[0001] 本发明涉及数据重构技术领域，尤其是涉及一种地表温度数据重构模型构建方法及地表温度数据重构方法。

[0002] 热红外MODIS（Moderate‑resolution Imaging Spectroradiometer，中分辨率成像光谱仪）地表温度产品由于自身传感器特性，受云层等天气条件影响很大，在非晴空条件下无法有效获取云层覆盖下的有效热辐射信息，限制了该产品的实际应用需求。目前重建MODIS产品云下缺失地表温度信息的方法可归纳为基于时空域信息、基于表面能量平衡和基于被动微波或再分析数据。

[0003] 其中：（1）基于时空域信息，包括样条函数插值、小波变换等方法，此类方法重建出的一般是假设晴空条件下的理论值，而并非卫星过境时的云下真实地表温度值。（2）基于表面能量平衡，主要是结合各种地表参数进行物理过程建模，需要特定的气象水文观测数据来计算晴空和多云区域间的地表温度差异，而大多观测数据难以在大尺度区域获取，且引入过多参量会增加建模过程的系统误差。（3）基于被动微波或再分析数据是重建MODIS地表温度数据最为广泛和有效的方法，被动微波或再分析数据能够获取空间无缝地表温度信息，采用不同算法综合被动微波或再分析数据和MODIS数据的各自优势，可重建空间无缝MODIS地表温度数据。在当前的实际应用中，基于被动微波或再分析数据进行MODIS地表温度数据重建包括多分辨率卡尔曼滤波、增强型自适应反射率融合模型(ESTARFM)和时间序列分解模型等方法，但这些方法一般只考虑到被动微波或再分析数据和MODIS地表温度之间的线性关系，忽略了地表温度的高时空变化性，在地表异质性较高的区域容易产生较大的重建误差，导致重建效果较差。

[0021] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0022] 目前，现有MODIS地表温度重建方法的重建效果存在优化空间，基于此，本发明实施提供了一种地表温度数据重构模型构建方法及地表温度数据重构方法，可以显著提升地表温度数据重构模型的重建精度，从而显著改善地表温度数据重建效果。

[0023] 为便于对本实施例进行理解，首先对本发明实施例所公开的一种地表温度数据重构模型构建方法进行详细介绍，参见图1所示的一种地表温度数据重构模型构建方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：步骤S102，获取多源遥感数据。

[0024] 其中，多源遥感数据包括原始MODIS地表温度、原始GLDAS（Global Land Data Assimilation System，全球陆地数据同化系统）地表温度、NDVI（Normalized Difference Vegetation Index，归一化植被指数）数据、降水量数据、气溶胶光学厚度数据；在一种实施方式中，在获取多源遥感数据之后，还可以对多源遥感数据（也可称之为多元遥感气象数据）进行预处理，并在预处理后的多源遥感数据的基础上执行后续步骤S104至步骤S106。其中，预处理后的多源遥感数据均为GeoTIDD格式，预处理可以包括投影变换、地理配准、时空分辨率统一等。

[0025] 步骤S104，基于NDVI数据、降水量数据、气溶胶光学厚度数据，对原始MODIS地表温度和原始GLDAS地表温度进行时空一致性匹配，得到无云MODIS地表温度和降尺度后GLDAS地表温度。

[0026] 其中，无云MODIS地表温度也即非云覆盖像元对应的MODIS地表温度；降尺度后GLDAS地表温度也即与无云MODIS地表温度之间时空一致的GLDAS地表温度。

[0027] 在一种实施方式中，可以利用NDVI数据、降水量数据、气溶胶光学厚度数据，将原始GLDAS地表温度进行空间降尺度处理至原始MODIS地表温度相同空间分辨率，从而实现MODIS地表温度和GLDAS地表温度之间的时空一致性匹配，得到无云MODIS地表温度和降尺度后GLDAS地表温度。

[0028] 步骤S106，基于无云MODIS地表温度和降尺度后GLDAS地表温度构建目标数据集，并利用目标数据集对GAN模型进行训练和测试得到目标数据重构模型。

