云覆盖区域地表温度重建方法及相关装置

技术领域

本申请涉及遥感领域，具体而言，涉及一种云覆盖区域地表温度重建方法及相关装置。

背景技术

地表温度(Land Surface Temperature，LST)是地球-大气能量平衡的重要组成部分，在干旱监测、城市热岛分析、气候学、生态学等领域发挥着至关重要的作用。而获得更高分辨率和更精确的大尺度地表温度对于有效监测广泛的环境动态至关重要。由于遥感手段具有空间覆盖范围更广、成本更低等优势，因此，成为获取大尺度连续LST数据集的主要方法。迄今为止，已经开发了各种LST产品，其中基于中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer，MODIS)的LST产品因其易于获取、分辨率高、覆盖范围广等优点得到了广泛的应用。但由于热红外遥感手段无法穿透云层，导致MODIS LST产品存在数据缺失。因此，重建无云MODIS LST数据是获取全天候LST信息的关键。

目前为止，提出的地表温度重建方法主要分为时空重建方法、多源数据融合方法和基于统计回归的方法，但这些方法都有其局限性。具体表现为，地表温度数据的质量对重建精度影响很大，基于统计回归的方法受到特定区域以及回归因子不确定性的约束。而数据融合方法中，多源LST数据集之间的观测时间、空间分辨率的差异会给结果带来误差。

因此，如何提高地表重建温度已称为本领域亟需解决的问题。

发明内容

为了克服现有技术中的至少一个不足，本申请提供一种云覆盖区域地表温度重建方法及相关装置，具体包括：

第一方面，本申请提供一种云覆盖区域地表温度重建方法，所述方法包括：

获取待重建区域的多种地表特征信息；

将所述多种地表特征信息划分为多个特征集，并获得所述多个特征集各自的预处理特征向量；

将所述多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；

通过温度重建模型中级联的多个随机森林层对所述预处理拼接向量进行处理，得到所述待重建区域的地表预测温度。

结合第一方面的可选实施方式，所述将所述多种地表特征信息划分为多个特征集，包括：

将所述多种地表特征信息进行排序，得到地表特征序列；

通过多个滑动窗口对所述地表特征序列进行截取，得到所述多个特征集，其中，所述多个滑动窗口具有不同的窗口大小。

结合第一方面的可选实施方式，所述温度重建模型还包括预处理层，所述预处理层包括不同输入维度的多个随机森林；所述获得所述多个特征集各自的预处理特征向量，包括：

对于每个所述特征集，获取所述特征集的维度；

将所述特征集输入与所述特征集的维度相匹配的随机森林，得到所述特征集的预处理向量。

结合第一方面的可选实施方式，所述与所述特征集的维度相匹配的随机森林包括第一随机森林与第二随机森林，所述第一随机森林的随机性高于所述第二随机森林的随机性；所述将所述特征集输入与所述特征集的维度相匹配的随机森林，得到所述特征集的预处理向量，包括：

将所述特征集输入所述第一随机森林，得到第一特征向量；

将所述特征集输入所述第二随机森林，得到第二特征向量；

将所述第一特征向量与所述第二特征向量，作为所述预处理向量。

结合第一方面的可选实施方式，所述通过温度重建模型中级联的多个随机森林层对所述预处理拼接向量进行处理，得到所述待重建区域的地表预测温度，包括：

将所述预处理拼接向量输入所述多个随机森林层的首个随机森林层；

对于所述多个随机森林层任意相邻层，获取上一随机森林层输出的输出向量；

将所述输出向量与所述预处理拼接向量进行拼接，得到输入下一随机森林层的拼接预测向量；

根据最后一个随机森林层的输出向量，确定所述待重建区域的地表预测温度。

结合第一方面的可选实施方式，所述最后一个随机森林层包括多个随机森林，所述最后一个随机森林层的输出向量包括所述多个随机森林各自的温度预测向量，所述根据最后一个随机森林层的输出向量，确定所述待重建区域的地表预测温度，包括：

