深度学习神经网络优化ASTER地表温度与发射率反演算法
需积分: 0 11 浏览量
更新于2024-08-03
收藏 563KB PDF 举报
"该文提出了一种利用神经网络优化的多波段算法,用于从ASTER遥感数据中反演地表温度和发射率。通过结合深度动态学习神经网络与辐射传输模型,该方法解决了地表温度和发射率反演中的病态问题,为风云系列卫星和高分数据的地表温度反演提供了参考。文章通过三种方法求解方程,包括分类、最小二乘法和神经网络,并利用MODTRAN4模拟数据进行反演验证,结果显示神经网络方法提高了反演精度,地表温度平均误差仅为0.5℃,发射率平均误差在0.007(11、12波段)和0.006(13、14波段)以下。"
文章详细介绍了如何利用ASTER遥感器的热红外波段数据来反演地表温度和发射率。ASTER遥感器的15个波段,尤其是5个热红外波段,为地表热量分析提供了高质量的数据。然而,由于大气条件的影响,直接使用亮度温度无法准确获取地表真实温度,因此需要大气校正。
作者提出的多波段算法首先建立了热辐射传输方程,结合ASTER数据的第11至14波段,构建了6个方程来同时解决地表温度和发射率这两个未知数。为了解决这些方程,文章采用了三种策略:一是先进行分类再进行数学计算;二是运用最小二乘法;三是采用神经网络方法。其中,神经网络方法在反演效果上表现出更高的精度和实用性。
通过使用辐射传输模型MODTRAN4模拟数据,该算法的性能得到了验证。结果显示,反演的地表温度平均误差仅为0.5℃,发射率的平均误差低于0.007(11、12波段)和0.006(13、14波段),这表明神经网络在处理这类复杂问题时具有显著优势,能够有效减少由于大气影响带来的误差。
关键词涉及了亮度温度、地表温度(LST)、ASTER遥感器、神经网络,以及反演技术。文章强调了神经网络在地表温度和发射率反演中的应用价值,特别是在处理ASTER数据时的创新方法,对于改善地表温度反演的精度和实用性具有重要意义。此外,该研究对于理解和应对大气参数获取的挑战也提供了有价值的参考。
2024-01-03 上传
2021-10-31 上传
点击了解资源详情
2010-05-06 上传
2019-05-20 上传
2021-09-30 上传
2010-05-12 上传
2022-06-02 上传
是筱倩阿
- 粉丝: 1678
- 资源: 19
最新资源
- 掌握Jive for Android SDK:示例应用的使用指南
- Python中的贝叶斯建模与概率编程指南
- 自动化NBA球员统计分析与电子邮件报告工具
- 下载安卓购物经理带源代码完整项目
- 图片压缩包中的内容解密
- C++基础教程视频-数据类型与运算符详解
- 探索Java中的曼德布罗图形绘制
- VTK9.3.0 64位SDK包发布,图像处理开发利器
- 自导向运载平台的行业设计方案解读
- 自定义 Datadog 代理检查:Python 实现与应用
- 基于Python实现的商品推荐系统源码与项目说明
- PMing繁体版字体下载,设计师必备素材
- 软件工程餐厅项目存储库:Java语言实践
- 康佳LED55R6000U电视机固件升级指南
- Sublime Text状态栏插件:ShowOpenFiles功能详解
- 一站式部署thinksns社交系统,小白轻松上手