任彥霓,周廷剛,謝舒蕾,尹振南

三峽庫區(qū)生態(tài)環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室;西南大學(xué)地理科學(xué)學(xué)院,重慶 400715

地表溫度的觀測數(shù)據(jù)對于地球的水文、生態(tài)環(huán)境等的研究是一種相當(dāng)重要的參數(shù)，對于反映地表狀況也具有重要的意義。對地表溫度進(jìn)行精確的反演能夠?qū)禐?zāi)預(yù)報(bào)、農(nóng)作物生產(chǎn)情況以及全球天氣氣候等情況進(jìn)行詳細(xì)的預(yù)測與分析。隨著科學(xué)技術(shù)的進(jìn)步，在各種先進(jìn)技術(shù)的共同推動(dòng)下，衛(wèi)星遙感信息技術(shù)的發(fā)展蓬勃[1,2]。該技術(shù)得到的對地觀測數(shù)據(jù)能夠?qū)崿F(xiàn)多種類、高精度的要求，衛(wèi)星遙感技術(shù)能夠短時(shí)高效進(jìn)行探測。

由于目前的遙感衛(wèi)星傳感器技術(shù)還不夠成熟，得到的地表溫度數(shù)據(jù)時(shí)空分辨率較低。為解決這一問題，相關(guān)學(xué)者將不同衛(wèi)星遙感平臺中得到的多源數(shù)據(jù)進(jìn)行時(shí)空融合，成為了新的解決辦法。多源遙感數(shù)據(jù)的時(shí)空融合從本質(zhì)上講就是影像數(shù)據(jù)之間的整合匹配。這種整合之后的影像屬于與單一的遙感數(shù)據(jù)相比，具有多種遙感數(shù)據(jù)源優(yōu)勢。但在高異質(zhì)性地表環(huán)境中，像元輻射率具有時(shí)空變異性特征，傳統(tǒng)模型常因受此影響而導(dǎo)致融合精度存在一定程度的下降。針對此種情況，本研究在原有模型的基礎(chǔ)上，充分考慮地表溫度的變化情況，從而構(gòu)建了一種新的多源遙感數(shù)據(jù)時(shí)空融合模型。

1 融合模型設(shè)計(jì)

1.1 地表測溫空間尺度的轉(zhuǎn)換過程設(shè)計(jì)

目前，由于衛(wèi)星遙感傳感器自身的局限性，使得傳感器采集到的可見光與近紅外波段的的分辨率偏高，這就造成在相同載荷的情況下，在利用低空間分辨率的熱紅外波段數(shù)據(jù)進(jìn)行反演，得到的地表溫度數(shù)據(jù)往往存在缺少數(shù)據(jù)信息細(xì)節(jié)的問題。

地表測溫的空間尺度轉(zhuǎn)換是指對于地表溫度的辨識、推斷和預(yù)測能夠跨越地理范圍和空間分辨率，尺度轉(zhuǎn)換包括升尺度和降尺度[3,4]。尺度的大小可以從點(diǎn)尺度排列到全球尺度，中間存在若干級差的觀測信息。在降尺度的過程中，實(shí)際上就是精化空間分辨率。在一定的空間范圍內(nèi)，將低空間分辨率、大尺度的地理范圍內(nèi)的信息經(jīng)過推演，以高空間分辨率、小尺度地理范圍的形式進(jìn)行展示，經(jīng)過這樣的轉(zhuǎn)換，能夠使遙感數(shù)據(jù)中的信息更加豐富。本文在構(gòu)建多源遙感數(shù)據(jù)時(shí)空融合模型時(shí)，主要目的是細(xì)化地表溫度影響空間分辨率，也就是地表溫度的降尺度。降尺度實(shí)際上就是將遙感光譜信息趨勢面因子從空間分辨率所在的高尺度SH上聚合到低尺度SL上，得到的低尺度SL遙感光譜信息趨勢面因子與遙感LST 產(chǎn)品之間的關(guān)系如下：LSTL=fL(SIL1,SIL2,…)(1)式（1）中，LSTL表示在低尺度SL上估算得到的LST 值，fL表示尺度轉(zhuǎn)換函數(shù)，SIL表示低尺度SL上的遙感光譜信息，尺度轉(zhuǎn)換函數(shù)可以將遙感光譜信息轉(zhuǎn)換為LST 函數(shù)。在式（1）中，主要是由于趨勢面因子和LST 之間是具有尺度不變性的，也就是說高尺度SH能夠適用的轉(zhuǎn)換函數(shù)，同樣可以應(yīng)用在低尺度SL中，只要將兩個(gè)尺度上的遙感光譜指數(shù)聯(lián)系起來，同樣可以完成趨勢面因子向LST的轉(zhuǎn)換[5,6]。

