遥感数据在空间、时间上具有较强相关性和连续性,因此遥感图像时间序列具有低秩属性。在本文中,我们考虑利用低秩张量补全的方法修复图像。首先,我们对MODIS的地表温度数据进行预处理,通过时空插值的方式将被云遮挡导致的缺失值进行初...遥感数据在空间、时间上具有较强相关性和连续性,因此遥感图像时间序列具有低秩属性。在本文中,我们考虑利用低秩张量补全的方法修复图像。首先,我们对MODIS的地表温度数据进行预处理,通过时空插值的方式将被云遮挡导致的缺失值进行初步补全。接着,我们将地表温度时间序列数据视作一个三阶时空张量,在时空张量的时间维度上引入傅里叶变换,将其转换为空间-频率张量。对此张量进行奇异值分解、高斯低通滤波后再通过逆傅里叶变换为空间-时间张量。最后使用交替方向乘子法迭代运算,对缺失张量进一步优化。对于该方法的精度,我们采用模拟实验的方法进行验证,人工添加掩膜并进行恢复,恢复结果的平均绝对误差(Mean Average Error)在2.1–4.9 K内。本数据集包括青藏高原2000–2020年每日的以下数据:(1)对MOD11A1、MYD11A1产品中被云遮挡区域进行优化的地表温度数据(MOD11A1_QTP_PART,MYD11A1_QTP_PART);(2)被云遮挡区域优化后的MOD11A1、MYD11A1产品,即优化后的地表温度数据(MOD11A1_QTP_Temp,MYD11A1_QTP_Temp);(3)原始的MOD11A1、MYD11A1产品(MOD11A1_QTP_ORIGIN,MOD11A1_QTP_ORIGIN)。所有数据空间分辨率为1 km,以整数型数据格式进行存储,像元值表示地表的热力学温度,比例系数为0.02,单位为K。数据集存储为.tif格式,可以通过ENVI、ArcGIS等遥感软件直接打开和处理。展开更多
文摘遥感数据在空间、时间上具有较强相关性和连续性,因此遥感图像时间序列具有低秩属性。在本文中,我们考虑利用低秩张量补全的方法修复图像。首先,我们对MODIS的地表温度数据进行预处理,通过时空插值的方式将被云遮挡导致的缺失值进行初步补全。接着,我们将地表温度时间序列数据视作一个三阶时空张量,在时空张量的时间维度上引入傅里叶变换,将其转换为空间-频率张量。对此张量进行奇异值分解、高斯低通滤波后再通过逆傅里叶变换为空间-时间张量。最后使用交替方向乘子法迭代运算,对缺失张量进一步优化。对于该方法的精度,我们采用模拟实验的方法进行验证,人工添加掩膜并进行恢复,恢复结果的平均绝对误差(Mean Average Error)在2.1–4.9 K内。本数据集包括青藏高原2000–2020年每日的以下数据:(1)对MOD11A1、MYD11A1产品中被云遮挡区域进行优化的地表温度数据(MOD11A1_QTP_PART,MYD11A1_QTP_PART);(2)被云遮挡区域优化后的MOD11A1、MYD11A1产品,即优化后的地表温度数据(MOD11A1_QTP_Temp,MYD11A1_QTP_Temp);(3)原始的MOD11A1、MYD11A1产品(MOD11A1_QTP_ORIGIN,MOD11A1_QTP_ORIGIN)。所有数据空间分辨率为1 km,以整数型数据格式进行存储,像元值表示地表的热力学温度,比例系数为0.02,单位为K。数据集存储为.tif格式,可以通过ENVI、ArcGIS等遥感软件直接打开和处理。