根据所述多个随机深林各自的温度预测向量，计算相同位置的元素之间的均值；

从多个均值中选取最大的，作为所述地表预测温度。

结合第一方面的可选实施方式，在获取待重建区域的多种地表特征信息之前，所述方法还包括：

获取待分析区域的遥感图像；

根据所述遥感图像，从所述待分析区域中确定出云层覆盖的区域；

从所述云层覆盖的区域中选取所述待重建区域。

第二方面，本申请还提供一种云覆盖区域地表温度重建装置，所述装置包括：

特征获取模块，用于获取待重建区域的多种地表特征信息；

温度预测模块，用于将所述多种地表特征信息划分为多个特征集，并获得所述多个特征集各自的预处理特征向量；

所述温度预测模块，还用于将所述多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；

所述温度预测模块，还用于通过温度重建模型中级联的多个随机森林层对所述预处理拼接向量进行处理，得到所述待重建区域的地表预测温度。

结合第二方面的可选实施方式，所述温度预测模块还具体用于：

将所述多种地表特征信息进行排序，得到地表特征序列；

通过多个滑动窗口对所述地表特征序列进行截取，得到所述多个特征集，其中，所述多个滑动窗口具有不同的窗口大小。

结合第二方面的可选实施方式，所述温度重建模型还包括预处理层，所述预处理层包括不同输入维度的多个随机森林；所述温度预测模块还具体用于：

对于每个所述特征集，获取所述特征集的维度；

将所述特征集输入与所述特征集的维度相匹配的随机森林，得到所述特征集的预处理向量。

结合第二方面的可选实施方式，与所述特征集的维度相匹配的随机森林包括第一随机森林与第二随机森林，所述第一随机森林的随机性高于所述第二随机森林的随机性；所述温度预测模块还具体用于：

将所述特征集输入所述第一随机森林，得到第一特征向量；

将所述特征集输入所述第二随机森林，得到第二特征向量；

将所述第一特征向量与所述第二特征向量，作为所述预处理向量。

结合第二方面的可选实施方式，所述温度预测模块还具体用于：

将所述预处理拼接向量输入所述多个随机森林层的首个随机森林层；

对于所述多个随机森林层任意相邻层，获取上一随机森林层输出的输出向量；

将所述输出向量与所述预处理拼接向量进行拼接，得到输入下一随机森林层的拼接预测向量；

根据最后一个随机森林层的输出向量，确定所述待重建区域的地表预测温度。

结合第二方面的可选实施方式，所述最后一个随机森林层包括多个随机森林，所述最后一个随机森林层的输出向量包括所述多个随机森林各自的温度预测向量，所述温度预测模块还具体用于：

根据所述多个随机深林各自的温度预测向量，计算相同位置的元素之间的均值；

从多个均值中选取最大的，作为所述地表预测温度。

结合第二方面的可选实施方式，在获取待重建区域的多种地表特征信息之前，所述特征获取模块还用于：

获取待分析区域的遥感图像；

根据所述遥感图像，从所述待分析区域中确定出云层覆盖的区域；

从所述云层覆盖的区域中选取所述待重建区域。

第三方面，本申请还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的云覆盖区域地表温度重建方法。

第四方面，本申请还提供一种电子设备，所述电子设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的云覆盖区域地表温度重建方法。

相对于现有技术而言，本申请具有以下有益效果：

本实施例提供一种云覆盖区域地表温度重建方法及相关装置。其中，电子设备获取待重建区域的多种地表特征信息；将多种地表特征信息划分为多个特征集，并获得多个特征集各自的预处理特征向量；将多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；通过温度重建模型中级联的多个随机森林层对预处理拼接向量进行处理，得到待重建区域的地表预测温度。由于温度重建模型中级联的多个随机森林层结合了随机森林与深度神经网络的优点，并且多个特征集充分发掘了不同特征组合对温度的影响，因此，能够提高地表预测温度的精度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的云覆盖区域地表温度重建方法的流程图；

