本发明涉及针对大幅宽极轨卫星地表温度产品的角度各向异性，提出了一种新的校正思路，即首先通过卫星天顶观测方向观测的地表温度建立与多个特征之间的函数关系，得到非天顶观测方向天顶观测方向遥感地表温度对应的天顶观测方向地表温度，从而巧妙建立起同一像元非天顶观测方向天顶观测方向遥感地表温度与对应的天顶观测方向地表温度的关系，实现非天顶观测方向天顶观测方向遥感地表温度的角度校正，由此便可只通过遥感卫星数据将全球尺度卫星地表温度产品归一化至天顶观测方向。研究提出的方法数据输入少、实用可操作性前，创新性明显。
1.一种天顶观测方向地表温度估算方法，其特征在于，所述估算方法包括：
获取全球尺度每日初始遥感地表温度影像数据、对应地表上行长波辐射和植被指数；
所述每日初始遥感地表温度影像数据根据观测角度信息分为天顶观测方向遥感地表温度影像数据和非天顶观测方向遥感地表温度影像数据；
利用机器学习算法建立天顶观测方向遥感地表温度影像数据与对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数、红光、近红外波段反射率等参数的关系f1；
根据对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数等参数的关系f1，利用非天顶观测方向遥感地表温度数据对应的垂向上行长波辐射、垂向地表下行长波辐射、垂向地表净辐射和垂向植被指数等参数数据，得到对应的天顶观测方向地表温度数据估算值；
利用机器学习算法建立上述天顶观测方向地表温度数据估算值与对应原始非天顶观测方向遥感地表温度影像数据、角度信息的关系f2；
根据与对应原始非天顶观测方向遥感地表温度影像数据的关系f2，利用全球像元尺度遥感地表温度影像数据、角度信息得到全球像元尺度天顶观测方向地表温度。
2.根据权利要求1所述的一种天顶观测方向地表温度估算方法，其特征在于，所述角度信息包括：卫星观测天顶角和方位角、太阳天顶角和方位角。
3.根据权利要求1所述的一种天顶观测方向地表温度估算方法，其特征在于，获取全球尺度每日初始遥感地表温度影像数据包括1km空间分辨率地表温度数据。
4.根据权利要求1所述的一种天顶观测方向地表温度估算方法，其特征在于，对应地表上行长波辐射和植被指数，具体为时间和空间尺度对应。
5.根据权利要求1所述的一种天顶观测方向地表温度估算方法，其特征在于，所述利用机器学习算法建立天顶观测方向遥感地表温度影像数据与对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数等参数的函数关系f1:Tr,s,0＝f1(UL0,DL0,NT0,refr,0,refnir,0,NDVI0) (1)上式中，Tr,s,0为天顶观测方向遥感影像地表温度，UL0为对应天顶观测方向遥感地表温度影像数据对应的地表上行长波辐射，DL0为对应天顶观测方向遥感地表温度影像数据对应的地表上行长波辐射，NT0为对应天顶观测方向遥感地表温度影像数据对应的地表下行长波辐射，refr,0为对应天顶观测方向遥感影像数据对应的红光波段反射率，refnir,0为对应天顶观测方向遥感影像数据对应的近红外波段反射率，NDVI0为对应天顶观测方向遥感地表温度影像数据对应的植被指数。
6.根据权利要求4所述的一种天顶观测方向地表温度估算方法，其特征在于，所述机器学习算法包括随机森林机器学习算法、支持向量机学习算法、神经网络机器学习算法。
7.根据权利要求1所述的一种天顶观测方向地表温度估算方法，其特征在于，所述对应地表上行长波辐射和植被指数的f1，利用非天顶观测方向遥感地表温度影像数据对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数等参数，得到对应的天顶观测方向地表温度数据估算值；
Tc,s,0＝f1(ULv,DLv,NTv,refr,v,refnir,v,NDVIv...) (2)上式中，Tc,s,0为天顶观测方向地表温度估算值,ULv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表上行长波辐射，DLv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表下行长波辐射，NTv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表净辐射，refr,v为对应非天顶观测方向遥感影像数据对应的红光波段反射率，refnir,v为对应非天顶观测方向遥感影像数据对应的近红外波段反射率，NDVIv为对应非天顶观测方向遥感地表温度影像数据对应的垂向植被指数。
