地表温度监测方法、装置、数字化平台及电子设备与流程

1.本发明涉及地表温度监测技术领域，尤其涉及一种地表温度监测方法、装置、数字化平台及电子设备。


背景技术：

2.地表温度(land surface temperature，lst)是衡量地球环境的重要指标，对于区域的物质能量循环、生态系统平衡以及人类的生产生活具有重要影响，包括地表能量通量、气候变化、农业生产、城市热岛监测等。
3.目前，fy卫星(风云三号气象卫星)是我国首套完善遥感监测系统，其中，微波成像仪(mwri)具有一定穿透能力，可在有效减少云覆盖的情况下获取物体的温度和介电特性等信息。随着深度学习的不断发展和完善，在遥感数据监测反演方面有着良好的应用前景，但深度学习框架搭建对于非专业人士使用有着较大的困难，较难在业务上普遍推广使用。因此，通过卫星和传感器对地表温度进行测量来获取地表温度数据是常用的方法，但是，常用的卫星获取地表温度数据已受到云量的干扰，云量较大时卫星的穿透性较差，导致地表温度监测时的误差较大且获取分辨率较低，进而降低地表温度监测精度，且在获取地表温度数据时会产生一定的延迟。
4.因此，传统的地表温度数据监测方法由于测量仪器受限、云量影响、传感器特性等方面的影响，导致传统的地表温度监测方法在地表温度数据监测时精度较差且较难获取实时数据。


技术实现要素：

5.本发明提供一种地表温度监测方法、装置、数字化平台及电子设备，用以解决现有技术中检测精度较差且较难获取实时地表温度数据的缺陷，实现利用深度学习模型实时反演较高精度的地表温度数据，来提高地表温度监测的监测精度。
6.本发明提供一种地表温度监测方法，所述方法包括：
7.基于来自微波成像仪的遥感图像获取亮温数据；
8.将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；
9.其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。
10.根据本发明提供的一种地表温度监测方法，所述基于来自微波成像仪的遥感图像获取亮温数据，之前包括：
11.接收来自微波成像仪的遥感图像，以获取所述亮温样本数据；
12.获取与所述亮温样本数据相对应的地表温度样本数据，并通过所述亮温样本数据
对所述地表温度样本数据进行标记，以获取与所述亮温样本数据对应的地表温度样本标记数据；
13.对所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，以获取所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据对应的栅格数据；
14.其中，所述栅格数据为所述深度学习网络模型的输入数据。
15.根据本发明提供的一种地表温度监测方法，所述对所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，之后包括：
16.将所述栅格数据输入所述深度学习网络模型，得到所述深度学习网络模型输出的模型参数；
17.将所述模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据输入所述深度学习网络模型，以完成所述温度反演模型的构建。
18.根据本发明提供的一种地表温度监测方法，所述对所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，之后还包括：
19.对所述遥感图像进行编码，以获取所述遥感图像对应特征通道的特征图像；
20.通过卷积对所述特征图像进行最大池化，以增大所述特征图像的特征通道。
21.根据本发明提供的一种地表温度监测方法，所述通过卷积对所述特征图像进行最大池化，之后包括：
22.对池化后的特征图像进行解码，并对解码后的特征图像进行反卷积，以恢复所述特征图像的卷积；
23.将反卷积后的特征图像与对应卷积后的特征图像进行融合，以获取所述特征图像的边缘特征；
24.基于所述边缘特征，调用softmax激活函数和卷积将所述遥感图像进行地表温度反演，以获取所述地表温度数据。
25.根据本发明提供的一种地表温度监测方法，所述方法还包括：
26.对所述遥感图像进行随机分割，以获取测试数据样本，所述测试数据样本为亮温样本数据以及所述亮温样本数据对应的地表温度样本数据；
27.将所述测试数据样本和模型参数输入所述温度反演模型进行训练，以提取所述温度反演模型的模型精度。
28.根据本发明提供的一种地表温度监测方法，所述模型精度包括均方根误差、平均绝对误差、偏差以及决定系数，用于调试所述温度反演模型的训练精度；所述将所述测试数据样本和模型参数输入所述温度反演模型进行训练，以提取所述温度反演模型的模型精度，之后包括：
29.调用均方差损失函数以获取预测地表温度数据与真实地表温度数据之间的匹配程度；