图2为本申请实施例提供的温度预测模型的结构示意图；

图3为本申请实施例提供的训练效果示意图；

图4为本申请实施例提供的云覆盖区域地表温度重建装置的结构图；

图5为本申请实施例提供的电子设备的结构图。

图标：101-特征获取模块；102-温度预测模块；201-存储器；202-处理器；203-通信单元；204-系统总线。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

基于以上声明，正如背景技术中所介绍的，目前为止提出的地表温度重建方法的重建精度受各方面因素的影响，因此，如何提高地表重建温度已称为本领域亟需解决的问题。

基于上述技术问题的发现，发明人经过创造性劳动提出下述技术方案以解决或者改善上述问题。需要注意的是，以上现有技术中的方案所存在的缺陷，是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是发明人在发明创造过程中对本申请做出的贡献，而不应当理解为本领域技术人员所公知的技术内容。

鉴于此，本实施例提供一种云覆盖区域地表温度重建方法。该方法中，电子设备获取待重建区域的多种地表特征信息；将多种地表特征信息划分为多个特征集，并获得多个特征集各自的预处理特征向量；将多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；通过温度重建模型中级联的多个随机森林层对预处理拼接向量进行处理，得到待重建区域的地表预测温度。由于温度重建模型中级联的多个随机森林层结合了随机森林与深度神经网络的优点，并且多个特征集充分发掘了不同特征组合对温度的影响，因此，能够提高地表预测温度的精度。

对于上述级联的多个随机森林层，应理解的是，神经网络具有多层次连接和权值调整能力，可以提取有用的特征来解决复杂问题，但其模型可解释性差。随机森林是基于树的模型，可以确定每个特征的重要性和贡献，但在对超出训练数据集范围的数据进行预测时效果不佳，模型的准确性会受到原始数据的影响导致过拟合问题。

而本实施例通过将多个随机森林层进行级联以模拟深度神经网络的特征提取能力，而每个随机森林层中又能利用随机森林的集成优势。因此，级联的多个随机森林层既可以构建多个隐藏层来增强学习能力，又能够识别并量化每个特征对模型的影响。与深度学习算法相比，深度森林算法具有更少的超参数和更快的训练效率。与其他基于决策树的算法相比，深度森林算法具有更好的学习性能和更高的预测精度。因此，该温度预测模型能够充分利用随机森林与深度学习各自的优势。

需要说明的是，实施上述云覆盖区域地表温度重建方法的电子设备，可以是，但不限于，移动终端、平板计算机、膝上型计算机、台式计算机以及服务器等。一些实施方式中，该服务器可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。在一些实施例中，服务器相对于用户终端，可以是本地的、也可以是远程的。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(Community Cloud)、分布式云、跨云(Inter-Cloud)、多云(Multi-Cloud)等，或者它们的任意组合。在一些实施例中，服务器可以在具有一个或多个组件的电子设备上实现。

为使本实施例提供的方案更加清楚，下面假定电子设备为服务器，并结合图1对该方法的各个步骤进行详细阐述。但应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。如图1所示，该方法包括：

S101，获取待重建区域的多种地表特征信息。

其中，上述多种地表特征信息包括待重建区域的高程、经度、纬度、坡度、归一化植被指数(Normalized Difference Vegetation Index，NDVI)、增强植被指数(EnhancedVegetation Index，EVI)、归一化水体指数(Normalized Difference Water Index，NDWI)、累积的地表下行短波辐射值(Downward Surface Shortwave Radiation，DSSR)以及4种亮度温度数据。

归一化植被指数，通过测量可见光和近红外波段的反射率获得，用于监测植被健康、植被类型分类和监测干旱等。

增强植被指数，是对归一化植被指数的改进，该指数考虑了大气校正和土壤背景辐射的影响，具有更好的动态范围和更高的敏感性，用于评价植被生长和健康状况。

归一化水体指数，通过比较近红外和短波红外波段的反射率获得，用于提取水体边界、监测水体的变化和评估洪涝等水文应用。

干旱严重程度和空间分布，该指数基于NDVI和温度数据，并结合地表蒸散发和降水等因素，用于监测和分析干旱的程度和空间分布。

累积的地表下行短波辐射值，该特征值通过地球静止卫星获取，将日出时刻到MODIS/Aqua卫星过境时刻期间由地球静止卫星获取的瞬时下行短波辐射值进行累积，可以反映云层对太阳辐射的影响，进而表征云层对地表温度的影响。

