(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210847111.0 (22)申请日 2022.07.19 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号南京航空航天大 学 (72)发明人 李俊　张玥杰　盛庆红　王博　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 向文 (51)Int.Cl. G06F 30/20(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于MODIS数据和Transformer网络的 地表热红外发射 率反演方法 (57)摘要 本发明公开了一种基于MODIS数据和 Transformer网络的地表热红外发射率反演方 法， 包括： 获取MODIS数据； 对获取的MODIS数据进 行数据预处理， 得到网络训练数据集； 构建基于 Transformer的深度学习网络， 通过深度学习网 络对网络训练数据集中的训练数据进行训练， 生 成地表热红外发射率反演 模型； 利用生成的地表 热红外发射率反演模型反演地表热红外发射率， 得到地表热红外发射率数据， 并评定反演精度。 本发明利用MODIS数据和Transformer网络构建 一种不需大气校正的快速、 高精度地表热红外发 射率反演 模型， 有效解决了传统地表热红外发射 率反演算法 受大气和云干扰的问题， 具有良好的 准确性和普适 性。 权利要求书2页 说明书5页 附图2页 CN 115422703 A 2022.12.02 CN 115422703 A 1.一种基于MODIS数据和Transformer网络的地表热红外发射率反演方法， 其特征在 于， 包括如下步骤： S1： 获取MODIS数据； S2： 对获取的MODIS数据进行 数据预处 理， 得到网络训练数据集； S3： 构建基于Transformer的深度学习网络， 通过深度学习网络对网络训练数据 集中的 训练数据进行训练， 生成地表热红外发射 率反演模型； S4： 利用生成的地表热红外发射率反演模型反演地表热红外发射率， 得到地表热红外 发射率数据， 并评 定反演精度。 2.根据权利要求1所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特征在于， 所述步骤S1 中MODIS数据包括热红外波 段观测值、 大气参数、 地表温 度和发射 率、 其他数据。 3.根据权利要求2所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特征在于， 所述热红外波段观测值包括MODIS02定标辐射数据； 所述大气参数 包括MODIS04气溶胶光学厚度数据、 MODIS05大气可降水量数据、 MODIS07大气温湿廓线和臭 氧含量数据； 所述地表温度和发射率包括MODIS11地表温度数据和热红外波段地表发射率 数据； 所述其他数据包括MODIS03经纬度坐标数据、 MODIS13归一化植被指数(NDVI)数据、 MODIS35云掩膜数据。 4.根据权利要求1所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特征在于， 所述步骤S2 中数据预处理包括MODIS02数据辐射定标、 时空匹配和 异常值剔除。 5.根据权利要求4所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特 征在于， 所述 步骤S2中， MODIS02数据辐射定标： 利用辐射定标公式， 得到热红外波段的卫星观测 辐射值； 时空匹配： 根据 各个数据的获取时间和经纬度坐标， 以影像像元为单位， 将同一地理位 置在同一时刻的数据对应匹配， 每个像元对应的步骤S1中所有数据为一组， 构建输入数据 集； 异常值剔除： 利用MODIS35云掩膜数据， 将 “确信晴空 ”和“可能晴空 ”像元视为无云像 元， 剔除有云的像元， 绘制所建立数据集的箱型图， 根据箱型图结果剔除数据中的异常值， 得到可以输入到网络中进行训练的数据集。 6.根据权利要求1所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特 征在于， 所述 步骤S3中深度学习网络的构建方法为： 设计基于Transformer的深度学习网络， 包括encoder ‑decoder和attention机制， encoder由6个编码器叠加而成， deco der也由6个编码器叠加而成， 损失函数选择均方误差 损失函数， 优化器选择Adam优化器。 7.根据权利要求6所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特 征在于， 所述 步骤S3中深度学习网络的训练方法为： 将建立的数据 集中地表热红外发射率作 为标签， MODIS02热红外波段卫星观测数据、 大 气参数数据、 云掩膜数据和归一化植被指数数据作为特征， 送入深度学习网络进 行训练， 得 到地表热红外发射 率反演模型。权　利　要　求　书 1/2 页 2 CN 115422703 A 28.根据权利要求1所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特 征在于， 所述 步骤S4中地表热红外发射 率数据的获取 方法为： 在地表热红外发射率神经网络反演模型中输入大气参数数据、 云掩膜数据和归一化植 被指数数据， 模型根据输入数据反演地表热红外发射 率， 得到地表热红外发射 率数据。 9.根据权利要求1所述的一种基于MODIS数据和Transformer网络的地表热红外发射率 反演方法， 其特 征在于， 所述 步骤S4中评 定反演精度的方法为： 采用均方根 误差(RMSE)和平均绝对百分比误差(MAPE)作为精度评 定指标， 公式如下： 均方根误差(RMSE)： 平均绝对百分比误差(MAPE)： 式中， n为样本总数， 为模型预测值， y＝{y1,y2,...,yn}为真实值； 均方 根误差和平均绝对百分比误差的范围均为[0,+∞)， 当预测值与真实值完全吻合时等于0， 即完美预测。权　利　要　求　书 2/2 页 3 CN 115422703 A 3