基于BP神经网络的地表温度空间降尺度方法 " /> 基于BP神经网络的地表温度空间降尺度方法 " /> <p align="left"> 基于BP神经网络的地表温度空间降尺度方法
Please wait a minute...
img

官方微信

遥感技术与应用  2018, Vol. 33 Issue (5): 793-802    DOI: 10.11873/j.issn.1004-0323.2018.5.0793
地表温度专栏     

基于BP神经网络的地表温度空间降尺度方法

汪子豪1,秦其明1,2,3,孙元亨1,张添源1,任华忠1
(1.北京大学 地球与空间科学学院遥感与地理信息系统研究所,北京 100871;
2.空间信息集成与3S工程应用北京市重点实验室,北京 100871;
3.地理信息基础软件与应用国家测绘地理信息局工程技术研究中心,北京 100871)
Downscaling of Remotely Sensed Land Surface Temperature with the BP Neural Network
Wang Zihao1,Qin Qiming1,2,3,Sun Yuanheng1,Zhang Tianyuan1,Ren Huazhong1
(1.Institute of Remote Sensing and Geographical Information System,School of Earth and Space Sciences,Peking University,Beijing 100871,China;2.Beijing Key Lab of Spatial InformationIntegration and Its Application,Peking University,Beijing 100871,China;3.National Surveyingand Mapping Geographic Information Engineering Technology Center of GeographicInformation Basic Software and Application,Beijing 100871,China)
 全文: PDF 
摘要:
基于统计模型的降尺度方法被广泛用于热红外影像的尺度转换中,然而,大多数算法都会受到复杂地表环境的影响,例如地表覆盖、季节等。为了解决地表温度与光谱指数函数关系的不确定性,提出了一种新型的基于BP神经网络的地表温度降尺度方法。首先,在粗分辨率的情况下,训练得到一个以光谱指数为输入,原始温度为输出的BP神经网络。之后,输入高分辨率的光谱指数进而得到高分辨率的温度结果。实验通过设置多种光谱指数组合和BP网络隐藏层节点数而展开。结果评价时,以原始温度影像为参照,在城镇、植被和水体区域内,该方法的RMSE、R2、Bias及相对精度优于传统的分层线性回归降尺度方法。实测验证表明:该算法的RMSE和Bias分别达0.98 ℃、0.51 ℃,明显优于分层线性回归的结果(RMSE为2.9 ℃,Bias为1.7 ℃),说明该方法具有较高的降尺度精度,这对于城市热环境的研究具有一定的应用价值。
关键词: 地表温度降尺度BP神经网络光谱指数Landsat 8 OLI    
Abstract: Downscaling algorithms based on statistical models have been widely utilized to address the issue of coarse\|resolution Land Surface Temperature (LST).However,most methods (e.g.,TsHARP algorithm) could be affected by land environment,including land cover,seasons.In this study,a Back Propagation (BP) neural network was introduced for LST downscaling in a specific area with complex land covers.The method comprises two steps.First,five reprehensive spectral indices were selected to training according to three typical land cover,including vegetation,building,and water.And the structure of network was trained using coarse\|resolution spectral indices and LST.Second,high\|resolution spectral indices were input to the network to get a high\|resolution LST.A stratified linear regression downscaling with land\|cover classification was conducted for comparative evaluation.The comparative results showed that in urban,vegetation,and water areas,the Root Mean Square Error (RMSE),determination coefficient (R2),and relative accuracy for the proposed approach (BP neural network) were better than those for stratified linear regression.Finally,the verification results show that RMSE and bias of the algorithm are 0.98 ℃ and 0.51 ℃,which is obviously better than the result of stratified linear regression (RMSE is 2.9 ℃ and Bias is 1.7 ℃).It shows that this method has a higher downscaling accuracy.And the approach is potential for producing high\|resolution LST for the study on urban thermal environment.
Key words: Land Surface Temperature(LST)    Downscaling    BP neural network    Spectral indices    Landsat 8 OLI
收稿日期: 2017-11-24 出版日期: 2018-12-29
:  TP 79  
基金资助: 国家重点研发计划项目(2017YFB0503905\|05)。
作者简介: 汪子豪(1994-),男,江苏宿迁人,硕士研究生,主要从事地表温度反演及降尺度研究。Email:wzh_pku@163.com。
服务  
把本文推荐给朋友 基于BP神经网络的地表温度空间降尺度方法 ”的文章,特向您推荐。请打开下面的网址:http://www.rsta.ac.cn/CN/abstract/abstract2975.shtml" name="neirong"> 基于BP神经网络的地表温度空间降尺度方法 ">
加入引用管理器
E-mail Alert
RSS
作者相关文章  
汪子豪
秦其明
孙元亨

引用本文:

汪子豪, 秦其明, 孙元亨.

