基于SCLSTM模型的MODIS地表溫度產品重建方法

宋冬梅 張曼玉 單新建 王 斌

1)中國石油大學(華東)海洋與空間信息學院,青島 266580 2)海洋礦物資源實驗室,青島海洋科學技術國家實驗室,青島 266071 3)中國地震局地質研究所,北京 100029

0 引言

地表溫度是區域及全球尺度上地表能量平衡和水循環物理過程的關鍵參數(Zhao Betal.,2020),可用于干旱監測(Xieetal.,2021)、城市熱島效應(閆章美等,2021)與地震前熱異常信息提取(Songetal.,2018; Chenetal.,2020)等。準確獲得時空完整的LST數據有助于精確提取地震前兆熱異常信息(陳順云等,2014),不僅如此,異常是相對于正常而言的(陳順云等,2004),而地表溫度背景場是熱異常信息提取的基礎與前提(陳順云等,2009),因此重建LST對地震熱異常的相關研究十分必要。MODIS傳感器具有觀測范圍廣、時間分辨率高的優點,是獲取LST數據的重要來源。然而,在任何時刻65%的全球表面都會被云層覆蓋(Maoetal.,2019),這將直接導致熱紅外遙感影像中存在大面積缺值,且各地的缺值區范圍不等。其中,中國大陸地區MODIS LST數據的年均缺值率最高可達20%(臧琳,2017),特別是中國西南地區缺值最為嚴重,導致該區域MODIS地表溫度數據的可用性降低。因此,MODIS地表溫度數據的重建工作具有十分重要的意義。

迄今為止,關于地表溫度的重建方法主要包括以下4種:1)基于空間域信息的地表溫度重建方法。該類方法主要利用克里金插值(Neteler,2010)、樣條函數(Kilibardaetal.,2014)、回歸樹分析(Fanetal.,2014)、反距離加權(張軍等,2011)等算法,基于缺失像元與其相鄰晴空像元之間的空間相關性實現地表溫度的重建。此類方法易于實現,無需其他輔助信息。然而,由于該類方法受到地表覆蓋變化和地表高程變化的影響較大(Wuetal.,2021),導致其LST重建精度不夠理想。2)基于時間域信息的地表溫度重建方法。該類方法主要利用日溫度循環建模(Zhangetal.,2021)、諧波分析(Nguyenetal.,2015)、多時相魯棒回歸(Zengetal.,2018)、奇異譜分析(Malamirietal.,2018)、物理建模(Fuetal.,2019)等算法,基于缺失像元與其時間域上相鄰的晴空像元之間的相關性實現地表溫度的重建。盡管該類方法在通常情況下重建效果較好,但當相鄰期的缺值數據較多時,其重建效果將變差。3)綜合時空信息的地表溫度重建方法。該類方法主要基于RSDAST(Sunetal.,2017)、多元回歸(Zhao Wetal.,2020)、地表能量平衡(Tanetal.,2021)等算法,一般先在時間域上進行補值,然后再在空間域上進行補值,從而實現地表溫度數據的重建。該類方法雖然在重建過程中綜合考慮了時間和空間信息,但并沒有實現真正意義上的時空聯合建模,因此制約了其重建精度的進一步提升。此外,由于該類方法既顧及了時間信息又顧及了空間信息,使得重建過程較為復雜。4)基于多傳感器數據的LST重建。該方法的主要思想是將PMW(Passive Microwave,被動微波)LST數據與TIR(Thermal Infrared,熱紅外)LST數據相結合,以重建LST數據(Kouetal.,2016; Prigentetal.,2016; Shwethaetal.,2016)。PMW(蘇揚等,2022)可穿透云層獲得全天候LST數據(Zhang Qetal.,2020),為TIR LST數據的重建提供有用的輔助信息。因此,通常使用PMW LST數據估算云下LST數據。其中,結合TIR LST(如MODIS)和PMW LST的LST重建方法不斷被提出,此類方法在生成高精度、時間連續的LST數據方面具有很大的潛力。然而,由于PMW特定的掃描方式導致相鄰2個軌道之間存在掃描間隙(Zhang Xetal.,2020),在中低緯度地區缺失寬度可達數百千米,使PMW獲取的LST數據空間不連續。此外,由于PMW LST和TIR LST數據的物理意義不一致,基于PMW觀測數據反演的LST不能代表實測的地表溫度,且2種數據的時空分辨率也不一致(Zhouetal.,2017),通常需要在轉換后使用(Moncetetal.,2011)。因此,雖然PMW可以有效地輔助云下TIR LST數據的重建,但其數據本身的局限性阻礙了該方法的廣泛應用。