綜上所述，轉(zhuǎn)換地表測溫空間尺度這種方法主要就是利用低尺度低空間分辨率上的轉(zhuǎn)換殘差，轉(zhuǎn)換成相應(yīng)的影像信息來模擬地表溫度，在模擬的過程中趨勢面因子間存在的不確定性會(huì)通過殘差表示出來。需要注意的是，如果尺度空間的分辨率差距較大時(shí)，需要采用相關(guān)的算法進(jìn)行內(nèi)插，這樣可以減少尺度轉(zhuǎn)換過程中的誤差。

1.2 引入BP 神經(jīng)網(wǎng)絡(luò)

在地表溫度監(jiān)測的過程中，多個(gè)遙感平臺得到的多源數(shù)據(jù)使得地表溫度的特征分布較為復(fù)雜。為了減少數(shù)據(jù)時(shí)空融合過程中的計(jì)算量，本研究引入BP 神經(jīng)網(wǎng)絡(luò)，利用其可不斷迭代學(xué)習(xí)的優(yōu)勢，對多源數(shù)據(jù)分布特征展開訓(xùn)練和學(xué)習(xí)，從而確定數(shù)據(jù)間的不確定關(guān)系。BP 神經(jīng)網(wǎng)絡(luò)最大的特點(diǎn)就是不需要事前設(shè)置表達(dá)映射關(guān)系，目標(biāo)是得到最小誤差平方和，使其中的誤差以一定的梯度呈現(xiàn)出下降趨勢[7,8]。為了調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閾值，BP 神經(jīng)網(wǎng)絡(luò)利用誤差在傳播過程中的反向傳播信號來確定輸入和輸出量間的關(guān)聯(lián)。在訓(xùn)練過程中，需在考慮實(shí)際輸出結(jié)果的基礎(chǔ)上，不斷變換信息正向傳播與誤差信號反向傳播的過程。一般情況下，在需要獲取實(shí)際輸出數(shù)據(jù)時(shí)需實(shí)施信息正向傳播。而反向傳播的主要作用是修正權(quán)值和閾值，最后經(jīng)過動(dòng)態(tài)搜索，得到網(wǎng)絡(luò)誤差函數(shù)最小的權(quán)向量。BP 神經(jīng)中最小的功能單位是神經(jīng)元，它也是神經(jīng)網(wǎng)絡(luò)中最基礎(chǔ)的結(jié)構(gòu)[9,10]。其模型如圖1 所示。

圖1 中，x1、x2...xn表示上一級神經(jīng)元軸突信息的輸入，wk1、wk2...wkn表示各個(gè)神經(jīng)元輸入與神經(jīng)元之間的連接權(quán)系數(shù)，能夠表示傳遞過程中的傳遞效率；bk表示閾值，f（x）為傳遞過程中的激發(fā)函數(shù)，yk表示輸出值。