基于BP神经网络的地表温度空间降尺度方法 [J]. 遥感技术与应用, 2018, 33(5): 793-802.

Wang Zihao, Qin Qiming, Sun Yuanheng. Downscaling of Remotely Sensed Land Surface Temperature with the BP Neural Network. Remote Sensing Technology and Application, 2018, 33(5): 793-802.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2018.5.0793        http://www.rsta.ac.cn/CN/Y2018/V33/I5/793

[1] 王恺宁,王修信,黄凤荣,罗涟玲. 喀斯特城市地表温度遥感反演算法比较[J]. 遥感技术与应用, 2018, 33(5): 803-810.
[2] 石满,陈健,覃帮勇,李盛阳. 天宫二号数据地表温度反演及其在城市群热环境监测中的应用[J]. 遥感技术与应用, 2018, 33(5): 811-819.
[3] 李军,龚围,辛晓洲,高阳华. 重庆地表温度的遥感反演及其空间分异特征[J]. 遥感技术与应用, 2018, 33(5): 820-829.
[4] 金点点,宫兆宁. 基于Landsat 系列数据地表温度反演算法对比分析—以齐齐哈尔市辖区为例[J]. 遥感技术与应用, 2018, 33(5): 830-841.
[5] 施佩荣,陈永富,刘华,吴云华. 基于分割评价函数的多尺度分割参数的选择[J]. 遥感技术与应用, 2018, 33(4): 628-637.
[6] 史新,周买春. 基于Landsat 8数据的3种地表温度反演算法在三河坝流域的对比分析[J]. 遥感技术与应用, 2018, 33(3): 465-475.
[7] 郑明亮,黄方,张鸽. 基于TsHARP模型和STITFM算法的地表温度影像融合研究[J]. 遥感技术与应用, 2018, 33(2): 275-283.
[8] 李珊珊,蒋耿明. 基于通用分裂窗算法和Landsat-8数据的地表温度反演研究[J]. 遥感技术与应用, 2018, 33(2): 284-295.
[9] 杨朦朦,汪汇兵,欧阳斯达,范奎奎,戚凯丽. 基于双树复小波分解的BP神经网络遥感影像分类[J]. 遥感技术与应用, 2018, 33(2): 313-320.
[10] 王光镇,王静璞,邹学勇,韩柳,宗敏. 遥感技术估算非光合植被覆盖度研究综述[J]. 遥感技术与应用, 2018, 33(1): 1-9.
[11] 李艳,侯金亮,黄春林. 基于Copula函数的地表温度空间降尺度研究[J]. 遥感技术与应用, 2017, 32(5): 818-824.
[12] 郑飞,张殿发,孙伟伟,杨刚. 基于ASTER遥感的杭州城市热/冷岛的景观特征分析[J]. 遥感技术与应用, 2017, 32(5): 938-947.
[13] 李小龙,杨英宝,曹利娟,章勇. 基于遥感和CFD模拟的城市绿地形态对热环境的影响研究[J]. 遥感技术与应用, 2016, 31(6): 1150-1157.
[14] 朱庆,李俊生,张方方,申茜,林卉,王李娟,朱琳. 基于海岸带高光谱成像仪影像的太湖蓝藻水华和水草识别[J]. 遥感技术与应用, 2016, 31(5): 879-885.
[15] 过杰,何宜军,张彪,Vladimir Yurjevich Karaev,M.A.Panfilova,Yuriy Titchenko. 基于散射计波浪参数反演模型的改进算法实验[J]. 遥感技术与应用, 2016, 31(5): 907-911.