基于BP神經網絡的地表溫度空間降尺度方法
摘要：基于統計模型的降尺度方法被廣泛用于熱紅外影像的尺度轉換中，然而，大多數算法都會受到復雜地表環境的影響，例如地表覆蓋、季節等。為了解決地表溫度與光譜指數函數關系的不確定性，提出了一種新型的基于BP神經網絡的地表溫度降尺度方法。首先，在粗分辨率的情況下，訓練得到一個以光譜指數為輸入，原始溫度為輸出的BP神經網絡。之后，輸入高分辨率的光譜指數進而得到高分辨率的溫度結果。實驗通過設置多種光譜指數組合和BP網絡隱藏層節點數而展開。結果評價時，以原始溫度影像為參照，在城鎮、植被和水體區域內，該方法的RMSE、R^2、Bias及相對精度優于傳統的分層線性回歸降尺度方法。實測驗證表明：該算法的RMSE和Bias分別達0．98℃、0．51℃，明顯優于分層線性回歸的結果（RMSE為2．9℃，Bias為1．7℃），說明該方法具有較高的降尺度精度，這對于城市熱環境的研究具有一定的應用價值。
注: 保護知識產權,如需閱讀全文請聯系遙感技術與應用雜志社
相關推薦
更多
