專利名稱：：從modis數據估算近地表空氣溫度方法
技術領域：
：本發明涉及一種利用對地觀測衛星上MODIS傳感器獲得的地面熱輻射信息估算近地表空氣溫度的方法，突破了傳統地面觀測的局限。能夠應用在氣象、農業、環境監測和旱情監測等遙感部門。
背景技術：
：近地表空氣溫度是指距離地表約2米高左右的溫度，它是氣候變化研究里一個非常重要的參數[Sun，Y.J.,WangJ.R,Zhang,R.H"Gillies,R.R.,XueY.andBoY.C.,Airtemperatureretrievalfromremotesensingdatabasedonthermodynamics.TheoreticalandAppliedClimatology,2005，80:37-48.]。由于近地表空氣溫度受時間和空間，以及地表情況的影響，至今還沒有一種方法能夠很好地估計近地表空氣溫度的空間分布。目前，在氣候變化研究里公知的三種獲得近地表空氣溫度的方法，一是基于能量平衡的物理方法。物理方法需要空氣動力學阻抗，以及地表狀態(包括水，土壤和植被的狀態等)，這幾個參數非常難以獲取[Sun，Y.J.,WangJ.F.，Zhang，R.H.，Gillies,R.R.,XueY.andBoY.C.，Airtemperatureretrievalfromremotesensingdatabasedonthermodynamics.TheoreticalandAppliedClimatology,2005,80:37-48.];另外一個方法就是經驗方法[Boyer,D.G.,Estimationofdailytemperaturemeansusingelevationandlatitudeinmountainousterrain,WaterResourceBull4,1984,583-588.]。經驗方法就是利用GIS(GeographicInformationSystem)氣象站點獲得的近地表空氣溫度進行插值得到近地表空氣溫度的分布圖。當氣象站點不是很多而且不是均勻分布(特別是在山區)的時，插值得到的結果不是非常好。三是毛克彪等利用ASTER數據的地表溫度和發射率作為先驗知識，從ASTER數據中反演近地表空氣溫度，但ASTER數據波段分辨率比較高，很難滿足目前的需求。另外就是波段設置得不是非常合理，精度有待進一步提高[MaoKebiao,HuajunTang,XiufengWang，QingboZhou,DaolongWang,Near-SurfaceAirTemperatureEstimationFromASTERDataUsingNeuralNetwork,InternationalJournalofRemoteSensing,2008,29(20):6021-6028.]。但由于各種條件的限制，目前普遍采用的是經驗方法[Burrough,P.A.andMcDo皿ellR.A.，Principlesofgeographicalinformationsystems.NewYork:OxfordUniversityPress,1998.]。MODIS遙感器于1999和2002年搭載對地觀測衛星發射成功，為全球和區域資源環境動態監測開辟了又一新的途徑。MODIS是一個擁有36個波段的中分辨率遙感系統(見圖1)，每12天可獲得一次全球觀測數據，其飛行與太陽同步，每天同一區域至少可獲得晝夜兩景圖像，并且是免費接收，因此非常適合于中大尺度的區域資源環境動態監測。在MODIS的36個波段中有8個是熱紅外波段，如表l，因而非常合適于區域尺度的地表熱量空間差異分析。目前針對MODIS遙感數據的地表溫度反演算法已經不少[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，針對MODIS數據的地表溫度反演方法研究，碩士學位論文，廣二，X"學，2004.5.;毛克彪，覃志豪，施建成，宮鵬，針對MODIS數據的劈窗算法研究，武漢大學學報(信息科學版)，2005(8):703-708.]，地表溫度和發射率的反演精度已經有一定的保障。目前還沒有利用MODIS數據估算近地表空氣溫度的方法發表。