| Landsat 8 地表温度产品降尺度深度学习方法研究 |
| |
| 引用本文： | 张义峥,吴鹏海,段四波,杨辉,殷志祥.Landsat 8 地表温度产品降尺度深度学习方法研究[J].遥感学报,2021,25(8):1767-1777. |
| |
| 作者姓名： | 张义峥 吴鹏海 段四波 杨辉 殷志祥 |
| |
| 作者单位： | 1.安徽大学 湿地生态保护与修复安徽省重点实验室, 合肥 230601;2.信息材料与智能感知安徽省实验室, 合肥 230601;3.中国农业科学院 农业资源与农业区划研究所, 北京 100081 |
| |
| 基金项目： | 国家自然科学基金（编号：41501376）；安徽省地理信息智能技术工程研究中心技术研发项目 |
| |
| 摘 要： | 以光谱指数为趋势面因子的降尺度方法被广泛用于遥感地表温度尺度转换中，但面临构建的光谱指数难以凸显地表温度分布规律、浅层的统计模型难以精准刻画趋势面因子与地表温度之间的复杂关系的不足。为此，本文以Landsat 8 ARD 地表温度产品为降尺度对象，以Landsat 8 OLI原始数据为潜在趋势面因子，构建地表温度降尺度残差网络（LSTDRN）的深度学习模型；探索适用于Landsat 8地表温度产品空间降尺度的趋势面波段或组合，并在不同季节、不同地表类型下与经典传统方法TsHARP进行定量比较。结果表明：LSTDRN方法利用Landsat 8 OLI原始单波段作为趋势面因子就能有较好的降尺度效果，增加潜在趋势面因子的组合数量并不能提高降尺度效果。不同地表覆盖类型实验中，LSTDRN方法降尺度效果整体优于经典传统方法，且以近红外波段、红光波段和归一化植被指数为趋势面因子时，近红外波段降尺度效果定量评价表现最佳；不同地表覆盖类型的LSTDRN降尺度效果排序为：植被>建筑>水体，而经典传统方法则没有表现出明显的差异。不同季节实验中，LSTDRN方法在春夏冬3季的降尺度效果的定量评价表现明显好于经典传统方法，两类方法的秋季降尺度结果相当。因此，提出的LSTDRN对Landsat 8遥感地表温度产品具有较好的降尺度效果，整体优于经典传统方法且稳定性更强。
|
| 关 键 词： | 遥感 地表温度 降尺度 Landsat 8 深度学习 趋势面 |
| 收稿时间： | 2021/4/26 0:00:00 |
Downscaling of Landsat 8 land surface temperature products based on deep learning |
| |
| ZHANG Yizheng,WU Penghai,DUAN Sibo,YANG Hui,YIN Zhixiang.Downscaling of Landsat 8 land surface temperature products based on deep learning[J].Journal of Remote Sensing,2021,25(8):1767-1777. |
| |
| Authors: | ZHANG Yizheng WU Penghai DUAN Sibo YANG Hui YIN Zhixiang |
| |
| Institution: | 1.Anhui Key Laboratory of Wetland Ecological Protection and Restoration, Anhui University, Hefei 230601, China;2.Information Materials and Intelligent Sensing Laboratory of Anhui Province, Anhui University, Hefei 230601, China;3.Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China |
| |
| Abstract: | |
| |
| Keywords: | remote sensing land surface temperature downscaling Landsat 8 deep learning trend surface |
|
| 点击此处可从《遥感学报》浏览原始摘要信息 |
| 点击此处可从《遥感学报》下载免费的PDF全文 |