30.其中，所述均方根误差为遥感图像模拟之和实测值偏差的平方与观测次数比值的平方根；平均绝对误差是所有单个遥感观测值与算术平均值之间的偏离程度；决定系数表示遥感图像模拟值全部变异能通过回归关系被自变量解析比例；所述均方根误差、平均绝对误差、偏差越小以及所述决定系数越接近数值1，则所述模型精度越高。
31.本发明还提供一种地表温度监测装置，所述装置包括：
32.数据获取模块，用于基于遥感图像获取亮温数据；
33.模型训练模块，用于将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；
34.其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。
35.本发明还提供一种温度反演数字化平台，包括：
36.包括数字化平台窗口，所述数字化平台窗口用于输入数据、损失函数选择、迭代次数输入、学习率输入以及输出温度反演模型的模型精度和地表温度数据；
37.还包括服务器，所述服务器与所述数字化平台窗口电连接，用于执行上述任一种所述的地表温度监测方法，并通过所述数字化平台窗口接收用户指令以及向用户展示信息。
38.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述地表温度监测方法。
39.本发明还提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述地表温度监测方法。
40.本发明提供的地表温度监测方法、装置、数字化平台及电子设备，通过将亮温样本数据和亮温样本数据对应的地表温度样本标记数据作为训练样本对深度学习网络模型进行训练来初步完成温度反演模型的构建，进而获取初步构建的温度反演模型的模型参数。随后，将初步构建的温度反演模型的模型参数、亮温样本数据以及该亮温样本数据对应的地表温度样本标记数据输入至初步建立的温度反演模型中进行训练，模型参数的进一步训练有效提高了最终构建的温度反演模型的训练精度。因此，当最终构建的温度反演模型接收到实时亮温数据时，即可输出精度较高的实时地表温度数据。该方法通过对初步构建的温度反演模型的模型参数进行进一步的模型训练，来提高温度反演模型的训练精度，进而提高最终构建的温度反演模型预测地表温度数据的精度。另外，微波成像仪的穿透能力较好，因此通过微波成像仪获取模型训练样本，能够有效减少云覆盖的影响，以提高地表温度数据监测精度，进而提高最终构建的温度反演模型的训练精度，得到预测精度较高的实时地表温度数据。
附图说明
41.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明提供的地表温度监测方法的流程示意图之一；
43.图2是本发明提供的地表温度监测方法的流程示意图之二；
44.图3是本发明提供的地表温度监测方法的流程示意图之三；
45.图4是本发明提供的地表温度监测方法的流程示意图之四；
46.图5是本发明提供的地表温度监测方法的流程示意图之五；
47.图6是本发明提供的地表温度监测方法的流程示意图之六；
48.图7是本发明提供的具体实施例中一种地表温度监测方法的流程示意图；
49.图8是本发明提供的具体实施例中一种地表温度监测方法的深度学习网络框架示意图；
50.图9是本发明提供的具体实施例中一种地表温度监测方法的数字化平台界面示意图；
51.图10是本发明提供的地表温度监测装置的结构示意图；
52.图11是本发明提供的电子设备的结构示意图。
53.附图标记：
54.1010：数据获取模块；1020：模型训练模块；1110：处理器；1120：通信接口；1130：存储器；1140：通信总线。
具体实施方式
55.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.下面结合图1-图11描述本发明的地表温度监测方法、装置、数字化平台及电子设备。
57.如图1所示，在一个实施例中，一种地表温度监测方法，包括以下步骤：
58.步骤s110，基于来自微波成像仪的遥感图像获取亮温数据。
59.具体的，服务器根据来自fy卫星的微波成像仪的遥感图像获取相应的亮温数据。
60.步骤s120，将亮温数据输入温度反演模型，得到与亮温数据对应的地表温度数据，温度反演模型是基于模型参数、亮温样本数据以及亮温样本数据对应的地表温度样本标记数据训练得到的。
61.具体的，服务器将步骤s110中获取到的亮温数据输入至温度反演模型，得到与输入的亮温数据相对应的地表温度数据，以完成对输入亮温数据相对应的地表温度数据的预测。该温度反演模型是基于模型参数、亮温样本数据以及与亮温样本数据对应的地表温度样本标记数据训练得到的，模型参数是深度学习网络模型基于亮温样本数据以及亮温样本数据对应的地表温度样本标记数据初步训练得到的温度反演模型的模型参数，初步训练模型通过对其模型参数以及亮温样本数据和亮温样本数据对应的地表温度样本标记数据的进一步训练来提高温度反演模型的训练精度，使得最终得到的温度反演模型输入实时亮温数据时可以预测出与该实时亮温数据相对应的精度较高的实时地表温度数据。