[0029] 其中，目标数据集包括无缺失MODIS地表温度、无缺失GLDAS地表温度和缺失MODIS地表温度；目标数据重构模型用于重构MODIS地表温度。

[0030] 在一种实施方式中，可以匹配无云MODIS地表温度相同日期和空间范围的GLDAS地表温度和MODIS地表温度，再对匹配后的GLDAS地表温度和MODIS地表温度进行统一裁剪且像元范围内无云覆盖缺失值，即可得到无缺失MODIS地表温度、无缺失GLDAS地表温度，利用真实云覆盖情况下确定的云掩膜数据对无缺失MODIS地表温度进行掩膜处理，以得到缺失MODIS地表温度。

[0031] 在一种实施方式中，可以将目标数据集划分为训练数据集和测试数据集，以训练数据集中的无缺失GLDAS地表温度和缺失MODIS地表温度作为输入，以训练数据集中的无缺失MODIS地表温度作为标签，对GAN（生成对抗网络）模型进行训练得到初始数据重构模型，再利用测试数据集对初始数据重构模型进行模型结构调整与参数优化，得到目标数据重构模型。

[0032] 本发明实施例提供的地表温度数据重构模型构建方法，利用GLDAS地表温度空间覆盖完整的特点进行MODIS地表温度云下缺失地表温度信息重建，该方法利用GAN无监督学习和特定损失函数设计的优势，能够有效学习到地表温度在不同时空尺度上的高动态变化和非线性关系，减小不同来源数据间的尺度差异，提升模型的重建精度，并且通过GAN模型对抗学习的过程能够增强对重建后地表温度的空间细节刻画，本发明实施例具有可靠性和有效性，可为以后利用多源遥感数据重建全天候地表温度提供新的方法参考。

[0033] 为便于理解，本发明实施例提供了一种地表温度数据重构模型构建方法的具体实施方式。

[0034] 对于前述步骤S102，在获取多源遥感数据之后，可以按照如下步骤对多源遥感数据进行预处理：采用Python语言以及 MODIS Conversion Toolkit 工具对MODIS地表温度、NDVI、GLDAS地表温度、降水量、气溶胶光学厚度等数据进行批量处理，包括格式转换、统一投影和地理配准等处理过程，降水量和气溶胶光学厚度数据采用三次样条函数插值方法重采样至1km空间分辨率（与MODIS数据统一），所有数据均处理为GeoTIFF格式。

[0035] 对于前述步骤S104，本发明实施例提供了一种基于NDVI数据、降水量数据、气溶胶光学厚度数据，对原始MODIS地表温度和原始GLDAS地表温度进行时空一致性匹配，得到无云MODIS地表温度和降尺度后GLDAS地表温度的实施方式，参见如下步骤1A至步骤1E：步骤1A，判定原始MODIS地表温度对应的像元类型。其中，像元类型包括云覆盖像元和非云覆盖像元。

[0036] 在一种实施方式中，为进行MODIS地表温度和GLDAS地表温度之间的时空一致性匹配，需对GLDAS地表温度进行空间降尺度处理至MODIS地表温度相同空间分辨率。具体可以采用MODIS地表温度产品的质量信息控制(QC)层，判定云覆盖像元和非云覆盖像元。

[0037] 步骤1B，将非云覆盖像元对应的原始MODIS地表温度确定为无云MODIS地表温度。其中，无云MODIS地表温度也可称之为MODIS无云区域数据。

[0038] 步骤1C，基于无云MODIS地表温度的空间范围和/或时间期次，从NDVI数据、降水量数据、气溶胶光学厚度数据中，分别匹配出目标NDVI数据、目标降水量数据、目标气溶胶光学厚度数据。

[0039] 在一种实施方式中，可以根据处理得到的无云区域MODIS数据，匹配相同范围和时间期次的NDVI数据、降水量数据和气溶胶光学厚度数据。

[0040] 步骤1D，以目标NDVI数据、目标降水量数据、目标气溶胶光学厚度数据、高程数据、地表类型覆盖数据和经纬度数据作为输入特征值，以原始MODIS地表温度作为目标拟合值，对随机森林模型进行训练。

