本發(fā)明屬于熱紅外遙感，具體涉及一種三階段的高精度近地表氣溫遙感估算方法。

背景技術：

1、近地表氣溫是反映熱環(huán)境的關鍵氣象參數(shù)，在氣候變化監(jiān)測、城市熱島效應研究、公共健康、農業(yè)生產等諸多領域發(fā)揮著重要作用。高時空分辨率的近地表氣溫數(shù)據(jù)對于更好地理解和模擬復雜的陸地-大氣過程至關重要。傳統(tǒng)的地面觀測雖然能夠在點尺度上獲取準確的近地表氣溫觀測數(shù)據(jù)，但是存在數(shù)量有限、空間分布不均等缺陷，無法很好地描述大范圍內氣溫的詳細變化。

2、衛(wèi)星遙感的發(fā)展為熱環(huán)境監(jiān)測提供了一種新的手段。衛(wèi)星熱紅外遙感憑借大面積、長時間的連續(xù)觀測優(yōu)勢，已經被廣泛應用于近地表氣溫的估算研究。利用遙感數(shù)據(jù)估算近地表氣溫的方法可以分為四種：溫度-植被指數(shù)法、能量平衡法、統(tǒng)計方法和機器學習方法。溫度-植被指數(shù)法基于植被冠層內的氣溫等于冠層表面溫度的假設來估算氣溫。該方法需要的輸入?yún)?shù)很少，所有參數(shù)都可以通過遙感獲得，但不適用于植被稀疏的地區(qū)。能量平衡法根據(jù)地表能量平衡方程估算地氣溫之間關系進而從遙感地表溫度計算氣溫。該方法物理原理明確，有較高的可移植性和通用性，但地表能量平衡方程中部分變量如動態(tài)阻抗和表面粗糙度無法通過遙感手段獲取，限制了其在大尺度的應用。統(tǒng)計方法通過建立氣溫與地表溫度等環(huán)境因子之間的回歸方程來估計氣溫。該方法易于實現(xiàn)，例如，公開號為cn113255148a的專利中公開了一種基于modis產品數(shù)據(jù)估算全天氣氣溫及其時空分布方法，公開號為cn112016052b的專利中公開了一種基于多源數(shù)據(jù)的近地表日最高氣溫估算方法、系統(tǒng)及終端，但回歸模型往往不能擬合變量之間的復雜關系。機器學習方法基于非線性機器學習模型估計氣溫。與傳統(tǒng)的回歸方法相比，機器學習方法可以有效處理復雜的非線性關系，并獲得更高的精度，是當前應用最廣泛的氣溫估算方法。

3、然而，現(xiàn)有方法仍然忽視了幾個問題：1）由于極軌衛(wèi)星傳感器固有的觀測特性和寬視場，從這些傳感器獲得的地表溫度產品在同一圖像上的不同像元之間，或者在一個重訪周期內不同日期的同一像元之間，可能存在高達兩小時的時間差。當在大尺度區(qū)域或長期研究中使用遙感地表溫度產品估計近地表氣溫時，這種時間差會帶來很大的不確定性。2）大多數(shù)現(xiàn)有研究在整個區(qū)域發(fā)展一個統(tǒng)一的模型來估算近地表氣溫。然而，由于大尺度區(qū)域內自然條件的多樣性以及近地表氣溫與環(huán)境因子之間關系的差異，統(tǒng)一的模型無法體現(xiàn)氣溫估算中的空間異質性，會在近地表氣溫估計中帶來偏差。3)?現(xiàn)有研究僅使用單一機器學習算法來估算近地表氣溫，或者對比多種機器學習算法然后選擇表現(xiàn)最佳的模型進行氣溫估算。然而，單一模型通常存在局限性和不確定性，因為不同算法的表現(xiàn)會因地理位置和環(huán)境條件的變化而存在差異。

技術實現(xiàn)思路

1、針對前述問題，本發(fā)明提出了一種三階段的高精度近地表氣溫遙感估算方法，不僅有效消除了地表溫度的時間差異帶來的不確定性，還考慮了不同地理環(huán)境下模型適應性的差異，基于集成的思路整合多種單一機器學習模型，提高了氣溫的遙感估算精度。

2、本發(fā)明公開了一種三階段的高精度近地表氣溫遙感估算方法，所述方法包括以下步驟：

3、s1，對遙感地表溫度數(shù)據(jù)進行時間歸一化，以消除成像時間差異；

4、s2，將研究區(qū)根據(jù)自然條件差異聚類劃分為多個子區(qū)，基于時間歸一化后的地表溫度數(shù)據(jù)和子區(qū)內氣象站點對應的空間輔助變量，在每個子區(qū)內分別利用四種機器學習模型估算氣溫，得到空間化的氣溫估算結果；

5、s3，通過廣義加性模型集成四種機器學習模型的氣溫估算結果，得到更高精度的近地表氣溫。

6、步驟s1進一步包括以下步驟：

7、采用地表溫度歸一化公式對modis遙感傳感器采集的地表溫度數(shù)據(jù)進行時間歸一化處理：

8、；

9、式中，tnorm為歸一化到基準時間的地表溫度，tac為太陽時的實際地表溫度，a和b為系數(shù)，tac為太陽時，tnorm為基準時間；

10、基于era5_land再分析氣象數(shù)據(jù)提取逐小時地表溫度，結合era5的總云量信息進行掩膜，取晴空時相地表溫度進行逐小時月合成處理，獲得時空連續(xù)的月合成逐小時era5_land地表溫度數(shù)據(jù)；采用下述公式將era5_land地表溫度數(shù)據(jù)對應的utc協(xié)調世界時轉為太陽時：