62.需要说明的是，亮温样本数据来自fy卫星的微波成像仪，地表温度样本标记数据来自第五代大气再分析全球气候数据(era5)，且亮温样本数据与地表温度样本标记数据之间具有一一对应的关系，即每个亮温样本数据均具有与其相对应的地表温度样本标记数
据，进一步的，每个亮温样本数据均对与其相对应的地表温度样本数据进行标记，使得每个亮温样本数据均具有对应标记的地表温度样本数据。
63.上述地表温度监测方法，通过将亮温样本数据和亮温样本数据对应的地表温度样本标记数据作为训练样本对深度学习网络模型进行训练来初步完成温度反演模型的构建，进而获取初步构建的温度反演模型的模型参数。随后，将初步构建的温度反演模型的模型参数、亮温样本数据以及该亮温样本数据对应的地表温度样本标记数据输入至初步建立的温度反演模型中进行训练，模型参数的进一步训练有效提高了最终构建的温度反演模型的训练精度。因此，当最终构建的温度反演模型接收到实时亮温数据时，即可输出精度较高的实时地表温度数据。该方法通过对初步构建的温度反演模型的模型参数进行进一步的模型训练，来提高温度反演模型的训练精度，进而提高最终构建的温度反演模型预测地表温度数据的精度。另外，微波成像仪的穿透能力较好，因此通过微波成像仪获取模型训练样本，能够有效减少云覆盖的影响，以提高地表温度数据的监测精度，进而提高最终构建的温度反演模型的训练精度，得到预测精度较高的实时地表温度数据。
64.如图2所示，本发明提供的地表温度监测方法，基于来自微波成像仪的烟感图像获取亮温数据，之前包括以下步骤：
65.步骤s210，接收来自微波成像仪的遥感图像，以获取亮温样本数据。
66.具体的，服务器在进行深度学习网络模型的训练时，首先接收来自微波成像仪的遥感图像，进而获取用于训练深度学习网络模型的亮温样本数据。
67.步骤s220，获取与亮温样本数据相对应的地表温度样本数据，并通过亮温样本数据对地表温度样本数据进行标记，以获取与亮温样本数据对应的地表温度样本标记数据。
68.具体的，服务器获取来自第五代大气再分析全球气候数据(era5)与步骤s210中获取的亮温样本数据所在区域相对应的地表温度样本数据，并通过亮温样本数据对与其对应的地表温度样本数据进行标记，使得每个亮温样本数据均具有与其对应的地表温度样本标记数据。
69.步骤s230，对亮温样本数据以及亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，以获取亮温样本数据以及亮温样本数据对应的地表温度样本标记数据对应的栅格数据。
70.具体的，服务器对亮温样本数据以及该亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，以获取用于输入深度学习网络模型的亮温样本数据以及亮温样本数据对应的地表温度样本标记数据对应的栅格数据。
71.如图3所示，本发明提供的地表温度监测方法，对亮温样本数据以及亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，之后包括以下步骤：
72.步骤s310，将栅格数据输入深度学习网络模型，得到深度学习网络模型输出的模型参数。
73.具体的，服务器将亮温样本数据及其对应的地表温度样本标记数据对应的栅格数据输入深度学习网络模型进行训练，得到训练精度待提升的温度反演模型，并获取该温度反演模型的模型参数。
74.步骤s320，将模型参数、亮温样本数据以及亮温样本数据对应的地表温度样本标记数据输入深度学习网络模型，以完成温度反演模型的构建。
75.具体的，服务器将步骤s310中得到的模型参数以及亮温样本数据及其对应的地表温度样本标记数据输入深度学习网络模型，使得训练精度待提升的温度反演模型得到进一步训练，以完成温度反演模型训练精度的提升，进而完成精度较高的温度反演模型的构建，使得该精度较高的温度反演模型在输入实时亮温数据时输出精度较高的与该实时亮温数据相对应的实时地表温度数据，提高实时地表温度数据的预测精度。
76.如图4所示，本发明提供的地表温度监测方法，对亮温样本数据以及亮温样本数据对应的地表温度标记数据进行降噪和旋转，之后还包括以下步骤：
77.步骤s410，对遥感图像进行编码，以获取遥感数据对应特征通道的特征图像。
78.具体的，服务器对来自微波成像仪的遥感图像进行编码，以获取对应特征通道的特征图像。
79.步骤s420，通过卷积对特征图像进行最大池化，以增大特征图像的特征通道。
80.具体的，服务器通过卷积对步骤s410得到的特征图像进行最大池化处理，以增大特征图像的特征通道。