圖1 神經(jīng)元結(jié)構(gòu)模型Fig.1 The model of neuronal structure

神經(jīng)元通過加權(quán)、求和和轉(zhuǎn)移這三個(gè)功能模擬生物神經(jīng)元感受刺激和傳導(dǎo)興奮的功能[11,12]。神經(jīng)元之間通過不同連接方式構(gòu)成回饋型和非回饋型兩種類型的BP 神經(jīng)網(wǎng)絡(luò)。這兩種類型的神經(jīng)網(wǎng)絡(luò)之間的差異在于回饋型網(wǎng)絡(luò)中分布著反饋環(huán)路，而在非回饋型網(wǎng)絡(luò)中，神經(jīng)元間的層次是確定的，只能單向傳導(dǎo)，無法反饋。

BP 神經(jīng)網(wǎng)絡(luò)屬于前饋型網(wǎng)絡(luò)，信息是按照逐層傳遞的方式形成了多層前饋神經(jīng)網(wǎng)。這種網(wǎng)絡(luò)的結(jié)構(gòu)會(huì)大大優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的性能，可以針對不同的實(shí)際情況對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行選擇。當(dāng)網(wǎng)絡(luò)規(guī)模較大時(shí)，在一般情況下會(huì)降低網(wǎng)絡(luò)的泛化能力，當(dāng)網(wǎng)絡(luò)規(guī)模較小時(shí)會(huì)影響收斂。因此，在BP 神經(jīng)網(wǎng)絡(luò)中需要對網(wǎng)絡(luò)結(jié)構(gòu)與初始參數(shù)值進(jìn)行調(diào)整，以適應(yīng)不同規(guī)模的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在BP 神經(jīng)網(wǎng)絡(luò)建立完成之后，將光學(xué)遙感數(shù)據(jù)與SAR 數(shù)據(jù)進(jìn)行融合，建立新的融合模型[13-15]，過程如下：

選取ETM 與MODIS 作為高、低空間的分辨率影像，利用兩個(gè)已知的時(shí)間相位的影像和預(yù)測時(shí)間相位影像，通過建立的BP 神經(jīng)網(wǎng)絡(luò)計(jì)算遙感地表參數(shù)?，先反演參數(shù)，在神經(jīng)網(wǎng)絡(luò)內(nèi)進(jìn)行空間降尺度，得到綜合多地表參數(shù)的數(shù)據(jù)尺度轉(zhuǎn)換模型如下：

式（2）中，k表示反演變換，h表示空間尺度下降范圍。在此基礎(chǔ)上，在預(yù)測時(shí)間相位的參數(shù)融合過程中，應(yīng)用上文得到的地表溫度數(shù)據(jù)尺度轉(zhuǎn)換方法，至此得到地表溫度的多源遙感數(shù)據(jù)時(shí)空融合模型如下：

式（3）中，YETM和YMODIS表示預(yù)測時(shí)間相位影像。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)環(huán)境以及相關(guān)參數(shù)設(shè)計(jì)

本次實(shí)驗(yàn)的主要目的是為了驗(yàn)證本文設(shè)計(jì)的多元遙感數(shù)據(jù)時(shí)空模型的融合精度。

在實(shí)驗(yàn)過程中，保持時(shí)間間隔相等，利用相同的一組多源衛(wèi)星獲取到的遙感數(shù)據(jù)，并分別使用本文設(shè)計(jì)的多源遙感數(shù)據(jù)時(shí)空融合模型與傳統(tǒng)的模型進(jìn)行融合，并對兩種模型的融合效果進(jìn)行評價(jià)和對比。

仿真實(shí)驗(yàn)中使用的多源遙感數(shù)據(jù)來源于重慶市。重慶市素有“山城”之稱，山城山脈相交，導(dǎo)致整個(gè)城區(qū)與外界的空氣對流較差。重慶市屬于典型的亞熱帶季風(fēng)性濕潤氣候，春夏秋冬四季分明。重慶市由于城郊區(qū)域的耕地面積流失較快，因此該市土地覆蓋類型變化也比較迅速。相對來說，該市的城市化進(jìn)程較快，工業(yè)方廢氣的排放量逐漸大，造成了較為嚴(yán)重的熱島現(xiàn)象。因此對重慶市的地表溫度進(jìn)行研究是非常有必要的。