8.根据权利要求1所述的一种天顶观测方向地表温度估算方法，其特征在于，所述利用机器学习算法建立所述上述天顶观测方向地表温度数据估算值与对应原始非天顶观测方向遥感地表温度影像数据、角度信息的关系f2，所述函数关系f2Tc,s,0＝f2(Tr,s,v,Vza,Vaz,Sza,Saz) (3)
上式中，Tc,s,0为估算的天顶观测方向地表温度；Vza、Vaz、Sza和Saz分别为卫星观测天顶角和方位角、太阳天顶角和方位角，Tr,s,v为非天顶观测方向遥感地表温度。
一种天顶观测方向地表温度估算方法
技术领域
[0001] 本发明涉及遥感地表温度估算技术领域和机器学习领域，具体涉及一种天顶观测方向地表温度估算方法。
背景技术
[0002] 地表温度是区域尺度陆地表层系统过程中的关键参数，广泛应用于地表能量平衡、气候变化、蒸散发、资源环境监测等诸多研究领域。由于容易受到周围环境(如土壤理化特性、反照率、植被等)的影响，地表温度具有较强的空间异质性，即使在同一时刻下，对同一地物从不同角度下进行观测，地表温度的观测值也会存在差异，而这种差异甚至高达15℃。这一问题在大幅宽极轨卫星地表温度产品中表现更为明显，然而这些产品都没有考虑地表温度的角度效应，只能提供卫星过境时刻观测角度上的方向性地表温度。显然，地表温度的方向性效应会极大地降低地表温度产品的实际应用价值。因此，研究地表温度产品角度归一化方法，将不同观测角度下获取的地表温度归一化至天顶观测方向，对于提高地表温度产品的使用价值具有重要的现实意义。
发明内容
[0003] 本发明的目的是提供一种能够提高地表温度产品使用价值的天顶观测方向地表温度估算方法。
[0004] 为实现上述目的，本发明提供了如下方案：
[0005] 一种天顶观测方向地表温度估算方法，所述估算方法包括：
[0006] 获取全球尺度每日初始遥感地表温度影像数据、对应地表上行长波辐射、地表下行长波辐射、地表净辐射、植被指数、红光、近红外波段反射率等其他参数数据；所述每日初始遥感地表温度影像数据根据观测角度信息分为天顶观测方向遥感地表温度影像数据和非天顶观测方向遥感地表温度影像数据；
[0007] 利用机器学习算法建立天顶观测方向遥感地表温度影像数据与对应地表上行长波辐射和植被指数等参数的关系f1；
[0008] 根据对应地表上行长波辐射和植被指数的关系f1，利用非天顶观测方向遥感地表温度数据对应垂向上行长波辐射和植被指数等参数数据，得到对应的天顶观测方向地表温度数据估算值；
[0009] 利用机器学习算法建立上述天顶观测方向地表温度数据估算值与对应原始非天顶观测方向遥感地表温度影像数据、角度信息的关系f2；
[0010] 根据与对应原始非天顶观测方向遥感地表温度影像数据的关系f2，利用全球像元尺度遥感地表温度影像数据、角度信息得到全球像元尺度天顶观测方向地表温度。
[0011] 可选的，所述角度信息包括：卫星观测天顶角和方位角、太阳天顶角和方位角。
[0012] 可选的，获取全球尺度每日初始遥感地表温度影像数据包括1km空间分辨率地表温度数据。
[0013] 可选的，对应地表上行长波辐射、地表下行长波辐射、地表净辐射、植被指数和影像红光、近红外波段反射率等参数数据，具体为与遥感地表温度影像数据像元时间和空间对应。
[0014] 可选的，所述利用机器学习算法建立天顶观测方向遥感地表温度影像数据与对应地表上行长波辐射和植被指数的函数关系f1:
[0015] Tr,s,0＝f1(UL0,DL0,NT0,refr,0,refnir,0,NDVI0…) (1)[0016] 上式中，Tr,s,0为天顶观测方向遥感影像地表温度，UL0为对应天顶观测方向遥感地表温度影像数据对应的地表上行长波辐射，DL0为对应天顶观测方向遥感地表温度影像数据对应的地表上行长波辐射，NT0为对应天顶观测方向遥感地表温度影像数据对应的地表下行长波辐射，refr,0为对应天顶观测方向遥感影像数据对应的红光波段反射率，refnir,0为对应天顶观测方向遥感影像数据对应的近红外波段反射率，NDVI0为对应天顶观测方向遥感地表温度影像数据对应的植被指数。
