（控制理论与控制工程专业论文）基于神经网络的青藏高原地表层温度预测模型研究.pdf

北京工商大学硕士学位论文 摘要 近年来，国f q 夕l , 学者纷纷对青藏高原构造热异常开展研究。研究所用的传统方法 是分析热流数据，其缺点是热流数据稀疏，数量和质量受限。较新的方法是利用热红 外遥感技术，即应用热红外遥感数据反演得到的地表面温度数据来进行分析和研究； 也有学者利用实测地表浅层地温来进行研究。最前沿的方法是将热红外遥感技术与实 测地温结合起来进行研究，即分别用遥感技术反演得到的地表面温度数据和实测地温 数据进行研究，之后比较两种方法的研究结果。但这两种方法之间的关系模型尚未建 立。 基于此，本课题采用神经网络技术建立了青藏高原地表层温度场预测模型，模型 输入为热红外遥感反演得到的陆面参数，输出为一定深度的地表层预测常规温度：该 模型为热红外遥感用于构造热异常研究探索了一种新途径。课题以穿过青藏高原6 大 地块的亚东一格尔木地学剖面为切入点，完成了以下研究工作： ( 1 ) 在对热红外遥感数据和地表层温度场分布规律进行相关性分析的基础上， 提出研究思路：首先应用神经网络建立地表2 0 c m 层温度预测模型；再建立 地表2 0 c m 以下( 4 0 c m 1 6 0 c m ) 层温度预测模型，最后将各层预测模型级 联递推； ( 2 ) 分别基于b p 网和r b f 网( 普通r b f 网和广义回归网) 研究建立地表2 0 c m 层的温度预测模型，并利用该模型对热红外遥感反演得到的各陆面参数与 地表2 0 c m 层温度的相关关系进行了分析； ( 3 ) 基于r b f 网，利用陆面参数和地表层不同深度的钻孔测温数据建立起地表 2 0 c m 以下( 4 0 c m 1 6 0 c m ) 各层的温度预测模型： ( 4 ) 将地表2 0 c m 1 6 0 c m 各层温度预测模型级联，得到地表各层温度的预测模 型，并验证了模型的可行性、可靠性； ( 5 ) 在以上温度预测模型的基础上，利用v b 与m a t l a b 接口技术，设计并实现 了基于r b f 神经网络的地表层温度预测系统。 本课题为热红外遥感用于构造热异常研究探索了一种新途径。由于亚东一格尔木 地学剖面穿过青藏高原冻土区，青藏铁路也在该剖面沿线上，其分析结果可为青藏铁 路建设、工程稳定性评价和生态环境评价提供科学依据。 关键词：青藏高原热红外遥感地表层温度r b f 网预测模型 l 。董三塑丝塑堑塑宣堕壹堕垫室星塑堕塑型塑型堕塑 a b s t r a c t i nr e c e n ty e a r s ，d o m e s t i ca n df o r e i g ns c h o l a r sa r er e s e a r c h i n gt h eq i n g h a i t i b e tp l a t e a u s s t r u c t u r et h e r m a la n o m a l yi na b u n d a n c e t h et r a d i t i o n a lr e s e a r c h i n gm e t h o di sa n a l y z i n g t h eh e a tf l o wd a t a , w h o s es h o r t c o m i n gi st h es p a r s eh e a tf l o wd a t a ，a n dt h eq u a n t i t ya n dt h e q u a l i t ya r eb o t hl i m i t e d t h en e w m e t h o di su s i n gh o ti n f r a r e dr e m o t es e n s i n gt e c h n i q u e ， n a m e l ya p p l y i n gt h eg r o u n ds u r f a c et e m p e r a t u r ed a t ai n v e r t e df r o mt h eh o ti n f r a r e dr e m o t e s e n s i n gd a t at oc a r r yo nt h ea n a l y s i sa n d t h er e s e a r c h s o m es c h o l a r su s et h ef i e l dm e a s u r e d l a n ds u r f a c es h a l l o wl a y e r st e m p e r a t u r et oc o n d u c tt h er e s e a r c h n o wt h em o s tf r o n t m e t h o di su n i f y i n gt h eh o ti n f r a r e dr e m o t es e n s i n gt e c h n i q u ea n dt h ef i e l dm e a s u r e dl a n d s u r f a c es h a l l o wl a y