本發(fā)明涉及降尺度，具體地說，尤其涉及一種基于catboost對稱決策樹進行回歸建模的遙感地表溫度空間降尺度方法。

背景技術(shù)：

1、傳統(tǒng)的被動微波遙感地表溫度數(shù)據(jù)空間降尺度過程一般僅考慮ndvi（normalizeddifference?vegetation?index，歸一化植被指數(shù)）、dem（digital?elevation?model，數(shù)字高程模型）、ndwi（normalized?difference?water?index，歸一化水體指數(shù)）等輔助變量。

2、然而，對于復雜地形區(qū)域，山地植被在陽坡和陰坡反射率差異顯著，常規(guī)的ndvi并不能消除或抑制地形的影響；歸一化差值山地植被指數(shù)ndmvi可有效消除或抑制地形的影響，比ndvi具有更寬的動態(tài)變化范圍，對地物有更強的遙感識別能力。

3、此外，地表溫度與遙感red、green、blue波段的色彩物理特征等密切相關(guān)，遙感rgb色彩物理特征可以通過cie色彩空間的ciex與ciey色彩坐標進行表達；傳統(tǒng)的被動微波遙感地表溫度空間降尺度方法并沒有考慮歸一化差值山地植被指數(shù)、rgb色彩物理特征的影響，會給預測結(jié)果帶來精度損失。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺陷與不足，提供一種基于catboost對稱決策樹的遙感地表溫度空間降尺度方法，結(jié)合歸一化水體指數(shù)、歸一化差值山地植被指數(shù)、ciex色彩坐標、ciey色彩坐標和dem數(shù)據(jù)，基于catboost對稱決策樹進行回歸建模，得到復雜地形區(qū)域精確的高分辨率遙感地表溫度數(shù)據(jù)。

2、為了實現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案如下：

3、一種基于catboost對稱決策樹的遙感地表溫度空間降尺度方法，包括以下步驟：

4、s1：獲取低分辨率的被動微波遙感地表溫度數(shù)據(jù)，獲取高分辨率的遙感可見光和近紅外波段影像，對數(shù)據(jù)和影像進行處理；

5、s2：利用高分辨率的遙感可見光和近紅外波段影像，分別計算得到高分辨率的歸一化水體指數(shù)和歸一化差值山地植被指數(shù)；

6、利用高分辨率的遙感可見光波段影像，結(jié)合cie色彩空間理論，分別計算得到高分辨率的ciex色彩坐標和ciey色彩坐標；

7、s3：獲取設(shè)定分辨率的高精度dem數(shù)據(jù)，通過加權(quán)平均的方式進行空間聚合，得到高分辨率的高精度dem數(shù)據(jù)；

8、s4：利用算法對低分辨率的被動微波遙感地表溫度數(shù)據(jù)進行空間降尺度，得到高分辨率的被動微波遙感地表溫度降尺度數(shù)據(jù)；

9、s5：基于catboost對稱決策樹算法，構(gòu)建被動微波遙感地表溫度降尺度數(shù)據(jù)的修正模型，對修正模型進行超參數(shù)調(diào)優(yōu)，執(zhí)行交叉驗證，選擇最佳參數(shù)；

10、s6：基于最優(yōu)參數(shù)重新訓練修正模型，利用修正模型對被動微波遙感地表溫度降尺度數(shù)據(jù)進行修正，得到高分辨率的遙感地表溫度數(shù)據(jù)。

11、進一步地，步驟s1，獲取低分辨率的被動微波遙感地表溫度數(shù)據(jù)，獲取高分辨率的遙感可見光和近紅外波段影像，對數(shù)據(jù)和影像進行處理，具體為：

12、獲取時序低分辨率的被動微波遙感地表溫度數(shù)據(jù)，采用普通克里金插值函數(shù)對缺失值進行空間插值，得到時空連續(xù)低分辨率的被動微波遙感地表溫度數(shù)據(jù)；

13、獲取對應(yīng)時間點高分辨率的可見光和近紅外波段影像，進行大氣校正和輻射校正預處理；并提取高分辨率的紅波段、綠波段、藍波段、近紅外波段和短波紅外波段影像反射率信息。

14、進一步地，步驟s2中，利用高分辨率的遙感可見光和近紅外波段影像，分別計算得到高分辨率的歸一化水體指數(shù)和歸一化差值山地植被指數(shù)，具體為：

15、利用高分辨率的綠波段和近紅外波段影像反射率信息，計算得到高分辨率的歸一化水體指數(shù)：

16、；

17、式中，表示綠波段影像反射率；表示近紅外波段影像反射率；

18、利用高分辨率的近紅外波段和紅波段影像反射率信息，計算得到高分辨率的歸一化差值山地植被指數(shù)：

19、；

20、式中，表示紅波段影像反射率；表示紅波段影像反射率的最小值；表示近紅外波段影像反射率的最小值。

21、進一步地，步驟s2中，利用高分辨率的遙感可見光波段影像，結(jié)合cie色彩空間理論，分別計算得到高分辨率的ciex色彩坐標和ciey色彩坐標，具體為：