81.如图5所示，本发明提供的地表温度监测方法，通过卷积对特征图像进行最大池化，之后包括以下步骤：
82.步骤s510，对池化后的特征图像进行解码，并对解码后的特征图像进行反卷积，以恢复特征图像的卷积。
83.具体的，服务器对池化后特征通道增大的遥感图像进行解码，并对解码后的特征图像进行反卷积处理，以获取特征图像的卷积。
84.步骤s520，将反卷积后的特征图像与对应卷积后的特征图像进行融合，以获取特征图像的边缘特征。
85.具体的，服务器将步骤s510反卷积后的特征图像与步骤s420中卷积后的特征图像进行融合，以获取遥感图像的边缘特征，将遥感图像的特征变得更加明显，以提高地表温度数据的监测精度。
86.步骤s530，基于边缘特征，调用softmax激活函数和卷积将遥感图像进行地表温度反演，以获取地表温度数据。
87.具体的，根据步骤s520中得到的遥感图像的边缘特征，调用softmax激活函数和卷积将遥感图像进行地表温度反演，以获取与该遥感图像对应区域的地表温度数据。
88.如图6所示，本发明提供的地表温度监测方法，还包括以下步骤：
89.步骤s610，对遥感图像进行随机分割，以获取测试数据样本，测试数据样本为亮温样本数据以及亮温样本数据对应的地表温度样本数据。
90.具体的，服务器对遥感图像进行随机分割，以获取测试数据样本，该测试数据样本为亮温样本数据以及亮温样本数据对应的地表温度样本数据，用于对温度反演模型进行训练以提取温度反演模型的模型精度。
91.步骤s620，将测试数据样本和模型参数输入温度反演模型进行训练，以提取温度反演模型的模型精度。
92.具体的，服务器将步骤s610中分割得到的测试数据样本以及精度待提高的温度反演模型的模型参数作为精度待提高的温度反演模型的输入数据输入该精度待提高的温度反演模型，训练后提取温度反演模型的模型精度。
93.步骤s630，调用均方差损失函数以获取预测地表温度数据与真实地表温度数据之间的匹配程度。
94.具体的，服务器调用均方差损失函数(mseloss函数)以获取温度反演模型预测所得的地表温度数据与真实测量所得的地表温度数据之间的匹配程度，匹配程度用百分数或小数表示，且匹配程度数值越接近0则表示匹配程度越高，即温度反演模型预测所得的地表温度数据的精度越高。
95.需要说明的是，模型精度包括均方根误差、平均绝对误差、偏差以及决定系数，用于调试温度反演模型的训练精度。其中，均方根误差为遥感图像模拟之和实测值偏差的平方与观测次数比值的平方根。平均绝对误差是所有单个遥感观测值与算术平均值之间的偏离程度。决定系数表示遥感图像模拟值全部变异能通过回归关系被自变量解析比例。均方根误差、平均绝对误差、偏差越小以及决定系数越接近数值1，则模型精度越高。
96.进一步需要说明的是，均方根误差(root mean squared error，简
97.称rmse)，rmse的表达式为：
[0098][0099]
平均绝对误差(mean absolute deviation，简称mad)，mad的表达式为：
[0100][0101]
偏差(bias)，bias的表达式为：
[0102][0103]
决定系数(r2)，r2的表达式为：
[0104][0105]
均方差损失函数(mseloss函数)表达式为：
[0106][0107]
式中，n为遥感图像栅格总数，yi为地表温度模拟值，为地表温度实测值，n为遥感图像总数，为样本真实值，y为遥感图像模拟值。
[0108]
参见图7所示，在具体的实施例中，本发明提供一种地表温度监测方法，通过利用来自fy卫星的微波成像仪(fy-mwri)的亮温数据以及来自era5的地表温度数据分别作为训练样本以及样本标记信息对u-net深度学习框架进行训练，来获取相应的模型参数，并构建相应的u-net深度学习模型，以搭建基于u-net深度学习模型实时预测地表温度数据的数字化平台。
[0109]
首先，获取训练样本以及样本标记信息，即亮温数据和地表温度数据，将亮温数据和地表温度数据去除邻边，重采样为0.1
°
的格网数据，随后对数据进行降噪、旋转等处理，使得来自fy的遥感数据以及来自era5的地表温度数据均为512
×
512的栅格数据，并对文件
进行重命名，制备为模型输入数据。
[0110]
随后，进行模型训练，在基于u-net深度学习框架的模型训练中，结合图8所示，深度学习框架训练过程中首先将fy遥感图像输入到该u-net深度学习框架的网络中，随后对输入的遥感图像进行编码操作。编程过程通过两个3
×
3卷积计算后可以获得64个通道的特征图像，再利用2
×
2的卷积进行最大池化，将遥感图像的大小缩小为原图的一半，通过重复4次该过程，遥感图像的特征通道会逐渐增加，从而获取遥感图像深层次特征。然后，进行解码操作时，利用2
×
2的反卷积恢复图像卷积，每完成一次反卷积运算，将获得的图像与上一次提取到的特征图进行融合，并再次进行两次3