表1MODIS遙感器技術參數光譜范圍光譜帶寬地面分辨率(m)信噪比主要應用領域620~670nm50nm250128snr植被葉綠素吸收841~876nm35nm201snr云和植物、土地覆蓋459~479nm20nm500243snr土壤、植被差異545~565nm20nm228snr綠色植物123(M250腦20nm74snr葉子/冠層差異5<table>tableseeoriginaldocumentpage6</column></row><table>4433-4498nm50nm0.25NEAT大氣濕度/云4482--4549nm50nm0.25NEAT1360'-1390nm30nm1504NEAT巻云、氣溶膠6535--6895nm360nm0,25NEAT大氣濕度7175--7475nm300腦0.25NEAT840O-8700nm300nm0.05NEAT表面溫度9580~-9880腦300nm0.25NEAT臭氧10780--11280nm500nm0.05NEAT云/表面溫度11770--12270nm500nm0.05NEAT云頂高度/表面溫度13185--13485nm300腦0,25NEAT13485-43785nm300nm0.25NEAT云頂高度13785--14085nm300nm0.25NEAT14085--14385訓300腦0.25NEAT
發明內容本發明的目的在于提供一種從遙感數據MODIS估算近地表空氣溫度的方法，以克服現有近地表空氣溫度利用物理方法難以獲取的實際困難，以及氣象站點插值難以保證精度的缺點，特別是在邊遠地區難以保證時效性的缺點，而且還能進一步提高近地表小尺度空氣溫度和地表蒸散發的估算精度。為實現上述目的，本發明提供的從遙感數據MODIS估算近地表空氣溫度的方法為第一步、建立MODIS遙感器第29、31、32波段星上輻射亮度溫度的模擬數據庫1-1)選擇所獲影像的所在地區的大氣剖面模式、大氣路徑、輻射模式和散射模式作為輸入參數；1-2)讀出相應MODIS產品每個像元的地表溫度(LST)、發射率(s,)和大氣水汽含量(w)的值，對于每個像元，LST-2K《LST《LST+2K，s,.-0.03《s,《《+0.03，w-0.13w《w《w+0.13w，作為每個像元的先驗知識輸入到M0DTRAN4[Berk,A.,Bernstein,L.S.andRoberttson,D.C.,MODTRAN:AmodetateresolutionmodelforLOWTRAN.Burlington,MA,SpectralScience,Inc.,Rep.AFGL-TR-87-0220.1987.]中進行模擬并建立訓練和測試數據庫；1-3)讀入MODIS數據對應的地表溫度和發射率值，根據l-2)中限定的變化范圍，模擬地表溫度和近地表空氣溫度的可能變化變化；1-4)讀入大氣水汽含量初始值，根據1-2)中限定誤差變化范圍，模擬過程中大氣水汽含量變化；1-5)輸入MODIS衛星傳感器高度，并默認大氣氣溶膠、二氧化碳等其它參數；1-6)根據MODIS數據第29、31、32波段的波長范圍執行模擬，并輸出MODIS數據第29、31、32波段模擬星上輻射亮度；1-7)將每次模擬得到星上輻射亮度轉換成亮度溫度，針對每個像元并和每次模擬輸入的地表溫度和發射率，以及大氣水汽含量一起建立相應的數據庫。第二步、神經網絡訓練和測試2-1)將第一步中模擬數據庫分成兩組，一組為訓練數據集；一組為測試數據集；2-2)將訓練數據集中的MODIS第29、31、32波段的星上亮度溫度和大氣水汽含量作為神經網絡的輸入節點，近地表空氣溫度作為輸出節點，進行訓練；2-3)將測試數據集的星上亮度溫度和大氣水汽含量輸入訓練好的神經網絡，輸出近地表空氣溫度；2-4)將2-3中輸出的近地表空氣溫度和對應的近地表空氣溫度對比。第三步、反演近地表空氣溫度3-1)讀取MODIS遙感影像數據的第29、31、32波段以及大氣水汽含量數據；3-2)將MODIS數據的第29、31、32波段的星上亮度轉換成星上亮度溫度(T29、T31、T32)和提取相應的大氣水汽含量W;3-3)將3-2中T29、T31、T32、W輸入到第二步訓練好的神經網絡中，輸出近地表空氣溫度(NSAT);3-4)根據影像對應的地表進行相關驗證和應用分析。所述的方法，其中，第一步的l-3中，近地表空氣溫度變化范圍是NSAT《LST+15K，模擬過程中步階改變幅度為2K。所述的方法，其中，第一步的l-4中，大氣水汽含量初始值是讀入的大氣水汽含量(w)，限定范圍為w-0.13w《w《w+0.13w，模擬過程中步階改變幅度為0.2g/cm2。所述的方法，其中，第一步的1-5中，輸入MODIS衛星傳感器高度為705KM。所述的方法，其中，第二步的2-4中，近地表空氣溫度標準誤差大于2K，將兩層隱含節點都加5，重復2-2繼續進行訓練和測試，至近地表空氣溫度標準誤差小于2K。