[0041] 在一种实施方式中，目标NDVI数据、目标降水量数据、目标气溶胶光学厚度数据作为输入特征值，对各类数据进行数据清洗去除无效值，再加入高程数据、地表覆盖类型数据、经纬度数据生成随机森林模型的数据集。

[0042] 进一步的，可以按7:3比例将数据集随机划分为训练集和测试集，以MODIS地表温度为目标拟合值，其他多源数据作为输入特征值进行随机森林模型构建和训练，利用测试集进行十折交叉验证，再根据测试集的效果进行模型参数不断优化。

[0043] 步骤1E，基于训练得到的随机森林模型，对原始GLDAS地表温度进行空间降尺度处理得到降尺度后GLDAS地表温度；其中，降尺度后GLDAS地表温度的空间分辨率与原始MODIS地表温度的空间分辨率一致。

[0044] 在一种实施方式中，可以基于训练得到的相对最优的随机森林模型参数，进行GLDAS地表温度空间降尺度，得到1km空间分辨率的降尺度后GLDAS地表温度。

[0045] 对于前述步骤S106，本发明实施例提供了一种基于无云MODIS地表温度和降尺度后GLDAS地表温度构建目标数据集的实施方式，参见如下步骤2A至步骤2D：步骤2A，基于无云MODIS地表温度的空间范围和/或时间期次，从降尺度后GLDAS地表温度中，匹配出目标GLDAS地表温度。

[0046] 在一种实施方式中，可以基于降尺度后GLDAS地表温度，匹配MODIS无云区域相同日期和空间范围的GLDAS和MODIS数据。

[0047] 步骤2B，将无云MODIS地表温度和目标GLDAS地表温度，统一裁剪至指定尺寸且像元范围内无云覆盖缺失值，得到无缺失MODIS地表温度和无缺失GLDAS地表温度。

[0048] 在一种实施方式中，可以将无云MODIS地表温度和目标GLDAS地表温度，统一裁剪为64×64大小且像元范围内无云覆盖缺失值，其中无缺失GLDAS地表温度为T1数据集，无缺失MODIS地表温度为T2数据集。

[0049] 步骤2C，基于真实云覆盖情况下的原始MODIS地表温度生成云掩膜数据，并利用云掩膜数据对无缺失MODIS地表温度进行掩膜处理，得到模拟云覆盖情况下的缺失MODIS地表温度。

[0050] 在一种实施方式中，可以选取真实云覆盖情况下的MODIS缺失数据也裁剪为64×64大小，对缺失像元赋值为0，无缺失像元赋值为255，形成真实情况下的云掩膜数据。

[0051] 进一步的，采用云掩膜数据对T2数据集进行掩膜处理，得到模拟云覆盖情况下的MODIS缺失数据集（也即缺失MODIS地表温度），记为T2_Mask数据集。

[0052] 步骤2D，基于无缺失MODIS地表温度、无缺失GLDAS地表温度和缺失MODIS地表温度，构建目标数据集。

[0053] 在一种实施方式中，可以以T1、T2和T2_Mask三类数据集作为输入数据，其中T2数据集作为标签，所有数据均采用均一化处理，保证值都处于0‑1范围内，以此形成目标数据集。

[0054] 对于前述步骤S106，本发明实施例还提供了一种利用目标数据集对GAN模型进行训练和测试得到目标数据重构模型的实施方式，参见如下步骤3A至步骤3F：步骤3A，将目标数据集划分为训练数据集和测试数据集。

[0055] 可选的，可以按7:3的比例随即划分为所有数据为训练数据集和测试数据集，训练数据集用于GAN模型训练，测试数据集用于GAN模型性能测试。

[0056] 步骤3B，将训练数据集中的无缺失GLDAS地表温度和缺失MODIS地表温度输入至GAN模型中的生成网络部分，以通过生成网络部分确定第一重建MODIS地表温度。

[0057] 在一种实施方式中，本发明实施例所构建的GAN模型，生成网络部分采用编码‑解码结构的全卷积神经网络，在卷积层中加入了空间注意力机制，提升获取不同空间尺度地表温度特征信息的能力，增强模型训练过程中不同维度特征之间的联系。

