基于云调控地表增温模型（C-SWARM）的白天多云条件下地表温度重建研究

为解决热红外卫星遥感（TIRS）在云覆盖条件下无法获取地表温度（LST）数据的难题，研究人员提出了一种新型地表能量平衡（SEB）模型C-SWARM，通过量化云对太阳辐射和大气隔热的动态调控作用，重建多云条件下的白天LST。实验表明，该模型在连续美国地区（CONUS）的49个通量塔站点上较基准方法精度提升0.38-1.89 K，为全球全天候遥感提供了通用解决方案。

　　

地表温度（Land Surface Temperature, LST）是地表与大气能量交换的核心指标，对生态系统功能和气候变化研究至关重要。然而，传统热红外卫星遥感（Thermal Infrared Remote Sensing, TIRS）在云层覆盖时“失明”——云层阻挡地表热辐射，导致数据缺失。尽管现有方法（如空间插值、微波遥感）尝试填补空白，但或因忽略云天气候特性，或因分辨率过低（如被动微波雷达25 km），难以准确捕捉多云条件下的地表热动态。这一瓶颈严重制约了全球变暖、城市热岛等研究的时空连续性。

针对这一挑战，中国研究人员在《Remote Sensing of Environment》发表研究，提出“云调控地表增温模型”（Cloud-regulated Surface Warming Model, C-SWARM）。该模型创新性地将多云条件下的LST重建问题转化为地表能量累积过程，通过量化云对太阳短波辐射（ΔSHP）和大气隔热效应（ΔATI）的昼夜动态调控，实现高精度LST重建。研究利用美国49个通量塔站点2017-2019年的观测数据，结合GOES-R卫星和ERA5再分析数据集，验证了模型在复杂地表类型和气候带中的普适性。

关键技术方法
研究团队首先通过通量塔观测数据校准模型系数，利用GOES-R下行短波辐射（DSR）和ERA5近地表气温数据驱动模型。采用最小二乘法拟合不同时段（如06:00-18:00每小时分段）的ΔSHP和ΔATI响应系数，并通过误差传播模型评估数据不确定性影响。验证阶段采用60%站点训练、40%独立验证的随机采样策略，重复20次以确保统计稳健性。

研究结果

1. 模型验证与性能优势
C-SWARM在CONUS地区的MAE（平均绝对误差）为2.57 K，较传统SEB方法（如Liu LST、Zhang LST）降低0.38-1.89 K。其核心优势在于：

• 动态能量累积：相比传统方法仅模拟瞬时能量平衡，C-SWARM通过积分白天累计太阳辐射（ΔSHP=∫(1-α)·DSR dt）和气温变化（ΔATI=Ta_ti
  -Ta_to
  ），更贴合地表实际增温过程。
• 抗干扰能力：在输入数据存在40-60 W/m²
  偏差时，模型误差（3.32 K）显著低于传统方法（6.23 K），体现对ERA5数据低分辨率的耐受性。

2. 云效应的昼夜调控机制
模型系数揭示云效应的昼夜分异规律：

• 午间主导ΔSHP：正午时段ΔSHP系数达峰值0.29（CC=0.69），反映太阳高度角最大时短波辐射的主导作用。
• 午后转向ΔATI：傍晚ΔATI系数升至0.88（CC=0.90），体现大气隔热对地表温度的延迟调控。这种互补机制解释了为何传统固定系数SEB模型在日间表现波动较大。

3. 环境因子敏感性

• 云光学厚度（ΔOCD）：ΔOCD每增加10 W/m²
  ，ΔSHP对云效应（CE）的解释力提升15%（R²
  从0.41→0.56），但会抑制其系数权重（从0.22→0.17）。
• 地表热差异（ΔSTC）：当多云日与晴空参考日的LST差异超过4 K时，模型误差增长23%，凸显复杂下垫面（如湿地、混交林）的校准需求。

结论与意义
C-SWARM模型通过物理机制明确的能量累积框架，首次实现多云条件下LST的“时空无缝”重建。其意义在于：

1. 方法论突破：将云效应建模从“瞬时修正”推进至“过程模拟”，为全天候遥感提供新范式；
2. 应用潜力：支持2 km分辨率GOES-R数据重建，未来结合Sentinel-2数据可拓展至30 m尺度，助力城市热岛、农业干旱等精细研究；
3. 气候模型适配：输出的连续LST时间序列可优化陆-气耦合模型，提升极端高温事件的预测能力。

局限性与展望包括夜间LST重建需结合昼夜温度循环模型，以及高纬度地区低太阳高度角的系数优化。随着全球通量塔网络的扩展，模型有望覆盖极地、沙漠等极端环境，最终推动“地球体温”的全天候监测。