實(shí)驗(yàn)選取重慶市城區(qū)以及周邊的地區(qū)作為實(shí)驗(yàn)對象，將試驗(yàn)區(qū)域的多源遙感數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行融合，驗(yàn)證本文模型在復(fù)雜區(qū)域的時(shí)空融合精度。本文使用的數(shù)據(jù)主要來源于多源遙感衛(wèi)星傳感器，涉及到的多源衛(wèi)星傳感器的型號以及參數(shù)如表1 所示。

表1 實(shí)驗(yàn)中傳感器的型號參數(shù)Table 1 Modes and parameters of sensors in the test

在上述多源衛(wèi)星傳感器獲取重慶市的各種類型的遙感數(shù)據(jù)后，還需在對數(shù)據(jù)進(jìn)行融合之前，進(jìn)行大氣校正，其也是融合之前預(yù)處理的關(guān)鍵步驟。利用1:10000 的地形圖對經(jīng)過大氣校正后的多源衛(wèi)星遙感數(shù)據(jù)得到的影像進(jìn)行幾何校正，并在坐標(biāo)系中完成重投影，并保證投影誤差小于0.5 個(gè)像元。選擇空間分辨率為30 m 的重慶城區(qū)作為分析區(qū)。多源遙感數(shù)據(jù)類型主要由NDVI、VV、VH、RVI 四種數(shù)據(jù)類型組成，遙感數(shù)據(jù)相關(guān)情況如表2 所示。

表2 實(shí)驗(yàn)選用的遙感數(shù)據(jù)列表Table 2 Remote sensing data in the test

在本文設(shè)計(jì)的融合模型中，需要將地物進(jìn)行分類，將其劃分為農(nóng)田、建筑、水域和林地四個(gè)種類。在支持向量機(jī)分類器基礎(chǔ)上進(jìn)行訓(xùn)練，在得到良好的分類精度后，將其作為本文融合模型的輸入數(shù)據(jù)。然后對表2 中的多元遙感數(shù)據(jù)實(shí)施相互融合，融合方案為3 種：

方案（1）：NDVI 與VV 數(shù)據(jù)融合；

方案（2）：NDVI 與VH 數(shù)據(jù)融合；

方案（3）：NDVI 與RVI 數(shù)據(jù)融合。

具體的融合過程以方案（1）為例，由于本文選用的NDVI 數(shù)據(jù)為8 景，將一年中的數(shù)據(jù)接收累計(jì)天數(shù)為034 和258 得到一年中的數(shù)據(jù)接收累計(jì)天數(shù)058 和346 的NDVI 與VV 數(shù)據(jù)融合，一年中的數(shù)據(jù)接收累計(jì)天數(shù)為154 和274 得到一年中的數(shù)據(jù)接收累計(jì)天數(shù)為178 和250 的NDVI 與VV 數(shù)據(jù)融合。方案（2）與方案（3）的融合方法與方案（1）類似。

為了突出本文設(shè)計(jì)的數(shù)據(jù)時(shí)空融合模型的有效性，在實(shí)驗(yàn)中使用傳統(tǒng)的融合模式與本文的模型對上述每一組數(shù)據(jù)進(jìn)行融合，得到的融合結(jié)果如圖2 所示。s