亮度温度数据，指地球表面在特定频率和极化条件下发射的微波辐射的强度。通过测量不同频率和极化方式下的亮度温度，可以获得关于地表特征(如海洋温度、降雨量等)的信息。

对于上述12种地表特征信息，可以通过相应的遥感影像数据产品获得，包括MODIS卫星提供的MYD11A1、MYD09GA、MYD13A2等产品编号的数据；ALOS卫星提供的数字高程模型(Digital Elevation Model，DEM)数据、Himawari-8卫星的地表下行短波辐射以及AMSR2卫星提供的亮度温度数据。具体而言：

通过MYD09GA从中提取地表的NDWI数据；

通过MYD13A2从中提取地表的NDVI和EVI数据；

通过DEM提供的数据，从中提取经度、纬度、高程、坡度数据；

通过AMSR2提供的被动微波亮温数据，从中获取36.5GHz和89GHz频段的水平极化和垂直极化共四种亮度温度数据。

需要说明的是，上述待重建区域为被云层覆盖的区域，而为了区分出被云层覆盖的区域与未被云层覆盖的区域。服务器获取待分析区域的遥感图像；根据遥感图像，从待分析区域中确定出云层覆盖的区域；从云层覆盖的区域中选取待重建区域。

示例性的，服务器可以从MYD11A1产品中获取质量控制文件，并根据该质量控制文件，将“QC≤1K”的像元确定为未被云层覆盖的晴空像元，将“QC＞1K”的像元确定为被云层覆盖的覆盖像元。本实施例中的待重建区域表示任意覆盖像元对应的地表区域。

基于上述实例对待重建区域与多种地表特征信息的介绍，继续参见图1，本实施提供的云覆盖区域地表温度重建方法，还包括：

S102，将多种地表特征信息划分为多个特征集，并获得多个特征集各自的预处理特征向量。

可选实施方式中，可以通过滑动窗口将多种地表特征信息划分为多个特征集。此时，步骤S102可以包括：

S102-1，将多种地表特征信息进行排序，得到地表特征序列。

S102-2，通过多个滑动窗口对地表特征序列进行截取，得到多个特征集，其中，多个滑动窗口具有不同的窗口大小。

进一步的，该温度重建模型还包括用于对地表特征序列进行多粒度扫描的预处理层，预处理层包括不同输入维度的多个随机森林，基于预处理层中的多个随机森林，步骤S102还包括：

S102-3，对于每个特征集，获取特征集的维度；

S102-4，将特征集输入与特征集的维度相匹配的随机森林，得到特征集的预处理向量。

其中，与特征集的维度相匹配的随机森林包括第一随机森林与第二随机森林，第一随机森林的随机性高于第二随机森林的随机性。该服务器将特征集输入第一随机森林，得到第一特征向量；将特征集输入第二随机森林，得到第二特征向量；将第一特征向量与第二特征向量，作为该特征集的预处理向量。

示例性的，如图2所示，将待重建区域上述12种地表特征信息进行排序后，得到12种地表特征信息的地表特征序列，并通过大小为5个序列长度、7个序列长度、9序列长度的传动窗口对地表特征序列进行截取。其中，大小为5个序列长度滑动窗口能够从中截取8个特征集，大小为7个序列长度的滑动窗口能够从中截取6个特征集，大小为9个序列长度的滑动窗口能够从中截取4个特征集。

继续参见图2，预处理层中相同序列长度的特征集具有相同的第一随机森林与第二随机森林。其中，第一随机森林可以是完全随机森林，第二随机森林是普通随机森林。对此，需要说明的是，随机森林是一种集成学习方法，由多个决策树构成。完全随机森林是普通随机森林的一种扩展，引入了更高程度的随机性，特别是在特征选择上。与普通随机森林不同，完全随机森林在每个节点上不仅随机选择特征子集，还随机选择一个特征作为分裂属性，而不考虑特征的重要性，而普通随机森林是在一个随机特征子空间内通过基尼系数来选取分裂节点。这两种森林的主要区别在于候选特征空间。由于完全随机森林的目标是进一步增加决策树之间的差异性，因此，能够提高模型的多样性。而这种高度的随机性有助于减少模型的方差，降低过拟合的风险。