11、；

12、式中，tsolar_time為太陽時，tutc為協(xié)調世界時，為研究區(qū)所在時區(qū)標準時間與utc的時差，lon為像元的經度值；

13、基于月合成逐小時era5_land地表溫度數(shù)據(jù)及對應的太陽時，逐像元基于地表溫度歸一化公式的形式進行最小二乘擬合得到系數(shù)a、b值，并重采樣到1km分辨率以與modis地表溫度數(shù)據(jù)分辨率一致；逐像元應用地表溫度時間歸一化公式對modis地表溫度數(shù)據(jù)進行時間歸一化處理，得到歸一化為11時的地表溫度數(shù)據(jù)。

14、進一步地，步驟s2中，將研究區(qū)根據(jù)自然條件差異聚類劃分為多個子區(qū)的過程包括以下步驟：

15、將modis反射率產品mod09a1、modis的反照率產品mcd43a3、modis反照率產品mcd43a3、era5-land和srtm/dem數(shù)據(jù)重采樣為1km分辨率，以與modis地表溫度數(shù)據(jù)分辨率一致。從預處理后modis反射率產品mod09a1中提取紅波段、近紅外波段、綠波段和短波紅外1波段的反射率；從預處理后modis反照率產品mcd43a3中提取反照率數(shù)據(jù)以及經度和緯度數(shù)據(jù)；從預處理后era5-land數(shù)據(jù)中提取太陽下行輻射dsr；從預處理后srtm/dem數(shù)據(jù)中提取高程elevation及地形指數(shù)cti。

16、運用下述公式分別計算得到500m分辨率的植被指數(shù)ndvi和水體指數(shù)mndwi：

17、；

18、；

19、式中，ρnir和ρred分別代表近紅外波段和紅波段的反射率；ρgreen為綠波段反射率，ρswir1為短波紅外1波段反射率。

20、進一步地，對反照率albedo、高程elevation、太陽下行輻射dsr、植被指數(shù)ndvi和水體指數(shù)mndwi進行年平均和歸一化處理消除分類過程中值域差異的影響，結合經度longitude和緯度latitude共同作為分類特征，運用迭代自組織數(shù)據(jù)分析模型進行聚類分區(qū)，通過迭代將研究區(qū)劃分為若干子區(qū)。

21、進一步地，步驟s2中，在每個子區(qū)內分別利用四種機器學習模型估算氣溫的過程包括以下步驟：

22、通過經緯度和時間進行時空匹配，提取出氣象站點對應的所有空間變量，空間變量包括歸一化后的地表溫度以及包括植被指數(shù)ndvi、水體指數(shù)mndwi、反照率albedo、高程elevation、太陽下行輻射dsr、地形指數(shù)cti、年積日doy、經度longitude和緯度latitude在內的空間輔助變量；

23、以所有空間變量為自變量，氣象站點實測氣溫值為因變量，在各個子區(qū)中運用隨機森林、極端梯度提升、分類增強和cubist這4種機器學習方法分別構建氣溫估算模型：

24、；

25、式中，表示站點i處的氣溫估算值；表示站點i處的空間坐標；為方程的截距；為對應自變量的回歸系數(shù)；分別為在站點i處的歸一化后的地表溫度、植被指數(shù)ndvi、水體指數(shù)mndwi、反照率albedo、高程elevation、太陽下行輻射dsr、地形指數(shù)cti、年積日doy、經度longitude和緯度latitude；為隨機誤差項；

26、將構建的4種機器學習模型應用于時間歸一化后地表溫度以及包括植被指數(shù)ndvi、水體指數(shù)mndwi、反照率albedo、高程elevation、太陽下行輻射dsr、地形指數(shù)cti、年積日doy、經度longitude和緯度latitude在內的空間輔助變量，得到空間化的氣溫估算結果。

27、進一步地，步驟s3中，以步驟s2中的各個機器學習模型得到的氣溫估算結果為自變量，氣象站點實測氣溫為因變量，運用廣義加性模型gam構建集成模型：

28、；

29、式中， ta為觀測近地表氣溫；tamodel?1、tamodel?2、tamodel?3、tamodel?4分別為隨機森林、極端梯度提升、分類增強和cubist這四種機器學習模型的氣溫估算值；s()表示對應參數(shù)的光滑函數(shù)；ei,j表示每個觀測值的殘差誤差項；

30、將構建好的集成模型應用于4種機器學習模型得到的估算氣溫，得到集成后的最終氣溫估算值。

31、本發(fā)明的優(yōu)點和有益效果是：

32、第一，本發(fā)明的三階段的高精度近地表氣溫遙感估算方法，基于再分析數(shù)據(jù)對遙感地表溫度數(shù)據(jù)進行時間歸一化，有效消除了由觀測時間差異帶來的不確定性。

33、第二，本發(fā)明的三階段的高精度近地表氣溫遙感估算方法，基于空間聚類方法將研究區(qū)劃分為小區(qū)域，在這些更小、環(huán)境更一致的區(qū)域內分別構建氣溫估算模型，通過分區(qū)建模來降低模型在不同地理環(huán)境下的適應性問題。

34、第三，本發(fā)明的三階段的高精度近地表氣溫遙感估算方法，構建集成模型來整合多個單一機器學習模型的估算結果，通過集成實現(xiàn)各種基礎模型估算結果的優(yōu)勢互補，有效地減少了單個模型的偏差，生成更高精度的估算結果。