e r st e m p e r a t u r et oc a r r yo nt h er e s e a r c h ，n a m e l yu s i n gt h eg r o u n d s u r f a c et e m p e r a t u r ed a t ai n v e r t e df r o ms e n s i n gt e c h n o l o g ya n dt h el a n ds u r f a c es h a l l o w l a y e r st e m p e r a t u r ed a t as e p a r a t e l y , t h e nc o m p a r i n gt h et w of i n d i n g s b u tt h er e l a t i o n a l m o d e lb e t w e e nt h e s et w om e t h o d sh a v e n tb e e ne s t a b l i s h e d b a s e do nt h ea b o v e ，t h i st h e s i se s t a b l i s h e st h eq i n g h a l - t i b e tp l a t e a ul a n ds u r f a c el a y e r s t e m p e r a t u r ef i e l dm o d e lt a k i n gt h eg r o u n dp a r a m e t e r si n v e r t e df r o mt h eh o ti n f r a r e dr e m o t e s e n s i n ga si n p u t sw h i l et h el a n ds u r f a c el a y e r sr e g u l a rt e m p e r a t u r ea so u t p u t t h em o d e l e x p l o r e san e ww a yf o ra p p l y i n gt h eh o ti n f r a r e dr e m o t es e n s i n gt o t h es t u d yo ft h e s t r u c t u r eh o ta n o m a l y t h i st h e s i st a k e st h ey a d o n g - g o l m u dp r o f i l es e c t i o np a s s i n gt h r o u 曲 t h e6b i gl a n dp a r c e l so ft h eq i n g h a i - t i b e tp l a t e a u 签t h ec u t - i np o i n t a n dh a y e df i n i s h e d t h ef o l l o w i n gw o r k ： ( 1 ) f i r s t l yc a r r i e so nt h er e l e v a n ta n a l y s i s t ot h eo i n g h a i t i b e tp l a t e a uh o ti n f r a r e d r e m o t es e n s i n gd a t aa n dt h el a n ds u r f a c el a y e r s t e m p e r a t u r ef i e l dd i s t r i b u t i o n r u l e ，t h e np r o p o s e st h ew h o l er e s e a r c hm e t h o d t h a t st oe s t a b l i s ht h et e m p e r a t u r e m o d e lo fl a n ds u r f a c e2 0 c ml a y e r , a f t e r w a r d st h eb e l o wl a y e r s ( 4 0 c m 1 6 0 c m ) u s i n g n e u r a ln e t w o r kt e c h n i q u e a n dc a s c a d e st h et e m p e r a t u r em o d e l so f2 0 一1 6 0 c m l a y e r s ( 2 ) r e s e a r c h e sa n de s t a b l i s h e st h et e m p e r a t u r em o d e lo fl a n ds u r f a c e2 0 c ml a y e rb a s e d o nb p n na n dr b f n n ( c o m m o nr b f n na n dg r n n ) s e p a r a t e l y , a n dc a r r i e so nt h e a n a l y s i s t ov a r i o u sl a n ds u r f a c ep a r a m e t e r sa n dt h es u r f a c el a y e rt e m p e r a t u r e c o r r e l a t i o n a ld e p e n d e n c e s 0 ) b a s e do nr b fn e u r a ln e t w o r k , u s i n gt h el a n ds u r f a c ep a r a m e t e r sa n dt h et e m p e r a t u r e t t 二i ! 