一种基于微波遥感和高密度地面真相观测的深度学习的时间连续陆地表面温度 (LST) 数据融合方法
Jiahao Han1, Shibo Fang2, Qianchuan Mi1
1School of Atmospheric Sciences, Nanjing University of Information Science and Technology, Nanjing 210044, Jiangsu Province, China; State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081, China.
The Science of the total environment
|January 12, 2024
概括
这项研究使用来自高密度站的地球大数据和微波遥感与深度学习来创建中国的连续陆地表面温度 (LST) 地图. U-Net++模型实现了准确的LST估计,确定人为因素作为LST变化的主要驱动因素.
科学领域:
- 地球和环境科学 地球和环境科学
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 陆地表面温度 (LST) 对水循环和能量交换至关重要,但通常受到热红外遥感中云干扰的限制.
- 微波遥感为持续的LST监测提供了全天候能力,并通过在中国增加高密度站观测来补充.
研究的目的:
- 开发一种新的深度学习方法,用于在中国使用地球大数据进行时间连续的LST监测.
- 整合包括气候,人类,地理和植被因素在内的多来源数据集,以提高LST估计.
主要方法:
- 使用深度学习框架 (U-Net家族) 来进行LST估计,处理高密度站和微波遥感数据.
- 采用多源数据融合,包括气候,人类,地理和植被数据集.
- 与U-Net,U2-Net和U-Net++模型进行比较,U-Net++在最小化语义差异方面表现出卓越的性能.
主要成果:
- U-Net++模型在中国实现了精确的每日LST映射 (0.1°分辨率),优于其他深度学习模型.
- 在LST模拟中观察到有利的空间和时间精度,站密度满足监测要求.
- 人类因素被确定为对LST变化的最重要的影响,其次是气候,地理和植被.
结论:
- 深度学习,特别是U-Net++,有效地整合了地球的大数据,用于持续的LST监测,克服了传统方法的局限性.
- 该研究为了解中国气候变化影响,人类活动和生态保护提供了科学基础.
- 高密度站数据和微波遥感对于空地集成LST监测至关重要.