[0017] 可选的，所述机器学习算法包括随机森林机器学习算法、支持向量机学习算法、神经网络机器学习算法。
[0018] 可选的，所述对应地表上行长波辐射和植被指数的f1，利用非天顶观测方向遥感地表温度影像数据对应地表上行长波辐射、地表下行长波辐射、地表净辐射、植被指数等参数，得到对应的天顶观测方向地表温度数据估算值；
[0019] Tc,s,0＝f1(ULv,DLv,NTv,refr,v,refnir,v,NDVIv…)
[0020] (2)
[0021] 上式中，Tc,s,0为天顶观测方向地表温度估算值,ULv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表上行长波辐射，DLv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表下行长波辐射，NTv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表净辐射，refr,v为对应非天顶观测方向遥感影像数据对应的红光波段反射率，refnir,v为对应非天顶观测方向遥感影像数据对应的近红外波段反射率，NDVIv为对应非天顶观测方向遥感地表温度影像数据对应的垂向植被指数。
[0022] 可选的，所述利用机器学习算法建立所述上述天顶观测方向地表温度数据估算值与对应原始非天顶观测方向遥感地表温度影像数据、角度信息的关系f2，所述函数关系f2[0023] Tc,s,0＝f2(Tr,s,v,Vza,Vaz,Sza,Saz) (3)[0024] 上式中，Tc,s,0为估算的天顶观测方向地表温度；Vza、Vaz、Sza和Saz分别为卫星观测天顶角和方位角、太阳天顶角和方位角，Tr,s,v为非天顶观测方向遥感地表温度。
[0025] 可选的，所述基于关系f2，利用全球像元尺度遥感地表温度影像数据、角度信息得到全球像元尺度天顶观测方向地表温度数据，所述公式得到全球像元尺度天顶观测方向地表温度数据。
[0026] 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：针对大幅宽极轨卫星地表温度产品的角度各向异性，提出了一种新的校正思路，即首先通过卫星天顶观测方向观测的地表温度建立与多个特征之间的函数关系，得到非天顶观测方向天顶观测方向遥感地表温度对应的天顶观测方向地表温度，从而巧妙建立起同一像元非天顶观测方向天顶观测方向遥感地表温度与对应的天顶观测方向地表温度的关系，实现非天顶观测方向天顶观测方向遥感地表温度的角度校正，由此便可只通过遥感卫星数据将全球尺度卫星地表温度产品归一化至天顶观测方向。研究提出的方法数据输入少、实用可操作性前，创新性明显。
附图说明
[0027] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028] 图1为本发明一种天顶观测方向地表温度估算方法的流程图。
具体实施方式
[0029] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030] 本发明的目的是提供一种能够只通过遥感卫星数据将全球尺度卫星地表温度产品归一化至天顶观测方向的天顶观测方向地表温度估算方法。
[0031] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0032] 如图1所示，一种天顶观测方向地表温度估算方法，所述估算方法包括：
[0033] 步骤100：获取全球尺度每日初始遥感地表温度影像数据、对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数等参数数据；所述每日初始遥感地表温度影像数据根据观测角度信息分为天顶观测方向遥感地表温度影像数据和非天顶观测方向遥感地表温度影像数据；
[0034] 步骤200：利用机器学习算法建立天顶观测方向遥感地表温度影像数据与对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数等参数的关系f1；
