[发明专利]基于温度和发射率及深度学习的近地表空气温度反演方法

权利要求书

1.基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：包括以下步骤：

步骤一、建立热辐射传输方程

确定研究区域，并获取研究区域的卫星遥感传感器数据以及ERA5-Land数据，根据获得的卫星遥感传感器数据和ERA5-Land数据建立模型数据集，并在模型数据集内引入辅助数据，再从卫星遥感传感器数据的角度建立热辐射传输方程；

步骤二、构建专家知识库

基于步骤一中建立的热辐射传输方程，并结合现有的先验知识，构建专家知识库，再通过构建的专家知识库进行物理逻辑推理，推导近地表气温反演所需参数，即是通过物理逻辑推理分析在能量辐射传输过程中影响近地表气温的因素；

步骤三、构建高精度数据库

利用步骤一中模型数据集内的传感器数据结合ERA5-Land数据进行双层质量控制，构建高精度反演近地表气温的数据库；

步骤四：计算反演结果并验证

根据步骤三中构建的高精度反演近地表气温的数据库，使用深度学习算法DL-NN进行优化计算，得到模型反演结果，再将模型反演结果与步骤一中模型数据集内的ERA5-Land再分析数据、气象站点数据以及模拟数据进行对比验证。

2.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述步骤一中，辅助数据内包括模拟数据、测量数据和高精度的同化数据，所述模拟数据采用的是大气模拟程序的模拟数据，所述测量数据采用的是来自气象卫星观测站的现场测量数据，所述高精度的同化数据采用的是经过充分验证的产品数据。

3.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述步骤一中，由于数据采集在时空上的偏差，需要排出异常值和不具有代表性的数据，确保数据库内的数据可以有效的驱动模型，以反应参数与近地表气温之间的关系。

4.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述步骤二中，由于地表能量交换影响地表温度和近地表气温之间的差异，继而加入地表温度和发射率作为先验知识。

5.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述步骤二中，影响近地表气温的因素包括卫星亮度温度、水汽和地表发射率。

6.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述双层质量控制包括第一层控制和第二层控制，所述第一层控制利用传感器地表温度产品进行把关，所述第二层控制是利用传感器地表温结合ERA5-Land再分析地表温度数据进行第二层把关。

7.根据权利要求1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述数据库构建的方式包括以下步骤：

S1：基于MYD11A1数据像素质量过滤，识别低质量像素值，将缺失像素和低质量像素都认为是无效像素，并以其位置信息寻找MYD021KM数据中所对应的像素，并且进行剔除；

S2：对ERA5-land再分析数据进行时间上的线性插值和空间上的地理配准，当两者地表温度之间的差值小于预设值，即认定经过质量控制之后的采集数据为正确的，完成数据库构建工作。

8.根据权利要1所述的基于温度和发射率及深度学习的近地表空气温度反演方法，其特征在于：所述步骤四中，根据对比验证结果的精确度，调整数据库内的数据，直至满足精确度的需求。