通过渐进式自训练降尺度从 Landsat 获取的 30 米地表温度

《Remote Sensing of Environment》：30-meter land surface temperature from Landsat via progressive self-training downscaling

　　**基于渐进式自训练框架的无需精细地面实况数据的30米Landsat地表温度降尺度方法**- 通过由粗到细的策略实现精度提升和细节重建- 在多样化的地表环境中表现稳健，适用于精细尺度环境监测- 仅利用Landsat原始数据和易获取的DEM实现高保真Landsat地表温度降尺度## 引言地表温度（LST）支配着地-气界面的能量、水和碳交换，是量化区域至全球尺度地表-大气相互作用及其动态过程的关键指标（Myneni等，1997；Sellers等，1997）。卫星热红外（TIR）遥感是获取大范围空间覆盖地表温度最为有效的手段（Li等，2013）。在众多卫星任务中，Landsat系列凭借其中等空间分辨率以及超过40年的无与伦比的长期一致观测记录，在TIR监测领域占据着独特地位（Wulder等，2019）。然而，Landsat TIR数据的原生空间分辨率（例如Landsat 8/9为100米）仍难以满足精度要求较高的应用需求（Hutengs和Vohland，2016；Mukherjee等，2014），例如城市热环境评估（Weng等，2004）、精准农业监测（Anderson等，2012）和精细尺度地表能量平衡建模（Kustas和Anderson，2009）。因此，提升Landsat地表温度空间分辨率的问题受到了广泛关注（Zhan等，2013）。降尺度是通过引入精细分辨率辅助信息引导空间离散化来获取高分辨率地表参数的必要途径（Jiang等，2024；Jing等，2024）。根据精细分辨率辅助信息的来源，现有的LST降尺度方法可大致分为时空融合方法和多参数融合方法两大类（Jiang等，2024；Jing等，2024）。时空融合方法利用空间分辨率高但时间分辨率低（如Landsat）和空间分辨率低但时间分辨率高（如MODIS）的卫星数据之间的互补特性（Wu等，2022；Yin等，2020），学习它们之间的线性或非线性映射关系，从而生成兼具精细空间和高时间分辨率的产品（Hu等，2022；Li等，2023）。TST时空融合技术从结合邻域信息的基于权重的滤波方法（Zhu等，2010），发展到利用字典学习的解混和稀疏编码方法（Song和Huang，2012），再到近期的深度学习框架，能够捕捉复杂的时空依赖关系和结构细节（Tan等，2018）。然而，这些方法严重依赖于高质量、晴空且在相近日期获取的参考图像对。这种严格要求在多云地区或季节中往往难以满足，从而限制了其在连续环境监测中的实际应用。多参数融合方法通过建立粗分辨率LST与精细分辨率地表变量（如植被指数）之间的关系来提升空间分辨率（Agam等，2007；Tang等，2021）。这些方法主要分为经验统计方法、物理算法和机器学习方法。其中，经验统计方法捕捉LST与地表变量之间的统计关系（Dong等，2020；Wu和Li，2019），但由于依赖预定义函数，难以表征异质性和非线性相互作用，泛化能力受限（Liang等，2023；Zawadzka等，2020）。物理算法基于热辐射传输或能量平衡原理推导LST，具有较高可解释性（Dominguez等，2011；Li等，2021），但由于对区域变化参数敏感，空间泛化能力较差（Bastiaanssen等，1998；Su，2002）。机器学习方法利用大量样本自动学习LST与辅助变量之间的复杂非线性映射关系，包括早期的随机森林（Li等，2021）和支持向量机（Xu等，2021）等简单机器学习模型，它们在捕捉非线性方面优于经验回归方法；以及近期因具备从高维数据中自动提取分层特征的能力而受到广泛关注的深度学习模型（Hu等，2023；Li等，2025c；Zhang等，2021）。尽管取得了这些进展，当前LST降尺度研究仍存在失衡现象。千米级传感器（如MODIS）的方法已相对成熟（Firozjaei等，2024；Hutengs和Vohland，2016），但针对Landsat等中等分辨率传感器的LST降尺度方法仍然稀缺。此外，即使在这些为数不多的中等分辨率LST降尺度研究中，LST与异质辅助变量之间的互补跨模态特征也往往因简单的算法设计而得不到充分利用，导致模型性能不稳定，在表面异质性高的区域尤为明显。除上述局限之外，该领域最根本的制约在于缺乏精细分辨率LST地面实况数据。