AMSR-E地表温度数据重建深度学习方法
地表温度对于全球气候变化等研究具有重要意义.被动微波遥感传感器AMSR-E(Advanced Microwave Scanning Radiometer for EOS)可以获得全天候地表温度,可作为多云条件下热红外地表温度数据的补充;但轨道扫描间隙限制了该数据在全球或区域尺度上的实际应用.鉴于地表温度的高时空异质性和AMSR-ELST轨道间隙数据的特点,本文提出了一种多时相特征连接卷积神经网络地表温度双向重建模型(MTFC-CNN),利用深度学习在处理复杂非线性问题上的优势,重建轨道间隙区域的地表温度值.将2010年中国大陆四季的AMSR-ELST数据(数据未含港澳台区域),分为白天和夜晚,形成共8个数据子集进行实验.在模拟实验中,重建结果与原始反演地表温度值平均均方根误差在1.0 K左右,决定系数R2在0.88以上,优于传统的样条空间插值和时间线性回归方法;真实实验结果具有较好的目视效果,且与对应MODIS LST产品对比发现,重建区LST值和未重建区LST值与MODIS LST产品间具有相近的平均均方根误差和决定系数.因此,本文提出的MTFC-CNN方法能有效重建AMSR-ELST轨道间隙数据,且优于传统方法.
遥感、地表温度、AMSR-E LST、数据重建、深度学习、MTFC-CNN
26
TP391.41;TN957.52;R259
国家自然科学基金;次青藏高原科学考察和研究计划;安徽大学物质科学与信息技术研究院学科建设开放基金
2022-06-21（万方平台首次上网日期，不代表论文的发表时间）
共13页
739-751
