好的，作为一名学术专家和期刊评审专家，我将严格按照标准对您提供的论文进行解读和分析。 中文标题 基于无人机的开放生态系统微气候温度制图：热遥感、统计关联与机理模型的比较

《Ecological Informatics》：Mapping microclimate temperatures in open ecosystems using UAVs: A comparison between thermal, correlative, and mechanistic approaches

　　

微气候建模在理解气候变化如何影响生态系统方面正受到越来越多的关注。然而，现有的研究主要集中在森林生态系统，导致对开放生态系统的认识存在显著偏差。本研究旨在评估三种基于无人机（UAV）的方法在开放荒原生态系统中绘制微气候温度的潜力。研究人员在四个夏季日进行了四次热红外无人机飞行，并利用由119个微型温度记录仪组成的网络收集实地数据。研究人员比较了以下三种方法：（1）一种统计关联的梯度提升模型（GBM），将实地温度观测数据与环境协变量相关联；（2）一种参数化的机理微气候模型（microclimf），求解能量平衡方程；（3）从无人机热红外数据中获取的地表温度（LST），并通过基于物理过程的转换框架将其转换为近地表气温。结果显示，热红外无人机数据在捕捉极端温度和尖锐的温度对比方面表现最佳，而统计关联模型则提供了最准确的近地表气温估算值。机理模型microclimf在开放生态系统中的表现高度依赖于植被参数的设定，尤其是在植物面积指数（PAI）方面。将地表温度（LST）转换为近地表气温为热红外无人机数据开辟了新的应用前景，使其能够提供生态学上有意义的温度估算。研究表明，这三种方法各有优势，其选择应取决于具体的研究目标、可用的输入数据和所需的时空分辨率。该研究强调了整合多种方法以全面理解开放生态系统微气候的必要性。

论文解读文章

1. 研究背景与科学问题

微气候（指生物体实际经历的环境温度）在生态学和环境气象学中至关重要，因为它决定了物种分布、种群动态以及对气候变化的响应。尽管微气候的重要性已被广泛认可，但现有研究存在显著的信息偏差：绝大多数工作集中于森林生态系统，因为林冠的遮荫和蒸腾冷却效应会形成与宏观气候显著不同的微气候条件。相比之下，草地、灌丛、荒地等开放生态系统由于缺乏树冠遮挡，地表直接暴露于太阳辐射之下，导致其温度异质性更高、变化更剧烈，对生物体的影响也更为直接和严酷。然而，目前在开放生态系统中精确测量和模拟微气候面临巨大挑战。传统的点状传感器布设难以覆盖空间异质性，且易受太阳辐射加热影响而产生误差。因此，迫切需要发展高空间分辨率的微气候制图技术，以填补这一知识空白。本研究正是为了解决这一问题而开展的，旨在系统地比较和评估三种基于无人机（UAV）的先进方法在开放生态系统中进行微气候温度制图的性能。

2. 研究内容与主要结论

研究人员在比利时与荷兰交界处的Grenspark Kalmthoutse Heide自然保护区的一个典型开放荒原生态系统内开展了此项研究。他们部署了119个TOMST TMS-4微型温度记录仪，并在四个不同气象条件的夏季日进行了多次无人机飞行，同步获取了高分辨率的热红外、多光谱和激光雷达（LiDAR）数据。通过对比分析，研究人员得出了以下核心结论：

• •
  热红外无人机数据在捕捉极端温度方面具有独特优势：相较于其他两种模型，直接从无人机获取的地表温度（LST）更能真实地反映开放生态系统中因太阳直射而产生的极高温度和阴影区域产生的极低温度，并能清晰地呈现出植被斑块与裸土之间的鲜明温度对比。
• •
  统计关联模型（GBM）在预测近地表气温方面精度最高：通过将实地温度观测与地形、植被、宏观气候等多源环境变量进行机器学习建模，梯度提升模型（GBM）在估算距地表13厘米处的空气温度（T_13cm）时，表现出最低的平均绝对误差（MAE）和均方根误差（RMSE），预测最为准确。
• •
  机理模型（microclimf）的性能高度依赖植被参数化：基于能量平衡方程的机理模型microclimf在理论上最为完备，但其在开放生态系统中的应用效果强烈依赖于输入参数的准确性，尤其是植物面积指数（PAI）。不恰当的PAI参数会导致模型产生系统性偏差。
• •
  LST向近地表气温的物理转换架起了桥梁：研究人员创新性地应用了基于莫宁-奥布霍夫相似理论（MOST）的物理转换框架，将无人机测得的地表温度（LST）成功转换为具有生态学意义的近地表气温（T_z）。这一方法有效弥合了热红外遥感与微气候模型之间的鸿沟，为热红外无人机数据的应用开辟了新途径。