[0035] 步骤300：根据对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数NDVI等参数的关系f1，利用非天顶观测方向遥感地表温度数据对应垂向上行长波辐射、地表下行长波辐射、地表净辐射和垂向植被指数等参数数据，得到对应的天顶观测方向地表温度数据估算值；
[0036] 步骤400：利用机器学习算法建立上述天顶观测方向地表温度数据估算值与对应原始非天顶观测方向遥感地表温度影像数据、角度信息的关系f2；
[0037] 步骤500：根据与对应原始非天顶观测方向遥感地表温度影像数据的关系f2，利用全球像元尺度遥感地表温度影像数据、角度信息得到全球像元尺度天顶观测方向地表温度。
[0038] 所述角度信息包括：卫星观测天顶角和方位角、太阳天顶角和方位角。
[0039] 获取全球尺度每日初始遥感地表温度影像数据包括1km空间分辨率地表温度数据。
[0040] 对应地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数等，具体为时间和空间尺度对应。
[0041] 所述利用机器学习算法建立天顶观测方向遥感地表温度影像数据与对应地表上行长波辐射和植被指数的函数关系f1:
[0042] Tr,s,0＝f1(UL0,DL0,NT0,refr,0,refnir,0,NDVI0…) (1)[0043] 上式中，Tr,s,0为天顶观测方向遥感影像地表温度，UL0为对应天顶观测方向遥感地表温度影像数据对应的地表上行长波辐射，DL0为对应天顶观测方向遥感地表温度影像数据对应的地表上行长波辐射，NT0为对应天顶观测方向遥感地表温度影像数据对应的地表下行长波辐射，refr,0为对应天顶观测方向遥感影像数据对应的红光波段反射率，refnir,0为对应天顶观测方向遥感影像数据对应的近红外波段反射率，NDVI0为对应天顶观测方向遥感地表温度影像数据对应的植被指数。
[0044] 所述机器学习算法包括随机森林机器学习算法、支持向量机学习算法、神经网络机器学习算法。
[0045] 所述对应地表上行长波辐射和植被指数的f1，利用非天顶观测方向遥感地表温度影像数据对应的垂向地表上行长波辐射、地表下行长波辐射、地表净辐射和植被指数等参数，得到对应的天顶观测方向地表温度数据估算值；
[0046] Tc,s,0＝f1(ULv,DLv,NTv,refr,v,refnir,v,NDVIv…)
[0047] (2)
[0048] 上式中，Tc,s,0为天顶观测方向地表温度估算值,ULv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表上行长波辐射，DLv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表下行长波辐射，NTv为对应非天顶观测方向遥感地表温度影像数据对应的垂向地表净辐射，refr,v为对应非天顶观测方向遥感影像数据对应的红光波段反射率，refnir,v为对应非天顶观测方向遥感影像数据对应的近红外波段反射率，NDVIv为对应非天顶观测方向遥感地表温度影像数据对应的垂向植被指数。
[0049] 所述利用机器学习算法建立所述上述天顶观测方向地表温度数据估算值与对应原始非天顶观测方向遥感地表温度影像数据、角度信息的关系f2，所述函数关系f2[0050] Tc,s,0＝f2(Tr,s,v,Vza,Vaz,Sza,Saz)
[0051] (3)
[0052] 上式中，Tc,s,0为估算的天顶观测方向地表温度；Vza、Vaz、Sza和Saz分别为卫星观测天顶角和方位角、太阳天顶角和方位角，Tr,s,v为非天顶观测方向遥感地表温度。
[0053] 所述基于关系f2，利用全球像元尺度遥感地表温度影像数据、角度信息得到全球像元尺度天顶观测方向地表温度数据，所述公式得到全球像元尺度天顶观测方向地表温度数据。
[0054] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0055] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