[0058] 步骤3C，将训练数据集中的无缺失MODIS地表温度和第一重建MODIS地表温度输入至GAN模型中的判别网络部分，以通过判别网络部分确定无缺失MODIS地表温度和第一重建MODIS地表温度之间的差异。

[0059] 在一种实施方式中，判别网络部分用于区分真实数据（即训练标签）和重建结果，采用3×3滤波核的八个卷积层充分提取输入数据的地表温度特征信息，在输出层采用Wasserstein距离代替Sigmoid激活层，更能准确描述重建结果和真实数据之间的差异。

[0060] 步骤3D，通过Huber损失函数、训练数据集中的无缺失MODIS地表温度和第一重建MODIS地表温度对生成网络部分进行训练，以及通过VGG损失函数、训练数据集中的无缺失MODIS地表温度和第一重建MODIS地表温度对判别网络部分进行训练，得到初始数据重构模型。

[0061] 在一例中，生成网络部分采用Huber损失函数，其计算公式如下所示：；
其中， 表示第一重建地表温度， 表示无缺失地表温度（也可称之为真实地表温度）， 为超参数。

[0062] 在一例中，判别网络部分采用VGG损失函数，定义为重建结果与真实数据之间的欧氏距离，计算公式如下所示：；
其中， 表示网络的第j层， 表示第j层特征图大小， 表示第j层网
络层， 表示第j层第一重建地表温度与无缺失地表温度之间的Gram矩
阵。

[0063] 步骤3E，将测试数据集中的无缺失GLDAS地表温度和缺失MODIS地表温度输入至初始数据重构模型，以通过初始数据重构模型确定第二重构MODIS地表温度。

[0064] 在一种实施方式中，可以基于上述所构建模型进行训练得到模型参数，测试数据集中的T2_Mask数据集为模拟的云覆盖缺失MODIS地表温度，T1数据集为对应的无缺失GLDAS地表温度，T2数据集为T2_Mask对应的无缺失MODIS地表温度，直接调用初始数据重建模型参数进行重建，得到T2_Mask数据的重建结果T2_Re数据，也即第二重构MODIS地表温度。

[0065] 步骤3F，基于测试数据集中的无缺失MODIS地表温度和第二重构MODIS地表温度确定第一模型评价指标，并基于第一模型评价指标对初始数据重构模型进行模型结构调整与参数优化，得到目标数据重构模型；其中，第一模型评价指标包括均方根误差指标和/或相关系数指标。

[0066] 在一种实施方式中，可以将重建结果T2_Re与真实数据T2进行对比，采用均方根误差（RMSE）与相关系数（R2）指标评价模型重建结果的精度，并以此进行模型结构调整与参数优化，获得相对最优的模型训练参数。

[0067] 在前述实施例的基础上，本发明实施例还提供了一种地表温度数据重构方法，参见图2所示的一种地表温度数据重构方法的流程示意图，该方法主要包括以下步骤S202至步骤S204：步骤S202，获取待重构MODIS地表温度和待重构MODIS地表温度匹配的无缺失
GLDAS地表温度。

[0068] 在一种实施方式中，在获取原始GLDAS地表温度之后，可以按照训练阶段的数据处理过程对原始GLDAS地表温度进行处理，以得到待重构MODIS地表温度匹配的无缺失GLDAS地表温度。

[0069] 步骤S204，通过目标数据重构模型，基于待重构MODIS地表温度匹配的无缺失GLDAS地表温度，对待重构MODIS地表温度进行数据重构处理，得到实际重构MODIS地表温度。

[0070] 其中，目标数据重构模型是采用地表温度数据重构模型的构建方法构建得到的。

[0071] 在一种实施方式中，将待重构MODIS地表温度和待重构MODIS地表温度匹配的无缺失GLDAS地表温度输入至目标数据重构模型中的生成网络部分，即可得到实际重构MODIS地表温度。

[0072] 本发明实施例提供的地表温度数据重构方法，结合了深度学习中GAN模型在非线性关系学习上的优势，顾及了地表温度高时空变化性特点，重建了高精度的空间无缝MODIS地表温度。