近年來,隨著深度學習方法的應用不斷深入,越來越多的學者嘗試在LST數據重建工作中使用該類方法。其中,LSTM模型由于能夠充分學習時序數據中的長期依賴關系,逐漸被應用于地表溫度重建工作中(Cuietal.,2022)。但該模型對于時序數據中極值點信息的表達能力較差,導致部分缺值點的重建效果不理想。為此,有學者提出了基于BiLSTM(Bi-directional Long Short-Term Memory,雙向長短時記憶)模型的LST重建方法(Arslanetal.,2019),試圖解決由于存在極值點導致重建效果欠佳的問題(Cuietal.,2022)。但由于該模型對時間序列進行雙向學習,導致模型的訓練時間長、效率低。時間序列預測模型中除了最常用的LSTM和BiLSTM外,一維卷積神經網絡由于能夠很好地挖掘出數據本身的潛在特征,因此被逐漸應用于地表溫度數據的重建工作中。例如,Wu等(2019)提出了一種基于多尺度特征卷積神經網絡的地表溫度重建方法,該方法根據在不同時間獲取的同一區域的地表溫度之間的非線性關系實現數據重建,雖然原理較為簡單,但它要求輔助的LST圖像不能有缺值,其苛刻的數據要求限制了算法的適用性。

LST數據重建本質上是一種數據預測工作(Cuietal.,2022)。而隨著數據預測研究的不斷深入,學者們發現將數據分解模型和預測模型相結合的混合模型比單一模型具有更好的預測效果(Yangetal.,2021)。其中,SSA相比于經驗模態分解等其他數據分解方法(Cuietal.,2022),能夠更加充分地挖掘數據潛在的周期及趨勢特征,所獲得的數據特征更加豐富。時間序列預測模型中的LSTM具有學習數據長期依賴關系的能力,而CNN能夠充分提取一維時間序列數據的局部特征,因此,將CNN與LSTM結合則可以更好地發揮模型的預測優勢。為此,本文提出一種基于混合模型的地表溫度兩步重建方法——SCLSTM(SSA-CLSTM)。該方法包括2個主要步驟:首先,使用SSA模型提取地表溫度時間序列的趨勢特征并填補缺值像元,實現地表溫度的初步重建。然后,再利用SCLSTM(即1DCNN-3層堆疊LSTM)模型學習數據的局部時序特征和長期依賴關系。其中,1DCNN負責局部時序特征的挖掘與學習,而3層堆疊LSTM負責數據的長期規律的學習,并通過LSTM模型的3層串聯對缺失像元的地表溫度進行迭代預測,從而實現缺值像元LST數據的精細重建。

1 研究區與數據

1.1 研究區

本文的研究區主要包括干旱少雨、植被覆蓋稀少的新疆和田地區和濕潤多雨、植被生長茂盛的四川汶川地區,研究區的概況如圖1所示。和田地區位于中國西北,地處新疆南部,其中心位置為(37.1°N,79.9°E),地勢北低南高。該地區屬于典型的大陸性氣候,全年熱量充足、降水稀少,晴空天數較多。汶川地區位于四川省中部,其中心位置為(31.0°N,103.4°E),地勢西北高東南低。該區域在夏季受到東南季風和西南季風的共同影響,導致氣溫高、雨水多,夏季降水占全年降水量的55%以上(倪楠,2020)。因此,較多的云雨天氣嚴重影響了該地區MODIS地表溫度產品的數據質量。據統計(臧琳,2017),中國大陸的地表溫度年均缺值率最高可達20%。其中,中國西南區域的缺值情況最為嚴重,空間分布特征為東南高、西北低。與新疆和田地區相比,四川汶川地區的地表溫度缺值情況更加嚴重。本文選擇云量不同的區域進行重建實驗,以便更好地評估新方法的可靠性及區域適用性。

圖1 研究區概況

1.2 地表溫度數據

本文采用新疆和田地區2003—2008年以及汶川地區2015—2020年空間分辨率為1km、8d合成的MODIS MYD11A2 LST凌晨(1:30am)數據產品為實驗數據。所用MODIS數據產品為HDF格式,需借助NASA提供的MRT軟件對原始影像進行拼接、裁剪與重投影(Geographic Lat/Lon)處理。其中,2個研究區的范圍分別是:新疆和田(30°～40°N,75°～85°E); 四川汶川(26°～36°N,98.5°～108.5°E)。