本發明的有益效果是，利用MODIS地表溫度和發射率以及大氣水汽含量作為先驗知識，鄰近熱紅外波段之間的發射率存在線性關系，透過率和大氣水汽含量之間存在關系，利用大氣輻射傳輸模型進行模擬可以很好地利用這些潛在的信息，有效地減少未知數和解決病態反演中方程不夠的難題。提高了反演精度和計算時間，克服以往直接從衛星數據估算近地表空氣溫度信息量不夠的缺點。為氣候變化研究，氣象預報，蒸散發，農情監測以及災害監測等提供了有效手段和技術支撐。其操作實用性比傳統的利用地面氣象觀察站點插值得要簡單，面上精度要高。事實上，地面氣象觀測站也是本方法進一步提高精度的數據重要補充來源，二者結合將大大提供近地表空氣溫度在區域上的估算精度。下面結合附圖和實施例對本發明進一步說明。圖1MODIS遙感器。圖2是本發明的主流程示意圖。圖3是本發明建立MODIS遙感器第29、31、32波段星上輻射亮度溫度的模擬數據庫的流程示意圖。圖4是本發明采用的多層神經網絡結構示意圖。圖5是本發明的神經網絡訓練和測試流程示意圖。圖6是本發明的估算近地表空氣溫度流程示意圖。圖7是采用本發明得到的地表實測數據與反演結果的對比圖。具體實施例方式陸地表面溫度和發射率反演是基于熱輻射傳輸方程，通用的表達式如式(1)所示[毛克彪，針對MODIS數據的地表溫度反演方法研究，碩士學位論文，謗京丈學，2004.5.]:<formula>formulaseeoriginaldocumentpage10</formula>,⑨試式中t;表示地表溫度，7;表示通道z'在傳感器高度獲得的星上亮度溫度，表示通道z'在觀測方向e的大氣透過率，e'表示大氣向下亮溫輻射的方向，表示通道/在觀測方向e處的地表發射率。A(7])是傳感器接收到的輻射強度，A(7;)地表的輻射強度，z;表示通道z的有效大氣平均作用溫度。有效大氣平均作用溫度)是隨波長變化而變化的，它主要由大氣水汽含量和近地表空氣溫度決定[MaoKebiao，HuajunTang,XiufengWang,QingboZhou,DaolongWang,Near-SurfaceAirTemperatureEstimationFromASTERDataUsingNeuralNetwork,InternationalJournalofRemoteSensing,2008，29(20):6021-6028.]。<formula>formulaseeoriginaldocumentpage10</formula>(式2)式中r。為2米高左右近地表空氣溫度，4是常數，5,通道z系數。近地表空氣溫度還受地表溫度的影響。在一個給定的地點，近地表空氣溫度和地表溫度也存在像式2—樣的關系，但這個關系不是很穩定，它隨時間和地點變化而變化。在等式1中，有三個未知數(發射率，地表溫度和近地表空氣溫度)，這是一個典型的病態問題。如果不構造其它條件，方程組無解。另外，每個熱紅外波段的透過率("0)也是一個未知數，它是大氣水汽含量和其它氣體的函數(式3)。<formula>formulaseeoriginaldocumentpage10</formula>(式3)『是大氣水汽含量，O表示其它氣體(二氧化碳，一氧化氮，臭氧，甲垸，一氧化碳等)，這些氣體相對大氣水汽含量是穩定的，其影響可以通過標準大氣剖面模擬得到。熱紅外波段透過率對水汽非常敏感，劈窗算法就是利用兩個熱紅外波段對水汽的不同敏感性來消除水汽的影響，從而反演計算得到地表溫度。對于不同的地物在不同的波段，發射率幾乎是一個常數，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.]提出利用鄰近波段發射率之間局部線性關系減少未知數來克服病態問題。等式可以描述成如式4。<formula>formulaseeoriginaldocumentpage11</formula>s.W)和。(。是不同波段(/，j)在觀測角度卯寸的發射率。c,.是常數，A是通道/的系數。對于同一種地物類型，不同波段的發射率可以用一個波段的發射率表示，從而將不同波段的發射率減少為l個。由于很難用幾個函數將所有的波段精確地描述，這個潛在的信息沒有被充分利用[Mao,K.，ShiJ.,TangH.,LiZ丄.，WangX.andChenK.,ANeuralNetworkTechniqueforSeparatingLandSurfaceEmissivityandTemperaturefromASTERImagery,rrawrac"o/wGeosde"ceSrn^"g,2008，46(1):200-208.]