基于多层神经网络的地表温度预测方法及系统
1.本发明涉及遥感技术领域，特别涉及一种多层神经网络的地表温度预测方法、一种计算机可读存储介质、一种计算机设备和一种多层神经网络的地表温度预测系统。
背景技术：
2.相关技术中，现有的城市地表温度预测方法主要有两类，一类是基于物理学的方法，例如基于物理学的模型利用城市冠层和大气边界层之间的动态过程解决温度场，但这类方法受限于模型所使用的物理过程、参数化的准确性及城市地表特征数据集的可用性，同时需要巨大的算力也因此精度不高；另一类是基于统计学的方法，例如通过建立地表温度与各种可观测数据(如气象变量、土地覆盖、地理和植被指数等)之间的联系求解温度，但这类方法受限于模型的复杂程度、数据的可用及可靠性、特征选择的不确定性及物理过程的缺失，泛化性较差，准确性不高。
技术实现要素：
3.本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于多层神经网络的地表温度预测方法，通过多层感知神经网络进行预测，由于施加了物理信息约束,从多尺度上学习输入和输出之间的映射关系，能够达到较好的预测效果。
4.本发明的第二个目的在于提出一种计算机可读存储介质。
5.本发明的第三个目的在于提出一种计算机设备。
6.本发明的第四个目的在于提出一种基于多层神经网络的地表温度预测系统。
7.为达到上述目的，本发明第一方面实施例提出了一种基于多层神经网络的地表温度预测方法，包括以下步骤：获取遥感影像及其对应的大气外力数据和地表温度数据；对所述遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；采用二维经验模式分解对所述地表温度数据进行分解处理，以得到所述每个不同尺度的地表特征数据对应的地表温度数据；构建地表温度预测模型，并将所述多个不同尺度的完整地表特征数据、所述每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到所述地表温度预测模型进行训练，以得到训练好的地表温度预测模型；获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到所述训练好的地表温度预测模型以得到所述待预测温度区域的地表温度。
8.根据本发明实施例的基于多层神经网络的地表温度预测方法，首先，获取遥感影像及其对应的大气外力数据和地表温度数据；接着，对遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；然后，采用二维经验模式分解对地表温度数据进行分解处理，以得到每个不同尺度的地表特征数据对应的地表温度数据；再接
着，构建地表温度预测模型，并将多个不同尺度的完整地表特征数据、每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到地表温度预测模型进行训练，以得到训练好的地表温度预测模型；最后，获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到训练好的地表温度预测模型以得到待预测温度区域的地表温度；由此，通过多层感知神经网络进行预测，由于施加了物理信息约束,从多尺度上学习输入和输出之间的映射关系，能够达到较好的预测效果。
9.另外，根据本发明上述实施例提出的基于多层神经网络的地表温度预测方法还可以具有如下附加的技术特征：
10.可选地，对所述遥感影像进行处理，以得到多个不同尺度的地表特征数据，包括：预定义多个地理语义标签；采用地物标记网络根据所述多个地理语义标签对所述遥感影像进行标记；根据标记好的遥感影像构建多个地理标记直方图；以待预测点位为中心，每个地理标记直方图为单元建立多个由不同单元构成的矩阵，以得到多个不同尺度的地表特征数据。
11.可选地，用以下公式构建多个地理标记直方图：
[0012][0013]
其中，s表示特定单元上的类别集合，c(s)表示s中的点的数量，s
l
表示s中类别为l的像素数量，d(l)表示类别为l的地理标记直方图。
[0014]
可选地，将所述多个不同尺度的完整地表特征数据、所述每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到所述地表温度预测模型进行训练，以得到训练好的地表温度预测模型，包括：对所述多个不同尺度的完整地表特征数据进行编码，以得到对应的地表编码特征；对所述大气外力数据进行编码，以得到对应的大气编码特征；将多个不同尺度的地表编码特征和对应的大气编码特征进行一一拼接，以得到多个不同尺度的最终特征；对所述多个不同尺度的最终特征进行解码以得到对应的地表温度预测结果，以便将所述地表温度预测结果和所述地表温度数据作为损失值；根据所述损失值确定训练后的地表温度预测模型是否收敛，以便在确定所述训练后的地表温度预测模型收敛后完成训练。
[0015]
