一种基于FY-3 MWRI数据反演地表温度降尺度的方法

摘要

本发明公开了一种基于FY‑3 MWRI数据反演陆表温度降尺度的方法，通过该方法可以得到与可见光近红外空间分辨率相同的高分辨率的空间连续的LST产品。FY‑3 MWRI L1B反演LST降尺度采用基于空间链接参数的空间层次贝叶斯融合模型，在此融合降尺度模型框架下，通过稳健固定阶数克里格空间插值模型模拟空间连续的LST链接参数，构建基于空间链接参数的多层次嵌套空间层次贝叶斯融合降尺度模型，将10km FY‑3 MWRI L1B反演LST与1km可见光近红外LST日产品融合，得到与可见光近红外空间分辨率相同且空间连续的LST产品。

说明书

技术领域

本发明属于陆面遥感监测技术领域，具体涉及一种基于FY-3 MWRI数据反演地表温度降尺度的方法。

背景技术

陆表温度(Land surface temperature,LST)是指陆地表面最上层的热力学温度，是研究地表水热平衡和全球气候变化的重要参数。精确的陆表温度是陆面水文模型、数字天气及气候预报模式的输入参数，也是利用微波遥感技术进行土壤水分反演的一个关键输入参量。

目前，陆表温度数据的获取方式主要包括：地面气象站点监测与遥感反演。地面气象站点监测数据精度高，但时空不连续；而基于遥感数据的LST反演可以获取大范围时空连续的数据，随着遥感技术及计算机技术的发展，其成为主要的LST获取方式。基于可见光和近红外遥感数据的LST反演，空间分辨率高，精度相对较高，常用的方法有单通道算法、劈窗算法、温度与发射率分离算法等，如MODIS(Moderate Resolution ImagingSpectroradiometer)、FY-2/3 VIRR(FengYun-2/3 Visible Infrared ScanningRadiometer)、SEVIRI(Spinning Enhanced Visible and InfraRed Imager)等。

但是基于可见光和近红外遥感数据的LST反演需要晴空以及仪器无误差的条件，受云、大气等的影响较大，存在大量的缺失像元或无效像元，不能进行陆表温度的全天候监测。基于微波辐射计的亮温数据反演LST，具有多极化及高时间分辨率等特点，受大气、云等环境影响性对较小，且能全天候、全天时检测，但空间分辨率较低，且轨道间存在间隙，反演LST空间不连续。目前，我国FY-3系列微波辐射计亮温反演LST数据较少，且空间不连续，轨道间存在大量的缺失像元。

发明内容

针对上述存在的问题，本发明旨在提供一种基于FY-3 MWRI数据反演地表温度降尺度的方法，基于FY-3可见光近红外LST数据及FY-3 MWRI 10km微波反演LST，充分利用二者在空间完整性及时空分辨率等方面的互补性，进行LST融合降尺度，得到空间完整的高时空分辨率的LST产品。

为实现本发明目的，本发明的技术解决方案为：

一种基于FY-3MWRI数据反演陆表温度降尺度的方法，其特征在于，包括以下步骤：

步骤1：建立LST空间过程的层次模型，其建立公式为：

Z(s)＝Y(s)+ε(s) (1)，

其中，Y(s)表示潜在的真实LST空间过程，ε(s)为均值为0，方差为σ

步骤2：基于步骤1建立的层次模型，采用稳健固定阶数克里格空间插值模型进行LST空间过程估计，估计公式为：

其中，

步骤3：针对观测数据，建立FY-3MWRI L1B反演LST和FY-3 VIRR LST日产品的融合降尺度模型，模型的建立公式为：

其中，VIRR

步骤4：在公式(6)中，

步骤5：方差

步骤6：将FY-3 VIRR LST日产品和YF-3 MWRI L1B反演LST作为输入数据，输入到步骤3所建立的融合降尺度模型，通过Gibbs sampling，从完全条件概率分布中抽样，生成马尔科夫链，通过迭代，最终估计出模型参数

进一步地，步骤1所述的LST空间过程Y(s)依据下式进行模拟：

Y(s)＝μ(s)+υ(s) (7)，

其中，μ(s)和υ(s)分别为大尺度空间趋势和细尺度空间变异；

式(7)中的μ(s)由线性均值结构模拟，模拟公式如下：

μ(s)＝T(s)′β (8)，

式(8)中的T(s)′是p维的已知协变量的矢量，β为待估系数；

式(7)中的υ(s)由空间随机效应模型模拟，模拟公式如下：

υ(s)＝S(s)′η (9)，

其中，S(s)′是r维的局部空间基函数矢量，η是一个0均值的高斯随机效应模型。

本方法与现有技术相比，具有以下有益效果：

本发明利用较高空间分辨率的FY-3 VIRR LST日数据，基于粗尺度FY-3 MWRI L1B反演LST，进行FY-3系列微波陆表温度的融合降尺度，最终得到空间完整的高空间分辨率的微波LST产品。克服了可见光近红外产品FY-3 VIRR陆表温度产品的空间不完整性缺陷，以及微波LST产品的空间分辨率低的不足，充分利用了此两种产品的互补信息，为研究地表水热平衡和全球气候变化及土壤水分反演等提供了可靠的LST数据源。

