留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用时空神经网络模型的长江经济带气温反演

江芸 李同文 程青 沈焕锋

江芸, 李同文, 程青, 沈焕锋. 利用时空神经网络模型的长江经济带气温反演[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210192
引用本文: 江芸, 李同文, 程青, 沈焕锋. 利用时空神经网络模型的长江经济带气温反演[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210192
JIANG Yun, LI Tongwen, CHENG Qing, SHEN Huanfeng. Air Temperature Estimation in Yangtze River Economic Zone Using Geographically and Temporally Neural Networks[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210192
Citation: JIANG Yun, LI Tongwen, CHENG Qing, SHEN Huanfeng. Air Temperature Estimation in Yangtze River Economic Zone Using Geographically and Temporally Neural Networks[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210192

利用时空神经网络模型的长江经济带气温反演

doi: 10.13203/j.whugis20210192
基金项目: 

国家重点研发计划(2016YFC0200900);

详细信息
    作者简介:

    江芸,硕士生,主要从事定量遥感反演研究。jiangy@whu.edu.cn

  • 中图分类号: P407

Air Temperature Estimation in Yangtze River Economic Zone Using Geographically and Temporally Neural Networks

Funds: 

The National Key Research and Development Program of China (2016YFC0200900)

  • 摘要: 传统基于遥感的气温反演方法往往使用全局模型,从而忽略了气温分布及其时空影响异质性,特别是在较大区域尺度的研究中存在不足。本文针对长江经济带区域,引入时空地理加权神经网络模型,建立一种高精度的气温估计方法。通过在广义回归网络模型中建立局部模型来顾及时空异质性的影响,融合遥感数据、同化数据、站点数据,获取面域分布的近地表气温信息。采用基于站点的十折交叉验证方法对模型性能进行评估,结果表明:时空地理加权神经网络有效提高了气温估计的精度(RMSE=1.899℃,MAE=1.310℃,R=0.976),与多元线性回归和传统的全局神经网络方法相比,MAE值分别降低了1.112℃和0.378℃。气温空间分布制图结果显示,本文方法结果能很好地反映长江经济带气温空间上的差异和不同季节的特征信息,具有实际应用价值。
  • [1] Lin X H, Zhang W, Huang Y, et al. Empirical Estimation of Near-Surface Air Temperature in China from MODIS LST Data by Considering Physiographic Features[J]. Remote Sensing, 2016, 8(8):629.
    [2] Benali A., Carvalho A. C., Nunes J. P., et al. Estimating Air Surface Temperature in Portugal Using MODIS LST Data[J]. Remote Sensing of Environment, 2012, 124:108-121.
    [3] Chen F R, Liu Y, Liu Q, et al. A Statistical Method Based on Remote Sensing for the Estimation of Air Temperature in China[J]. International Journal of Climatology, 2015, 35(8):2131-2143.
    [4] Fu G, Shen Z X, Zhang X Z, et al. Estimating Air Temperature of an alpine meadow on the Northern Tibetan Plateau using MODIS land surface temperature[J]. Acta Ecologica Sinica, 2011, 31(1):8-13.
    [5] Vancutsem C, Ceccato P, Dinku T, et al. Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa[J]. Remote Sensing of Environment, 2010, 114(2):449-465.
    [6] Nieto H C, Sandholt I, Aguado I, et al. Air temperature estimation with MSG-SEVIRI data:Calibration and validation of the TVX algorithm for the Iberian Peninsula[J]. Remote Sensing of Environment, 2011, 115(1):107-116.
    [7] Stisen S, Sandholt I, Nørgaard A, et al. Estimation of Diurnal Air Temperature Using MSG SEVIRI Data in West Africa[J]. Remote Sensing of Environment, 2007, 110(2):262-274.
    [8] Zhu W B, Lü A F, Jia S F. Estimation of Daily Maximum and Minimum Air Temperature Using MODIS Land Surface Temperature Products[J]. Remote Sensing of Environment, 2013, 130:62-73.
    [9] Hou P, Chen Y H, Qiao W, et al. Near-Surface Air Temperature Retrieval from Satellite Images and Influence by Wetlands in Urban Region[J]. Theoretical and Applied Climatology, 2012, 111(1-2):109-118.
    [10] Liu S H, Su H B, Zhang R H, et al. Estimating the Surface Air Temperature by Remote Sensing in Northwest China Using an Improved Advection-Energy Balance for Air Temperature Model[J]. Advances in Meteorology, 2016, 2016:1-11.
    [11] Sun Y J, Wang J F, Zhang R H., et al. Air temperature retrieval from remote sensing data based on thermodynamics[J]. Theoretical and Applied Climatology, 2005, 80(1):37-48.
    [12] Janatian N, Sadeghi M, Sanaeinejad S H, et al. A statistical framework for estimating air temperature using MODIS land surface temperature data[J]. International Journal of Climatology, 2017, 37(3):1181-1194.
    [13] Kloog I, Nordio F, Lepeule J, et al. Modelling spatiotemporally resolved air temperature across the complex geo-climate area of France using satellite-derived land surface temperature data[J]. International Journal of Climatology, 2017, 37(1):296-304.