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有基于多层神经网络的地表温度预测程序，该基于多层神经网络的地表温度预测程序被处理器执行时实现如上述的基于多层神经网络的地表温度预测方法。
[0016]
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的基于多层神经网络的地表温度预测方法。
[0017]
为达到上述目的，本发明第四方面实施例提出了一种基于多层神经网络的地表温度预测系统，包括：获取模块，用于获取遥感影像及其对应的大气外力数据和地表温度数据；处理模块，用于对所述遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；分解模块，用于采用二维经验模式分解对所述地表温度数据进行分解处理，以得到所述每个不同尺度的地表特征数据对应的地表温度数据；模型训练模块，
用于构建地表温度预测模型，并将所述多个不同尺度的完整地表特征数据、所述每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到所述地表温度预测模型进行训练，以得到训练好的地表温度预测模型；预测模块，用于获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到所述训练好的地表温度预测模型以得到所述待预测温度区域的地表温度。
[0018]
根据本发明实施例的基于多层神经网络的地表温度预测系统，通过设置获取模块获取遥感影像及其对应的大气外力数据和地表温度数据；处理模块对遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；分解模块采用二维经验模式分解对地表温度数据进行分解处理，以得到每个不同尺度的地表特征数据对应的地表温度数据；模型训练模块构建地表温度预测模型，并将多个不同尺度的完整地表特征数据、每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到地表温度预测模型进行训练，以得到训练好的地表温度预测模型；预测模块获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到训练好的地表温度预测模型以得到待预测温度区域的地表温度；由此，通过多层感知神经网络进行预测，由于施加了物理信息约束,从多尺度上学习输入和输出之间的映射关系，能够达到较好的预测效果。
[0019]
另外，根据本发明上述实施例提出的基于多层神经网络的地表温度预测系统还可以具有如下附加的技术特征：
[0020]
可选地，所述处理模块还用于，预定义多个地理语义标签；采用地物标记网络根据所述多个地理语义标签对所述遥感影像进行标记；根据标记好的遥感影像构建多个地理标记直方图；以待预测点位为中心，每个地理标记直方图为单元建立多个由不同单元构成的矩阵，以得到多个不同尺度的地表特征数据。
[0021]
可选地，采用以下公式构建多个地理标记直方图：
[0022][0023]
其中，s表示特定单元上的类别集合，c(s)表示s中的点的数量，s
l
表示s中类别为l的像素数量，d(l)表示类别为l的地理标记直方图。
[0024]
可选地，所述模型训练模块还用于，对所述多个不同尺度的完整地表特征数据进行编码，以得到对应的地表编码特征；对所述大气外力数据进行编码，以得到对应的大气编码特征；将多个不同尺度的地表编码特征和对应的大气编码特征进行一一拼接，以得到多个不同尺度的最终特征；对所述多个不同尺度的最终特征进行解码以得到对应的地表温度预测结果，以便将所述地表温度预测结果和所述地表温度数据作为损失值；根据所述损失值确定训练后的地表温度预测模型是否收敛，以便在确定所述训练后的地表温度预测模型收敛后完成训练。
附图说明
[0025]
图1为根据本发明实施例的基于多层神经网络的地表温度预测方法的流程示意图；
[0026]
图2为根据本发明一个实施例的地表温度预测模型的网络结构示意图；
[0027]
图3为根据本发明一个实施例的地表温度预测结果的示意图；
[0028]
图4为根据本发明实施例的基于多层神经网络的地表温度预测系统的方框示意图。
具体实施方式
[0029]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0030]
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0031]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0032]
如图1所示，该基于多层神经网络的地表温度预测方法包括以下步骤：
[0033]
s101，获取遥感影像及其对应的大气外力数据和地表温度数据。
[0034]
需要说明的是，上述数据可通过网络直接下载获得。
