深度学习神经网络与辐射传输模型驱动的地表温度反演算法优化

该篇文章主要探讨了基于深度动态学习神经网络和辐射传输模型的地表温度反演算法在遥感科学中的应用。地表温度反演是遥感领域中的一个复杂任务，特别是因为其存在病态反演问题，即数据不确定性可能导致不准确的结果。深度动态学习神经网络作为一种新兴技术，为解决这一问题提供了新的可能。 研究者以MODIS（ Moderate Resolution Imaging Spectroradiometer，中分辨率成像光谱仪）的中红外和热红外波段数据作为研究对象，利用深度动态学习神经网络的高效建模能力和辐射传输模型（MODTRAN）的物理原理，设计了一种反演策略。他们将MODIS波段分为三类：第一类包括29、31、32和33波段，适用于白天和晚上的地表温度同时反演；第二类结合了热红外波段和水汽波段（如29、31、32、33及特定水汽波段）用于白天反演；第三类则专为夜晚设计，包含20、22、23波段与热红外波段。 实验结果显示，深度动态学习神经网络能够通过单景MODIS数据精确反演地表温度，显著改进了传统MODIS白天/黑夜产品算法的局限性。三种不同波段组合的平均反演误差都保持在1K以下，其中热红外波段与水汽波段的组合表现最优，平均最高精度达到0.251K，标准差为0.255K，相关系数达到了1，显示出极高的精度和稳定性。 文章的结论指出，深度动态学习神经网络与辐射传输模型相结合的方法在地表温度反演中取得了突破性进展，为我国自主研发的风云系列卫星和高分辨率数据的红外波段地表温度反演提供了一种高效且精确的参考算法。这种方法的引入标志着地表温度反演历史上的一个重要里程碑，它不仅提升了反演的准确性，还为遥感数据分析带来了全新的解决方案。关键词包括深度学习神经网络、辐射传输模型、地表温度和发射率，进一步强调了这项工作的核心技术和应用价值。