[發明專利]一種基于單窗算法和PredRNN的遙感影像熱島效應預測方法

有效

• 申請號: 202010972149.1
• 申請日: 2020-09-16
• 公開（公告）號: CN112200349B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 羅培韜;呂新杰;姜崢超;李君;王玲霞
• 申請（專利權）人: 平衡機器科技（深圳）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06V20/13;G06K9/62;G06N3/04;G06F17/11;G06V10/82;G06V10/774
• 代理公司: 北京天江律師事務所 11537
• 代理人: 任崇

1.一種基于單窗算法和PredRNN的遙感影像熱島效應預測方法，其特征在于：包括以下步驟：

步驟1，影像下載：根據研究需求，下載指定研究區域歷年遙感影像；

步驟2，影像預處理：對影像進行幾何校正、鑲嵌、裁剪、輻射定標、大氣校正；

步驟3，單窗算法：利用公式1對影像熱紅外波段DN值進行光譜輻射值計算，利用公式2對影像熱紅外波段進行亮度溫度的計算，利用影像紅外和近紅外波段計算NDVI值，利用NDVI和公式3計算地表比輻射率，估算大氣透射率，利用單窗算法計算地表溫度；

步驟4，將每個時刻的單窗算法處理后的衛星遙感圖像按照一定大小切成若干個小的圖片并標記每張圖片的區域以及時間序列數，構造PredRNN模型，PredRNN通過在上一個序列的最頂層建立一個通道連接到下一個序列的第一層作為隱層輸入，實現了網絡能夠結合利用最靠近輸出層特征的效果；

步驟5，將步驟4切分后的圖片集處理為序列集的形式，將圖片序列集按照訓練集與測試集的比例8:2進行切分，并使用PredRNN進行訓練，用測試集作為模型的參數調優的評估，最終確定模型，得到模型關于歷史衛星遙感圖片與未來衛星遙感圖片的變化關系；

步驟6，通過訓練好的PredRNN模型對未來城市地表溫度進行外推預測；

所述公式1為：

L₁₀＝gain*DN+bias

式中：L₁₀為光譜輻射值；gain為增益量；bias為偏移量；

所述公式2為：

式中：T₁₀表示影像熱紅外波段亮溫(K)；L₁₀為光譜輻射值W/(m²*um*sr)；K₁、K₂為發射前預設的常量；

所述公式3包括公式31或公式32；

所述公式31為：

∈＝P_vR_vε_v+(1-P_v)R_mε_m+dε

所述公式32為：

ε＝P_vR_vε_v+(1-P_v)R_sε_s+dε

公式31用于計算城鎮地表的地表比輻射率，公式32用于計算自然地表的地表比輻射率；

式中：分別為裸土、建筑物表面、植被純凈像元地表發射率；

P_v是指植被占混合像元比例，

R_v＝0.9332+0.0585P_v

R_m＝0.9886+0.1287P_v

NDVI_s代表完全被裸土或無植被覆蓋區域的歸一化植被指數；NDVI_v是完全被植被覆蓋的像元的歸一化植被指數；R_vR_m分別為植被、建筑物的溫度比率。

2.根據權利要求1所述的基于單窗算法和PredRNN的遙感影像熱島效應預測方法，其特征在于：所述單窗算法的反演算法如公式(3-5)所示：

式中，LST為地表溫度(K)；T_s代表衛星接收到的BT值(K)；T_a代表大氣平均作用溫度值(K)；a、b為參考系數，a＝-67.355351，b＝0.458606；C、D的獲取如公式(3-6)與(3-7)所示：

C＝ετ (3-6)

D＝(1-τ)[1+(1-ε)τ] (3-7)

式中，ε為地表比輻射率，τ為大氣透射率。

3.根據權利要求1所述的基于單窗算法和PredRNN的遙感影像熱島效應預測方法，其特征在于：PredRNN的神經單元結構為：輸入t-1到t+1的圖片記為X，t時刻的輸入圖片為X_t，模型的網絡記為W，第t層網絡的神經單元記為W_t，輸出的圖片結果記為在第t時刻的輸出則記為且H和M為W相應的輸出圖像和隱層狀態，為W_t在第i層的隱藏狀態和輸出圖像；

其中為t時刻輸入到第一層PredRNN網絡的圖片，g_t為PredRNN神經單元對當前時刻輸入和上一時刻輸入信息的抽象提取，為抽象信息提取層對當前時刻輸入圖片的卷積核，為抽象信息提取層對上一時刻輸出圖片的卷積核；f_t為t時刻PredRN網絡的遺忘門，分別為遺忘門對當前時刻輸入圖片，上一時刻輸入圖片，上一時刻網絡隱層狀態的卷積核；i_t為t時刻網絡的輸入門，分別為輸入門對當前時刻輸入圖片，上一時刻輸入圖片，上一時刻網絡隱層狀態的卷積核；O_t為網絡的輸出門，分別為輸出門對當前時刻輸入圖片，上一時刻輸入圖片，上一時刻網絡隱層狀態的卷積核；符號*代表卷積運算，符號⊙代表點乘運算。