[0073] 在一种实施方式中，还可以按照如下步骤4A至步骤4B对目标数据重建模型进行精度验证：步骤4A，获取待重构MODIS地表温度匹配的站点实测地表温度；
在具体实现时，在获取站点实测地表温度之后，可以对站点实测地表温度进行处理：选择黑河综合遥感联合试验观测中的HZZ站、AR站和YK站的实测辐射四分量数据，利用其中的大气下行辐射和地面上行辐射值，基于斯蒂芬‑玻尔兹曼定律估算得到实测地表温度值，计算过程如下所示：
；
其中， 为计算得到的实测地表温度值， 和 分别为实测数据中的向上
和向下长波辐射值， 为斯蒂芬‑玻尔兹曼常数（5.67×10‑8W·m‑2K‑4）， 为表面波段发射率， 由频谱到波段宽带线性回归方程估算得到，分别为MODIS第29、31、32波段的表面窄波段发射率。

[0074] 步骤4B，基于实际重构MODIS地表温度和站点实测地表温度确定第二模型评估指标。其中，第二模型评估指标用于评价目标数据重构模型，第二模型评估指标包括均方根误差指标和/或相关系数指标。

[0075] 在一种实施方式中，可以基于前述实施例训练得到的相对最优模型参数，参考上述步骤进行真实情况下不同日起MODIS缺失地表温度数据的重建；然后将实际重建地表温度与站点实测地表温度进行对比验证，采用均方根误差与相关系数等指标，评价实际重建过程中本发明实施例所提出方法的有效性和可靠性。

[0076] 综上所述，本发明实施例至少具有以下特点：（1）相比于现有方法，本发明实施例方法结合了深度学习中生成对抗网络在非线性关系学习上的优势，顾及了地表温度高时空变化性特点，得到了高精度的空间无缝MODIS地表温度数据；
（2）同样适用于其他类型遥感数据，例如AMSR‑E、AMSR2和FY3D‑MWRI等被动微波数据重建MODIS地表温度数据。

[0077] 为便于理解，本发明实施例还提供了地表温度数据重构模型构建方法的另一种实施方式，具体的，参见图3所示的另一种地表温度数据重构模型构建方法的流程示意图，包括如下步骤1至步骤5：步骤1：多源数据预处理。具体的，在多源数据预处理阶段，可以对NDVI、MODIS地表温度、GLDAS地表温度、气溶胶光学厚度、降水量、站点地表温度等多源数据，进行投影变换、地理配准、时空分辨率统一等预处理，得到预处理后多源数据。

[0078] 步骤2：基于随机森林的GLDAS地表温度数据空间降尺度。具体的，在GLDAS数据降尺度阶段，可以对MODIS与GLDAS数据时空匹配，并结合高程、地表覆盖类型、经纬度进行训练和测试数据集划分，进行GLDAS地表温度随机森林降尺度。

[0079] 步骤3：制作生成对抗网络的训练和测试数据集。

[0080] 步骤4：结合降尺度后GLDAS地表温度数据，建立GAN模型进行模拟MODIS缺失地表温度数据的重建，根据测试结果进行模型改进与参数优化。具体的，在GAN模型重建MODIS地表温度阶段，可以进行MODIS与降尺度后GLDAS数据时空匹配；然后结合真实云覆盖掩膜数据制作训练和测试数据集，包括无缺失GLDAS地表温度（T1）、模拟缺失MODIS地表温度（T2‑Mask）和无缺失MODIS地表温度（T2）；建立生成对抗网络模型；结合模拟实验精度验证，根据测试集表现改进优化模型。

[0081] 步骤5：重建真实MODIS缺失地表温度数据，并结合站点实测数据进行精度验证。具体的，在站点数据精度验证阶段，可以重建真实确实MODIS地表温度，结合预处理后实测站点数据，进行精度对比验证。

