基于残差的方法利用合成晴空先验降尺度全天候地表温度(LST)

《Science of Remote Sensing》:A residual-based approach to downscale all-sky LST using synthetic clear-sky priors

【字体: 大 中 小 】 时间:2026年07月22日 来源:Science of Remote Sensing 7.1

编辑推荐:

  在过去的十年中,无缝全天候地表温度(Land Surface Temperature, LST)产品的开发取得了显著进展。然而,许多农业和环境应用需要比目前可用的≥1 km更精细的空间分辨率。解决这一限制的一个实用方法是通过扩展最初为晴空数据开发的方法来降尺度

  
在过去的十年中,无缝全天候地表温度(Land Surface Temperature, LST)产品的开发取得了显著进展。然而,许多农业和环境应用需要比目前可用的≥1 km更精细的空间分辨率。解决这一限制的一个实用方法是通过扩展最初为晴空数据开发的方法来降尺度现有的全天候数据集,使其也适用于有云条件。在本研究中,研究人员提出了这样一种方法。该方法首先生成一个代表目标空间分辨率下平均晴空条件的合成LST图像,然后使用由全天候LST与合成LST之间的差异推导出的降尺度残差进行调整。该方法具有两个关键优势:通过使用合成LST图像作为初始估计,确保物理上真实的精细尺度LST模式;并放大全天候LST中的局部天气效应,使其更易于模型学习。为了评估该方法,研究人员使用来自自旋增强可见光与红外成像仪(Spinning Enhanced Visible and Infrared Imager, SEVIRI)的半小时间隔全天候LST,将其从约5 km降尺度到约1 km,并针对独立的地面实测和卫星LST进行验证。结果表明,与原始数据相比,该方法在各种土地覆盖、地形和气候条件下均表现出改进的性能,同时突出了单个随机森林(Random Forest, RF)模型在晴空和有云条件下预测LST的潜力。
**论文解读:基于残差和合成晴空先验的全天候地表温度降尺度方法**

**研究背景与问题**

地表温度(Land Surface Temperature, LST)是陆地表面过程物理学的关键变量,被世界气象组织认定为基本气候变量,驱动湍流热通量交换和长波辐射发射,广泛应用于蒸散发估算、城市热岛监测和环境退化评估。全球LST数据主要通过热红外(Thermal Infrared, TIR)传感器(如MODIS和SEVIRI)获取,但TIR测量仅能在晴空条件下反演LST,云层导致数据缺失和采样偏差。近年来,研究人员发展了全天候LST产品(如LSA-005),通过融合TIR晴空数据与表面能量平衡(Surface Energy Balance, SEB)模型或被动微波(Microwave, MW)观测,实现无缝覆盖。然而,现有全天候LST产品空间分辨率通常为≥1 km(低轨卫星产品)或约5 km(静止卫星产品),远不能满足许多农业和环境应用(如精细尺度水分胁迫监测)对更精细分辨率(如<1 km)的需求。直接利用高分辨率TIR数据重建全天候LST在计算上昂贵且不易操作,因此降尺度(downscaling)现有全天候产品成为更实用的替代方案。但传统的晴空LST降尺度方法扩展到全天候场景面临挑战:需要同时建模晴空和有云像元的LST变异性,二者与预测因子关系不同且不确定性各异,且需引入云覆盖(Cloud Cover, CC)属性(如厚度、移动)等额外预测因子。为此,本研究提出一种专门针对全天候LST的统计降尺度方法,旨在通过放大局部天气效应信号并利用云覆盖预测因子,实现单一机器学习模型对晴空和有云条件下LST的联合预测。

**研究内容与结论**

研究人员使用了来自LSA-005 v.1.0.2产品的2021年8月至10月欧洲地区的半小时间隔全天候LST(原始分辨率约5 km,即0.05°),并利用SEVIRI数据将其降尺度至约1 km(0.01°)。评估数据包括独立卫星MODIS(MxD11A1)晴空LST和三个地面站点(EVO/PUE/KIT)的实测LST。研究提出的方法分为两步:首先利用LST年周期参数(Annual Cycle Parameters, ACP)生成目标分辨率下的合成晴空LST图像,作为物理上合理的初始估计;然后计算全天候LST与合成LST之间的残差,使用随机森林(Random Forest, RF)模型将残差从粗分辨率降尺度至细分辨率,最后将降尺度残差加回合成LST得到最终结果。该方法在残差空间而非LST原始空间进行建模,有效去除了气候、地形和土地覆盖的大尺度背景变异性,放大了局部天气效应的信号,并结合云覆盖预测因子(云存在、持续、变化和移动)提供上下文信息。研究结论表明:降尺度数据在空间细节和精度上均优于原始LSA-005产品,与MODIS对比的相关系数均为0.98(p<0.001),白天/夜间均方根偏差(RMSD)分别为≤3.5 K和≤1.4 K;与地面实测数据对比,全天候条件下平均绝对偏差(MAD)从原始2.0 K降至1.7 K,R2从0.75提升至0.84;单一RF模型在晴空和有云条件下均表现稳健,不受云量比例影响(R2与总云覆盖率无相关性,r=0.05)。该研究为全天候LST降尺度提供了新范式,发表在《Science of Remote Sensing》。