室三塑查堂堡主堂堡鲨苎 一。一 d a t am e a s u r e di ns u r f a c el a y e r sd r i l l i n gh o l ee s t a b l i s h e se a c hu n d e r g r o u n d ( 4 0 1 6 0 c m ) t e m p e r a t u r em o d e l ( c a s c a d e s2 0 c m 1 6 0 c mt e m p e r a t u r em o d e l s ，a n dt h et h e s i sv a l i d a t e st h ef e a s i b i l i t y a n dr e l i a b i l i t yo ft h em o d e l f 5 ) i nt h ef o u n d a t i o no ft h ea b o v et e m p e r a t u r em o d e l ，u s e i n gv ba n dm a t l a b c o n n e c t i o nt e c h n o l o g y ，t h et h e s i sd e s i g na n dr e a l i z et h es u r f a c el a y e rt e m p e r a t u r e s y s t e mb a s e d o nr b fn e u r a ln e t w o r k t h i st h e s i se x p l o r e san e ww a yf o ra p p l y i n gt h eh o ti n f r a r e dr e m o t es e n s i n gt ot h es t u d y 0 ft h es t r u c t u r eh o ta n o m a l y a st h ey a d o n g - g o l m u dp r o f i l es e c t i o np a s s i n gt h r o u g ht h e t u n d r ao ft h ep l a t e a u ，a n dq i n g h a i - t i b e tr a i l r o a di sa l s oa l o n g t h i ss e c t i o n ，i t sa n a l y s i sr e s u l t s m a yp r o v i d et h es c i e n t i f i c b a s i sf o rt h eo i n g h a i t i b e tr a i l r o a dc o n s t r u c t i o n ，t h ep r o j e c t s t a b i l i t ya p p r a i s a la sw e l la st h ee c o l o g i c a le n v i r o n m e n ta p p r a i s a l k e y w o r d s ：q i n g h a i - t i b e t p l a t e a uh o ti n f r a r e dr e m o t es e n s i n g l a n ds u r f a c el a y e r st e m p e r a t u r er b fn e u r a ln e t w o r km o d e l i i i 北京工商大学学位论文原创性声明 本人郑重声明：所呈交的学位论文是本人在导师指导下进行的研究工作所 取得的研究成果。除了文中已经注明引用的内容外，论文中不包含其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体， 均已在文中阻明确方式标明。本声明的法律后果完全由本人承担。 学位论文作者签名：啄蝰匝 日期：三口口占年占月j 1 日 北京工商大学学位论文授权使用声明 本人完全了解北京工商大学有关保留和使用学位论文的规定，即：研究生 在校攻读学位期间论文工作的知识产权单位属北京工商大学。学校有权保留并 向国家有关部门或机构送交论文的复印件和电子版，允许学位论文被查阅和借 阅：学校可以公布学位论文的全部或部分内容，可以采用影印、缩印或其它复 制手段保存、汇编学位论文。