继续参见图2，以序列长度为5的8个特征集为例，将8个特征集依次输入输入维度同样为5的第一随机森林与第二随机森林，可以得到8个特征集各自的第一特征向量以及第二特征向量。同理，序列长度为7的特征集，可以得到6个特征集各自的第一特征向量与第二特征向量；序列长度为9的特征集，可以得到4个特征集各自的第一特征向量与第二特征向量。

当然，对于每个特征集的预处理方式不仅限于上述实施方式，还可以通过预训练的神经网路模型对每个特征集进行预处理，得到该特征集的预处理向量。

基于上述实施例对预处理特征向量的介绍，继续参见图1，本实施提供的云覆盖区域地表温度重建方法还包括：

S103，将多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量。

对于步骤S103，继续参见图2，每个第一特征向量与第二特征向量的维度为3，因此，将序列长度为5的特征集计算得到的8个第一特征向量与第二随机森林输出的8个第二特征向量、序列长度为7的特征集计算的得到的6个第一特征向量与6个第二特征向量、序列长度为9的特征集计算得到的4个第一特征向量与4个第二特征向量进行拼接，可以得到长维度为108的预处理拼接向量。

基于上述预处理拼接向量的介绍，继续参见图1，本实施提供的云覆盖区域地表温度重建方法还包括：

S104，通过温度重建模型中级联的多个随机森林层对预处理拼接向量进行处理，得到待重建区域的地表预测温度。

可选实施方式中，服务器将预处理拼接向量输入多个随机森林层的首个随机森林层；对于多个随机森林层任意相邻层，获取上一随机森林层输出的输出向量；将输出向量与预处理拼接向量进行拼接，得到输入下一随机森林层的拼接预测向量；根据最后一个随机森林层的输出向量，确定待重建区域的地表预测温度。

对于上述实施方式，示例性的，继续参见图2，图中示出了多个随机森林层(level1～leveln)，每个随机森林层同样包括多个随机森林，这些随机森林的类型包括普通随机森林以及完全随机森林。除去首个随机森林层，图中的排列在首个随机森林层之后的随机森林层，其输入的特征向量包括上一随机森林层的输出向量与拼接预处理向量。服务器将两者进行拼接处理，本实施例中，将拼接后的向量称为拼接预测向量。

由于最后一个随机森林层包括多个随机森林，最后一个随机森林层的输出向量包括多个随机森林各自的温度预测向量。该服务器根据多个随机深林各自的温度预测向量，计算相同位置的元素之间的均值；从多个均值中选取最大的，作为地表预测温度。

对此，继续参见图2，图中最后一个随机森林层包括6个随机森林，每个随机森林输出的输出温度预测向量具有3个维度，代表3个预测温度。按照预测温度的元素位置，计算相同位置的元素之间的均值(Ave)。由于每个随机森林的输出向量具有3个维度，因此，可以得到3个预测温度的均值，从中选取最大的(Max)作为最终的地表预测温度。

以上实施例中介绍了温度预测模型的工作过程，鉴于该温度预测模型在对地表温度进行预测之前，需要经过训练才能对温度进行准确预测。下面对该模型的训练过程进行说明。

在训练过程中，选取黄河源研究区域在2021年代表四个不同季节的1月、4月、7月和10月的遥感影像数据产品，并进行预处理，预处理内容包括通过对数据的质量筛查、拼接、投影转换、重采样以及裁剪等步骤对各遥感数据的投影方式和空间分辨率进行统一。然后，将静止卫星提供的从日出到Aqua卫星过境时刻期间的短波下行辐射数据进行累积，得到可以表征云层对到达地表的太阳辐射影响的累积地表下行辐射，累积的下行辐射反应了地表的温度变化，并从数据产品中提取12种类地表特征信息。