[0082] 在此基础上，本发明实施例进一步提供了一种地表温度数据重构方法的应用示例。首先参见图4a、图4b、图4c所示的一种模拟实验的测试结果的示意图，其中，图4a、图4b、图4c分别为不同云覆盖情况下的重建结果，其中第一列是无缺失的真实MODIS数据，第二列是模拟云覆盖缺失的MODIS数据，第三列为重建结果，对比可以看出重建图像与真实图像的空间分布一致性较好，并且缺失区域重建地表温度值的相关性R2在0.90以上，精度较高。

[0083] 进一步参见图5a、图5b、图5c、图5d、图5e、图5f所示的另一种模拟实验的测试结果的示意图，为在黑河流域区域选取2010年6月15日MODIS缺失地表温度数据重建的结果，5a、图5b、图5c、图5d分别为6月15日白天和夜间MODIS数据重建前后的对比，可以看出重建和未重建区域保持了较好的空间一致性和连续性；图5e、图5f为重建结果与站点实测值的对比，白天重建误差RMSE在3.7K左右，夜间重建误差RMSE在3.3K左右，整体相关系数R2都在0.90以上，相关结果表明本发明实施例方法重建精度可靠。

[0084] 综上所述，本发明实施例提出一种深度学习生成对抗网络（Generative Adversarial Networks, GAN）方法，利用GLDAS地表温度数据空间覆盖完整的特点进行MODIS数据（MYD11A1产品）云下缺失地表温度信息重建，该方法利用GAN无监督学习和特定损失函数设计的优势，能够有效学习到地表温度在不同时空尺度上的高动态变化和非线性关系，减小不同来源数据间的尺度差异，提升模型的重建精度，并且通过GAN模型对抗学习的过程能够增强对重建后地表温度的空间细节刻画，相关示例验证结果证明了本发明实施例方法的可靠性和有效性，可为以后利用多源遥感数据重建全天候地表温度提供新的方法参考。

[0085] 在前述实施例的基础上，本发明实施例提供了一种地表温度数据重构模型构建装置，参见图6所示的一种地表温度数据重构模型构建装置的结构示意图，该装置主要包括以下部分：第一数据获取模块602，用于获取多源遥感数据；其中，多源遥感数据包括原始MODIS地表温度、原始GLDAS地表温度、NDVI数据、降水量数据、气溶胶光学厚度数据；
时空一致性匹配模块604，用于基于NDVI数据、降水量数据、气溶胶光学厚度数据，对原始MODIS地表温度和原始GLDAS地表温度进行时空一致性匹配，得到无云MODIS地表温度和降尺度后GLDAS地表温度；
模型构建模块606，用于基于无云MODIS地表温度和降尺度后GLDAS地表温度构建目标数据集，并利用目标数据集对GAN模型进行训练和测试得到目标数据重构模型；其中，目标数据重构模型用于重构MODIS地表温度。

[0086] 本发明实施例提供的地表温度数据重构模型构建装置，利用GLDAS地表温度空间覆盖完整的特点进行MODIS地表温度云下缺失地表温度信息重建，该方法利用GAN无监督学习和特定损失函数设计的优势，能够有效学习到地表温度在不同时空尺度上的高动态变化和非线性关系，减小不同来源数据间的尺度差异，提升模型的重建精度，并且通过GAN模型对抗学习的过程能够增强对重建后地表温度的空间细节刻画，本发明实施例具有可靠性和有效性，可为以后利用多源遥感数据重建全天候地表温度提供新的方法参考。

[0087] 在一种实施方式中，时空一致性匹配模块604还用于：判定原始MODIS地表温度对应的像元类型；其中，像元类型包括云覆盖像元和非云覆盖像元；
将非云覆盖像元对应的原始MODIS地表温度确定为无云MODIS地表温度；
基于无云MODIS地表温度的空间范围和/或时间期次，从NDVI数据、降水量数据、气溶胶光学厚度数据中，分别匹配出目标NDVI数据、目标降水量数据、目标气溶胶光学厚度数据；
以目标NDVI数据、目标降水量数据、目标气溶胶光学厚度数据、高程数据、地表类型覆盖数据和经纬度数据作为输入特征值，以原始MODIS地表温度作为目标拟合值，对随机森林模型进行训练；
基于训练得到的随机森林模型，对原始GLDAS地表温度进行空间降尺度处理得到降尺度后GLDAS地表温度；其中，降尺度后GLDAS地表温度的空间分辨率与原始MODIS地表温度的空间分辨率一致。

