使用神经网络从ASTER影像中分离地表发射率和温度

"这篇论文提出了一种神经网络技术，用于从ASTER遥感图像中分离地表发射率和温度。该技术解决了ASTER数据处理中的一个典型不适定问题，即四个辐射传输方程涉及到六个未知参数（平均大气温度、地表温度以及四个波段的发射率）。" 在遥感领域，ASTER（先进星载热发射和反射辐射计）是一个重要的传感器，它能够获取多光谱和热红外数据。ASTER的数据对于理解和监测地球表面的物理特性至关重要。然而，从这些数据中准确提取地表温度和发射率是一项具有挑战性的任务，因为存在多个未知变量而方程不足。 文章指出，由于地表类型在ASTER的11、12、13和14波段的发射率几乎恒定，可以利用相邻波段发射率之间的线性或非线性关系来构建额外的方程。这正是神经网络（NN）发挥作用的地方。神经网络具有强大的功能，包括函数近似、分类、优化计算和自我学习能力。通过训练数据，神经网络能够充分利用不同波段发射率之间的潜在信息，从而提高解耦地表温度和发射率的准确性。 训练数据库可以通过MODTRAN4等辐射传输模型进行模拟生成，也可以利用实际观测数据来构建。MODTRAN4是一款广泛使用的辐射传输模型，能够模拟大气对电磁辐射的传播，为神经网络提供真实情况下的输入和期望输出。 在论文中，作者Kebiao Mao、Jiancheng Shi、Huajun Tang、Zhao-Liang Li、Xiufeng Wang和Kun-Shan Chen，其中几位是IEEE的资深会员或会士，他们可能详细探讨了神经网络模型的建立、训练过程以及性能评估。他们可能对比了传统方法与神经网络方法的优劣，并给出了实证分析结果，展示了神经网络在解决这种复杂遥感问题上的潜力。 这种方法的应用有助于提高地表温度和发射率反演的精度，这对于气候变化研究、环境监测、农业管理、灾害响应等领域具有重要意义。通过更好地理解地表温度和发射率，科学家和决策者可以更准确地评估地表能量平衡、植被状况、水循环以及城市热岛效应等关键地球系统参数。