基于静止卫星观测的昼夜温度循环建模：数据驱动与物理模型的精度与可行性平衡研究

本研究针对地表温度监测和野火检测中的昼夜温度循环(DTC)建模难题，比较了物理模型GOT09与数据驱动模型TRI的性能。通过分析澳大利亚1305个站点的Himawari-8 MIR波段7数据，发现GOT09虽精度最高(验证RMSE 2.41 K)但生成率低(48.77%)，而TRI模型在精度(RMSE 3.62 K)与生成率(85.07%)间取得最佳平衡，尤其在多云条件下表现优异，为实时热异常监测提供了可靠解决方案。

　　

地表温度监测是环境研究和灾害预警的重要基础，其中昼夜温度循环(Diurnal Temperature Cycle, DTC)建模尤为关键。传统物理模型虽精度高但依赖理想天气条件，而数据驱动方法虽适应性更强却存在稳定性不足的问题。特别是在野火监测等实时应用中，如何在模型精度与数据可用性之间取得平衡，成为亟待解决的科学难题。

针对这一挑战，日本气象厅等机构的研究人员利用Himawari-8静止卫星的中红外波段(MIR)数据，在澳大利亚1305个代表性站点开展了为期一年的对比研究。研究团队创新性地提出TRI模型，通过融合多种数据过滤策略和自适应训练机制，在《Remote Sensing of Environment》发表了这项突破性成果。

研究采用四大关键技术：1) 基于BOM云掩膜和BRIGHT热点产品的数据预处理；2) 物理模型GOT09的六参数优化实现；3) 结合奇异值分解(SVD)和Butterworth滤波的数据驱动框架；4) 多维度评估体系(验证RMSE、生成率等)。

研究结果显示：

1. 模型精度对比：物理模型GOT09验证RMSE最低(2.41 K)，但数据驱动的TRI模型(3.62 K)显著优于RW(5.27 K)、XIE(5.59 K)等其他数据驱动方法。
2. 生成率表现：TRI模型生成率达85.07%，远高于GOT09的48.77%，在70%云覆盖率下仍保持64%的生成能力。
3. 环境适应性：TRI在沙漠气候(RMSE 3.69 K)和自然地表(生成率92.8%)表现最佳，其±2σ异常值过滤机制有效提升稳定性。
4. 时间连续性：如图4所示，TRI能完整重建年度温度周期，数据可用性达95%。

讨论部分指出，TRI模型通过三大创新实现突破：1) 统一处理训练与观测数据；2) 动态调整30天时间窗口；3) 引入日平均和月 median 双重过滤。这些特性使其在野火监测等需要连续背景温度场的应用中具有独特优势。尽管在农作物区域(RMSE 4.03 K)表现稍逊，但其综合性能已超越现有方法。

该研究为遥感温度建模提供了新范式，其价值体现在：1) 首次系统比较物理与数据驱动模型在操作环境下的表现；2) 开发出首个兼顾精度与鲁棒性的DTC混合框架；3) 为GEOSS(全球地球观测系统)的实时温度产品奠定基础。未来通过融合微波遥感等全天候数据源，有望进一步提升多云条件下的模型性能。