[0035]
s102，对遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据。
[0036]
作为一个实施例，对遥感影像进行处理，以得到多个不同尺度的地表特征数据，包括：
[0037]
预定义多个地理语义标签；采用地物标记网络根据多个地理语义标签对遥感影像进行标记；根据标记好的遥感影像构建多个地理标记直方图；以待预测点位为中心，每个地理标记直方图为单元建立多个由不同单元构成的矩阵，以得到多个不同尺度的地表特征数据。
[0038]
作为一个实施例，采用以下公式构建多个地理标记直方图：
[0039][0040]
其中，s表示特定单元上的类别集合，c(s)表示s中的点的数量，l
l
表示s中类别为l的像素数量，d(l)表示类别为l的地理标记直方图。
[0041]
需要说明的是，如果直接从遥感影像提取地形特征，多层神经网络难以从复杂的图形特征中提取与地表温度预测相关的信息；而多个不同尺度的地表特征结构清晰，蕴含了丰富的地表结构信息，能帮助网络更好地感知，捕捉地表结构与温度之间的关联。
[0042]
作为一个具体实施例：
[0043]
首先，收集全国重点城市对应的1m精度的遥感影像；
[0044]
然后，预定义多个地理语义标签，例如：水、建筑、植被、土壤、道路及其他，以便使用地物标记网络根据多个地理语义标签对收集的重点城市对应的遥感图像进行标记；
[0045]
接着，构建精度为5m的地物标记直方图，构建公式为：
[0046][0047]
其中s表示特定单元上的类别集合，c(*)表示s中的点的数量，s
l
表示s中类别为l的像素数量，最后得到的地物标记直方图d(l)是一个6*1的向量。
[0048]
再接着，对于一个60*60的区域，以该区域为中心，通过一批5
×
5m的单元建立一个更大的矩阵；矩阵大小为m*m*d，其中m表示单元的数量，d表示一个单元的特征向量的尺寸，以便根据不同的m值构建多尺度的地表特征数据(geographical semantic category fraction matrix，gscfm)，其中，m可以分别取35、45和55，即截取尺寸为35
×
35,45
×
45,55
×
55。
[0049]
最后，根据每个多尺度的地表特征数据加入对应尺寸的ndvi(normalized difference vegetation index)，ndbi(normalized difference built-up index)数据。
[0050]
s103，采用二维经验模式分解对地表温度数据进行分解处理，以得到每个不同尺度的地表特征数据对应的地表温度数据。
[0051]
作为一个实施例，地表温度数据的精度可为60m，使用二维经验模式分解(bidimensional empirical mode decomposition，bemd)对地表温度数据进行分解；经验模式分解(emd)是一种经典的信号分析工具，它将数据分解为一系列低频基数，这些基数被称为“内在模式函数(imf)”；bemd算法将图像视为信号，并将其分解以获得不同的imf，每个imf包含不同尺度的信息；因此，建立地表温度图像的imf和不同尺度的gscfm之间的联系，使网络能够捕捉到不同尺度的城市地表和温度之间的关系，从而获得更好的估计结果。考虑将地表温度数据作为一个单通道图像使用bemd进行分解，公式如下：
[0052][0053]
其中，n表示递归次数,h(*)是代表细尺度分布信息的内在模式。r(*)是通过对局部最大值和最小值的包络进行平均得到的残余层，p代表地表温度图像。
[0054]
s104，构建地表温度预测模型，并将多个不同尺度的完整地表特征数据、每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到地表温度预测模型进行训练，以得到训练好的地表温度预测模型。
[0055]
作为一个实施例，将多个不同尺度的完整地表特征数据、每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到地表温度预测模型进行训练，以得到训练好的地表温度预测模型，包括：对多个不同尺度的完整地表特征数据进行编码，以得到对应的地表编码特征；对大气外力数据进行编码，以得到对应的大气编码特征；将多个不同尺度的地表编码特征和对应的大气编码特征进行一一拼接，以得到多个不同尺度的最终特征；对多个不同尺度的最终特征进行解码以得到对应的地表温度预测结果，以便将地表温度预测结果和地表温度数据作为损失值；根据损失值确定训练后的地表温度预测模型是否收敛，以便在确定训练后的地表温度预测模型收敛后完成训练。
[0056]
作为一个具体实施例，如图2所示，地表温度预测模型为多层神经网络，其结构包括多尺度编码器和信息并行解码器；使用残差网络对多个不同尺度的完整地表特征数据进