22、利用高分辨率的紅波段、綠波段和藍波段影像反射率信息，分別計算得到高分辨率的ciex色彩坐標和ciey色彩坐標：

23、；

24、；

25、；

26、；

27、；

28、式中，表示紅波段影像反射率；表示綠波段影像反射率；表示藍波段影像反射率；、、、、、、、、分別表示不同系數(shù)。

29、進一步地，步驟s3，獲取設(shè)定分辨率的高精度dem數(shù)據(jù)，通過加權(quán)平均的方式進行空間聚合，得到高分辨率的高精度dem數(shù)據(jù)，具體為：

30、高精度dem數(shù)據(jù)采用歐洲航天局提供的哥白尼數(shù)字高程模型數(shù)據(jù)集，空間分辨率為30m或90m，通過加權(quán)平均的方式進行空間聚合，得到高分辨率的高精度dem數(shù)據(jù)。

31、進一步地，步驟s4，利用算法對低分辨率的被動微波遙感地表溫度數(shù)據(jù)進行空間降尺度，得到高分辨率的被動微波遙感地表溫度降尺度數(shù)據(jù)，具體為：

32、利用面到點克里金插值算法，對時空連續(xù)的低分辨率被動微波遙感地表溫度數(shù)據(jù)進行空間降尺度，得到高分辨率的被動微波遙感地表溫度降尺度數(shù)據(jù)。

33、進一步地，步驟s5中，基于catboost對稱決策樹算法，構(gòu)建被動微波遙感地表溫度降尺度數(shù)據(jù)的修正模型，對修正模型進行超參數(shù)調(diào)優(yōu)，執(zhí)行交叉驗證選擇最佳參數(shù)，具體為：

34、以高分辨率的被動微波遙感地表溫度降尺度數(shù)據(jù)作為因變量，對應(yīng)時間點的高分辨率的歸一化水體指數(shù)、歸一化差值山地植被指數(shù)、ciex色彩坐標、ciey色彩坐標和dem數(shù)據(jù)作為自變量，利用catboost對稱決策樹算法，構(gòu)建被動微波遙感地表溫度降尺度數(shù)據(jù)的修正模型，得到：

35、；

36、式中，表示 t時刻的被動微波遙感地表溫度降尺度數(shù)據(jù)；表示 t時刻對應(yīng)的歸一化水體指數(shù)；表示 t時刻對應(yīng)的歸一化差值山地植被指數(shù)；表示 t時刻的ciex色彩坐標；表示 t時刻的ciey色彩坐標；

37、通過構(gòu)建被動微波遙感地表溫度降尺度數(shù)據(jù)的修正模型，對利用面到點克里金插值算法對低分辨率的被動微波遙感地表溫度數(shù)據(jù)進行空間降尺度后，得到的高分辨率的被動微波遙感地表溫度降尺度數(shù)據(jù)進行誤差修正。

38、進一步地，步驟s5中，執(zhí)行交叉驗證，具體為：

39、利用catboost對稱決策樹算法提供的交叉驗證方法，對每一組超參數(shù)組合執(zhí)行五折交叉驗證；在每次交叉驗證中，數(shù)據(jù)集被分成5份，其中4份用于訓練，1份用于驗證，輪流進行5次；指定評估指標為準確率，達到最佳性能時保存最佳模型，固定隨機種子確保結(jié)果保持一致；對所有720種參數(shù)組合，記錄各自在交叉驗證下的平均損失值。

40、進一步地，步驟s5中，選擇最優(yōu)參數(shù)，具體為：

41、根據(jù)五折交叉驗證的平均損失值，比較所有參數(shù)組合的性能表現(xiàn)，選擇產(chǎn)生最低平均損失值的參數(shù)組合作為最優(yōu)超參數(shù)配置；使用最優(yōu)參數(shù)組合重新訓練修正模型，用于被動微波遙感地表溫度降尺度數(shù)據(jù)的修正任務(wù)。

42、進一步地，采用python語言實現(xiàn)數(shù)據(jù)處理、模型構(gòu)建和模型訓練。

43、與現(xiàn)有技術(shù)相比，本發(fā)明結(jié)合cie色彩物理特征與catboost對稱決策樹算法，對低分辨率的被動微波遙感地表溫度數(shù)據(jù)進行空間降尺度，充分考慮了復雜地形山地植被、遙感rgb波段的色彩空間特征信息對地表溫度的影響，也考慮了水體、海拔對地表溫度的影響。

44、本發(fā)明結(jié)合歸一化水體指數(shù)ndwi、歸一化差值山地植被指數(shù)ndmvi、ciex色彩坐標、ciey色彩坐標和dem數(shù)據(jù)，基于catboost對稱決策樹進行回歸建模，得到復雜地形區(qū)域精確的高分辨率遙感地表溫度數(shù)據(jù)，具有重要的理論、實踐意義和推廣應(yīng)用價值。