《BUILDING AND ENVIRONMENT》：Seamless daily 10 m urban land surface temperature via a cascading multi-scale satellite fusion framework: Development and multi-city validation
编辑推荐：
•通过多层次融合技术重建了无缝的每日10米城市地表温度(LST)数据。•残差闭合技术在降尺度过程中保持了跨尺度的数值一致性。•在四个城市进行的验证量化了不同尺度下的精度。•10米分辨率的产品实现了4.31开尔文的均方根误差(RMSE)，并且具有基于预测器的细致尺度对比功能。•SH
- •
通过多层次融合技术重建了无缝的每日10米城市地表温度(LST)数据。
- •
残差闭合技术在降尺度过程中保持了跨尺度的数值一致性。
- •
在四个城市进行的验证量化了不同尺度下的精度。
- •
10米分辨率的产品实现了4.31开尔文的均方根误差(RMSE)，并且具有基于预测器的细致尺度对比功能。
- •
SHAP技术揭示了模型对城市热异质性的控制作用，这种控制作用依赖于不同的尺度。
引言
地表温度(LST)是表征陆气能量交换、地表水热平衡[25,27,56,57]、气候变化[42]、水文过程[2,21]以及城市热环境[38,48]的关键变量。快速的都市化进程和日益频繁的极端热事件改变了城市的表面能量预算[33]，从而加剧了城市热岛效应(UHI)及其相关的热风险[37,49]。因此，精确绘制微尺度城市热环境图对于热风险评估和有针对性的城市管理至关重要[14,30,51,61]。然而，由于传感器配置、重访频率和云层污染等方面的固有矛盾，单个遥感传感器很少能够同时提供每日空间全覆盖、高空间分辨率和跨尺度稳定性[10]。
现有的LST产品通常需要在时间连续性和空间细节之间进行权衡[54,59]。MODIS提供频繁的LST观测数据，但空间分辨率较低[46]；Landsat-8虽然具有更精细的热红外观测能力，却受到较长重访间隔和云层污染的限制[8]；Sentinel-2提供10米光学表面信息，但缺乏直接用于LST反演的热红外通道[36]。机载和无人驾驶飞行器平台可以获取超高分辨率的热数据，但其有限的空间覆盖范围限制了大面积和长期应用[4,39]。因此，整合互补的多传感器观测数据以生成具有时间连续性和精细空间细节的城市LST产品仍然是一个关键挑战。
现有的高分辨率城市LST映射方法主要包括统计降尺度、基于机器学习的降尺度以及多源时空融合[47]。统计方法将低分辨率LST与NDVI、NDBI、DEM和土地覆盖信息等高分辨率辅助变量联系起来[1,5,11,12,34,43,50]，但在表示异质城市表面的非线性热响应方面能力有限。机器学习和深度学习方法利用植被、地形、建筑和土地覆盖特征来改进LST与表面关系的建模[13,16,29,35]，但这些方法通常依赖于晴朗天气下的热红外LST数据进行训练，因此受云层覆盖和有限时间样本的制约。多源融合和间隙填充方法整合了MODIS、Landsat、Sentinel和被动微波数据，以提高时间连续性或空间细节[28,52,58]。然而，大多数现有研究仍侧重于单尺度重建、局部融合或直接降尺度，很少有研究建立了一个统一的级联机制，将连续的低分辨率热背景与每日10米城市热模式联系起来[3,41]。尽管取得了这些进展，但仍存在三个限制：首先，对晴朗天气下热红外观测的依赖限制了在多云条件下生成高分辨率LST估计的能力；其次，现有方法通常仅针对单一目标尺度进行操作，缺乏从粗尺度全天候背景到公里级、100米级和10米级LST场的跨尺度转换机制；第三，许多10米城市LST研究主要依赖光谱指数或土地覆盖类别，对精细的城市结构信息利用不足，同时缺乏来自同期热参考场的有效约束[23,40]。
为了解决这些限制，我们提出了一种基于残差约束的级联框架，通过多尺度卫星数据融合来实现每日10米城市LST的重建。该框架结合了ERA5-Land约束的AMSR-2被动微波LST、基于MODIS的时间序列重建、Landsat-8支持的100米时空融合以及Sentinel-2/Dynamic World驱动的10米降尺度技术。残差闭合校正利用同步的100米融合参考数据进一步约束10米级别预测，使精细的表面特征得以细化局部热模式，同时保持跨尺度的数值一致性。最终的每日10米LST产品提供了精细的表面热信息层，用于表征城市内部的热异质性并分析与土地覆盖相关的热差异。