2 研究方法

利用單一預測模型進行LST重建時可能會引入與地表溫度毫無關系的噪聲,導致重建效果較差。為此,本文提出了一種基于混合模型的地表溫度兩步重建方法——SCLSTM(SSA-CLSTM),該方法的具體流程如圖2所示。

圖2 重建方法的流程

2.1 基于SSA方法的LST初步重建

為了避免時間序列中連續缺失數據對地表溫度精細重建的影響,在精細重建前需要對原始數據中的缺值進行初步重建。SSA是近年來興起的一種用于提取非線性時間序列數據特征的強大方法(Zengetal.,2018)。該方法通常首先根據所觀測到的時間序列構造出軌跡矩陣,并對軌跡矩陣進行分解,提取出原時間序列中不同成分的信號,如長期趨勢信號、周期信號和噪聲信號等,然后依據分解后所得到的不同成分的數據系列對原始數據貢獻率的大小進行數據重構(陳浩文,2020)。需要說明的是,取過大或過小的貢獻率都不利于數據的有效重建,這是由于過大的貢獻率會使得重構后的數據仍然包含很多噪聲,從而無法很好地得到時間序列數據的趨勢特征,而過小的貢獻率雖然能夠很好地濾除噪聲,但卻使得時間序列數據中的趨勢特征過于平滑。本研究所用的地表溫度數據產品在一年中有46個值,因此本文將SSA的窗口長度設置為46。使用SSA對每個像元的時間序列進行分解后可以得到46個長度為46的子序列數據。

本文擬采用上文提到的SSA方法提取出地表溫度時間序列中的趨勢值用以填補缺值像元,實現數據的初步重建?；赟SA方法的LST初步重建過程如圖3所示,其具體步驟為:首先,利用SSA方法對缺值像元的地表溫度時間序列進行分解,得到包含不同特征的子序列數據。然后,計算分解后各子序列的貢獻率,選擇貢獻率之和 >85% 的前r個子序列,其中,子序列貢獻率的計算過程如式(1)所示。最后,將所選出的各子序列對應時間段的數值進行相加,并將所得的計算結果填充至缺值像元,完成地表溫度時間序列的初步重建。

(1)

圖3 基于SSA方法的LST初步重建過程

式中,Cj表示前j項子序列的貢獻率。

2.2 基于1DCNN-3層堆疊LSTM方法的LST精細重建

CNN是一種深度神經網絡,它可以從復雜的數據中挖掘其潛在特征。近年來,CNN已越來越多地被應用于目標識別和圖像分類等領域。其模型一般由輸入層、卷積層、池化層、全連接層和輸出層5個部分構成(Wuetal.,2020)。其中,卷積層的作用是通過對輸入數據進行特征提取從而得到更具表現力的特征序列,池化層的作用是通過對輸入特征進行降采樣處理以強化部分顯著特征(陳賜陽等,2021)。不同維度的CNN具有類似的結構和處理步驟,主要差異在于輸入數據的維數、卷積核的大小及卷積核在數據之間的滑動方式。由于本文所提出的地表溫度數據重建方法是基于像素的一維時序數據進行的,因此采用一維CNN(1DCNN)模型。其中,一維卷積層的結構及卷積核的滑動方式如圖4所示。

圖4 一維卷積層結構及卷積核滑動方式示意圖

為了克服RNN網絡的梯度消失問題,Hochreiter等(1997)提出了LSTM模型,是一種時間循環神經網絡。LSTM模型通過引入遺忘門、輸入門和輸出門,并通過“門(gate)”的控制決定網絡中哪些信息被保留、哪些信息被遺忘(Volkanetal.,2020)。而網絡中的“細胞狀態”通過有選擇性地接收遺忘門和輸入門的信息得以更新。更新后的“細胞狀態”和輸出門的信息共同決定最終的輸出結果,并基于迭代運算得到訓練好的優化網絡。本研究所用LSTM模型的預測原理如圖5所示,其原理為利用前M個時刻的地表溫度值預測第L時刻(缺值時刻)的地表溫度,并不斷迭代,直至完成時間序列上所有缺值像元的重建。

