基于随机森林模型的欧洲地区Meteosat多代卫星可见光通道数据融合与长期气候研究

本研究针对Meteosat第一代(MFG)与第二代(MSG)卫星可见光(VIS)通道数据不兼容问题，采用随机森林(RF)机器学习方法，成功构建了2006-2020年欧洲中部地区合成MFG MVIRI VIS数据集(R2=0.93)，为云覆盖长期变化研究提供了30年连续的高质量数据支撑。

　　

随着全球气温突破工业化前1.5°C阈值（WMO 2024），云覆盖变化对行星反照率的影响成为气候研究焦点。然而，由于Meteosat系列卫星传感器迭代（MFG的MVIRI与MSG的SEVIRI）导致可见光波段数据不连续，制约了长期气候趋势分析。德国马尔堡大学（Philipps-Universit?t Marburg）地理系的Ivo Jung团队在《Scientific Data》发表研究，通过机器学习方法弥合了两代卫星数据鸿沟。

研究采用随机森林回归(RF)模型，利用MSG SEVIRI的0.6μm(VIS006)和0.8μm(VIS008)窄波段数据预测MFG MVIRI的0.7μm宽波段反射率。关键技术包括：1)时空重采样处理不同分辨率数据；2)构建包含卫星视角/太阳角度等6类特征的训练集(500万像素)；3)通过超参数优化(ntree=200, md=30)提升模型性能；4)采用SZA<80°和纬度<62°N的严格质量控制。

【数据与方法】

通过SatPy库预处理1981-2020年EUMETSAT提供的Level 1.5数据，将MSG的3km分辨率通过最近邻插值匹配至MFG的2.5km网格。时空配准采用加权平均法处理30分钟(MFG)与15分钟(MSG)扫描间隔差异，公式(1)-(3)精确对齐像素时间戳。

【模型性能】

交叉验证显示RF模型预测精度达R²=0.93，MAE仅3%。特征重要性分析表明MSG通道贡献超80%（图6），而卫星仰角等几何参数虽仅占6%，却是消除地理偏差的关键。验证期(2004-2006)合成数据与原始MFG反射率差异<1%（表3），月度箱线图（图11）显示冬季略高偏差(0.05)源于低太阳高度角散射。

【数据稳定性】

通过31年时间序列分析（图13），合成数据与原始FCDR衔接良好，卫星切换点反射率差异<1.7%（表4）。子集分析揭示：高反射率像素(0.6-1)呈现1.4%年际下降趋势（图15），可能反映云/冰雪减少；而沙漠/海洋基准点（图16）波动<1%，证实数据稳定性。

该研究首次实现MFG-MSG可见光通道的机器学习融合，构建的合成数据集填补了2006-2020年空白，使欧洲地区云气候研究时间跨度延长至30年。其RF框架可直接迁移至第三代MTG卫星，为应对"全球变暗"现象研究提供关键工具。数据已开源存储于data_UMR仓库（DOI:10.17192/fdr/241），支持CC-BY 4.0协议。