章节摘录
研究区域
为了评估多尺度级联LST重建框架的适用性，选择研究区域时考虑了两个因素：首先，需要独立的城市地面观测数据，并且这些数据与用于高分辨率重建阶段的卫星数据集有足够的时间重叠以便进行验证；其次，在满足数据可用性要求的地点中，应选择具有不同气候条件、地形特征和城市发展水平的城市。
提出的框架
如图2所示，所提出的框架包含四个连续阶段：首先，使用受ERA5-Land约束的AMSR-2被动微波数据重建10公里全天候热背景；其次，利用PMW背景、NDVI、地形和土地覆盖信息填补MODIS缺失的LST数据，生成每日连续的1公里LST；最后，将1公里连续LST与Landsat-8的100米LST进行融合。
10公里PMW热背景重建
第一阶段验证了ERA5-Land约束的AMSR-2被动微波数据是否能够提供连续的10公里全天候热背景。图3和表3比较了原始AMSR-2被动微波LST数据、填充间隙后的数据以及完全预测的数据与实地观测结果。原始数据显示出明显的系统性低估，这与之前对AMSR系列被动微波LST在异质表面上的评估结果一致[32,60]。间隙填充减少了轨道上的不连续性。
讨论
与单尺度LST间隙填充和降尺度方法相比，所提出的框架通过将10公里PMW热背景、1公里MODIS时间序列重建、100米无偏时空融合以及10米城市降尺度整合到一个自上而下的级联重建链中，提升了城市LST的重建效果。消融实验进一步明确了各个组分的贡献：融合和堆叠模型主要提供了精细的空间细节，而
结论
本研究开发了一种基于残差约束的级联卫星数据融合框架，用于重建每日10米城市LST。通过整合AMSR-2、ERA5-Land、MODIS、Landsat-8、Sentinel-2和Dynamic World数据集，该框架逐步将LST信息从10公里全天候被动微波背景传递到1公里、100米，最终到10米的城市估计值。
在四个城市的验证显示，在配对样本的情况下，1公里MODIS重建将RMSE从5.09开尔文降低到
CRediT作者贡献声明
陈自亮：概念提出、方法论设计、软件开发、数据分析、可视化处理、初稿写作。
庄齐峰：概念提出、资源调配、项目监督、资金筹集、审稿与编辑。
朱薇薇：项目监督、验证工作、数据清理、审稿与编辑。
谷宇琦：方法论设计、验证工作、审稿与编辑。
张俊杰：软件开发、数据分析。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
原始卫星数据和再分析数据集（包括AMSR-2、MODIS、Landsat-8、Sentinel-2、Dynamic World和ERA5-Land）可通过Google Earth Engine平台及其各自的机构存储库获取。用于独立验证的实地通量塔观测数据来自统一的全球城市通量数据集。为了支持方法的可重复性，提供了一个包含样本输入和匹配实地验证结果的示范包。
在准备本研究时，作者使用了Gemini工具来提高语言的可读性、优化学术表达并协助格式检查。使用该工具后，作者对内容进行了必要的审核和编辑，并对出版物的内容负全责。
资金支持
本研究得到了中国国家自然科学基金（项目编号42301420）和江苏省住房与城乡发展厅项目（项目编号2024ZD020）的支持。资助方未参与研究设计、数据收集与分析、出版决定或手稿的编写。
补充材料
补充表S1总结了级联重建框架中使用的核心模型设置和实现参数。补充表S2提供了各重建阶段的特定城市验证配置和匹配样本信息。补充表S3概述了主要输入数据集、派生变量、预处理过程及其在框架中的作用。补充表S4展示了使用
CRediT作者贡献声明
陈自亮：初稿写作、可视化处理、软件开发、方法论设计、数据分析、概念提出。庄齐峰：审稿与编辑、项目监督、资源调配、资金筹集、概念提出。朱薇薇：审稿与编辑、验证工作、项目监督。谷宇琦：审稿与编辑、验证工作、方法论设计。张俊杰：软件开发、数据分析。
陈自亮|庄齐峰|朱薇薇|谷宇琦|张俊杰