( 保密的学位论文在解密后遵守此规定) 学位论文电子版同意提交后，可于口当年口一年口二年后在学校图 书馆网站上发布，供校内师生浏览。 学位论文作者签名：亥篚酸：导师签名：日期谚占年厶月jf 日 北京工商大学硕士学位论文 1 1 国内外研究现状综述 第1 章前言 地学研究者的研究结果表明，青藏高原的形成与隆升是印度次大陆与亚洲大陆碰 撞、挤压的结果。至今印度次大陆并没有停止其向北的运动，只是速度有所放慢，仍 以5 c m a 的速度向北移动。在几乎整个青藏高原之下存在着向北下伏的印度板块， 青藏高原的抬升得助于其下印度板块几近水平的俯冲0 1 。青藏高原的隆升仍在继续， 这必将给高原本身、给中国和周边国家乃至全球的板块构造及气候环境造成相当的影 响。对此，国内外学者们纷纷对青藏高原新构造运动，尤其是构造热异常开展研究。 a g a n s s e r 于1 9 6 4 年提出雅江缝合带，该带最显著的特征是具有比较完整的碰撞 缝合结构，自北向南划分了6 个完整的构造岩相带0 3 ，依次为：柴达木地块、昆仑地 块、可可西里一巴颜喀拉地块、羌塘地块、拉萨一冈底斯地块、喜玛拉雅地块：它们 之间的5 条断裂带自北向南依次为：西昆仑一阿尔金一北祁连缝合带、南昆仑北缘缝 合带、西金乌兰湖一金沙江缝合带、班公湖一怒江缝合带、雅鲁藏布江缝合带呻1 。构 造不同的地块，其地温特征也不同。各地块及断裂带的不同相互作用、不同运动状态 等复杂的动力学过程会以地温热异常的形式系统地反映出来“1 。如昆仑地块属冷地块： 可可西里一巴颜喀拉地块热活动比较弱；羌塘地块属冷热过渡型地块：拉萨一冈底斯 地块属热地块；喜玛拉雅地块呈现出岩石层的“热”结构特征，加热地块，生热率高 ”1 。构造热异常往往发生在一些大的断裂带上。沿西金乌兰湖一金沙江缝合带新生代 火山活动强烈”；通过热红外遥感数据反演地表温度来确定断裂带是行之有效的。1 ， 张开的深大断裂带多具有地表温度升高的温度异常“”。 目前，研究青藏高原构造热异常的方法主要有三种：大地热流、热红外遥感和直 接测量地温 大地热流是地球内部热作用过程在地表最直接的显示，因而在研究构造热异常 时，日益引起科学界的广泛兴趣和普遍关注。地表热流的测量主要是借助专门仪器测 量地下温度的梯度。在数值上，大地热流等于岩层热导率与垂向地温梯度的乘积。一 般是在钻井中系统测量地温和采集相应岩段的岩样，然后分别确定其地温梯度和在实 验室测定岩层热导率，有了这两个参数就可以获得热流值。大地热流的测定和分析及 基于神经网络的青藏高原地表层温度预测模型研究 深部地温分布是地热研究的一个基础工作，它对上地幔的热结构、区域热状况的评定 等实际问题的研究都有重要的意义“3 。沈显杰等o ”在藏南所进行的热流数据研究，不 仅成功地概括出了藏南多层次异常壳一幔热结构，并探讨了青藏高原隆升的构造热演 化机制。从青藏高原目前仅有的几个热流值量数据看，高原南部的热异常极为显著“。 通过对青藏高原热流分析可以看到，高原深度温度分布具有明显的南北条带性和东西 分块性。整个拉萨一冈底斯深部温度高于羌塘地块，同时在冈底斯高温带内，高原西 部深部温度又高于中东部：在羌塘地温带内，又显示中部温度相对高，西部和东部温 度相对低的特色。几条重要的构造缝合带如雅鲁藏布江缝合带、金沙江缝合带、班公 湖一怒江缝合带在热流图上都有比较明显的反映，表现为热流的转变带或过渡带。从 青藏高原s n 向热流剖面图中可以明显看出雅鲁藏布江两侧热流值最高，向南北两侧 显著地衰减降低；热流的剖面研究提供了青藏高原地壳热结构存在横向不均一性的直 接地热证据；这种不均一性与不同地块地壳岩层的波速、重力、磁性和电性不均一性 是完全一致的，体现了热场与多种物理场的内在联系“”。p o l l a c k 和c h a p m a n 总结了 全球热流测量的结果，但无奈的事实是地球上许多地区无法获得热流的测量资料。沈 显杰等“4 1 提出在青藏高原热流研究中遇到的主要困难在于：有了较好的线性温度梯度 值而并无相应的岩石热导率数据与之配套。总体而言，在青藏高原上的热流数据是相 当稀疏的，适宜于热流测量的钻孔十分稀少，尤其在热流测点的布局方面，选择余地 几乎为零，这极大地限制了地热测量的数量和质量。 迄今为止，大约平均数万平方公里才有一个热流值。它数量少，分布不均，使从 地温分布角度认识构造热异常受到局限，同时也可能对某些有用的地热能有所疏漏。 近3 0 年来，热红外遥感技术蓬勃发展，可以迅速获取大面积地面温度信息，开拓出 用热红外遥感高新技术研究地质构造和地热的方法，使地热与遥感技术有机地结合。 对地物进行热红外遥感时，是通过热红外扫描仪搜集地物的热红外辐射并将其转化成 可见的图像“。通过遥感方法可以获取陆地表面温度，其理论基础是：随着温度的升 高陆地表面发射的总辐射能也迅速增加。利用热红外遥感技术反演陆地表面温度的方 法有两大类：实验方法和理论方法。实验方法是在实际工作中利用地面定标，实测出 在传感器过顶时的地面温度，建立起图像灰度值和地面温度回归方程，求出陆地表面 温度图像；理论方法是通过求解辐射传输方程消除大气影响，求出陆地表面温度，其 中分裂窗方法是陆地表面温度反演的重要方法。 随着热红外遥感技术的发展，越来越多的科学家将其应用于地热资源勘探与评 2 北京工商大学硕士学位论文 价、地下水资源勘探、地震及断裂带研究等领域。