[0088] 在一种实施方式中，模型构建模块606还用于：基于无云MODIS地表温度的空间范围和/或时间期次，从降尺度后GLDAS地表温度中，匹配出目标GLDAS地表温度；
将无云MODIS地表温度和目标GLDAS地表温度，统一裁剪至指定尺寸且像元范围内无云覆盖缺失值，得到无缺失MODIS地表温度和无缺失GLDAS地表温度；
基于真实云覆盖情况下的原始MODIS地表温度生成云掩膜数据，并利用云掩膜数据对无缺失MODIS地表温度进行掩膜处理，得到模拟云覆盖情况下的缺失MODIS地表温度；
基于无缺失MODIS地表温度、无缺失GLDAS地表温度和缺失MODIS地表温度，构建目标数据集。

[0089] 在一种实施方式中，模型构建模块606还用于：将目标数据集划分为训练数据集和测试数据集；
将训练数据集中的无缺失GLDAS地表温度和缺失MODIS地表温度输入至GAN模型中的生成网络部分，以通过生成网络部分确定第一重建MODIS地表温度；
将训练数据集中的无缺失MODIS地表温度和第一重建MODIS地表温度输入至GAN模型中的判别网络部分，以通过判别网络部分确定无缺失MODIS地表温度和第一重建MODIS地表温度之间的差异；
通过Huber损失函数、训练数据集中的无缺失MODIS地表温度和第一重建MODIS地表温度对生成网络部分进行训练，以及通过VGG损失函数、训练数据集中的无缺失MODIS地表温度和第一重建MODIS地表温度对判别网络部分进行训练，得到初始数据重构模型；
将测试数据集中的无缺失GLDAS地表温度和缺失MODIS地表温度输入至初始数据重构模型，以通过初始数据重构模型确定第二重构MODIS地表温度；
基于测试数据集中的无缺失MODIS地表温度和第二重构MODIS地表温度确定第一模型评价指标，并基于第一模型评价指标对初始数据重构模型进行模型结构调整与参数优化，得到目标数据重构模型；其中，第一模型评价指标包括均方根误差指标和/或相关系数指标。

[0090] 在前述实施例的基础上，本发明实施例还提供了一种地表温度数据重构装置，参见图7所示的一种地表温度数据重构装置的结构示意图，该装置主要包括以下部分：第二数据获取模块702，用于获取待重构MODIS地表温度和待重构MODIS地表温度匹配的无缺失GLDAS地表温度；
数据重构模块704，用于通过目标数据重构模型，基于待重构MODIS地表温度匹配的无缺失GLDAS地表温度，对待重构MODIS地表温度进行数据重构处理，得到实际重构MODIS地表温度；
其中，目标数据重构模型是采用地表温度数据重构模型的构建方法构建得到的。

[0091] 本发明实施例提供的地表温度数据重构装置，结合了深度学习中GAN模型在非线性关系学习上的优势，顾及了地表温度高时空变化性特点，重建了高精度的空间无缝MODIS地表温度。

[0092] 在一种实施方式中，还包括模型评价模块，用于：获取待重构MODIS地表温度匹配的站点实测地表温度；
基于实际重构MODIS地表温度和站点实测地表温度确定第二模型评估指标；其中，第二模型评估指标用于评价目标数据重构模型，第二模型评估指标包括均方根误差指标和/或相关系数指标。

[0093] 本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

[0094] 本发明实施例提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。

[0095] 图8为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器80，存储器81，总线82和通信接口83，所述处理器80、通信接口83和存储器81通过总线82连接；处理器80用于执行存储器81中存储的可执行模块，例如计算机程序。

[0096] 其中，存储器81可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non‑volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口83（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

[0097] 总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

[0098] 其中，存储器81用于存储程序，所述处理器80在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器80中，或者由处理器80实现。

[0099] 处理器80可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81，处理器80读取存储器81中的信息，结合其硬件完成上述方法的步骤。

[0100] 本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

[0101] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

[0102] 最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。