因此，少数现有的Landsat LST降尺度研究采用基于尺度不变性假设的多参数融合方法，假定LST与辅助变量之间的关系在不同空间分辨率下保持一致（Dong等，2020）。该关系在粗分辨率的Landsat尺度上建立，然后应用于更精细的辅助变量以估计精细分辨率的LST。尽管该框架取得了一定成功（Guo等，2024；Zhan等，2013），但由于核心的尺度不变性假设经常被违反，它面临着内在的局限性。大量证据表明，LST与辅助变量之间的统计关系具有尺度依赖性，会随空间分辨率（Bindhu等，2013；Duan和Li，2016）或空间范围（Hu等，2023）而变化。忽视尺度效应是精度限制和不确定性产生的主要来源。因此，本研究提出了一种专用的渐进式自训练学习框架来缓解尺度效应，实现精细尺度热特征的逐步降尺度，在无需真实精细分辨率地面实况的情况下生成30米Landsat地表温度。主要贡献总结如下。我们提出了一种渐进式自训练框架，将Landsat地表温度降尺度重构为多阶段、由粗到细的学习过程。利用前一个粗分辨率模型生成的LST伪标签引导后续精细分辨率模型的训练，使模型能够在不依赖真实精细分辨率标签的情况下逐步适应精细分辨率的特征模式。所提框架设计为具有最小外部数据依赖和强操作可行性，仅依赖于从Landsat原始光学波段衍生的光谱指数和易于获取的数字高程模型（DEM），无需严格配对的30米LST地面实况或复杂的外部数据集（如精细分辨率土地覆盖产品）。为有效融合跨模态特征，我们开发了一个表示力强大的跨模态融合网络，将跨模态字典注意力融合模块与CNN-Transformer混合架构相结合，以提取和整合LST与辅助变量之间的局部和全局互补信息。此外，网络中采用了一种双频域引导机制，整合内部高频保持模块和外部结构损失约束，以模拟精细纹理并抑制LST伪标签固有的伪影。本文其余部分组织如下：第2节描述研究区域和数据。第3节介绍所提方法。第4节呈现结果和评估。第5节和第6节分别提供讨论和结论。## 章节摘要### 研究区域为了构建多样化和具有代表性的Landsat地表温度降尺度数据集，本研究在中国范围内进行了采样。图1展示了研究区域和验证区域的地理位置。选取了六个代表性区域在不同日期获取的数据（图1 (a–f)），以捕获广泛的地表条件和热环境谱系。这些区域包含多样的土地覆盖类型，包括森林山地、农业平原、城市不透水面等。### 方法为解决精细分辨率LST产品稀缺以及现有模型依赖尺度不变性假设的问题，本研究提出了一种基于跨模态融合的Landsat地表温度降尺度渐进式自训练框架。该框架采用初始预训练后接伪标签引导微调的多阶段策略，逐步学习从120米到60米再到30米的尺度一致LST映射。跨模态融合网络结合字典…### 结果与评估为了全面评估所提框架的有效性，我们通过中国土地覆盖数据集（CLCD）（Yang和Huang，2021）和SDGSAT-1影像进行空间细节和模式验证。随后，利用实地观测对降尺度LST结果进行时间验证。此外，我们还将结果与现有的代表性LST降尺度方法进行了性能比较，包括基于参考的定量指标和无需参考的质量…### 讨论我们从三个方面对所提方法进行了系统分析：通过多阶段实验验证渐进式自训练降尺度策略的可靠性、输入变量和网络架构的贡献，以及优势和局限性分析。### 结论在本文中，我们开发了一种专为Landsat地表温度降尺度设计的渐进式自训练框架，通过跨模态融合生成30米Landsat地表温度，在无需依赖精细尺度地面实况的情况下保持最小的数据依赖。通过采用基于伪标签的多阶段学习策略，该框架逐步优化精细尺度热模式。跨模态融合网络结合字典-注意力机制与CNN-Transformer架构以利用…## CRediT作者贡献声明**沈环峰：** 写作 – 审阅与编辑、验证、监督、经费获取、概念构思。**李灿：** 写作 – 审阅与编辑、写作 – 原稿撰写、方法论、调查研究、形式化分析、数据整理。**蒋梦辉：** 写作 – 审阅与编辑、监督、方法论、经费获取、概念构思。**吴鹏海：** 监督、项目管理。**张冠豪：** 可视化、形式化分析。**谢田：** 验证、概念构思。## 利益冲突声明作者声明不存在可能影响本文研究工作的已知的竞争性财务利益或个人关系。## 致谢本文的数值计算在武汉大学超算中心的超算系统上完成。本研究部分由国家自然科学基金委员会[项目编号42571435和42130108]、国家重点研发计划[项目编号2022YFB3903304]和国家自然科学基金委员会[项目编号42301531]资助。---沈环峰 | 李灿 | 蒋梦辉 | 吴鹏海 | 张冠豪 | 谢田