由于仪器和成像条件等原因,遥感地表温度(LST)图像往往存在部分区域的数据缺失,严重影响了其使用效果。当前主流的"利用外源图像来填补缺失区"的思路不能很好的适用于这类数据缺失的修复。我们认为,既然LST是地表热量平衡的结果,它包含了太阳辐射、土壤、植被等多方面环境因子的作用,则可利用LST与这些环境因子的关系来模拟数据缺失区的LST。基于此思路,先利用DEM和可见光\近红外遥感图像等资料对可能会影响LST的环境因子(如净短波辐射、地形湿度指数等)进行空间化表达,继而利用待修复图像中数据完好区的LST数据为反应变量,环境因子为预测变量,利用机器归纳学习技术确定反应变量和预测变量之间的非随机关系,然后将此关系推广到预测变量已知而LST未知的空间上,从而模拟出数据缺失区的LST,使图像得以被修复。本研究除具有实用意义外,也是地表参数空间化模拟的一次新探索,具有一定的理论意义。
英文主题词land surface temperature;statistical model;predictive variable;repair;downscaling