基于深度学习的非专用验证场地星载热红外传感器自动化辐射验证方法研究

为解决星载热红外传感器(TIR)辐射定标/验证(Cal/Val)中专用场地稀缺、人工筛选云污染数据效率低的问题，日本研究人员开发了基于Swin Transformer的上下文图像分类模型，结合14个湖泊海湾的现场水温数据，实现了90米分辨率TIR数据的全自动云过滤。该方法在ASTER TIR、Landsat 8/9数据验证中达成96.2%总体分类精度，辐射温度残差误差<±0.4 K，为多源TIR传感器在轨验证提供了高效解决方案。

　　

随着TRISHNA、LSTM等新一代热红外(TIR)卫星的密集发射，传感器辐射性能验证面临巨大挑战。传统辐射定标依赖专用场地（如美国太浩湖）的昂贵地面测量，而日本等湿润气候区因云层干扰和大气效应强烈长期被排除在验证体系外。更棘手的是，现有云检测算法依赖可见光波段，无法适用于仅有TIR数据的夜间观测。

日本国立研究开发法人研究团队另辟蹊径，利用14个非专用湖泊海湾的实时水温监测站（深度0.3-4米），结合创新性深度学习技术开展研究。他们构建了迄今最大的TIR云检测训练库——从ASTER band 13和Landsat 8 band 10图像提取的921,967张90米分辨率芯片，采用"人在环路"策略迭代优化模型。核心突破在于将Swin Transformer架构迁移至单通道TIR图像分析，通过局部概率阈值调整（0.95）使水域场景分类精度达94.85%。

关键技术包括：1) 基于GDAS数据的6小时大气剖面时空插值；2) 融合Zeng-Donlon模型的皮肤温度校正算法；3) MODTRAN 5.2辐射传输模拟与传感器光谱响应卷积；4) 联合上下文分类与TOA BT定量阈值（300m窗口标准差<0.3K）的二级过滤体系。

【数据过滤】
云检测模型在全局测试集表现优异（F1-score 0.966），但应用于日本水域时，无特征水体与层云的相似性导致云免费分类精度降至80.51%。通过调整概率阈值，白天ASTER和Landsat 8数据实现90%准确过滤，夜间数据因训练样本不足（仅占0.2%）精度降至81%。

【TOA BT验证】
169组白天ASTER匹配数据显示，10.25-10.95μm波段（band 13）残差误差0.44±0.89K，与Tonooka等人在专用场地的结果（0.15±0.28K）接近。值得注意的是，夜间数据因皮肤温度校正不足出现系统性负偏差（-1.10±0.85K），揭示现有模型对辐射冷却效应补偿不充分。

【误差溯源】
敏感性分析表明，在夏季高湿条件下（可降水量>3kg/m²），GDAS参数10%的误差会导致TOA BT计算偏差达±0.6K，是干旱地区的3倍。这解释了为何日本站点验证的标准偏差（0.82-1.01K）高于太浩湖结果（0.21-0.59K）。

这项发表于《International Journal of Applied Earth Observation and Geoinformation》的研究，首次证明非专用水域经深度学习优化后可用于TIR传感器验证。虽然湿润气候区大气校正不确定性较高，但通过增加匹配数据量（Landsat 8达500组）可抵消单次测量误差。研究开发的纯TIR波段云检测模型，为夜间卫星热红外数据质量控制开辟了新途径。团队公开了训练数据集和在线验证工具，将显著促进TRISHNA等新传感器的在轨性能评估效率。未来需重点改进夜间皮肤温度模型，并探索将方法扩展至60-200m分辨率的小卫星TIR星座验证。