    [14] Noi P, Kappas M, Degener J. Estimating Daily Maximum and Minimum Land Air Surface Temperature Using MODIS Land Surface Temperature Data and Ground Truth Data in Northern Vietnam[J]. Remote Sensing, 2016, 8(12):1002.
    [15] Zhang W, Huang Y, Yu Y Q, et al. Empirical models for estimating daily maximum, minimum and mean air temperatures with MODIS land surface temperatures[J]. International Journal of Remote Sensing, 2011, 32(24):9415-9440.
    [16] Prihodko L, Goward S N. Estimation of Air Temperature from Remotely Sensed Surface Observations[J]. Remote Sensing of Environment, 1997, 60(3):335-346.
    [17] Jang J-D, Viau AA, Anctil F. Neural Network Estimation of Air Temperatures from AVHRR Data[J]. International Journal of Remote Sensing, 2004, 25(21):4541-4554.
    [18] Emamifar S, Rahimikhoob A, Noroozi A A. Daily Mean Air Temperature Estimation from MODIS Land Surface Temperature Products Based on M5 Model Tree[J]. International Journal of Climatology, 2013, 33(15):3174-3181.
    [19] Xu Y M, Knudby A, Shen Y, et al. Mapping Monthly Air Temperature in the Tibetan Plateau from MODIS Data Based on Machine Learning Methods[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2018, 11(2):345-354.
    [20] Yoo C, Im J, Park S, et al. Estimation of Daily Maximum And Minimum Air Temperatures in Urban Landscapes Using MODIS Time Series Satellite Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 137:149-162.
    [21] Ho H C, Knudby A, Sirovyak P, et al. Mapping Maximum Urban Air Temperature on Hot Summer Days[J]. Remote Sensing of Environment, 2014, 154:38-45.
    [22] Li T W, Shen H F, Yuan Q Q, et al. Geographically and Temporally Weighted Neural Networks for Satellite-Based Mapping of Ground-Level PM2.5[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 167:178-188.
    [23] Yao R, Wang L C, Huang X., et al. Developing A Temporally Accurate Air Temperature Dataset for Mainland China[J]. Science of The Total Environment, 2020, 706:136037.
  • [1] 卢阳, 杨建思, 黄昕, 杨其全, 马嵩.  面向局部气候带的城市形态对地表温度的影响 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200031
    [2] 李恒凯, 吴冠华, 王秀丽.  面向开采扰动的离子型稀土矿区地表温度降尺度方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190022
    [3] 王爱辉, 杨英宝, 潘鑫, 胡解君德.  顾及时空特征的FY-4A云覆盖像元地表温度重建模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200039
    [4] 姚宜斌, 孙章宇, 许超钤, 徐星宇.  顾及非线性高程归算的全球加权平均温度模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170351
    [5] 汪汉胜, 相龙伟, WUPatrick, STEFFENHolger, 贾路路.  不同模型的地表质量异常一阶项、二阶项估计 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180244
    [6] 聂磊, 舒红, 刘艳.  复杂地形地区月平均气温(混合)地理加权回归克里格插值 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160433
    [7] 魏然, 单杰.  城市地表温度影像时空融合方法研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150489
    [8] 杨梦诗, 廖明生, 史绪国, 张路.  联合多平台InSAR数据集精确估计地表沉降速率场 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140924
    [9] 王斐, 覃志豪, 宋彩英.  利用Landsat TM影像进行地表温度像元分解 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140604
    [10] 胡德勇, 乔琨, 王兴玲, 赵利民, 季国华.  利用单窗算法反演Landsat 8 TIRS数据地表温度 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150164
    [11] 谭琨, 廖志宏, 杜培军.  顾及地面传感器观测数据的遥感影像地面温度反演算法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130843
    [12] 姚宜斌, 刘劲宏, 张豹, 何畅勇.  地表温度与加权平均温度的非线性关系 . 武汉大学学报 ● 信息科学版,
    [13] 徐涵秋, 林中立, 潘卫华.  单通道算法地表温度反演的若干问题讨论——以Landsat系列数据为例 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130733
    [14] 罗三明, 杜凯夫, 万文妮, 付黎明, 李永坤, 梁福逊.  利用PSInSAR方法反演大时空尺度地表沉降速率 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130670
    [15] 李莎, 舒红, 徐正全.  利用时空Kriging进行气温插值研究 . 武汉大学学报 ● 信息科学版,
    [16] 崔生成, 杨世植, 乔延利, 赵强.  基于偏差原则和正则化方法反演晴空地表BRDF和反照率 . 武汉大学学报 ● 信息科学版,
    [17] 卢远, 华璀, 杨小雄, 韦燕飞.  基于ASTER数据的城市热环境效应定量分析 . 武汉大学学报 ● 信息科学版,
    [18] 毛克彪, 唐华俊, 周清波, 马柱国.  实用劈窗算法的改进及大气水汽含量对精度影响评价 . 武汉大学学报 ● 信息科学版,
    [19] 闫峰, 覃志豪, 李茂松, 王艳姣.  基于MODIS数据的上海市热岛效应研究 . 武汉大学学报 ● 信息科学版,
    [20] 刘浩, 王广军, 谈明洪.  咸海面积萎缩对区域地表温度的影响研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200165
  • 加载中
计量
  • 文章访问数:  53
  • HTML全文浏览量:  10
  • PDF下载量:  1
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-09-23