葛碧如等“”选用n o 从一9 气象卫星 的c h 4 ，c h 2 和c h i 通道的遥感数据作为基础资料，经图像处理后，根据亮度值将塔里 木盆地分为5 个构造区。同时研究结果表明，热红外遥感探察的深度在4 7 k m 以浅 的范围内有效；选择n o a a l l 气象卫星两条轨道的a v h r r 数据作为基础资料，进行 预处理后用分裂窗方法进行地表温度反演计算，得到不同地温值，划分出隐伏的几个 构造区带，而且热红外遥感探察结果与地球物理深部探察结果总体上符合较好；选用 n o a a i i a v h r r 数据做基础资料，做成伪彩色图像，得到日夜两幅巴丹吉林沙漠热红 外遥感温度图像，经对比判释出1 0 条隐伏大断裂，由它们划分出8 个构造区。并认 为在新构造运动期间上升运动强烈的地区，地质年代老的构造层温度较高，年轻的构 造层温度较低，张开的深大断裂带沿线多具有升高的温度异常。马瑾等“”利用n o a a 气象卫星热红外波段研究了玛尼地震前后震中周围地区地温图像的动态演化，并指出 受印度板块向北推挤作用的影响，我国西部地区的构造活动明显强于东部，表现为西 部地区活动断裂规模大、错动速率快以及地震活动频繁，并且西部地区植被稀少，地 面裸露，大气干燥，荒无人烟，构造活动显著，使获取的遥感信息具有干扰因素少、 图像清晰、构造活动明显等特点。毕思文等“”通过反演青藏高原晴空条件下共l o a ( 1 9 8 2 1 9 8 3 、1 9 8 5 1 9 8 9 、1 9 9 1 1 9 9 3 年) 各月和全年平均陆面温度，分析了7 月 份青藏高原陆面缝合构造带和地块温度场的分布规律，取得了与前人结论不符的结 果：班公湖一怒江缝合带温度最高、雅江次之，藏北部最低；中部和西部温度高于东 部和南部约1 0 ，中部和西部温度在3 0 。c ，东部和南部温度为1 5 2 0 c 。且陆面温 度场的空间分布与青藏高原的构造缝合带、深大断裂的分布显示出两者存在一定的对 应关系。 利用热红外遥感技术方便易行，但将其反演只能得到地面温度( 也称陆面温度) ， 并非地表层各深度处的土层温度，虽然二者有着必然的、密切的联系，但它们并不相 等。这使得进行构造热异常研究时，其解释只能是宏观的。 毕思文等“”“”于2 0 0 1 年首次对青藏高原进行了野外地表层钻孔测温，实地观 测了7 5 个探孔的剖面温度，钻孔测温方法采用长1 2 m ，直径5 c m 的洛阳铲作为钻具， 配合j m 2 2 2 便携式数字温度计测温。该仪器获取数据的准确度为o 2 o c ，精度为0 1 。c 。根据不同深度分为地表上部l m 、地表o c m 、土层2 0 c m 、4 0 c m 、6 0 c m 、8 0 c 、i 0 0 c m 等7 个深度测定温度，并进行了插值处理。经过不同深度层钻孔温度的测定和图像特 征对比可以看出虽然在不同深度温度有降低和局部增高的现象，但与青藏高原陆面场 3 基于神经网络的青藏高原地表层温度预测模型研究 研究的结果吻合较好，证明上述研究工作是有实际意义的。但由于该项工作研究时间 短，野外地表层钻孔测温区域对比有限，还需进一步深入和大区域的热红外遥感研究。 2 0 0 2 年，毕思文研究员、支乔毅研究员、翟利剑等人组成了科学考察小组，进行青藏 高原亚东一格尔木一锡铁山地学剖面野外考察。1 ，通过野外钻孔测定不同深度土层地 温( 数据与本课题所用的野外地表层钻孔测温数据相同) ，得到结论：热红外遥感反 演青藏高原亚东一格尔木一锡铁山地学剖面地表温度与实测温度所反映的温度分布 规律非常一致；实测4 0 c m 以下土层温度表明，测量结果较好地对应于各地块及断裂 缝合带的划分，断裂缝合带温度明显高出相邻低温地块温度，并且亚东一格尔木一锡 铁山地学剖面各断裂缝合带温度分布规律与前人研究结果相一致。而4 0 c m 以上土层 温度及空气温度则不能反映该规律，地表温度所表现出的规律与土层4 0 c m 以下实测 地温规律正好相反。杨锋杰等。”的实验结果也表明地表4 0 c m 以下地温受气温影响较 小。 毕思文、翟利剑等人对热红外遥感与地温之间的关系研究进行至此。本课题正是 在此基础上，建立热红外遥感与地温之间的关系模型，为热红外遥感用于构造热异常 研究探索一种新途径。 1 2 研究目的及意义 以上所述三种进行构造热异常研究的方法中，利用大地热流值由于其数量和质量 原因而存在局限性：直接测量地温不易实行：利用热红外遥感技术方便易行，但将其 反演只能得到地面温度( 也称陆面温度) ，并非地表层各深度处的土层温度。本课题 在前人研究的基础上，建立热红外遥感与地温之间的关系模型，对青藏高原热红外遥 感数据和相应的地表层钻孔实测温度数据进行数据处理和相关性分析，确定影响地表 层温度的陆面因素，采用神经网络技术建立通过热红外遥感反演陆面参数预测地表各 层温度的预测模型。该模型的输入为热红外遥感反演得到的陆面参数，输出为一定深 度的地表层预测常规温度。该方法既不必测量大地热流值，也不必实地测量地温，又 避免了只用地面温度来研究构造热异常的局限性，可为热红外遥感用于构造热异常研 究探索一种新途径。同时由于亚东一格尔木地学剖面穿过青藏高原冻土区，青藏铁路 也在该剖面沿线上，其分析结果可为青藏铁路建设、工程稳定性评价和生态环境评价 提供科学依据。 