附图说明

图1为本发明实施例中FY-3B MWRI 10km空间分辨率反演LST(升轨LST)；

图2为本发明实施例中FY-3B MWRI 10km空间分辨率反演LST(降轨LST)；

图3为本发明实施例中FY-3B MWRI降尺度LST(升轨LST)；

图4为本发明实施例中FY-3B MWRI降尺度LST(降轨LST)；

图5为本发明实施例中FY-3A VIRR LST。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

本发明基于可见光近红外LST日产品及微反演LST融合降尺度算法，将FY-3 VIRRLST日产品和FY-3 MWRI L1B反演LST，在层次贝叶斯框架下，通过构建参数的层次嵌套空间结构进行融合降尺度，得到空间完整的高时空分辨率的LST产品。层次的嵌套结构表现在：构建空间随机效应模型，基于稳健空间基函数定义非平稳协方差函数，实现空间降维，对潜在的空间过程进行空间最优线性无偏估计及其均方预测误差估计，得到模拟LST空间结构，作为层次贝叶斯空间过程模型的先验均值，构建参数嵌套的多尺度转换模型。

本发明的核心思路为：首先建立LST空间过程的层次模型，采用稳健固定阶数克里格空间插值模型模拟LST空间过程，然后建立LST空间过程参数的层次嵌套结构，将稳健固定阶数克里格空间插值模型模拟的LST作为先验均值，将1km FY-3 VIRR LST日产品和10kmFY-3 MWRI L1B反演LST日产品进行融合。

1)LST空间过程结构的层次模型

LST空间观测Z(s)层次结构模型建立公式如下：

Z(s)＝Y(s)+ε(s) (1)，

其中，Y(s)表示潜在的真实LST空间过程，ε(s)为均值为0，方差为σ

空间过程Y(s)由公式(7)模拟：

Y(s)＝μ(s)+υ(s) (7)，

其中，μ(s)和υ(s)分别为大尺度空间趋势和细尺度空间变异。

μ(s)由线性均值结构模拟，模拟公式如下：

μ(s)＝T(s)′β (8)，

其中，T(s)'是p维的已知协变量的矢量，β为待估系数。

v(s)由空间随机效应模型模拟，模拟公式如下：

υ(s)＝S(s)′η (9)，

其中，S(s)'是r维的局部空间基函数矢量，η是一个0均值的高斯随机效应模型。

整个过程的稳健性表现在空间基函数在选取过程中水体像元阈值的设定。

2)LST空间过程估计

根据上述层次统计模型，通过固定阶数克吕格空间插值模型进行LST空间过程估计，估计公式为：

其中，

3)融合降尺度模型

针对本发明的观测数据，建立10km FY-3 MWRI L1B反演LST和1km FY-3 VIRR LST日产品的融合降尺度模型，详细的结构如公式(3)、(4)、(5)、(6)所示：

其中，VIRR

4)LST空间结构模拟

在公式(6)中，

5)参数模型

将方差

6)模型求解

设潜在的LST空间过程为Y，在该时空过程支配下的观测数据为Z，与空间过程Y相关的一系列参数及与观测数据模型相关的一系列参数组成的参数集为θ，将Z、Y、θ的联合概率分布表示为一组条件概率分布的乘积：[Z,Y,θ]＝[Z|Y,θ][Y|θ][θ]；

最后，结合空间不完整的观测数据，更新、修正未知变量的先验，得到其后验分布：[Y,θ|Z]∝[Z|Y,θ][Y|θ][θ]。

本实例中将1km FY-3 VIRR LST日产品和10km YF-3 MWRI L1B反演LST作为输入数据，输入到步骤3所建立的融合降尺度模型，通过Gibbs sampling，从完全条件概率分布中抽样，生成马尔科夫链，通过迭代，最终估计出模型参数

实施例

此算法以18°N～54°N，73°E～135°区域作为研究区，运用于FY-3A 1km VIRR LST日产品和FY-3B 10km MWRI L1B反演LST进行算法实验与验证。生成的1km降尺度LST产品的验证采用MOD11A1 1km Day LST为参考数据。

1、数据来源

FY-3A 1km VIRR LST日产品来源于中国气象数据网(http://data.cma.cn)，FY-3B 10km MWRI L1B反演LST基于亮温数据通过回归模型得到，MOD11A1 Day LST数据来源于https://ladsweb.modaps.eosdis.nasa.gov/。

2、结果分析

FY-3B MWRI L1B 10km反演LST降尺度结果：

去除前1000次不稳定迭代抽样，经过500次迭代抽样，蒙特卡洛抽样误差都在0.3左右，单链收敛。附图3和4分别为FY-3B MWRI降尺度LST(升轨)和FY-3B MWRI降尺度LST(降轨)结果。

经与MOD11A1 Day LST验证，结果如下：

降轨数据：平均偏差降尺度LST比10km反演LST低2.267K，比VIRR LST低4.25K；误差标准差比10km反演LST低0.495，比VIRR LST高0.44；均方根误差比10km反演LST低2.57，比VIRR LST低2.36。

升轨数据：平均偏差降尺度LST比10km反演LST低2.12K，比VIRR LST低4.054K；误差标准差比10km反演LST低1.621，比VIRR LST高0.365；均方根误差比10km反演LST低1.54，比VIRR LST低2.38。

验证结果表明：1km融合降尺度LST与1km VIRR LST比较，融合降尺度的1km LST平均偏差、均方根误差远低于反演LST和VIRR LST；误差标准差介于反演LST与VIRR LST之间，接近与VIRR LST，体现了反演LST和VIRR LST两类数据间精度的互补，且融合降尺度LST空间上是连续的，远高于VIRR LST。因此，融合降尺度LST整体上优于VIRR LST。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。