一种高时空分辨率地表蒸散发遥感反演方法

本发明涉及地表蒸散发遥感反演，具体涉及一种高时空分辨率地表蒸散发遥感反演方法。

背景技术：

1、地表蒸散发的遥感反演方法被认为是高时效、高精度获取区域尺度地表蒸散发及其时空变化状况最有效的方法。目前，已发展了多种地表蒸散发的遥感反演方法，按照模型驱动力，地表蒸散发的反演分为基于过程驱动的物理反演方法和基于数据驱动的反演方法。

2、基于过程驱动的物理反演方法有能量平衡法、基于penman-monte i th算法的方法、基于sebal模型的方法、互补关系法、地表温度-植被指数三角形或梯形特征空间法等，此类方法物理意义明确，在有高精度输入数据的前提下，能够获得较高的地表蒸散发反演精度。

3、基于数据驱动的方法由观测通量或者蒸散发产品及其密切相关的特征参数等数据驱动，通过建立数据之间的关系实现蒸散发的反演。相比于基于过程驱动的物理反演方法，基于数据驱动的方法不需预知地表蒸散发过程的物理机制，也不受限于影响因素，仅通过构建已获取的遥感、气象、观测通量等数据之间的关系就可实现高精度的地表蒸散发反演。

4、蒸散发遥感反演是利用卫星遥感技术获取短时间周期、长时间序列、大尺度范围的与蒸散发密切相关的地表特征参数，如土壤水分、地表温度、净辐射、水汽压、大气压、空气温度、风速、植被指数、土地利用类型等，但是因各类卫星传感器的应用需求和设计不同，使得获取的遥感数据的数据尺度存在很大差异，即时间分辨率、空间分辨率和光谱分辨率不相同，且由于硬件和经济等条件的限制，难以直接获取兼具高时间分辨率和高空间分辨率的遥感图像，无论是基于过程驱动的物理反演方法还是基于数据驱动的方法，均难以获得兼顾高时序和高空间分辨率的输入数据，因此这两种方法都很难满足高精度高时序地表蒸散发反演需求。

技术实现思路

1、为解决上述技术问题，本发明所采用的技术方案是：

2、一种高时空分辨率地表蒸散发遥感反演方法，包括以下步骤：

3、步骤一：制作高、低空间分辨率地表反射率遥感样本；

4、步骤二：构建高超分辨率模型；

5、步骤三：选择时序低分辨率地表反射率遥感数据；

6、步骤四：利用超分辨模型对时序低分辨地表反射率遥感数据开展超分辨计算；

7、步骤五：以高时空分辨率地表反射率遥感数据为输入，基于sebal模型开展地表分辨率反演；

8、步骤六：以sebal模型的反演结果以及部分气象数据为输入，利用卷积神经网络开展地表蒸散发反演；

9、步骤七：反演结果输出。

10、本发明技术方案的进一步改进在于：所述步骤一是通过选择同日期、同区域、同样范围的不同分辨率的多光谱地表反射率遥感数据，按照指定大小进行裁切而成，样本大小可根据实际情况而定，样本选择要多样化，即地物类型多样、季节分布多样。

11、本发明技术方案的进一步改进在于：所述步骤二则是基于步骤一的高、低分辨率地表反射率遥感图像样本的波段数量、对应顺序以及比例关系构建超分辨率模型。

12、本发明技术方案的进一步改进在于：所述步骤三选择要计算的区域和时间范围内的时序低分辨率地表反射率遥感数据。

13、本发明技术方案的进一步改进在于：所述步骤四是利用步骤二构建的超分辨率模型，以步骤三数据为输入开展超分辨率计算，获得高空间分辨率遥感图像。

14、本发明技术方案的进一步改进在于：所述步骤五则是利用步骤四的计算结果为输入，结合再分析气象数据，基于sebal模型反演高时空分辨率地表蒸散发。

15、本发明技术方案的进一步改进在于：所述步骤六是以步骤五的计算结果以及净辐射通量、地形地貌数据为输入，构建卷积神经网络模型，利用模型进行高精度地表蒸散发反演。

16、本发明技术方案的进一步改进在于：所述反演系统是由四个子模块组成，其包括超分辨率模型构建模块、sebal反演模块、机器学习模型构建模块和机器学习反演模块。

17、本发明技术方案的进一步改进在于：所述超分辨率模型构建模块是基于高、低空间分辨率遥感样本，采用超分辨率技术，构建多光谱的遥感图像超分辨率模型，并训练后导出模型，所述sebal反演模块11是基于数学公式构建sebal模型，然后调用超分辨率模块构建模块导出的超分辨率模型生成高时空分辨率遥感数据，同时读取气象参数，然后基于sebal模型进行高时空分辨率地表蒸散发的计算，所述机器学习模型构建模块是调用sebal反演模块计算结果结合气象因素，基于卷积神经网络构建蒸散发反演模型，训练并导出模型，所述机器学习反演模块是调用机器学习模型构建模块导出的模型，以sebal模型反演结果以及气象数据为输入，进行高精度地表蒸散发反演，生成并导出结果数据。