4 北京工商大学硕士学位论文 1 3 主要研究内容 本课题主要研究采用神经网络技术建立通过热红外遥感反演陆面参数预测地表 各层温度的预测模型。采用各层预测模型级联递推的方法可从由陆面参数向下逐层预 测地表各层温度。主要内容如下： 1 、进行热红外遥感反演数据与地表层温度场分布规律相关分析并提出研究思路 2 、基于神经网络的地表2 0 c m 层温度预测模型研究 3 、基于神经网络的地表2 0 c m 以下层温度预测模型研究 4 、基于神经网络的地表层温度级联递推模型研究 5 、设计并实现基于神经网络的地表屡温度预测系统 5 基于神经网络的青藏高原地表层温度预测模型研究 第2 章研究方法 2 1 研究所用的数据资料 中国科学院遥感应用研究所毕思文研究员课题组为本课题提供了青藏高原遥感 影像数据和亚东一格尔木一锡铁山地学剖面野外钻孔测温数据。 ( 1 ) m o d i s 卫星数据：时间是2 0 0 2 年7 月1 5 日至2 0 0 2 年9 月1 1 日，采用的 是m o d i s 热红外通道( 3 1 通道：波长为1 1 0 3 岬；3 2 通道：波长为1 2 0 2 p r o ) 的数据， 并对这一时期热红外波段数据进行了几何精确校正。数据的空间分辨率为l k m ，时间 分辨率为2 至3 天。 ( 2 ) 野外钻孑l 澳9 温方法和采用仪器 沿着青藏高原亚东格尔木锡铁山地学剖面为钻孔测温地区，钻孔数为1 0 8 个， 每个钻孔分为地表面1 m 、地表0 c m 、2 0 c m 、4 0 c m 、6 0 c m 、8 0 c m 、1 0 0 c m 、1 2 0 c m 、1 4 0 c m 、 1 6 0 c m 、1 8 0 c m 、2 0 0 c m1 2 个深度测定温度。钻孔测温方法是采用长2 ，直径5 c m 的 洛阳铲作为钻具，配合使用j m 2 2 2 便携式数字温度计( 也称点温计) 测温。该仪器获 取数据的准确度为o 2 o c ，精度为0 1 0 c 。 ( 3 ) 数据依托的研究项目是：青藏高原构造遥感分析与动力学耦合模型研究，中 国科学院知识创新项目，2 0 0 0 7 - 2 0 0 3 1 2 。项目负责人；毕思文研究员。 经观察数据资料，陆面温度( 即地表0 c m 温度) 在野外钻孔测温时已经取得，其 准确度要比采用反演热红外遥感数据高，故对于地表0 c m 温度，本课题直接采用钻孔 测温数据，而没有采用反演方式，但课题的研究方法和结果是不变的。地表1 8 0 c m 层 只有3 组数据，地表2 0 0 c m 层只有4 组数据，无法用来建模分析，故建模研究只进行 到地表1 6 0 c m 层。 2 2 数据分析 对卫星热红外遥感数据进行处理可以反演为陆面温度，并可得到经纬度、数据获 取时间等诸多陆面数据；通过地表层钻孔，可对地表层温度场空间分布进行实测，从 而得到从陆面到地表层的温度场空间分布。采用上述方法，在亚东一格尔木地区对3 1 种不同地质状况钻孔1 0 8 个，每孔从地表向下每隔2 0 c m 测量一个温度数据。 地表各层温度必定与其上下相邻两层温度之间有着直接、密切的关系，但是否简 6 北京工商大学硕士学位沦文 单的上下邻层温度值取均值呢? 图2 - 1 给出了地表2 0 c m 层的温度值与其邻层温度均值 的比较图，可见两者相差较大。其最大值为1 3 6 。c ，均值和标准差为3 4 。c 。图2 2 给 出t 4 0 c m 深度处的温度值与其邻层温度均值的比较图、差值图，与前两图比较可知， 4 0 c m 深度处温度值与均值较为接近。6 0 c m 及以下层的温度值与其邻层温度均值更为接 近，标准差均不超过0 4 1 ，相应的比较图、差值图见附录a 中图23 。 五 茁 萋，6 1 0 w s 圈 佃 霎 d 盯【轴加cr r 赴温度均值一班r 咄t 温度 c 占占 矽 。0 0 口。 品l 。l i 0 c oo o d 噶 。铲 a b i 。； 口o “薯；哿? 一1 0 。i 。尊i 。i 。o i 飞； fi 葛j 。 畸 b 郅 1 1 3 d 0 1 02 03 0加m7 09 0| 图2 12 0 c m 深度处的温度值与其邻层温度均值的比较 卫“r 湘厢c r 越均值 础温度 2 0 c r r 刖c r r 鼬温度均值如c 艟温度 图2 24 0 c m 深度处的温度值与其邻层温度均值的比较 从图中可知，地表2 0 c m 层温度与它的 邻层之间并非简单的线性关系，存在着 某种复杂的非线性关系或者该层温度还 与其它影响因素有关：而从地表4 0 c m 层 开始往下各层的温度分布呈现出较好的 规律性，因此地表2 0 c m 层为温度分布规 律的转折点。 若从每个钻孔的角度看，附录a 中图 24 给出了所有钻孔各层深度处的温度 曩度壹他曲线圈 b 4 0 3 u | 、 ； | 9 曳、 盏2 0 1 5 绉鎏霎萋三 l q 7 7 穸。 图2 _ 6 编码为1 8 的地质状况温度分布曲线 基于神经网络的青藏高原地表层温度预测模型研究 数据分布情况，共1 0 8 条曲线( 对应于1 0 8 个钻孔) 。