圖5 LSTM模型預測示意圖

基于1DCNN-3層堆疊LSTM模型的地表溫度精細重建過程如圖2所示。本文所提出的精細重建模型主要包括1DCNN和3層堆疊LSTM 2個部分。其中,1DCNN由5個卷積層組成,用于提取每個時間步中時間序列的主要特征,以減少輸入到LSTM網絡中的冗余信息。3層堆疊LSTM是由3個LSTM串聯組成,主要用于下一時間步的LST數值預測。LSTM層數是時間序列數據預測中的關鍵參數,本研究通過逐漸增加LSTM的層數,并觀察地表溫度重建誤差的變化,從而選取出合適的LSTM層數,結果如圖6所示。從圖中可以看出,當LSTM的層數為3時,模型的誤差最小,重建后數據與原始數據的相關性最高,因此本研究將LSTM的層數取為3。將3層LSTM進行堆疊,既能增加LSTM循環層及網絡容量,也可進一步提升模型的預測能力。本研究中CNN和LSTM模型的詳細參數信息如表1所示。其中,SCLSTM模型的輸入內容為帶有數據缺失的一維時間序列數據,輸出內容為重建后完整的時間序列數據。其中,訓練與測試數據的比為0.85,迭代次數為250,批數量為125。

表1 CNN與LSTM模型的參數信息

圖6 SCLSTM模型中不同LSTM層數的數據重建精度

基于1DCNN-3層堆疊LSTM模型的地表溫度精細重建過程可概括為以下2個主要步驟:

(1)基于1DCNN的LST局部時序特征提取

首先,將基于SSA方法獲得的LST時間序列的初步粗重建結果輸入到1DCNN模型中。然后,通過1DCNN的卷積運算提取出LST時間序列的初步特征。之后,將該初步特征作為第2個卷積層的輸入內容,再次執行卷積運算,由此得到一個更高級的特征,以此類推,直至完成所有卷積運算,其操作的具體過程如圖7所示。進行卷積計算后,池化層把最后一個卷積層計算得到的特征序列作為輸入內容,并使用池化窗口在該序列上進行滑動,每滑動一次取窗口的平均值進行池化,以輸出更具表現力的特征序列。

圖7 卷積核權重與LST數據局部序列段之間的卷積運算

(2)基于3層堆疊LSTM模型的LST精細化重建

為使LSTM模型具有更強的表達能力,本研究采用3層堆疊LSTM模型的策略以實現LST的精細重建,過程如圖8所示。首先,將1DCNN模型提取出的時序特征作為第1層LSTM模型的輸入內容,并將其輸出結果作為第2層LSTM的輸入內容,以此類推,完成3層LSTM的預測,從而實現對LST時間序列中第1個缺值時刻數據的精細化重建。為了完成其他所有缺值時刻數據的精細化重建,迭代實施1DCNN-3層堆疊LSTM模型,過程如圖9所示。綜上所述,由于該模型同時使用了CNN和LSTM,保證了地表溫度時間序列中的突變信息和趨勢特征均能夠被準確提取,這使得地表溫度數據的精確重建成為可能。

圖8 3層堆疊LSTM精細化重建過程

圖9 LST時序數據的迭代精細重建過程

2.3 對比方法介紹

本文所采用的2種對比方法分別為基于SSA-LSTM和基于SSA-BiLSTM(Cuietal.,2022)的地表溫度重建方法。2種方法的共同之處均是首先利用SSA算法對缺值像元的地表溫度的時間序列進行分解,得到包含不同特征的子序列數據,然后將不同子序列數據重構的LST值作為預測模型的輸入內容。2種方法的不同之處在于所使用的預測模型不同,前者使用LSTM模型,后者使用BiLSTM模型。

為了評價模型的重建效果,本研究使用“去除-重建-對比”的策略分別對所提方法和2種對比方法的重建效果進行了定性和定量分析。其中,“去除-重建-對比”的具體步驟為:首先,在完整的LST圖像中去除部分已有數據并用零值填充; 然后,分別使用3種方法對缺值像元的LST進行數據重建; 最后,將重建后的LST值與原始數據進行對比分析,并采用RMSE(Root Mean Square Error,均方根誤差)、R2(相關系數)和AD(平均偏差)進行精度評定,計算公式如式(2)—(4)所示。此外,為了進一步地比較3種方法的重建效果,本文還依據重建數據的誤差大小,按照<1K、1～1.5K、1.5～2K和>2K 4個等級進行詳細分析。

