贾鸿飞,杨德贺,邓卫平,卫清,姜文亮_ca888亚洲城唯一官网 贾鸿飞,杨德贺,邓卫平,卫清,姜文亮_ca888亚洲城唯一官网

ca888亚洲城唯一官网

首页板块
贾鸿飞,杨德贺,邓卫平,卫清,姜文亮-利用深度学习和地理加权回归方法预测城市地表温度
来源:办公室 发布时间:2020-11-20

     在城市遥感地表温度应用中,云、云阴影和雪往往会影响地表温度反演和植被等相关指标计算。本文提出了云干扰下城市地表温度的时间序列预测框架,将有助于解决数据丢失而影响地表温度预测的问题。ca661利用2010 - 2019年北京Landsat 7/8遥感数据,分析地表温度和植被指数的时空变化趋势,利用地理加权回归(GWR)方法实现了对当前地表温度的模拟,构建了基于卷积和长短期记忆(LSTM)网络的深度学习预测网络,对下一个观测时间的地表温度空间分布进行预测。ca661结果表明,当NDBI小于-0.2,说明受到云污染的干扰。在不透水地表和水体上,GWR方法的预测精度优于在植被,深度学习方法对地表温度的空间分布预测有很好的效果。本ca661的意义在于弥补受云、雪等干扰因素影响导致的数据缺失问题,并提供地表温度在像素级别上的时空分布预测结果。

11.jpg

图1 ca661区域

12.jpg

图2 卫星数据时空分析流程图

13.jpg

图3 利用GWR方法预测地表温度结果

14.jpg

图4 利用深度学习网络(conv2DLSTM)预测地表温度结果

该项成果发表在国际学术期刊WIREs Data Mining and Knowledge Discovery(IF=4.476)。
原文链接:Jia, H., Yang, D., Deng, W., Wei, Q., & Jiang, W. (2020). Predicting land surface temperature with geographically weighed regression and deep learning. WIREs Data Mining and Knowledge Discovery  , n/a(n/a), e1396.
https://doi.org/10.1002/widm.1396

分享到:
龙八国际娱乐官方网址千赢国际老虎机手机版乐虎国际官方app下载