AMSR-E地表温度数据重建深度学习方法

苏扬; 吴鹏海; 程洁; 殷志祥; 马晓双; 杨辉

首页> 中文期刊> 《遥感学报》 >AMSR-E地表温度数据重建深度学习方法

AMSR-E地表温度数据重建深度学习方法

开具论文收录证明 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

摘要

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-E LST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-E LST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-E LST轨道间隙数据,且优于传统方法。

著录项

来源
《遥感学报》 |2022年第4期|739-751|共13页
作者
苏扬; 吴鹏海; 程洁; 殷志祥; 马晓双; 杨辉;
展开▼
作者单位

安徽大学湿地生态保护与修复安徽省重点实验室;

合肥230031;

信息材料与智能感知安徽省实验室;

合肥230031;

北京师范大学遥感科学国家重点实验室;

北京100089;

展开▼
原文格式 PDF
正文语种 chi
中图分类地球表面温度;
关键词
遥感; 地表温度; AMSR-E LST; 数据重建; 深度学习; MTFC-CNN;

相似文献

中文文献
外文文献
专利

1. 一种针对旱季与雨季差异的AMSR-E被动微波遥感地表温度反演经验模型 [J] . 刘礼杨 ,苏泳娴 ,陈修治 . 热带地理 . 2017,第3期
2. 一种基于AMSR-E的地表温度半经验反演模型 [J] . 陈修治 ,李勇 ,韩留生 . 热带地理 . 2013,第3期
3. 利用AMSR-E遥感数据反演地表温度——以2008年广东省春季寒害为例 [J] . 陈修治 ,陈水森 ,苏泳娴 . 遥感信息 . 2011,第5期
4. 利用AMSR-E被动微波数据反演地表温度的神经网络算法 [J] . 毛克彪 ,王道龙 ,李滋睿 . 高技术通讯 . 2009,第11期
5. AMSR-E微波数据反演裸地地表温度算法研究 [J] . 刘曾林 ,唐伯惠 ,李召良 . 科技导报 . 2009,第4期
6. AMSR-E观测资料干扰对反演地表参数的影响 [C] . ZHANG Sibo ,张思勃 ,GUAN Li . 2014年大气环境监测技术及其应用国际研讨会 . 2014
7. 重庆市长时序遥感地表温度数据重建方法的对比研究 [A] . 王超 . 2019

AMSR-E地表温度数据重建深度学习方法

摘要

著录项

相似文献

相关主题

期刊订阅