这项研究的重要意义在于，它首次在开放生态系统中系统性地比较了三种主流微气候制图方法，揭示了各自的优势和局限性，并为未来的研究提供了方法论指导。研究表明，单一方法无法满足所有需求，最佳策略应根据具体的研究目标（如关注极端事件还是平均状态）、可用数据质量和期望的时空分辨率来选择或组合使用。

3. 关键技术方法概述

为开展此项研究，作者主要采用了以下关键技术方法：

1. 1.
   多平台数据采集：在Grenspark Kalmthoutse Heide研究区，部署了由119个TOMST TMS-4微型温度记录仪构成的观测网络，用于获取土壤（-8 cm）、地表（0 cm）和近地表空气（13 cm）温度。同时，使用DJI Matrice 300 RTK无人机搭载多种传感器进行同步飞行，包括YellowScan Surveyor Ultra激光雷达（LiDAR）传感器、AgEagle MicaSense Altum-PT多光谱（MSP）相机和TeAx ThermalCapture 2.0热红外相机。
2. 2.
   多源数据处理与产品生成：利用CloudStation和POSPac软件处理LiDAR点云，生成数字高程模型（DEM）和冠层高度模型（CHM）。使用Agisoft Metashape处理多光谱影像，生成反射率正射影像，并据此计算归一化植被指数（NDVI）和进行土地覆盖分类。热红外数据经辐射定标、大气校正和基于地物发射率的空间校正后，得到最终的地表温度（LST）图。
3. 3.
   三种微气候建模方法：
   • •
     统计关联模型：采用梯度提升模型（GBM），将TMS-4记录的微气候温度作为因变量，将地形、植被、土壤和气象变量作为自变量进行训练和预测。
   • •
     机理模型：运行开源模型microclimf，该模型基于能量平衡原理，输入气象数据、植被参数、数字高程模型（DTM）和土壤类型等信息，模拟微气候温度。
   • •
     热遥感物理转换：基于莫宁-奥布霍夫相似理论（MOST），建立从地表温度（LST）到指定高度（如13 cm）处气温的物理转换关系。

4. 研究结果详述

• •
  热红外无人机数据 vs. 近地表气温：研究发现，热红外无人机直接测量的地表温度（LST）与TMS-4记录的地表和近地表温度在数值和空间格局上存在显著差异。LST能清晰展现植被结构带来的温度变化，而近地表气温则相对平滑。这表明两者代表不同的物理量，不能直接互换。
• •
  模型性能比较：
  • •
    统计关联模型（GBM）：在预测T_13cm和T_0cm方面表现最优，具有最低的误差和最高的R2。其最重要的预测因子是宏观气温和辐射变量，其次是植被结构变量。
  • •
    机理模型（microclimf）：在晴朗天气下，microclimf对T_13cm的预测存在系统性冷偏差，尤其在裸露沙地和苔藓地。敏感性分析表明，模型对植物面积指数（PAI）和植被高度的参数化极为敏感。在多云天气下，模型表现有所改善。
  • •
    热遥感物理转换：经过MOST转换后的近地表气温与实测值相比，虽然在某些情况下仍存在偏差，但成功地将LST纳入了微气候框架，在捕捉空间变异性方面优于机理模型，尤其是在裸地和苔藓地上。
• •
  空间不确定性分析：通过自助法（bootstrap）分析，GBM模型的空间不确定性在地形复杂和植被边缘区域较高。Microclimf的不确定性则主要来源于植被参数的波动。热遥感转换方法的不确定性主要与风速和大气稳定度的估算有关。

5. 讨论与结论

讨论部分指出，本研究中三种方法的性能差异源于其基本原理和数据需求的不同。热红外遥感直接测量表面辐射温度，擅长捕捉瞬时极端值和空间细节，但受限于时间分辨率和只能观测表层。统计关联模型灵活高效，但在外推至训练数据范围之外时可能失效。机理模型物理基础坚实，可迁移性强，但对输入参数精度要求高，计算成本大。研究强调，未来工作应探索融合这些方法的混合模型，例如利用机器学习纠正机理模型的偏差，或将热红外数据作为统计模型的输入变量。此外，提高植被参数（如PAI）的空间分辨率和精度，对于改善开放生态系统中的微气候建模至关重要。

研究结论部分（原文结论节选翻译）：

本研究比较了三种基于无人机的开放生态系统微气候温度制图方法。结果表明，热红外无人机数据在捕捉极端温度和空间对比度方面具有优势。统计关联模型提供了最准确的近地表气温估算。机理模型microclimf的性能对开放生态系统中的植被参数化高度敏感。将地表温度（LST）转换为近地表气温为热红外无人机数据开辟了新的可能性。总之，每种方法都有其独特的优势和局限性，方法的选择应取决于具体的研究目标和可用的数据。