(2)

(3)

(4)

3 研究結果

3.1 不同重建方法的精度對比

為了驗證SCLSTM的重建效果,比較3種重建方法的重建精度,在新疆和田地區使用不同方法進行LST重建對比實驗。首先,對新疆和田研究區2008年第29期和第35期的數據進行了摳值處理。其中,第29期圖像摳除的范圍為21×21,總計441個像元; 第35期圖像摳除的范圍為26×26,總計676個像元。然后分別使用3種方法對缺值區域的LST進行重建,結果如圖10和圖11所示。

圖10 CNN-LSTM與對比方法重建效果的對比

圖11 新疆和田地區LST重建精度與效率分析

觀察第29期和第35期的重建結果發現,本文方法重建后的圖像與原始圖像的一致性更高,紋理信息更相近,而其他2種方法的重建結果相對較差。此外,為了定量比較3種方法的重建效果,本文還對重建數據與原始數據進行了比較,結果如圖11所示。從圖11a 和11b中可以看出,本文方法的重建誤差整體較低。其中,重建誤差<1K的像元數量占總缺值像元數量的一半以上,而誤差>2K的像元數量明顯少于其他2種方法。圖11c 展示了3種方法的重建誤差RMSE,從圖中可以發現,本文方法的RMSE分別為0.916K和1.114K,均低于其他2種方法。從圖11d 中可以看出,本文方法的重建結果與原始數據的相關性最高。圖11e 展示了3種方法重建結果的平均偏差,從圖中可以看出基于SCLSTM方法重建后的平均偏差最小。此外,圖11f 展示了3種方法重建效率的統計分析結果,從中可以發現SSA-LSTM方法所用時間最少,本文方法次之,而SSA-BiLSTM方法所用時間最多。對于新疆和田地區,盡管本文方法所耗費的時間比SSA-LSTM略多,但在重建精度上具有明顯優勢。

3.2 區域適用性驗證

為了證明新方法的區域適用性,我們在四川汶川地區進行了實驗。首先,將2020年第8期和第44期四川汶川地區空間上部分LST數據進行去除,生成數據缺失的LST數據。第8期圖像摳除的范圍為21×21,總計441個像元; 第44期圖像摳除的范圍為26×26,總計676個像元。然后分別使用3種方法對缺值區域的LST進行重建,其重建結果如圖12和圖13所示。

圖12 CNN-LSTM與對比方法重建效果的對比

圖13 四川汶川地區LST重建精度與效率分析

從圖12中觀察2期圖像的重建結果發現,SSA-LSTM方法和SSA-BiLSTM方法重建后的圖像分別存在大量的高值和低值區,而本文方法重建后的圖像與原始圖像的一致性更高。此外,從圖13a 和圖13b 中可以看出本文方法的重建誤差整體較低,其中<1K的像元數量占總缺值像元數量的一半以上,而誤差>2K的像元數量明顯少于其他2種方法。且本文方法2期圖像的RMSE分別為0.724K和0.712K,均低于其他2種對比方法。此外,重建后的數據與原始LST的相關系數為0.95。從圖13e 中可以看出,基于本文方法重建后的平均偏差最小。最后,對比3種方法的重建效率分析發現,SSA-LSTM方法所用時間最少,本文方法次之,SSA-BiLSTM方法所用時間最多(圖13f),這與新疆和田的實驗結果一致。通過四川汶川地區的重建實驗可以看出,本文的重建方法即使是在云霧覆蓋較多、天氣狀況較差、地表覆蓋類型復雜的區域也能取得較好的數據重建效果,這證明了本文方法的可靠性和區域普適性。

3.3 地面實測數據驗證

為了進一步驗證新方法的可靠性,利用新疆和田6個氣象站0cm地表溫度的實測數據對新方法的準確性進行了評價。6個氣象站分別為皮山、墨玉、和田、洛浦、策勒和于田,所有站點的空間位置信息如表2所示。其中,0cm地表溫度數據來自氣象臺站的觀測,它是指疏松、平整的土壤表面的觀測溫度,主要利用玻璃液體地溫表測量獲取。此外,氣象站0cm實測地表溫度數據只代表觀測點局部區域的地表溫度狀況。本研究所用氣象站實測數據的時間分辨率為1h,測量誤差為0.1K。在本研究中,基于2015—2019年的MODIS LST數據的時序變化特征,重建2020年的LST缺失值,并將重建結果與實測數據進行對比分析。然而,由于MODIS 8d合成數據和氣象站實測數據的時間分辨率不一致,無法直接將實測數據和MODISLST進行對比。因此,本研究采用MODIS 8d合成數據的合成方式(對8d中晴好天氣下凌晨 1︰30 的LST取平均值),對氣象站實測地表溫度數據進行相同的處理,以保證2種數據的時間一致性。此外,為了保證驗證結果的準確性,本研究只選取氣象站點對應MODIS像元上的LST值與實測數據進行對比分析。