。另外非線性函數(比如普朗克函數)的線性簡化也會產生誤差。為了克服傳統的反演算法需要花費很多時間進行推算的缺點。本發明利用神經網絡(NN)不需要知道輸入和輸出參數之間的關系，可以通過大氣輻射傳輸模型(MODTRAN4)模擬訓練數據集，通過模擬數據訓練直接確定輸入和輸入數據之間的關系。本實例實現(方法)主要包括三個步驟，如圖2。第一步驟是從MODIS地表溫度和發射率產品、大氣水汽含量產品讀取每一個像元的地表溫度、發射率和大氣水汽含量，將它們作為MODTRAN4的輸入參數。舉個例子，比如一個像元的地表溫度是300K，波段29，31和32的發射率分別是0.95、0.96、0.98，大氣水汽含量是1.2g/cm2，將這些產品值作為MODTRAN的已知輸入參數，近地表空氣溫度變化范圍是300K到315K，采用是中緯度大氣剖面，模擬過程如圖3所示；第二步驟是利用神經網絡軟件，神經網絡與傳統的方法不一樣，它不需要準確地知道反演算法(規則)。由于神經網絡具備從復雜的和不精確的數據中提取信息，所以神經網絡能夠被用來提取模式預測[HomikK.M.，StinchcombeM.,andWhiteH.,Multilayerfeedforwardnetworksareuniversalapproximators,TVewra/A^wwA;,1989,4(5):359-366]，如圖4所示。本實施例采用動態學習神經網絡(DL)對第一步驟中建立的數據庫進行訓練和測試。動態神經網絡使用了卡曼濾波來增加訓練時的收斂速度并且提高了解非線性問題的能力，神經網絡的各節點權重被初始化為(-l,l)之間的隨機數。卡曼濾波過程是均方根估計迭代的過程，每次網絡權重的更新是新輸入數據集基于先前的權重學習的基礎上，輸出節點的權重更新是相互獨立的。由于基于卡曼濾波的動態學習神經網絡只需要兩個迭代過程就達到所要求的均方根閾值，而且反演結果很穩定，所以均方根誤差通常設定為10e-3，迭代次數為2。更多的請參閱[TzengY.C.,ChenK.S.，KaoW.L.,andFungA.K.,ADynamiclearningnerualnetworkforremotesensingapplications,7>ww.ie附o/eSe"w.wg，1994,32(5):1096-1102.]的介紹。整個模擬和訓練過程如圖5所示。將模擬數據分成訓練和測試兩部分訓練數據集89和測試數據集51。在反復訓練和測試后，近地表空氣溫度反演結果如表1中T。'所示。從表1中可以看出，反演結果非常好，平均誤差和標準誤差分別大約為0.8K禾卩0.9K。精度提高的主要原因是地表溫度和發射率以及大氣水汽含量作為了先驗知識；考慮地表溫度和發射率的反演誤差分別大約為士lK和±0.015[Wan，Z.,Y.Zhang,Y.Q.Zhang,andZ.L.Li,ValidationofthelandsurfacetemperatureproductsretrievedfromModerateResolutionImagingSpectroradiometerdata,RemoteSens.Environ.,2002,83:163—180.]，大氣tK汽含量的誤差為±13%[KaufmanY.J.,GaoB.C.,Remotesensingofwatervaporinthenear-IRfromEOS/MODIS.Tra似.Geosd,Wem.Se朋.，1992,30,871-884.]。這里我們考慮地表溫度的反演誤差在士2K和發射率誤差為士0.03。對于每個像元，LST-2K《LST《LST+2K，《-0.03《《《s,+0.03，w-0.13w《w《w+0.13w，作為每個像元的先驗知識輸入到M0DTRAN4中進行模擬并建立訓練和測試數據。比如一個像元的地表溫度為300K，波段29,31和32的發射率分別為0.95、0.96、0.98，大氣水汽含量是1.2g/cm2。地表溫度(297-303K),波段29、31、32的發射率0.92-0.97,0.93-0.99，0.96-1，大氣水汽含量l-1.5g/cm2作為先驗知識輸入到MODTRAN4中。訓練數據集為836，測試數據集為392。在反復訓練和測試后，近地表空氣溫度如表lTo"所示。平均誤差和標準偏差分別為1.5K和1.8K，這個在目前的應用中還是能滿足要求的。表1反演誤差表<table>tableseeoriginaldocumentpage13</column></row><table>相關系數；SD:標準偏差.T。',T。"