×
3卷积运算，来还原物体细节特征，使边缘特征更加精细。最后，完成解码操作，利用softmax激活函数和1
×
1的卷积将各像素归类并输出温度反演结果，即地表温度数据。
[0111]
模型训练后需要对模型参数进行调试，深度学习网络框架中学习率、迭代次数和损伤函数选择是较为中的参数，需要多次实验进行调节mseloss损失函数已被广泛使用。在模型参数调试过程中需要对遥感图像进行随机分割，按照6：2：2的数量将数据输入模型，其中6份为训练数据，2份为验证数据，2份为测试数据，通过训练模型参数来提取模型精度，以提升u-net深度学习模型的训练精度。
[0112]
在调试模型精度的过程中，具有模型精度评价指标，分别为mseloss损失函数、均方根误差、平均绝对误差、偏差以及决定系数。
[0113]
其中，均方根误差(root mean squared error，简
[0114]
称rmse)，rmse的表达式为：
[0115][0116]
平均绝对误差(mean absolute deviation，简称mad)，mad的表达式为：
[0117][0118]
偏差(bias)，bias的表达式为：
[0119][0120]
决定系数(r2)，r2的表达式为：
[0121][0122]
均方差损失函数(mseloss函数)表达式为：
[0123][0124]
式中，n为遥感图像栅格总数，yi为地表温度模拟值，为地表温度实测值，n为遥感图像总数，为样本真实值，y为遥感图像模拟值。
[0125]
最后，基于先前构建的u-net深度学习模型构建数字化平台，为方便用户的操作使用，数字化平台设有数字化平台窗口，结合图9所示，该数字化平台窗口包括输入数据、损失
函数选择、迭代次数输入、学习率输入等关键参数，输出为模型精度以及地表温度产品，该数字化平台操作简便快捷，且为按钮式操作，当模型训练完毕后，该数字化平台会自动保存参数结果，用户在使用时输入当前区域的某一时刻的遥感数据，即可通过数字化平台中训练好的u-net深度学习模型对输入的遥感数据进行训练，以获取对应区域在相应时刻的地表温度数据，达到实时监测的目的。
[0126]
上述地表温度监测方法，可以在操作界面上直接输入遥感图像。选择深度模型、输入迭代系数、学习率、损失函数等关键参数，对u-net深度学习框架进行训练以获取相应的u-net深度学习模型，且u-net深度学习网络是一种语义分割神经网络，广泛应用于遥感影响的解译，其网络结构是由编码端、解码端及跳跃连接组成，利用向前卷积、编码端池化下采样、解码端上采样等过程获取图像特征信息。在模型训练后获取模型精度，选择精度较高的模型，这样在输入任意时刻的遥感图像时，均可获取精度较高的实时地表温度数据。
[0127]
下面对本发明提供的地表温度监测装置进行描述，下文描述的地表温度监测装置与上文描述的地表温度监测方法可相互对应参照。
[0128]
如图10所示，在一个实施例中，本发明提供一种地表温度监测装置，包括数据获取模块1010和模型训练模块1020。
[0129]
数据获取模块1010用于基于遥感图像获取亮温数据。
[0130]
模型训练模块1020用于将亮温数据输入温度反演模型，得到与亮温数据对应的地表温度数据，温度反演模型是基于模型参数、亮温样本数据以及亮温样本数据对应的地表温度样本标记数据训练得到的。
[0131]
其中，模型参数为深度学习网络模型基于亮温样本数据以及亮温样本数据对应的地表温度样本标记数据训练得到的，温度反演模型用于基于实时亮温数据获取与实时亮温数据对应的实时地表温度数据。
[0132]
在本实施例中，本发明提供的地表温度监测装置，还包括数据处理模块，用于：
[0133]
接收来自微波成像仪的遥感图像，以获取亮温样本数据。
[0134]
获取与亮温样本数据相对应的地表温度样本数据，并通过亮温样本数据对地表温度样本数据进行标记，以获取与亮温样本数据对应的地表温度样本标记数据。
[0135]
对亮温样本数据以及亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，以获取亮温样本数据以及亮温样本数据对应的地表温度样本标记数据对应的栅格数据。
[0136]
在本实施例中，本发明提供的地表温度监测装置，还包括模型构建模块，用于：
[0137]
将栅格数据输入深度学习网络模型，得到深度学习网络模型输出的模型参数。
[0138]
将模型参数、亮温样本数据以及亮温样本数据对应的地表温度样本标记数据输入深度学习网络模型，以完成温度反演模型的构建。
[0139]
在本实施例中，本发明提供的地表温度监测装置，还包括卷积模块，用于：
[0140]
对遥感图像进行编码，以获取遥感图像对应特征通道的特征图像。
[0141]
通过卷积对特征图像进行最大池化，以增大特征图像的特征通道。