行编码，得出地表编码特征f；考虑到大气状态对地表温度(lst)的影响，采用多层神经网络(mlp)对基于物理的气候模型中的主要大气强迫变量进行编码，得到大气编码特征g；将不同尺度的地表编码特征f与对应的大气编码特征g相连接，得到对应的60*60m区域的多个最终特征h；一个尺度对应一个分支，将多个最终特征h输入mlp层进行解码，与bemd分解结果对应，使用rmse(root mean square error)作为损失函数，进行反向传播，调整整体网络参数；损失函数公式：
[0057][0058]
其中，n代表样本个数，y代表真实值，z代表预测值。
[0059]
s105，获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到训练好的地表温度预测模型以得到待预测温度区域的地表温度。
[0060]
也就是说，当地表温度预测模型训练好之后，直接获取需要预测的区域对应的gscfm数据、ndvi数据、ndbi数据和大气外力数据，并输入到地表温度预测模型，即可得到对应的地表温度。
[0061]
图3为地表温度预测结果的示意图；如图3所示，其对中国银川、沈阳和重庆等城市的气温进行预测；并得到对应的预测结果示意图；其中，每个color bar(标)的数字代表温度，单位是摄氏；纵坐标代表城市名称，横坐标分别代表真实值、预测值和误差。
[0062]
综上所述，根据本发明实施例的基于多层神经网络的地表温度预测方法，首先，获取遥感影像及其对应的大气外力数据和地表温度数据；接着，对遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；然后，采用二维经验模式分解对地表温度数据进行分解处理，以得到每个不同尺度的地表特征数据对应的地表温度数据；再接着，构建地表温度预测模型，并将多个不同尺度的完整地表特征数据、每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到地表温度预测模型进行训练，以得到训练好的地表温度预测模型；最后，获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到训练好的地表温度预测模型以得到待预测温度区域的地表温度；由此，通过多层感知神经网络能够有效地提高温度预测效果，同时引入了大气状态物理量，增加了网络的可解释性，并且能够在有新的地表遥感影像和大气状态时，可以更为准确的预测地表温度，为城市微环境模拟技术提供了新的有效方法。
[0063]
另外，本发明实施例还提出了一种计算机可读存储介质，其上存储有基于多层神经网络的地表温度预测程序，该基于多层神经网络的地表温度预测程序被处理器执行时实现如上述的基于多层神经网络的地表温度预测方法。
[0064]
根据本发明实施例的计算机可读存储介质，通过基于多层神经网络的地表温度预测程序，这样基于多层神经网络的地表温度预测程序被处理器执行时实现上述的基于多层神经网络的地表温度预测方法；由此，通过多层感知神经网络进行预测，由于施加了物理信息约束,从多尺度上学习输入和输出之间的映射关系，能够达到较好的预测效果。
[0065]
另外，本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时，实现如上述的基于多层神经网络的地表温度预测方法。
[0066]
根据本发明实施例的计算机设备，通过存储器存储基于多层神经网络的地表温度预测程序，这样基于多层神经网络的地表温度预测程序被处理器执行时实现上述的基于多层神经网络的地表温度预测方法；由此，通过多层感知神经网络进行预测，由于施加了物理信息约束,从多尺度上学习输入和输出之间的映射关系，能够达到较好的预测效果。
[0067]
为了实现上述实施例，本发明实施例提出了一种基于多层神经网络的地表温度预测系统，如图4所示，该基于多层神经网络的地表温度预测系统，包括：获取模块10、处理模块20、分解模块30、模型训练模块40和预测模块50。
[0068]
其中，获取模块10用于获取遥感影像及其对应的大气外力数据和地表温度数据；处理模块20用于对遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；分解模块30用于采用二维经验模式分解对地表温度数据进行分解处理，以得到每个不同尺度的地表特征数据对应的地表温度数据；模型训练模块40用于构建地表温度预测模型，并将多个不同尺度的完整地表特征数据、每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到地表温度预测模型进行训练，以得到训练好的地表温度预测模型；预测模块50用于获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到训练好的地表温度预测模型以得到待预测温度区域的地表温度。
[0069]
