Restitution de la température de surface terrestre à partir de données infrarouges thermiques hyperspectrales
Langue Anglais
Accéder à la thèse :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Lan, Xinyu
Date de soutenance : 07-10-2020

Directeur(s) de thèse : Li, Zhao-Liang

Président : Nerry, Françoise
Rapporteur(s) : Sobrino Rodriguez, José Antonio - Wu, Hua
Membre(s) du jury : Tang, Bohui - Labed, Jelila

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Télédétection
Classification : Sciences de l'ingénieur, Sciences de la terre

Mots-clés libres : LST, TIR hyperspectral, Apprentissage profond, Méthode physique
Mots-clés :
  • Télédétection
  • Apprentissage profond
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2020STRAD024
Type de ressource : Thèse