进一步的，通过质量控制文件提取未被云层覆盖的晴空像元与被云层覆盖的覆盖像元；将晴空像元的地表温度与对应的地表特征信息作为训练时的样本，输入到模型中进行训练。

在训练过程中自动增加随机森林层的数量，每增加一层随机森林层，则根据输出结果对当前待评估模型的预测性能进行评估，若评估结果不满足预设条件，则继续增加一层随机森林层，继续根据此时的输出结果对当前待评估模型的预测性能的进行评估。以此类推，直至待评估模型的预测性能达到预设条件。

本实施例中，通过决定系数(R

其中，决定系数(R

式中，SS

如图3所示，使用R

综上所述，重建的地表温度数据呈现出与累积地表下行辐射和AMSR2亮温数据相似的空间格局。因此，累积地表下行辐射和AMSR2亮温数据在模型建立过程中都起着关键的作用，在不同季节，重建结果也具有显著的空间连续性和一致性。

基于与本实施例所提供云覆盖区域地表温度重建方法相同的发明构思，本实施例还提供有云覆盖区域地表温度重建方法的相关装置，包括云覆盖区域地表温度重建装置、存储介质及电子设备。对于云覆盖区域地表温度重建装置，该装置包括至少一个可以软件形式存储于存储器201或固化在电子设备中的软件功能模块。电子设备中的处理器202用于执行存储器201中存储的可执行模块。例如，该装置所包括的软件功能模块及计算机程序等。请参照图4，从功能上划分，该装置可以包括：

特征获取模块101，用于获取待重建区域的多种地表特征信息；

温度预测模块102，用于将多种地表特征信息划分为多个特征集，并获得多个特征集各自的预处理特征向量；

温度预测模块102，还用于将多个特征集各自的预处理特征向量进行拼接，得到预处理拼接向量；

温度预测模块102，还用于通过温度重建模型中级联的多个随机森林层对预处理拼接向量进行处理，得到待重建区域的地表预测温度。

在本实施例中，该特征获取模块101用于实现图1中的步骤S101，该温度预测模块102用于实现图1中的步骤S102。关于上述各模块的详细描述可以参见对应步骤的具体实施方式，本实施例不再进行赘述。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

还应理解的是，以上实施方式如果以软件功能模块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，本申请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)执行本申请各个实施例所述方法的全部或部分步骤。

因此，对于上述存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时，实现本实施例提供的云覆盖区域地表温度重建方法方法。其中，该存储介质可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

对于上述电子设备。如图5所示。该电子设备可包括处理器202及存储器201。并且，存储器201存储有计算机程序，处理器通过读取并执行存储器201中与以上实施方式对应的计算机程序，实现本实施例所提供的云覆盖区域地表温度重建方法。

继续参见图5，该电子设备还包括有通信单元203。该存储器201、处理器202以及通信单元203各元件相互之间通过系统总线204直接或间接地电性连接，以实现数据的传输或交互。

其中，该存储器201可以是基于任何电子、磁性、光学或其它物理原理的信息记录装置，用于记录执行指令、数据等。在一些实施方式中，该存储器201可以是，但不限于，易失存储器、非易失性存储器、存储驱动器等。

在一些实施方式中，该易失存储器可以是随机存取存储器(Random AccessMemory，RAM)；在一些实施方式中，该非易失性存储器可以是只读存储器(Read OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)、闪存等；在一些实施方式中，该存储驱动器可以是磁盘驱动器、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合等。

该通信单元203用于通过网络收发数据。在一些实施方式中，该网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication，NFC)网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。

该处理器202可能是一种集成电路芯片，具有信号的处理能力，并且，该处理器可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，上述处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital SignalProcessor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。

可以理解，图5所示的结构仅为示意。电子设备还可以具有比图5所示更多或者更少的组件，或者具有与图5所示不同的配置。图5所示的各组件可以采用硬件、软件或其组合实现。

应该理解到的是，在上述实施方式中所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。