文献类型：期刊文章

作　　者：汪子豪[1] 秦其明[1,2,3] 孙元亨[1] 张添源[1] 任华忠[1]

Wang Zihao;Qin Qiming;Sun Yuanheng;Zhang Tianyuan;Ren Huazhong(Institute of Remote Sensing and Geographical Information System,School of Earth and Space Sciences,Peking University,Beijing 100871,China;Beijing Key Lab of Spatial Information Integration and Its Application,Peking University,Beijing 100871,China;National Surveying and Mapping Geographic Information Engineering Technology Center of Geographic Information Basic Software and Application,Beijing 100871,China)

机构地区：[1]北京大学地球与空间科学学院遥感与地理信息系统研究所,北京100871 [2]空间信息集成与3S工程应用北京市重点实验室,北京100871 [3]地理信息基础软件与应用国家测绘地理信息局工程技术研究中心,北京100871

出　　处：《遥感技术与应用》

基　　金：国家重点研发计划项目(2017YFB0503905-05).

年　　份：2018

卷　　号：33

期　　号：5

起止页码：793-802

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、JST、RCCSE、ZGKJHX、核心刊

摘　　要：基于统计模型的降尺度方法被广泛用于热红外影像的尺度转换中,然而,大多数算法都会受到复杂地表环境的影响,例如地表覆盖、季节等。为了解决地表温度与光谱指数函数关系的不确定性,提出了一种新型的基于BP神经网络的地表温度降尺度方法。首先,在粗分辨率的情况下,训练得到一个以光谱指数为输入,原始温度为输出的BP神经网络。之后,输入高分辨率的光谱指数进而得到高分辨率的温度结果。实验通过设置多种光谱指数组合和BP网络隐藏层节点数而展开。结果评价时,以原始温度影像为参照,在城镇、植被和水体区域内,该方法的RMSE、R2、Bias及相对精度优于传统的分层线性回归降尺度方法。实测验证表明:该算法的RMSE和Bias分别达0.98℃、0.51℃,明显优于分层线性回归的结果(RMSE为2.9℃,Bias为1.7℃),说明该方法具有较高的降尺度精度,这对于城市热环境的研究具有一定的应用价值。

关 键 词：地表温度 降尺度 BP神经网络 光谱指数 LANDSAT 8  OLI  

分 类 号：TP79]