附录a 中图2 5 分别给出t 3 1 种地 质状况( 图中简称为“材质”) 剖面上的实测数据绘制的从陆面到地表层的温度分布 曲线。3 1 种地质状况与其相应的编码规则见表2 - 1 。 图2 6 是根据其中编码为1 8 的第四系粘土、亚砂土、砾石地质状况剖面上的实测 数据绘制的从陆面到地表层的温度分布曲线。从图2 5 可以看出，每种地质状况的温 度分布曲线具有相似的分布规律，在其它地质状况下得到的温度分布曲线与图2 6 中 的情况类似。 表2 - l 地质状况及其编码 二进制 十迸制 地质状况描述 二进制编十进制 地质状况描述 编码 编玛 码 编码 第四系洪积未腔结砾石、砂、黄土、 0 0 0 0 111 0 0 0 11 7 侏罗系灰岩、碎屑岩夹火山岩 粘土 第四系风积未胶结砾石、砂、黄土、粘 0 0 0 1 021 0 0 1 01 8 第四系粘土、亚砂土、砾石 土 第四系盐类沉积未胶结砾石、砂、黄 0 0 0 1 l31 0 0 1 i1 9 侏罗纪早期花岗岩 土、粘土 第四系冲击沼泽未胶结砾石、砂、黄 上古生界碳酸盐、碎屑岩、硅质岩、 0 0 1 0 0 41 0 1 0 02 0 土、粘土 火山岩、片岩、大理岩 第四系冲击未胶结砾石、砂、黄土、 0 0 1 0 151 0 1 0 1 2 l侏罗系碎屑岩、灰岩 粘土 0 0 1 1 061 0 1 1 0 2 2 碎屑岩 下古生界浅变质岩加灰岩、硅质岩、 侏罗系碎屑岩夹泥灰岩、煤、灰岩、 火山岩 0 0 1 1 17 上元古界片麻岩、片岩、石英岩 1 0 1 1 1 2 3侏罗一白垩系晚期花岗岩 o l o 8 石炭系碎屑岩、灰岩、夹冰碛岩1 1 0 0 0 2 4 第三纪花崩岩 o 1 0 0 i9 早古生代花岗岩 1 1 0 0 12 5 含砾板岩、碳酸盐岩 第四系粘土、亚沙土、砾石四周 0 1 0 1 01 0 三叠系砂岩、板岩夹泥灰岩 1 1 0 1 02 6 为中酸性岩 0 1 0 1 11 1 第四系冰水堆积 1 1 0 1 l2 7 白垩纪一第三纪花岗岩 白垩系紫红色碎屑岩夹灰岩、夹基性 0 1 1 0 01 2 1 1 1 0 02 8 三叠系灰岩、火山岩、板岩 火山岩 o l l o l1 3 第三系紫红、灰绿色碎屑岩夹泥灰 1 1 1 0 12 9 白垩系局部硅质岩、火山岩夹煤 岩、石膏、夹火山岩、煤 侏罗系碎屑岩、灰岩夹煤或火山 0 1 1 1 0 1 4 第四系冲洪积1 1 1 1 03 0 岩 寒武系板岩、片岩夹砂岩、石英 0 1 1 1 11 5 白垩系紫红碎屑岩加灰岩1 1 1 1 13 l 岩、灰岩或大理岩 二叠系碳酸盐、碎屑岩、局部夹玄武 1 0 0 0 01 0 岩 从温度曲线可以看出，由卫星热红外遥感数据反演的地表面温度( o c m 温度) 、气 温与地表2 0 c m 层的温度之间存在着较复杂的非线性关系，而从地表4 0 c m 层开始往下各 层的温度分布呈现出较好的规律性，因此地表2 0 c m 层为温度分布规律的转折点。与前 面得到的结论致。并且从温度分布曲线看，多数情况下气温、实测地表面温度和地 表2 0 c m 层温度呈现“较低一高一低”的规律，但也有一些呈现“低一较低一高”的规律。 此外，在呈现“较低一高一低”规律的曲线簇中，各曲线趋势并不平行，表明陆面气温 8 北京工商大学硕士学位论文 与地表面温度并非简单线性关系，而地表面温度和地表2 0 c m 层温度也并非简单线性关 系。 2 。3 研究思路 基于以上对热红外遥感数据与地表层温度场分布规律的相关分析，由卫星热红外 遥感数据反演的地表温度、气温与地表2 0 c m 层的温度之问存在着较复杂的非线性关 系，而地表2 0 c m 以下各层的温度分布呈现出较好的规律性，因此地表2 0 c m 层为温度 分布规律的转折点。研究可分为两部分进行： ( 1 ) 地表2 0 c m 层的温度t 。受诸多因素的影响，尤其是卫星热红外遥感反演得 到的陆面因素，在分析各因素与t 。之间相关性的基础上，可建立描述其映射关系的 神经网络模型，从而可通过热红外遥感反演数据推算地表2 0 c m 层温度t 舯。 ( 2 ) 由于地表2 0 c m 以下各层温度主要受相邻层温差引起的热传导影响，与陆面 因素相关性逐渐减弱，因而其各层温度分布呈现出较好的规律性。采用神经阿络建立 各层温度的预测模型，与( 1 ) 的方法结合，应用卫星热红外遥感数据和地下各层温 度预测模型，可逐层预测地下各层的常规温度。若地下实测温度与预测常规温度的差 异远超过预测误差，则应考虑是否存在热异常；从而可使采用热红外遥感技术监测大 面积地块缝合带构造异常成为一种可行的途径。 2 4 研究工具一人工神经网络概述 在温度预测模型中，对地表层某一点来说，输入为相关的影响因素( m 维) ，输 出为该点的预测温度值( 1 维) 。因此，要建立地表2 0 c m 及往下各层的温度预测模型， 简单地说，要解决的是m 维空间到1 维空间的非线性映射问题。 人工神经网络是采用物理可实现的系统或利用平常的计算机编程来模仿人脑神 经细胞的结构和功能的系统，其重要功能之一就是实现非线性映射。