[发明专利]基于时空双向注意力机制的水库地表温度预测方法

说明书

本发明公开了一种基于时空双向注意力机制的水库地表温度预测方法，包括以下步骤，S1：数据预处理；S2：对研究区域经过步骤S1中预处理操作之后得到的LST时序进行时序分析，与邻近的气象站气温对比，提取时序特征；S3：采用PCAN网络提取研究区域的小气候边界特征图；S4：在LSTM的基础上构建基于LSTM+Attention的时空双向注意力预测模型，计算预测结果。本发明中提出的基于时空双向注意力机制预测方法相比BPNN和LSTM预测性能有明显提升；小气候效应特征对预测结果影响差异比较明显，同一小气候特征内预测结果更稳定，而小气候边界区域预测结果变化波动较大，异常值偏离更明显；且空间注意力机制对不同覆盖特征边界异常值有明显抑制作用。

技术领域

本发明涉及地表温度预测技术领域，尤其涉及基于时空双向注意力机制的水库地表温度预测方法。

背景技术

地表温度(LST)反映了地表水的热交换过程，其与植被指数在生态平衡与气候变化等方面的研究中很重要。城市地区的温度资源有两大类，第一个是根据气象站网计算的大气温度，第二个是根据热红外遥感技术估算的地表温度。考虑到陆地表面温度的复杂性，地面测量实际上不能提供大面积的数值。随着空间遥感的发展，卫星数据提供了测量具有全空间均值而非点值的地表温度的唯一可能性。研究城市地表温度小气候效应特征，对于这些地区未来的规划、生态保护和可持续发展具有重要的现实意义。而陆地卫星TM热红外图像的分辨率为120m，ETM+热红外图像的分辨率仅为60m，因此，在分析地表温度变化对复杂土地覆盖区小气候变化的影响时，存在一定的局限性。另一方面，在全球范围内，年平均云量可超过 65％，为此，受云之类的噪声污染使得LST数据在时空上的完整性和连续性受到了较大的影响。一些研究者采用插值、重建技术来解决此问题，例如，利用时空相邻无云像素特征的相似性和相互依赖性，采用克里金法等时空插值的方式，重建完全无间隙的LST数据时间序列。考虑空间的异质性，一些包括空间回归、地理加权回归(GWR)等研究方法被提出，这些研究成果有效的解决了LST时序间隙和空间异质性的问题，但依然存在时间序列的长期依赖关系的问题。

发明内容

针对上述存在的问题，本发明旨在提供一种基于时空双向注意力机制的地表温度预测方法，能够有效解决空间异质性对预测造成的影响。

为了实现上述目的，本发明所采用的技术方案如下：

基于时空双向注意力机制的水库地表温度预测方法，其特征在于，包括以下步骤，

S1：数据预处理；

S2：对研究区域经过步骤S1中预处理操作之后得到的LST时序进行时序分析，与邻近的气象站气温对比，提取时序特征；

S3：采用PCAN网络提取研究区域的小气候边界特征图；

S4：在LSTM的基础上构建基于LSTM+Attention的时空双向注意力预测模型，计算预测结果。

进一步的，步骤S1中所述的数据包括Landsat 7数据和Landsat 8数据；

所述数据预处理的具体操作包括以下步骤，

S101：利用空间邻域滤波和傅里叶变换频域滤波对Landsat7和Landsat 8数据进行带噪滤波；

S102：将带噪滤波后的Landsat 8所有图像的3、4、5和6波段，以及带噪滤波后的Landsat7所有图像的2、3、4和5波段校准到大气顶部反射率，然后计算地表温度LST；

S103：基于季节因素和临近月份的月份变化幅度情况，将步骤S102 中得到的LST序列按照每月上、中、下旬进行时间映射，缺失值进行插补，形成一个新的LST时间序列。

进一步的，步骤S2的具体操作包括以下步骤，