本的损失函数；

25、模型训练完成后，使用独立的验证集对模型进行测试评估，并根据测试评估结果对模型进行优化，最终获得性能优异的高分辨率陆表温度降尺度模型。

26、可选地，所述针对待降尺度的低分辨率陆表温度数据，使用高分辨率陆表温度降尺度模型进行降尺度，获得高分辨率陆表温度数据，具体包括：

27、根据待降尺度的低分辨率陆表温度数据的时间信息，从多源高分数据库中搜索获取最邻近时相的高分辨率辅助数据；

28、将最邻近时相的高分辨率辅助数据在空间范围上裁剪到与待降尺度的低分辨率陆表温度数据一致，并用待降尺度的低分辨率陆表温度数据中的无效值对最邻近时相的高分辨率辅助数据进行掩膜处理；

29、将处理好的低分辨率陆表温度数据与最邻近时相的高分辨率辅助数据输入高分辨率陆表温度降尺度模型，输出对应的高分辨率陆表温度数据。

30、另一方面，本发明还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述基于卷积神经网络的陆表温度降尺度方法。

31、另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述基于卷积神经网络的陆表温度降尺度方法。

32、再一方面，本发明还提供一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述基于卷积神经网络的陆表温度降尺度方法。

33、根据本发明提供的具体实施例，本发明公开了以下技术效果：

34、为解决当前卫星遥感数据普遍存在的时空分辨率矛盾的问题，本发明提出了一种基于卷积神经网络的陆表温度降尺度方法、产品、介质及设备，通过构建多源高分数据库和卷积神经网络降尺度模型，利用低分辨率陆表温度数据和邻近时相的遥感高分信息(包括高分辨率陆表温度数据以及高分辨率辅助数据)训练模型，使得模型能够有效地提取特征并实现低分辨率到高分辨率的陆表温度数据降尺度，提高了陆表温度数据的时间和空间分辨率，为需要高时空分辨率陆表温度数据的研究(如小尺度区域城市热岛研究)提供可靠的数据支持。

技术特征：

1.一种基于卷积神经网络的陆表温度降尺度方法，其特征在于，包括：

2.根据权利要求1所述的基于卷积神经网络的陆表温度降尺度方法，其特征在于，所述多源高分数据库中，高分辨率陆表温度数据和高分辨率辅助数据均按照数据源、空间分辨率、时间、数据类型以及数据值的顺序逐级存放并定期备份数据。

3.根据权利要求1所述的基于卷积神经网络的陆表温度降尺度方法，其特征在于，所述构建卷积神经网络降尺度模型，具体包括：

4.根据权利要求1所述的基于卷积神经网络的陆表温度降尺度方法，其特征在于，所述基于多源高分数据库构建深度学习训练样本集，具体包括：

5.根据权利要求1所述的基于卷积神经网络的陆表温度降尺度方法，其特征在于，所述采用深度学习训练样本集对卷积神经网络降尺度模型进行训练和测试，训练完成后获得高分辨率陆表温度降尺度模型，具体包括：

6.根据权利要求1所述的基于卷积神经网络的陆表温度降尺度方法，其特征在于，所述针对待降尺度的低分辨率陆表温度数据，使用高分辨率陆表温度降尺度模型进行降尺度，获得高分辨率陆表温度数据，具体包括：

7.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的基于卷积神经网络的陆表温度降尺度方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的基于卷积神经网络的陆表温度降尺度方法。

9.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的基于卷积神经网络的陆表温度降尺度方法。

技术总结本发明公开一种基于卷积神经网络的陆表温度降尺度方法、产品、介质及设备，涉及陆温观测领域。本发明首先获取同时相或邻近时相的高分辨率陆表温度数据以及高分辨率辅助数据并构建多源高分数据库；构建卷积神经网络降尺度模型；基于多源高分数据库构建深度学习训练样本集；采用深度学习训练样本集对卷积神经网络降尺度模型进行训练和测试，训练完成后获得高分辨率陆表温度降尺度模型；针对待降尺度的低分辨率陆表温度数据，使用高分辨率陆表温度降尺度模型进行降尺度，获得高分辨率陆表温度数据。本发明能够实现低分辨率到高分辨率的陆表温度数据降尺度，同时提高陆表温度数据的时间和空间分辨率。技术研发人员：鄢俊洁,瞿建华,李志强,云璋瑜,张芳芳受保护的技术使用者：北京华云星地通科技有限公司技术研发日：技术公布日：2024/11/14