[0142]
在本实施例中，本发明提供的地表温度监测装置，反卷积模块具体还用于：
[0143]
对池化后的特征图像进行解码，并对解码后的特征图像进行反卷积，以恢复特征图像的卷积。
[0144]
将反卷积后的特征图像与卷积后的特征图像进行融合，以获取特征图像的边缘特征。
[0145]
基于边缘特征，调用softmax激活函数和卷积将遥感图像进行地表温度反演，以获取地表温度数据。
[0146]
在本实施例中，本发明提供的地表温度监测装置，还包括精度调试模块，用于：
[0147]
对遥感图像进行随机分割，以获取测试数据样本，测试数据样本为亮温样本数据以及亮温样本数据对应的地表温度样本数据。
[0148]
将测试数据样本和模型参数输入温度反演模型进行训练，以提取温度反演模型的模型精度。
[0149]
调用均方差损失函数以获取预测地表温度数据与真实地表温度数据之间的匹配程度。
[0150]
在一个实施例中，本发明提供一种温度反演数字化平台，包括：
[0151]
数字化平台窗口，数字化平台窗口用于输入数据、损失函数选择、迭代次数输入、学习率输入以及输出温度反演模型的模型精度和温度反演模型预测的实时地表温度数据。
[0152]
还包括服务器，该服务器与数字化平台电连接，用于执行地表温度监测方法，该方法包括：基于来自微波成像仪的遥感图像获取亮温数据；
[0153]
将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；
[0154]
其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。
[0155]
图11示例了一种电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1110、通信接口(communications interface)1120、存储器(memory)1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令，以执行地表温度监测方法，该方法包括：基于来自微波成像仪的遥感图像获取亮温数据；
[0156]
将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；
[0157]
其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。
[0158]
此外，上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，
read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0159]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的地表温度监测方法，该方法包括：基于来自微波成像仪的遥感图像获取亮温数据；
[0160]
将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；
[0161]
其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。
[0162]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的地表温度监测方法，该方法包括：基于来自微波成像仪的遥感图像获取亮温数据；
[0163]
将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；
[0164]
其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。
[0165]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0166]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0167]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种地表温度监测方法，其特征在于，所述方法包括：基于来自微波成像仪的遥感图像获取亮温数据；将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。2.根据权利要求1所述的地表温度监测方法，其特征在于，所述基于来自微波成像仪的遥感图像获取亮温数据，之前包括：接收来自微波成像仪的遥感图像，以获取所述亮温样本数据；获取与所述亮温样本数据相对应的地表温度样本数据，并通过所述亮温样本数据对所述地表温度样本数据进行标记，以获取与所述亮温样本数据对应的地表温度样本标记数据；对所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，以获取所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据对应的栅格数据；其中，所述栅格数据为所述深度学习网络模型的输入数据。