基于人工智能和遥感数据的近地表空气温度反演方法研究

作     者：杜宝裕 

作者单位：山东建筑大学 

学位级别：硕士

导师姓名：毛克彪;高春雨

授予年度：2023年

学科分类：07[理学] 0706[理学-大气科学] 

主      题：近地表气温 人工智能 地表温度 地表发射率 辐射传输方程 

摘      要：近地表气温通常指距离地面1.5-2m高度处的空气温度,是表征空气冷热程度的物理量,是气象预报和农业灾害检测中非常重要的参数,是区域-全球气候变化、生态环境变化、城市热岛效应、农作物生长和物候,以及极端气温等研究中的重要研究对象。近年来,近地表气温异常导致干旱、低温冷冻、高温灾害等自然灾害频繁发生,这也导致了农业,畜牧业和社会经济损失逐年递增。因此,如何快速精确获取近地表气温时空分布特征对于更加全面了解陆-空-海能量交换过程,全球气候变化的时空格局和规律有着十分重要的意义。由于观测信息不足,从遥感数据中反演近地表气温通常是病态的。引起近地表气温变化的因素有很多,这导致了传统算法精度的不稳定。为了克服这个问题,本研究开发了一种新的全耦合框架从热红外遥感数据中稳定的直接反演近地表气温。该框架集成了物理方法、统计方法和深度学习,称为PS-DL方法。该框架首先通过对物理辐射传输方程的推导,确定深度学习输入和输出之间存在相关关系,建立一套完整的可解方程组。选择最佳的波段组合来建立近地表气温反演方程组,并使用多源数据建立训练和测试数据库,包括物理模型模拟,遥感数据和同化产品。最后利用深度学习对开发的全耦合框架进行优化计算,有效的解决了近地表气温反演的病态问题,在使用地表温度(LST)和地表发射率(LSE)作为先验知识后,近地表气温的反演精度和算法的可移植性得到了极大的提升。最后分别在MODIS数据和Himawari-8/AHI数据上进行验证,并且与地面观测数据作对比,从多方面评价了反演算法的精度和分析算法的性能。主要得到以下结论:(1)对于MODIS数据,反演的近地表气温理论最高平均绝对误差(MAE)和均方根误差(RMSE)分别为0.78 K和0.89 K。在针对中国气象强迫数据集(CMFD)的交叉验证中,MAE和RMSE分别为1.00 K和1.29 K。MODIS最佳波段组合实际反演结果的地面验证中MAE和RMSE分别为1.21 K和1.33 K。所提出的方法有效的克服了传统方法的局限性,因为加入了大气水汽和更多波段的信息,反演精度得到了提升,以地表温度和地表发射率作为先验知识,算法的适用性(可移植性)得到了加强。(2)对于Himawari-8/AHI数据,在京津冀(JJJ)地区和长江三角洲(YRD)地区得到了应用和验证。结果表明,在JJJ地区,MAE为1.36 K-2.8 K之间,RMSE为1.78 K-3.48 K之间,在YRD地区,MAE为1.04 K-1.70 K之间,RMSE为1.34 K-2.21 K之间。表现出不同季节,不同时间的反演精度特征,其中以夏季最高,其次是春秋两季,冬季略差,且晚上的反演精度一般好于白天。采用3种验证方式:在不同数据集上的交叉验证、空间交叉验证和时间交叉验证对其进行评估。最佳反演组合实际反演结果MAE为1.36 K,RMSE为1.62 K,表现出时空上的稳定性和拓展性。本研究表明,该模型可以称为地球物理参数反演的通用反演范式,由于其准确性和深度学习的物理可解释性,具有里程碑式的意义。