18、由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：

19、1、本发明提供一种高时空分辨率地表蒸散发遥感反演方法，通过超分辨率技术大幅度提升具有高时间分辨率和低空间分辨率卫星影像的空间分辨率，使其同时具备较高的时间和空间分辨率，从根本上解决了持续蒸散发遥感反演所需的输入数据时间分辨率和空间分辨率不一致问题，进而极大提升地表蒸散发遥感反演产品的时间和空间分辨率，同时将基于过程驱动的物理方法的反演和数据驱动方法想结合进一步提升地表蒸散发反演精度，该方法首先基于地表反射率遥感卫星影像的光谱特征构建基于深度学习的超分辨率模型，提升卫星遥感数据的空间分辨率(空间分辨率最高可以提升16倍)，从而解决地表蒸散发遥感反演中卫星遥感数据源的“时空矛盾”；以此数据作为主要的输入数据，利用物理模型sebal实现高时空分辨率地表蒸散发反演；为了进一步提升反演精度，突破物理模型适用性在大空间尺度上的限制，本研究将物理方法和数据驱动方法相结合，将sebal模型的反演结果作为结合部分气象数据作为输入特征，利用卷积神经网络构建新的地表蒸散发机器学习模型，进一步提升地表蒸散发反演精度，从而实现高精度高时空分辨率地表蒸散发遥感反演。

技术特征：

1.一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述步骤一是通过选择同日期、同区域、同样范围的不同分辨率的多光谱地表反射率遥感数据，按照指定大小进行裁切而成，样本大小可根据实际情况而定，样本选择要多样化，即地物类型多样、季节分布多样。

3.根据权利要求2所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述步骤二则是基于步骤一的高、低分辨率地表反射率遥感图像样本的波段数量、对应顺序以及比例关系构建超分辨率模型。

4.根据权利要求1所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述步骤三选择要计算的区域和时间范围内的时序低分辨率地表反射率遥感数据。

5.根据权利要求1所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述步骤四是利用步骤二构建的超分辨率模型，以步骤三数据为输入开展超分辨率计算，获得高空间分辨率遥感图像。

6.根据权利要求5所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述步骤五则是利用步骤四的计算结果为输入，结合再分析气象数据，基于sebal模型反演高时空分辨率地表蒸散发。

7.根据权利要求6所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述步骤六是以步骤五的计算结果以及净辐射通量、地形地貌数据为输入，构建卷积神经网络模型，利用模型进行高精度地表蒸散发反演。

8.根据权利要求1所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述反演系统是由四个子模块组成，其包括超分辨率模型构建模块、sebal反演模块、机器学习模型构建模块和机器学习反演模块。

9.根据权利要求8所述的一种高时空分辨率地表蒸散发遥感反演方法，其特征在于：所述超分辨率模型构建模块是基于高、低空间分辨率遥感样本，采用超分辨率技术，构建多光谱的遥感图像超分辨率模型，并训练后导出模型，所述sebal反演模块11是基于数学公式构建sebal模型，然后调用超分辨率模块构建模块导出的超分辨率模型生成高时空分辨率遥感数据，同时读取气象参数，然后基于sebal模型进行高时空分辨率地表蒸散发的计算，所述机器学习模型构建模块是调用sebal反演模块计算结果结合气象因素，基于卷积神经网络构建蒸散发反演模型，训练并导出模型，所述机器学习反演模块是调用机器学习模型构建模块导出的模型，以sebal模型反演结果以及气象数据为输入，进行高精度地表蒸散发反演，生成并导出结果数据。

技术总结本发明公开了一种高时空分辨率地表蒸散发遥感反演方法，涉及地表蒸散发反演技术领域，包括以下步骤：制作高、低空间分辨率地表反射率遥感样本、构建高超分辨率模型、选择时序低分辨率地表反射率遥感数据、利用超分辨模型对时序低分辨地表反射率遥感数据开展超分辨计算、以高时空分辨率地表反射率遥感数据为输入，基于SEBAL模型开展地表分辨率反演、以SEBAL模型的反演结果以及部分气象数据为输入，利用卷积神经网络开展地表蒸散发反演、反演结果输出。本发明通过超分辨率技术大幅度提升具有高时间分辨率和低空间分辨率卫星影像的空间分辨率，使其同时具备较高的时间和空间分辨率，解决了持续蒸散发遥感反演所需的输入数据时间分辨率和空间分辨率不一致问题。技术研发人员：刘慧慧,穆增光受保护的技术使用者：辽宁工程技术大学技术研发日：技术公布日：2024/11/18