表2 氣象站的空間位置

具體驗證過程包括3個步驟:首先,選取6個氣象站所在的6個對應像素上的MODIS LST數據,并分別去除所選像素時間域上20%的數據,生成6組數據缺失的時間序列LST。然后,基于新方法對缺失的LST數據進行重建。最后,基于MODIS LST原始數據和實測LST數據對重建精度進行驗證(圖14)。其中,MODIS LST原始數據與氣象站實測數據的相關性如圖14a 所示,R2為0.932,AD為4.003K,將其作為補值效果的判別標準。本文通過對比新方法與其他方法重建后的MODIS LST數據與實測數據的R2和AD判斷補值效果的優劣。由圖14b—d可知,基于SCLSTM方法重建后的LST數據和實測數據的相關系數和平均偏差(R2為0.923,AD為4.153K)與原始數據和實測數據的相關系數和平均偏差更接近。此外,圖14e—g分別顯示了MODIS LST原始數據及3種重建方法所得結果之間的R2、RMSE和AD。通過對比可以看出,本文所述方法的重建精度最高,R2為0.987,RMSE為1.143K,AD為1.061K。綜上可知,基于本文方法重建后的LST與原始數據能夠保持較好的一致性。

圖14 基于氣象站實測LST的可靠性分析

3.4 本文方法的實際應用

為了更直觀地顯示新方法在空間上的重建效果,本文還對2008年新疆和田地區和2020年四川汶川地區的LST缺值區域進行了數據重建,得到了完整的地表溫度數據。圖15和圖16分別展示了2個研究區圖像重建前后的對比效果。仔細觀察重建圖像不難發現,補值后的圖像紋理細致自然,沒有明顯的邊界效應,由此可以證明本文所述方法能夠較好地實現大面積LST缺值區域的數據重建。

圖15 新疆和田重建前后對比

圖16 四川汶川重建前后對比

4 結論

MODIS LST數據產品因存在大量缺值而導致其應用受限。為獲得時空連續的地表溫度數據,本研究提出了一種基于混合模型(SCLSTM)的地表溫度2步重建方法。該方法主要包括基于SSA方法的初步重建和基于CNN-3層堆疊LSTM方法的精細重建兩大部分。利用MODIS MYD11A2遙感數據,基于本文所提新方法,采用“去除-重建-對比”的策略對新疆和田地區和四川汶川地區進行了LST重建實驗,并與其他2種混合模型方法進行比較。此外,基于氣象站0cm實測地表溫度數據對所提新方法的LST重建精度進行了可靠性驗證。主要結論如下:

(1)與現有的其他2種混合模型重建方法相比,新方法能夠更好地捕捉到LST數據的時間序列特征,使得重建圖像不僅能夠較好地保持原始圖像的紋理特征,同時還可以提升數據重建的準確性,在3種方法中重建誤差最小,RMSE可降至0.712K,重建后LST與原始數據的相關系數可達0.95以上。此外,通過氣象站實測數據驗證進一步證明了該方法的可靠性。

(2)新方法不僅適用于缺值量少的地區,而且在云霧量大、地表覆蓋類型復雜的地區也能取得較好的重建效果,證明該方法具有良好的區域普適性。綜上可知,基于該方法對LST數據進行重建,可為后續地震前兆熱異常信息的精確提取提供數據支撐。

雖然本文方法可以實現LST的有效重建,但仍存在以下不足:本文在時間序列預測模型LSTM的基礎上加入了一維卷積神經網絡1DCNN,雖然該模型取得了較好的重建效果,但由于重建模型的復雜度有所增加,因此模型的運行時間比單一的LSTM模型更長。其次,本文方法缺少對空間信息的利用,在未來的研究中可以考慮將二維空間卷積網絡與時間預測模型相結合,建立一種能夠同時獲得地表溫度時空聯合特征的重建模型,以期進一步提升LST數據的重建精度。