在一些实施例中，处理模块20还用于，预定义多个地理语义标签；采用地物标记网络根据多个地理语义标签对遥感影像进行标记；根据标记好的遥感影像构建多个地理标记直方图；以待预测点位为中心，每个地理标记直方图为单元建立多个由不同单元构成的矩阵，以得到多个不同尺度的地表特征数据。
[0070]
在一些实施例中，采用以下公式构建多个地理标记直方图：
[0071][0072]
其中，s表示特定单元上的类别集合，c(s)表示s中的点的数量，s
l
表示s中类别为l的像素数量，d(l)表示类别为l的地理标记直方图。
[0073]
在一些实施例中，模型训练模块40还用于，对多个不同尺度的完整地表特征数据进行编码，以得到对应的地表编码特征；对大气外力数据进行编码，以得到对应的大气编码特征；将多个不同尺度的地表编码特征和对应的大气编码特征进行一一拼接，以得到多个不同尺度的最终特征；对多个不同尺度的最终特征进行解码以得到对应的地表温度预测结果，以便将地表温度预测结果和所述地表温度数据作为损失值；根据损失值确定训练后的地表温度预测模型是否收敛，以便在确定训练后的地表温度预测模型收敛后完成训练。
[0074]
综上所述，根据本发明实施例的基于多层神经网络的地表温度预测系统，通过设置获取模块获取遥感影像及其对应的大气外力数据和地表温度数据；处理模块对遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；分解模块
采用二维经验模式分解对地表温度数据进行分解处理，以得到每个不同尺度的地表特征数据对应的地表温度数据；模型训练模块构建地表温度预测模型，并将多个不同尺度的完整地表特征数据、每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到地表温度预测模型进行训练，以得到训练好的地表温度预测模型；预测模块获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到训练好的地表温度预测模型以得到待预测温度区域的地表温度；由此，通过多层感知神经网络进行预测，由于施加了物理信息约束,从多尺度上学习输入和输出之间的映射关系，能够达到较好的预测效果。
[0075]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0076]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0077]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0078]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0079]
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0080]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0081]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
[0082]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0083]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0084]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0085]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0086]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
技术特征：
1.一种基于多层神经网络的地表温度预测方法，其特征在于，包括以下步骤：获取遥感影像及其对应的大气外力数据和地表温度数据；对所述遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；采用二维经验模式分解对所述地表温度数据进行分解处理，以得到所述每个不同尺度的地表特征数据对应的地表温度数据；构建地表温度预测模型，并将所述多个不同尺度的完整地表特征数据、所述每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到所述地表温度预测模型进行训练，以得到训练好的地表温度预测模型；获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到所述训练好的地表温度预测模型以得到所述待预测温度区域的地表温度。2.如权利要求1所述的基于多层神经网络的地表温度预测方法，其特征在于，对所述遥感影像进行处理，以得到多个不同尺度的地表特征数据，包括：预定义多个地理语义标签；采用地物标记网络根据所述多个地理语义标签对所述遥感影像进行标记；根据标记好的遥感影像构建多个地理标记直方图；以待预测点位为中心，每个地理标记直方图为单元建立多个由不同单元构成的矩阵，以得到多个不同尺度的地表特征数据。3.如权利要求2所述的基于多层神经网络的地表温度预测方法，其特征在于，采用以下公式构建多个地理标记直方图：其中，s表示特定单元上的类别集合，c(s)表示s中的点的数量，l