圖2 兩種模型的時(shí)空融合結(jié)果Fig.2 The space-time results from two model

圖2 中，圖（1）、圖（3）、圖（5）分別表示傳統(tǒng)模型在方案（1）、方案（2）、方案（3）下的融合結(jié)果，圖（2）、圖（4）、圖（5）分別表示本文模型在方案（1）、方案（2）、方案（3）下的融合結(jié)果。然后需要對上述的融合結(jié)果進(jìn)行精度評價(jià)。將本文模型融合得到的數(shù)據(jù)與獲取到的當(dāng)日NDVI 真實(shí)數(shù)據(jù)進(jìn)行相關(guān)性分析，當(dāng)對模型融合的數(shù)據(jù)為第58 d（058）時(shí)，融合輸入法數(shù)據(jù)則為034 與358 的NDVI 與VV 數(shù)據(jù)。在評價(jià)過程中，將決定系數(shù)R2與均方根誤差RMSE 作為融合精度的評價(jià)指標(biāo)，R2的值越接近1，說明融合精度越高，反之則證明融合精度較低；均方根誤差RMSE越接近于0，說明精度越高，否則說明誤差較大。

2.2 模型融合精度結(jié)果分析

在上述的實(shí)驗(yàn)條件下，對兩種模型的融合精度進(jìn)行分析并比較，得到的融合精度分析結(jié)果如表3 所示。通過分析表3 中的實(shí)驗(yàn)結(jié)果可以看出，在三個(gè)方案的數(shù)據(jù)組合當(dāng)中，無論輸入數(shù)據(jù)間隔為多少天，兩種模型的融合相關(guān)性系數(shù)都能夠達(dá)到0.7 以上，說明融合數(shù)據(jù)與實(shí)際觀測數(shù)據(jù)間的關(guān)聯(lián)性較強(qiáng)。當(dāng)輸入數(shù)據(jù)的時(shí)間間隔相同時(shí)，本文設(shè)計(jì)的模型的融合精度要比傳統(tǒng)模型略高，說明由于重建了時(shí)間變化方面的模型后，在時(shí)間上的擬合精度有了一定程度的提高，可有效提高多源遙感數(shù)據(jù)的融合精度，從而驗(yàn)證了本文設(shè)計(jì)的地表溫度的多源遙感數(shù)據(jù)時(shí)空融合模型具有較高的可靠性。

表3 兩種模型的融合精度評價(jià)Table 3 Evaluation on fusion precision of two models

3 結(jié)語

衛(wèi)星遙感技術(shù)的出現(xiàn)讓相關(guān)領(lǐng)域的研究人員對陸地表面溫度的檢測獲得了極大的便利，但是由于一些載荷量的限制，使得得到的LST 數(shù)據(jù)的時(shí)空分辨率較低，因此需要對多源遙感數(shù)據(jù)進(jìn)行時(shí)空融合。針對傳統(tǒng)時(shí)空融合模型所具有的一些缺陷，本文在構(gòu)建多源遙感數(shù)據(jù)時(shí)空融合模型的過程中，為了消除反演得到的可見光與紅外信息出現(xiàn)的不對等問題，轉(zhuǎn)換地表測溫空間尺度，從而得到綜合多地表參數(shù)的數(shù)據(jù)尺度轉(zhuǎn)換模型。在此基礎(chǔ)上，利用低尺度低空間分辨率的轉(zhuǎn)換殘差模擬地表溫度。然后針對地表溫度特征分布復(fù)雜的情況，引入構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)，根據(jù)實(shí)際情況調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)與初始參數(shù)值，光學(xué)遙感數(shù)據(jù)與SAR 數(shù)據(jù)進(jìn)行融合，根據(jù)高、低空間的分辨率影像計(jì)算、反演遙感地表參數(shù)，將尺度轉(zhuǎn)換模型應(yīng)用在預(yù)測時(shí)間相位的參數(shù)融合過程中，至此得到地表溫度的多源遙感數(shù)據(jù)時(shí)空融合模型。通過仿真實(shí)現(xiàn)的結(jié)果驗(yàn)證了本文設(shè)計(jì)的模型在時(shí)空融合方面具有更高的精度。但是本文在研究過程中還存在一些技術(shù)方面的難題，對于一些缺失的遙感影像難以進(jìn)行融合，在今后的研究中，如何應(yīng)用遙感有效數(shù)據(jù)去推演缺失的數(shù)據(jù)是值得研究的問題。