基于卫星与辅助数据的1公里分辨率全球日均气温无缝制图新方法(SGM_DMAT)研究

为解决全球日均气温(DMAT)数据在云覆盖条件下的缺失问题，研究人员开发了无缝全球日均气温制图方案(SGM_DMAT)。该研究结合MODIS TERRA/AQUA昼夜地表温度(LST)数据，采用XGBoost模型和时空分析技术，构建了2020-2023年全球无缝DMAT产品，验证R2 达0.956，RMSE为2.825°C。该成果为气象站点稀缺区域的温度研究提供了新工具，在气候变化分析、城市热岛效应评估等领域具有重要应用价值。

　　

在全球气候变化研究领域，日均气温(Daily Mean Air Temperature, DMAT)作为关键气候指标，其空间连续数据的获取一直面临重大挑战。传统气象站点分布不均，尤其在偏远地区和海洋区域存在大量观测空白；而卫星遥感虽能提供大范围覆盖，但云层干扰导致地表温度(Land Surface Temperature, LST)数据存在严重缺失。这种数据缺口严重制约了全球尺度气候变化分析、极端天气事件预警以及农业生态研究的准确性。

针对这一科学难题，研究人员开发了名为"无缝全球日均气温制图"(Seamless Global Mapping of DMAT, SGM_DMAT)的创新方案。该研究巧妙融合多源卫星观测与机器学习技术，实现了1公里空间分辨率的全球无缝温度制图。研究成果发表在《Ecological Informatics》期刊，为全球气候变化研究提供了高精度数据支持。

研究采用2020-2022年数据作为校准集，2023年数据作为验证集，核心技术路线包含两个关键阶段：首先利用所有有效的MODIS TERRA/AQUA卫星的昼夜LST晴空观测数据，通过极端梯度提升(Extreme Gradient Boosting, XGBoost)算法建立DMAT估算模型；随后针对云覆盖区域，采用时空分析技术结合参考图像进行缺失值重建。特征变量选择包括卫星LST数据、经纬度、海拔高度以及时间参数（月份和年积日）。

研究结果部分显示：

1. 模型优化：XGBoost在比较多种算法后被确定为最优DMAT估算模型，采用全部有效校准数据(All Valid Calibration Data, AVCD)的训练策略表现最佳。
2. 特征重要性：建立了不同LST组合的优先级顺序，证实结合昼夜LST观测能显著提升估算精度。
3. 产品验证：生成的2020-2023年全球无缝DMAT产品，其验证指标达到R²
   =0.956，均方根误差(Root Mean Square Error, RMSE)为2.825°C，平均绝对误差(Mean Absolute Error, MAE)为1.985°C。
4. 应用展示：制图产品清晰呈现了全球温度时空分布格局，包括极地变暖、城市热岛等典型现象。

结论与讨论部分强调，SGM_DMAT方案突破了传统气象观测的空间限制，首次实现了公里级分辨率的全球无缝温度制图。该成果具有三重科学价值：其一，为气象站点稀疏地区提供了可靠的温度替代数据；其二，支持全球气候变化趋势分析和极端温度事件监测；其三，在城市热岛效应量化、农作物温度胁迫评估等应用领域展现出独特优势。研究者特别指出，该方法未来可与新一代卫星观测数据融合，进一步提升时空分辨率，为应对气候变化提供更精准的科学依据。