l
表示s中类别为l的像素数量，d(l)表示类别为l的地理标记直方图。4.如权利要求1所述的基于多层神经网络的地表温度预测方法，其特征在于，将所述多个不同尺度的完整地表特征数据、所述每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到所述地表温度预测模型进行训练，以得到训练好的地表温度预测模型，包括：对所述多个不同尺度的完整地表特征数据进行编码，以得到对应的地表编码特征；对所述大气外力数据进行编码，以得到对应的大气编码特征；将多个不同尺度的地表编码特征和对应的大气编码特征进行一一拼接，以得到多个不同尺度的最终特征；对所述多个不同尺度的最终特征进行解码以得到对应的地表温度预测结果，以便将所述地表温度预测结果和所述地表温度数据作为损失值；根据所述损失值确定训练后的地表温度预测模型是否收敛，以便在确定所述训练后的地表温度预测模型收敛后完成训练。5.一种计算机可读存储介质，其特征在于，其上存储有基于多层神经网络的地表温度预测程序，该基于多层神经网络的地表温度预测程序被处理器执行时实现如权利要求1-4
中任一项所述的基于多层神经网络的地表温度预测方法。6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-8中任一项所述的基于多层神经网络的地表温度预测方法。7.一种基于多层神经网络的地表温度预测系统，其特征在于，包括：获取模块，用于获取遥感影像及其对应的大气外力数据和地表温度数据；处理模块，用于对所述遥感影像进行处理，以得到多个不同尺度的地表特征数据，并在每个不同尺度的地表特征数据上加入对应尺度的ndvi数据和ndbi数据，以得到多个不同尺度的完整地表特征数据；分解模块，用于采用二维经验模式分解对所述地表温度数据进行分解处理，以得到所述每个不同尺度的地表特征数据对应的地表温度数据；模型训练模块，用于构建地表温度预测模型，并将所述多个不同尺度的完整地表特征数据、所述每个不同尺度的地表特征数据对应的地表温度数据和大气外力数据作为训练集数据输入到所述地表温度预测模型进行训练，以得到训练好的地表温度预测模型；预测模块，用于获取待预测温度区域对应的多个不同尺度的完整地表特征数据和大气外力数据，并将其输入到所述训练好的地表温度预测模型以得到所述待预测温度区域的地表温度。8.如权利要求7所述的基于多层神经网络的地表温度预测系统，其特征在于，所述处理模块还用于，预定义多个地理语义标签；采用地物标记网络根据所述多个地理语义标签对所述遥感影像进行标记；根据标记好的遥感影像构建多个地理标记直方图；以待预测点位为中心，每个地理标记直方图为单元建立多个由不同单元构成的矩阵，以得到多个不同尺度的地表特征数据。9.如权利要求8所述的基于多层神经网络的地表温度预测系统，其特征在于，采用以下公式构建多个地理标记直方图：其中，s表示特定单元上的类别集合，c(s)表示s中的点的数量，s
l
表示s中类别为l的像素数量，d(l)表示类别为l的地理标记直方图。10.如权利要求7所述的基于多层神经网络的地表温度预测系统，其特征在于，所述模型训练模块还用于，对所述多个不同尺度的完整地表特征数据进行编码，以得到对应的地表编码特征；对所述大气外力数据进行编码，以得到对应的大气编码特征；将多个不同尺度的地表编码特征和对应的大气编码特征进行一一拼接，以得到多个不同尺度的最终特征；对所述多个不同尺度的最终特征进行解码以得到对应的地表温度预测结果，以便将所述地表温度预测结果和所述地表温度数据作为损失值；根据所述损失值确定训练后的地表温度预测模型是否收敛，以便在确定所述训练后的
地表温度预测模型收敛后完成训练。
技术总结
本发明公开了一种基于多层神经网络的地表温度预测方法及系统，其中该方法包括：获取遥感影像及其对应的大气外力数据和地表温度数据；对遥感影像进行处理，以得到多个不同尺度的地表特征数据，并添加对应尺度的DVI数据和DBI数据，以得到多个完整地表特征数据；对地表温度数据进行处理，以得到地表特征数据对应的地表温度数据；构建地表温度预测模型，并将完整地表特征数据、地表温度数据和大气外力数据作为训练集进行模型训练，以得到训练好的地表温度预测模型，以便根据训练好的地表温度预测模型进行地表温度预测；由此，通过多层感知神经网络进行预测，由于施加了物理信息约束,从多尺度上学习输入和输出之间的映射关系，能够达到较好的预测效果。能够达到较好的预测效果。能够达到较好的预测效果。
