[发明专利]一种基于MODIS数据和Transformer网络的地表热红外发射率反演方法

权利要求书

1.一种基于MODIS数据和Transformer网络的地表热红外发射率反演方法，其特征在于，包括如下步骤：

S1：获取MODIS数据；

S2：对获取的MODIS数据进行数据预处理，得到网络训练数据集；

S3：构建基于Transformer的深度学习网络，通过深度学习网络对网络训练数据集中的训练数据进行训练，生成地表热红外发射率反演模型；

S4：利用生成的地表热红外发射率反演模型反演地表热红外发射率，得到地表热红外发射率数据，并评定反演精度；

所述步骤S2中数据预处理包括MODIS02数据辐射定标、时空匹配和异常值剔除；

所述步骤S2中，

MODIS02数据辐射定标：利用辐射定标公式，得到热红外波段的卫星观测辐射值；

时空匹配：根据各个数据的获取时间和经纬度坐标，以影像像元为单位，将同一地理位置在同一时刻的数据对应匹配，使获取的MODIS数据在像元尺度上一一对应，将同一像元处获取的所有数据编为一组，构建输入数据集；

异常值剔除：利用MODIS35云掩膜数据，将“确信晴空”和“可能晴空”像元视为无云像元，剔除有云的像元，绘制所建立的数据集的箱型图，根据箱型图结果剔除数据中的异常值，得到可以输入到网络中进行训练的数据集；

所述步骤S3中深度学习网络的构建方法为：

设计基于Transformer的深度学习网络，包括encoder-decoder和attention机制；

encoder由6个编码器叠加而成，每层包括两个sub-layers，第一个sub-layer是multi-head self-attention机制，用来计算输入的self-attention；self-attention机制的转换方式如下：输入x₁和x₂，想转换成z₁和z₂，先把x₁转换成三个不一样的向量，分别叫做q₁、k₁、v₁，然后把x₂转换成三个不一样的向量，分别叫做q₂、k₂、v₂，需要三个不同的矩阵W^Q、W^K、W^V，利用向量与矩阵相乘将一个向量变换成另一个向量，即：

q₁＝x₁W^Q

k₁＝x₁W^K

v₁＝x₁W^V

q₂＝x₂W^Q

k₂＝x₂W^K

v₂＝x₂W^V

然后用v₁和v₂两个向量的线性组合，来得到z₁和z₂，即：

z₁＝θ₁₁v₁+θ₁₂v₂

z₂＝θ₂₁v₁+θ₂₂v₂

在Transformer中，每一个子层之后都会接一个残差模块，并且有一个Layernormalization，Normalization的目的就是把输入转化成均值为0方差为1的数据，LN是在每一个样本上计算均值和方差，公式为：

decoder也由6个编码器叠加而成，每层包括3个sub-layer，sub-layer1使用的是“Masked”Multi-Headed Attention机制，为了防止模型看到要预测的数据，导致数据泄露；sub-layer2是一个Encoder-Decoder Multi-head Attention，对encoder的输入进行attention计算；sub-layer3的输出后面采用LinearLayer和SigmoidLayer，来预测对应的预测概率；“Masked”表示掩码，它对某些值进行掩盖，使其在参数更新时不产生效果；Transformer模型里面涉及两种mask，分别是padding mask和sequence mask；Encoder-Decoder Multi-head Attention中，输入不仅有前一层的输出x，还有来自Encoder的输出m，然后把Encoder产生的向量m作为Decoder的key和value，Decoder的x作为query，然后进行Self-Attention，即有：

q＝xW^Q

k＝mW^K

v＝mW^V

Transformer网络模型的损失函数选择均方误差损失函数，优化器选择Adam优化器，将网络结构中编码器和解码器的前馈神经网络替换为CNN；

所述步骤S1中MODIS数据包括热红外波段观测值、大气参数、地表温度和发射率、其他数据；

所述热红外波段观测值包括MODIS02定标辐射数据；

所述大气参数包括MODIS04气溶胶光学厚度数据、MODIS05大气可降水量数据、MODIS07大气温湿廓线和臭氧含量数据；所述地表温度和发射率包括MODIS11地表温度数据和热红外波段地表发射率数据；所述其他数据包括MODIS03经纬度坐标数据、MODIS13归一化植被指数(NDVI)数据、MODIS35云掩膜数据。