一种基于时空深度学习的方法，仅利用地表温度作为输入来提高空气温度的估算精度

《Journal of Cleaner Production》：A spatiotemporal deep learning approach to enhance air temperature estimation based on the sole input of land surface temperature

基于LST的深度学习气温预测框架研究，提出LSTM-CNN-Attention混合模型，通过气候分异策略训练42个子气候区模型，实现全国高精度日气温预测（R2>0.8，误差1.2-2.5℃）。SHAP分析和注意力可视化揭示时空误差特征，为数据稀缺地区提供可扩展解决方案

　　本研究由龚丕鑫、兰丽、郭超和郭瑞琪共同完成，团队隶属于上海交通大学设计学院建筑系。本文提出了一种基于深度学习的方法，利用卫星遥感数据中的地表温度（LST）来预测高分辨率的每日空气温度（TA）。该方法旨在解决传统TA预测方法中因数据稀缺而导致的可扩展性问题，同时提升预测精度与适应性。

空气温度数据是评估气候风险、建模与健康相关的热效应以及指导适应性城市规划策略的重要基础。然而，在许多发展中国家或数据资源有限的地区，地面观测站的数量不足，导致难以获取连续、高分辨率的TA数据。这种数据缺失不仅限制了对城市热环境异质性的准确理解，也影响了相关研究和政策制定的科学性。为应对这一问题，本文提出了一种全新的方法，通过整合LST时间序列数据，结合深度学习中的长短期记忆网络（LSTM）、卷积神经网络（CNN）和自适应注意力机制，实现对TA的高精度预测。

LST是通过卫星遥感技术获取的地表温度数据，具有全球覆盖、高空间分辨率和时间连续性的特点。LST能够反映地表与大气之间的能量交换过程，其变化受到多种因素的影响，包括太阳辐射、植被覆盖、地形特征、城市形态和人为活动等。在白天，太阳辐射吸收导致地表温度升高，进而通过热传导、对流和辐射影响近地面空气温度；而在夜间，由于垂直混合作用减弱，LST与最低空气温度之间表现出较强的耦合关系。这些物理机制为利用LST预测TA提供了理论依据。

尽管LST与TA之间存在明确的物理联系，但建立LST-TA关系模型仍然面临诸多挑战。首先，LST-TA关系具有高度的非线性特征，且受到局部环境因素的显著影响，使得模型构建变得复杂。其次，传统TA预测方法通常采用线性回归模型，将LST作为主要预测变量，但这种方法假设数据样本之间存在稳定的线性关系，而忽略了实际热交换过程中的时间依赖性和季节性变化。因此，这些方法在预测准确性上往往不如基于深度学习的方法。

为了提高预测精度，当前TA估计方法逐渐引入多源数据作为输入，如植被指数、气象参数、地形特征、城市形态指标和人为因素等。这种方法虽然能够提升模型的解释能力，但也带来了新的问题，如不同数据源之间的时间对齐困难、数据获取的可及性受限以及多源数据带来的误差累积。这些问题限制了模型在数据稀缺地区的应用效果，也增加了实际操作的复杂性。

本文提出了一种创新的解决方案，通过构建一个融合LSTM、CNN和自适应注意力机制的深度学习模型，仅利用LST时间序列数据即可实现对TA的高精度预测。该模型通过时间序列学习捕捉长期依赖关系，通过卷积神经网络提取局部空间特征，并通过自适应注意力机制突出关键的热变化过程。此外，模型还嵌入了全国气候分区策略，将中国内陆划分为42个子气候区（SCZs），分别训练子模型以适应不同区域的气候异质性。这种区域化的建模方法不仅提升了模型的适应性，还增强了预测结果的可解释性。

模型评估结果表明，该方法在预测每日最高和最低温度时表现出色，R2值在90%的子气候区中均超过0.80，且平均绝对误差（MAE）保持在1.2至2.5°C之间。进一步的SHAP分析显示，白天LST（DLST）对最高温度预测的影响更大，而夜间LST（NLST）则对最低温度预测贡献更为显著。这种分析揭示了LST在不同时间段对TA预测的不同作用机制，为理解预测误差的来源提供了重要线索。

此外，注意力权重的可视化分析表明，在地形复杂的区域，模型在时间维度上表现出更大的不确定性。这一发现为解释预测误差的分布提供了新的视角，并有助于优化模型在这些区域的预测性能。通过这些技术手段，本文提出的框架不仅减少了对多源输入的依赖，还降低了数据获取的门槛，为区域气候适应策略提供了可行的技术支持。

该研究的意义不仅在于技术上的创新，还在于其对实际应用的推动作用。通过利用全球可获得的LST数据，本文的方法能够在数据稀缺地区实现大规模应用，为易受气候影响的社区提供公平的适应性支持。特别是对于缺乏地面监测能力的城市和社区，该方法能够提供有效的预测工具，支持公共卫生规划、城市风险地图绘制和环境治理工作。此外，该方法还具有成本效益，能够在不依赖复杂数据采集系统的前提下，生成高分辨率的TA数据，为气候研究和决策提供新的数据来源。

本文的研究框架在多个方面实现了创新。首先，它强调输入的简洁性与资源效率，仅使用LST作为输入变量，避免了对多源数据的依赖，从而提升了模型的可扩展性与适用性。其次，它通过区域化建模方法，将中国内陆划分为多个子气候区，并针对不同目标温度变量（如最高、最低和平均温度）分别训练模型，以适应不同区域的气候异质性。这种区域化的建模策略不仅增强了模型的适应性，还提升了预测结果的准确性。第三，该方法在时间和空间维度上提供了更强的可解释性，通过分析注意力权重和SHAP值，揭示了模型在不同时间段和区域的预测表现，为理解预测误差的来源和优化模型性能提供了重要依据。

综上所述，本文提出的基于LSTM-CNN-Attention模型的TA预测方法，不仅在技术上实现了创新，还为实际应用提供了重要的支持。该方法能够有效解决传统TA预测方法中存在的问题，如数据稀缺、多源数据依赖和误差累积，为气候适应策略提供了新的工具。此外，该方法还适用于发展中国家或数据资源有限的地区，为全球范围内的气候研究和决策提供了可行的解决方案。