為近地表空氣溫度第三步驟是是利用第二模塊中訓練好的神經網絡對遙感影像數據MODIS進行實際反演。為了便于和實際氣象觀測站點數據進行對比，我們選擇了小湯山和海拉爾(2004年)的兩個氣象站點的MODIS數據，根據經緯度將對應單點的MODIS第29、31、32波段對應的星上亮度溫度，地表溫度、發射率、大氣水汽含量提取出來，分別建立訓練數據庫(過程如步驟1，如圖3)，然后進行實際具體訓練和測試流程如圖6所示。得到的比較結果如圖7，平均誤差力4-Kl-)大約是1.6K。權利要求1、從MODIS數據估算近地表空氣溫度方法，其步驟為第一步、建立MODIS遙感器第29、31、32波段星上輻射亮度溫度的模擬數據庫1-1)選擇所獲影像的所在地區的大氣剖面模式、大氣路徑、輻射模式和散射模式作為輸入參數；1-2)讀出相應MODIS產品每個像元的地表溫度(LST)、發射率(εi)和大氣水汽含量(w)的值，對于每個像元，LST-2K≤LST≤LST+2K，εi-0.03≤εi≤εi+0.03，w-0.13w≤w≤w+0.13w，作為每個像元的先驗知識輸入到MODTRAN4中進行模擬并建立訓練和測試數據庫；1-3)讀入MODIS數據對應的地表溫度和發射率值，根據1-2)中限定的變化范圍，模擬地表溫度和近地表空氣溫度的可能變化變化；1-4)讀入大氣水汽含量初始值，根據1-2)中限定誤差變化范圍，模擬過程中大氣水汽含量變化；1-5)輸入MODIS衛星傳感器高度，并默認大氣氣溶膠、二氧化碳等其它參數；1-6)根據MODIS數據第29、31、32波段的波長范圍執行模擬，并輸出MODIS數據第29、31、32波段模擬星上輻射亮度；1-7)將每次模擬得到星上輻射亮度轉換成亮度溫度，針對每個像元并和每次模擬輸入的地表溫度和發射率，以及大氣水汽含量一起建立相應的數據庫。第二步、神經網絡訓練和測試2-1)將第一步中模擬數據庫分成兩組，一組為訓練數據集；一組為測試數據集；2-2)將訓練數據集中的MODIS第29、31、32波段的星上亮度溫度和大氣水汽含量作為神經網絡的輸入節點，近地表空氣溫度作為輸出節點，進行訓練；2-3)將測試數據集的星上亮度溫度和大氣水汽含量輸入訓練好的神經網絡，輸出近地表空氣溫度；第三步、反演近地表空氣溫度3-1)讀取MODIS遙感影像數據的第29、31、32波段以及大氣水汽含量數據；3-2)將MODIS數據的第29、31、32波段的星上亮度轉換成星上亮度溫度(T29、T31、T32)和提取相應的大氣水汽含量W；3-3)將3-2中T29、T31、T32、W輸入到第二步訓練好的神經網絡中，輸出近地表空氣溫度(NSAT)；3-4)根據影像對應的地表進行相關驗證和應用分析。所述的方法，其中，第一步的1-3中，近地表空氣溫度變化范圍是NSAT≤LST+15K，模擬過程中步階改變幅度為2K。所述的方法，其中，第一步的1-4中，大氣水汽含量初始值是讀入的大氣水汽含量(w)，限定范圍為w-0.13w≤w≤w+0.13w，模擬過程中步階改變幅度為0.2g/cm2。所述的方法，其中，第一步的1-5中，輸入MODIS衛星傳感器高度為705KM。所述的方法，其中，第二步的2-4中，近地表空氣溫度標準誤差大于2K，將兩層隱含節點都加5，重復2-2繼續進行訓練和測試，至近地表空氣溫度標準誤差小于2K。全文摘要本發明涉及一種從MODIS數據估算近地表空氣溫度的方法，能夠應用在氣象、環境監測、土地管理、農情監測、以及災害監測等遙感應用部門。該方法，包含三個步驟第一步驟是利用MODIS數據產品每個像元的地表溫度和發射率以及大氣水汽含量值作為先驗知識，作為大氣輻射傳輸模擬軟件MODTRAN4的輸入參數，并針對所獲得遙感數據MODIS每個像元第29、31、32熱紅外波段在不同的區域和季節進行正向模擬，建立訓練和測試數據庫。第二個步驟是利用神經網絡對訓練和測試數據集反復訓練和測試。第三步驟是對MODIS實際影像數據進行反演計算，得到地表目標地區的近地表空氣溫度分布情況，可以用于氣象預報、環境監測、農情監測和災情監測等。文檔編號G01S17/95GK101634711SQ200910091029公開日2010年1月27日申請日期2009年8月24日優先權日2009年8月24日發明者任天志,張立新,李三妹,毛克彪,王道龍,高懋芳申請人:中國農業科學院農業資源與農業區劃研究所;國家衛星氣象中心
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
