深度学习神经网络优化ASTER地表温度与发射率反演算法

"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。