[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

说明书

本发明提出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,包括建立热辐射传输方程、构建专家知识库、构建高精度数据库及计算反演结果并验证四个步骤，通过基于热辐射传输方程和先验知识建立专家知识库，通过辐射传输机理确定反演所需参数，从物理学角度出发，考虑近地表热量交互影响，并利用地表温度和发射率作为先验知识以及利用仿真数据和采集的高精度数据实现较高的反演精度，从而充分利用物理模型和深度学习的优点，将其进行结合，能够获得高精度的近地表气温反演结果，并采用DL‑NN算法来处理近地表气温反演的病态问题与处理不同季节和地区的近地表气温与大气平均作用温度之间的非线性关系，提高反演的精度，增加普适性。

技术领域

本发明涉及近地表空气温度反演技术领域，尤其涉及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。

背景技术

近地表气温通常指距离地面2m左右的大气温度，它是研究区域与全球大气-地球系统相互作用的一个重要参数，涉及到需多相关研究，如全球气候变化、水文学、大气学、生态学、农业生产、城市热岛效应和空气污染研究等都需要近地表气温作为输入参数，近地表气温的高精度反演可以更好的理解气候变化或者局部干扰和模拟复杂的地面过程，此外，近地表气温在蒸发蒸腾、光合作用和热传递等物理过程中也起着重要作用，因此，准确估算近地表气温的时空格局对于进一步理解生态、水文、气候、农业以及陆地生物活动有着重要的意义；

气象站点是获取近地表气温观测数据的最普遍方式之一，其优点是能够获得长时间序列不同时间分辨率高精度的样本点数据，然而，近地表气温受到陆地/海洋与大气这三个地球系统单元之间的交换过程影响，近地表气温的空间格局分布不同且十分复杂，很多区域地表起伏较大和地表类型多样，气象站点分布不均，特别是偏远和复杂地区缺少观测站点，所以，在区域尺度上只能够提供有限的空间格局信息，此外，气候变化研究中通常需要时空连续的近地表气温数据，样本点数据的记录方式在一定程度上制约相关气候模型模拟分析的精度和限制地学模型的发展，进而影响我们对全球气候和环境变化的认识；

目前获取时空连续分布的近地表气温方法主要分为三种：第一种方法是基于气象观测站点的空间插值方法；第二种方法是大气垂直廓线方法；第三种方法是基于遥感方法，然而上述方法中，地面测量数据受限于空间代表性不足和地面异质性的影响，无法提供大尺度的连续时空数据，目前很多近地表气温反演算法主要基于经验统计方法，这些方法主要适用于局部地区短期反演，可移植性不强(普适性较低)，因此本发明提出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以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出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，来解决现有技术中普适性较低的问题。

为实现本发明的目的，本发明通过以下技术方案实现：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，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