**关键技术方法**

本研究主要关键技术方法包括:(1)基于LST年周期参数(ACP)的合成晴空图像生成,利用MAST(年平均LST)、YAST(年振幅)和Theta(峰值时间滞后)通过正弦模型模拟平均晴空条件;(2)残差空间降尺度,将全天候LST与合成LST在辐射度空间(Stefan-Boltzmann定律)计算残差,分离出局部天气效应信号;(3)随机森林(RF)回归模型,用于从粗分辨率预测因子(云覆盖、土地覆盖、地形、几何、反射率等31个变量)学习残差,并应用于细分辨率预测因子得到降尺度残差;(4)云覆盖预测因子设计,包括云存在、云持续(3小时指数加权平均)、云变异性(3小时指数加权标准差)和云变化(相邻时间差),以刻画云状态对LST的影响。数据来源:全天候LST来自LSA-SAF(基于SEVIRI),合成LST的ACP源自5年晴空SEVIRI数据,验证数据包括MODIS(MxD11A1)和三个地面站点(EVO/PUE/KIT,其中EVO由LSA-SAF运营,PUE和KIT来自LAW项目)。

**研究结果**

**3.1 与独立数据对比**
通过对比原始、降尺度与参考MODIS LST(图3),降尺度数据在白天几乎镜像MODIS的空间特征,夜间细节更丰富但不如MODIS锐利。与MODIS的四个过境时间(01:30/10:30/13:30/22:30 LT)对比(图4),相关系数均为0.98,R2从白天0.85到夜间0.95,白天MAD≤3.0 K,夜间≤1.0 K。与三个地面站点实测数据对比(图5),全天候条件下MAD平均1.7 K(RMSD 2.2 K),R2 0.74-0.94;晴空条件MAD 1.4 K,有云条件MAD 1.9 K。与原始数据相比,降尺度后各站点MAD(RMSD)从2.0 K(2.8 K)降至1.7 K(2.2 K),R2从0.75升至0.84(表3)。此外,两步骤方法(残差降尺度)优于直接预测LST的方法(表4),全天候MAD 1.56 K vs 1.61 K。

**3.2 方法运行机制**
图7展示了合成LST、残差和最终降尺度图像。合成LST反映气候、地形和土地覆盖的稳定影响,呈现明显纬度、经度梯度和地形特征(如阿尔卑斯山)。残差揭示实际天气效应,其空间格局与云覆盖高度一致(图7a与7e),白天晴空残差为正,有云为负;夜间相反(图8)。残差的标准差在晴空白天为2.8 K,有云白天为3.7 K,夜间分别为2.2 K和2.6 K。4235个RF模型在测试集上R2均超过0.79,平均0.92±0.03,MAD平均3.4±0.9 W·m?2,且R2与总云覆盖率无相关性(r=0.05,图9),表明模型稳健。

**3.3 特征重要性与交互**
置换特征重要性(图10)显示,卫星视角和地理位置的预测因子最重要,其次为云存在和云持续。云存在在夜间更关键,云持续在白天更关键,可能与太阳加热的时间滞后效应有关。其他重要特征包括高程、海岸线距离和南北高程梯度。局部解释(SHAP值,图11)显示,白天晴空和有云路径形成两个分支:晴空下累积贡献为正,有云为负;夜间相反。云持续在白天使得晴空预测增加约2.0 K,有云减少约-1.0 K。依赖性分析(图12)表明,随着云持续c?从0到1,其对白天预测的贡献线性下降,对夜间线性上升,且过渡态(0
**总结讨论与结论**

讨论部分指出,本研究提出的两步骤降尺度方法通过合成LST提供物理合理的初始估计,并利用残差空间放大局部天气效应,使RF模型能够更好地区分晴空和有云状态。该方法与现有全天候LST产品(如Zhang等2024:RMSD 2.6 K;Li等2021:2.8 K)相比,RMSD 2.2 K表现相当或更优,但评估局限于夏季和秋季(8-10月),未涵盖极端气象条件,且RF模型无法外推超出训练范围。预测因子中首次引入云覆盖持续性、变异性和变化等滞后变量,对白天模型尤其重要,但其计算依赖于高时间分辨率数据(SEVIRI),限制了向低轨卫星数据的迁移。主要局限性在于使用超采样粗分辨率云掩膜描述细分辨率云覆盖,导致小尺度云被忽略和云边界不精确。未来需探索高分辨率云属性数据、纳入近地表大气变量(如温度、风速)以及采用更强外推能力的模型(如局部线性森林或物理信息混合方法)。

**研究结论翻译**:本研究提出了一种新颖的统计降尺度方法,专门针对全天候LST。为了解决用单一机器学习模型建模晴空和有云像元LST的独特挑战,该方法引入了三个关键创新:首先,使用合成LST图像作为高分辨率LST的初始估计来指导降尺度过程;其次,放大局部天气效应对LST的影响以改善模型训练;第三,纳入描述观测时间前后云覆盖的预测因子,帮助解释有云LST的变异性。本研究通过呈现一种新的LST降尺度范式——该范式也适用于晴空和微波数据——推进了现有技术水平。与直接在LST空间操作的传统方法不同,本方法降尺度来自全天候LST与合成LST之间的残差,这些残差更好地代表了各种LST子群体。所提出的方法在不同条件下表现出稳健且一致的性能,生成的全天候数据在空间细节和精度方面均优于原始LSA-005数据。此外,该方法有效缓解了当前基于TIR的全天候数据产品中的一个主要问题,即合并不同数据集重建LST场时产生的伪影。尽管受限于缺乏高分辨率云覆盖数据,但本方法为生成高分辨率全天候LST提供了一种更简单、资源消耗更低的替代方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号