3.根据权利要求2所述的地表温度监测方法，其特征在于，所述对所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，之后包括：将所述栅格数据输入所述深度学习网络模型，得到所述深度学习网络模型输出的模型参数；将所述模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据输入所述深度学习网络模型，以完成所述温度反演模型的构建。4.根据权利要求3所述的地表温度监测方法，其特征在于，所述对所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据进行降噪和旋转，之后还包括：对所述遥感图像进行编码，以获取所述遥感图像对应特征通道的特征图像；通过卷积对所述特征图像进行最大池化，以增大所述特征图像的特征通道。5.根据权利要求4所述的地表温度监测方法，其特征在于，所述通过卷积对所述特征图像进行最大池化，之后包括：对池化后的特征图像进行解码，并对解码后的特征图像进行反卷积，以恢复所述特征图像的卷积；将反卷积后的特征图像与对应卷积后的特征图像进行融合，以获取所述特征图像的边缘特征；基于所述边缘特征，调用softmax激活函数和卷积将所述遥感图像进行地表温度反演，以获取所述地表温度数据。6.根据权利要求1所述的地表温度监测方法，其特征在于，所述方法还包括：对所述遥感图像进行随机分割，以获取测试数据样本，所述测试数据样本为亮温样本数据以及所述亮温样本数据对应的地表温度样本数据；
将所述测试数据样本和模型参数输入所述温度反演模型进行训练，以提取所述温度反演模型的模型精度。7.根据权利要求6所述的地表温度监测方法，其特征在于，所述模型精度包括均方根误差、平均绝对误差、偏差以及决定系数，用于调试所述温度反演模型的训练精度；所述将所述测试数据样本和模型参数输入所述温度反演模型进行训练，以提取所述温度反演模型的模型精度，之后包括：调用均方差损失函数以获取预测地表温度数据与真实地表温度数据之间的匹配程度；其中，所述均方根误差为遥感图像模拟之和实测值偏差的平方与观测次数比值的平方根；平均绝对误差是所有单个遥感观测值与算术平均值之间的偏离程度；决定系数表示遥感图像模拟值全部变异能通过回归关系被自变量解析比例；所述均方根误差、平均绝对误差、偏差越小以及所述决定系数越接近数值1，则所述模型精度越高。8.一种地表温度监测装置，其特征在于，所述装置包括：数据获取模块，用于基于遥感图像获取亮温数据；模型训练模块，用于将所述亮温数据输入温度反演模型，得到与所述亮温数据对应的地表温度数据，所述温度反演模型是基于模型参数、亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的；其中，所述模型参数为深度学习网络模型基于所述亮温样本数据以及所述亮温样本数据对应的地表温度样本标记数据训练得到的，所述温度反演模型用于基于实时亮温数据获取与所述实时亮温数据对应的实时地表温度数据。9.一种温度反演数字化平台，其特征在于，包括：包括数字化平台窗口，所述数字化平台窗口用于输入数据、损失函数选择、迭代次数输入、学习率输入以及输出温度反演模型的模型精度和地表温度数据；还包括服务器，所述服务器与所述数字化平台窗口电连接，用于执行如权利要求1至7任一项所述的地表温度监测方法，并通过所述数字化平台窗口接收用户指令以及向用户展示信息。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述地表温度监测方法。

技术总结
本发明提供一种地表温度监测方法、装置、数字化平台及电子设备，包括：基于来自微波成像仪的遥感图像获取亮温数据。将亮温数据输入温度反演模型，得到与亮温数据对应的地表温度数据，温度反演模型是基于模型参数、亮温样本数据以及亮温样本数据对应的地表温度样本标记数据训练得到的。其中，模型参数为深度学习网络模型基于亮温样本数据以及亮温样本数据对应的地表温度样本标记数据训练得到的，温度反演模型用于基于实时亮温数据获取与实时亮温数据对应的实时地表温度数据。该方法通过提高温度反演模型的训练精度，来提高模型预测的地表温度数据的精度，另外，微波成像仪较好的穿透能力减少了云覆盖的影响，提高了地表温度数据反演精度。数据反演精度。数据反演精度。


技术研发人员：韩佳昊 房世波
受保护的技术使用者：中国气象科学研究院
技术研发日：2023.03.15
技术公布日：2023/7/22