具有非线性映射 功能的神经网络应用十分广阔，在信息、自动化、工程、医学、经济等等不同的领域 解决非线性映射问题都已经取得了比较满意的效果，尤其是在汽车工程、化学工程、 水利工程、生物活性研究、信贷分析、市场预测等方面成功地解决了大量实际问题。“。 比如，用于汽车变速器最佳档位判定、药剂配方建模、河川径流预测、混凝土性能预 估、水资源规划、分子致癌性预测、图像压缩编码等等。随着神经网络理论本身以及 基于神经网络的青藏高原地表层温度预测模型研究 相关理论、相关技术的不断发展，神经网络的应用定将更加深入和广泛。”。 现已证明，一个3 层网络可以任意精度逼近任意给定的连续函数，实现m 维空间 到n 维空间的非线性映射。它可以从已有的试验数据中通过一定的学习算法，在不同 程度和层次上模仿人脑神经系统的信息处理、存储及检索功能，能自动获取信息、智 能处理、总结规律，即具有自组织、自学习及推理的自适应能力；此外，它还具有一 定的容错性和联想记忆功能等。在人工神经网络中，所有的信息存储在处理单元之间 的连接上，其量化指标用单元之间的连接权( w 。) 来表示，而单元之问连接权的确定是 通过样本的训练来自动完成的。 人工神经网络模型种类繁多，其中最适于解决非线性映射问题的是采用反向传递 训练算法( b a c kp r o p a g a t i o n ) 的多层前馈网络( f g 称b p 网) 、和径向基函数( r a d i a l b a s i sf u n c t i o n ) 网络( 筒称r b f 网) 嘲，故初步选定b p 网和r b f 网作为本课题的 工具。其中r b f 网中有一个重要分支广义回归网络( g e n e r a lr e g r e s s i o nn e u r a l n e t w o r k s ，简称g r n n 网) 。也适用于解决函数逼近问题。 b p 网是目前研究最多、最成熟的神经网络系统“1 。r b f 网以其简单的结构、快速 的训练过程及良好的推广能力等优越的性能已广泛应用于许多领域。由于与b p 网的 构造本质不同，r b f 网在函数逼近能力、分类能力和学习速度等方面均优于b p 网络。”。 广义回归网络是一种规则化的径向基函数网络。 尽管神经网络的研究与应用已经取得巨大的成功，但是在网络的开发设计方面至 今还没有一套完整的理论作为指导。应用中采用的主要设计方法是，在充分了解待解 决问题的基础上将经验与试探相结合，通过多次改进性试验，最终选出一个较好的设 计方案。”。本课题也不例外，并且将首先应用b p 网来建立模型，之后再用普通r b f 网和广义回归网络，对网络效果进行比较。所用系统开发过程简单地表示为图2 7 。 2 5 本章小结 ( 1 ) 中国科学院遥感应用研究所为本课题提供了研究所用数据。 ( 2 ) 由卫星热红外遥感数据反演得到的地表面o c m 处温度、气温与地表2 0 c m 层 的温度之间存在着较复杂的非线性关系，而从地表4 0 c m 层开始往下各层的温度分布 呈现出较好的规律性，因此地表2 0 c m 层处为温度分布规律的转折点。 ( 3 ) 鉴于以上特点，本课题研究可分为两部分进行： 1 0 北京工商大学硕士学位论文 在分析各因素与l 。之间相关性的基础上，建立描述其映射关系的神经网络模 型，从而可通过热红外遥感反演数据推算地表2 0 c m 层温度t 一。 采用神经网络建立各层温度的预测模型，与的方法结合，建立应用卫星热 红外遥感数据逐层预测地下各层的常规温度的温度预测模型。 ( 4 ) b p 网，r b f 网( 普通r b f 网和广义回归网络) 均可用来建立地表2 0 c m 层及 往下各层的温度预测模型。 图2 7 神经网络系统开发总图 基于神经网络的青藏高原地表层温度预测模型研究 第3 章基于神经网络的地表2 0 c m 层温度预测模型研究 根据第2 章中的分析，本章将在分析各因素与t 吨。之间相关性的基础上，基于b p 网和r b f 网，建立描述其映射关系的神经网络模型，从而达到可通过热红外遥感反演 数据推算地表2 0 c m 层温度t 。的目的。 3 1 两种神经网络类型对地表2 0 c m 层温度的模型研究 地表层2 0 c m 处温度t 。受到多种因素的影响，所有可能的影响因素包括：测温时 的天气状况、测温时间、风速、高程、经纬度、地质状况、气温t 、地表面0 c m 温度 t 。、地表层4 0 c m 温度t 。地表层6 0 c m 温度t 。( 或者还有更往下层的温度) 。根据热 传导原理，最主要的影响因素应该是其上下邻层温度t 。和t 。根据相关知识和经验， 气温和经纬度可能也对t - 。有着一定影响。因此在进行t 。的模型研究时，首先以这五 个因素作为网络输入，之后再考虑加入其它影响因素。 3 1 1b p 网对地表2 0 c m 层温度的模型研究 结合b p 网络的相关知识和经验陆“”，下面就t 。的具体情况建立b p 网络模型。 ( 1 ) 样本集的准备 输入输出量的选择与表示 神经网络的输出为地表2 0 c m 层温度t 蛳，输入为本节开头给出的影响t 。的各个 因素。根据现有数据情况，各影响因素的表示方法如下： a 地质状况的编码方法参见表2 - 1 ； b 天气状况分为晴、阴、雨三种，分别用l ，0 ，一1 表示； c 测温时间的编码方法见表3 1 ： d 高程编号规