利用时空神经网络模型的长江经济带气温反演

doi: 10.13203/j.whugis20210192
    基金项目:

    国家重点研发计划(2016YFC0200900);

    作者简介:

    江芸,硕士生,主要从事定量遥感反演研究。jiangy@whu.edu.cn

  • 中图分类号: P407

摘要: 传统基于遥感的气温反演方法往往使用全局模型,从而忽略了气温分布及其时空影响异质性,特别是在较大区域尺度的研究中存在不足。本文针对长江经济带区域,引入时空地理加权神经网络模型,建立一种高精度的气温估计方法。通过在广义回归网络模型中建立局部模型来顾及时空异质性的影响,融合遥感数据、同化数据、站点数据,获取面域分布的近地表气温信息。采用基于站点的十折交叉验证方法对模型性能进行评估,结果表明:时空地理加权神经网络有效提高了气温估计的精度(RMSE=1.899℃,MAE=1.310℃,R=0.976),与多元线性回归和传统的全局神经网络方法相比,MAE值分别降低了1.112℃和0.378℃。气温空间分布制图结果显示,本文方法结果能很好地反映长江经济带气温空间上的差异和不同季节的特征信息,具有实际应用价值。

English Abstract

江芸, 李同文, 程青, 沈焕锋. 利用时空神经网络模型的长江经济带气温反演[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210192
引用本文: 江芸, 李同文, 程青, 沈焕锋. 利用时空神经网络模型的长江经济带气温反演[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210192
JIANG Yun, LI Tongwen, CHENG Qing, SHEN Huanfeng. Air Temperature Estimation in Yangtze River Economic Zone Using Geographically and Temporally Neural Networks[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210192
Citation: JIANG Yun, LI Tongwen, CHENG Qing, SHEN Huanfeng. Air Temperature Estimation in Yangtze River Economic Zone Using Geographically and Temporally Neural Networks[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210192
参考文献 (23)

目录

    /

    返回文章
    返回