Note ABES Land surface temperature retrieval from hyperspectral thermal infrared data Restitution de la température de surface terrestre à partir de données infrarouges thermiques hyperspectrales LST TIR hyperspectral Apprentissage profond Méthode physique LST Hyperspectral TIR Deep learning Physical method 621.3 551 Télédétection Apprentissage profond Notre recherche utilise les données TIR hyperspectrales comme principale source d’information et vise à accéder à la température de surface terrestre (LST). Une méthode pré-estimant la forme de la courbe spectrale de LSE (PSE)-LSEC a été proposée pour séparer LST et LSE. Pour les mesures in situ, les erreurs sur la LST se situent à moins de 1 K. Un modèle de « deep learning » a été développé permettant de restituer directement la LST sans correction atmosphérique préalable à partir de données hyperspectrales de l’instrument IASI. Le RMSE de LST restituée par ce modèle sont de 3 K en comparant avec le produit LST de l’AVHRR/MetOp pour les zones sélectionnées. Une nouvelle méthode physique a été développée pour restituer la LST à partir de données hyperspectrales de l’instrument IASI sans correction atmosphérique. Ces valeurs montrent que la méthode proposée est capable de déterminer les LSTs avec une précision similaire à celle de l’AVHRR/MetOp. Our research adopts hyperspectral thermal infrared (TIR) data as the main source information to retrieve land surface temperature (LST). A pre-estimate shape (PES)-LSEC method was proposed to separate temperature and emissivity. For the in situ measurements, most of samples of the errors of LST are within 1 K. A deep mixture model that can estimate LST without accurate atmospheric correction for IASI hyperspectral data is developed. RMSE of LST for the selected areas are ＜3 K validating with the corresponding AVHRR/MetOp LST product. A new physical method was developed to retrieve LST for IASI observations without accurate atmospheric correction. It is capable of retrieving LST with accuracy similar to that of the AVHRR/MetOp LST product. Electronic Thesis or Dissertation Text en PDF 5131240 Université de Strasbourg Strasbourg 2022-12-31 https://theses.hal.science/tel-03856008 application/pdf 4963393 https://publication-theses.unistra.fr/public/theses_doctorat/2020/LAN_Xinyu_2020_ED269.pdf http://www.theses.fr/2020STRAD024/abes https://theses.hal.science/tel-03856008 https://theses.hal.science/tel-03856008 https://theses.hal.science/tel-03856008 https://theses.hal.science/tel-03856008 Lan Xinyu 1991-05-23 CN 258041862 https://theses.fr/2020STRAD024 2020STRAD024 https://doi.org/10.70675/c3091707z7838z40a1zb5e0z9d2319f3506c 2020-10-07 Télédétection Strasbourg 131056549 Doctorat Docteur es non oui Li Zhao-Liang MADS_DIRECTEUR_DE_THESE_1 116002239 Nerry Françoise MADS_PRESIDENT_DU_JURY 034052887 Tang Bohui MADS_MEMBRE_DU_JURY_1 221577696 Labed Jelila MADS_MEMBRE_DU_JURY_2 25804196X Sobrino Rodriguez José Antonio MADS_RAPPORTEUR_1 149982313 Wu Hua MADS_RAPPORTEUR_2 261679546 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 176969721 260728 ddc:620 ddc:550 Li Zhao-Liang Nerry Françoise Tang Bo-Hui Labed Jelila Sobrino Rodriguez José Antonio Wu Hua École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 5131240