一种混合ILSTM-DDTC框架用于生成中国全天气候小时级地表温度

《Science of Remote Sensing》：A Hybrid ILSTM-DDTC Framework for Generating All-Weather Hourly Land Surface Temperature across China

　　

地表温度（LST）在理解陆-气相互作用中起着关键作用。特别地，小时级LST数据在多种应用中具有显著潜力，例如提高对地表热通量日波动的理解，提升天气和气候预测的准确性，以及支持生态系统管理。全天气候小时级LST的重建既必要又有价值。目前，热红外（TIR）LST数据通常受限于稀疏观测和不利天气条件（如云和降水）。这些因素导致LST数据以日或更粗的时间分辨率生成，小时级LST数据集仍然稀缺。最近，来自静止卫星（如Himawari-8）的亚小时级观测、自动气象站的分钟级地面真值数据以及小时级再分析数据集的进展已取得显著进步。这引出一个问题：通过集成高频观测多源数据来生成无缝隙小时级LST产品是否可行？在本研究中，为生成全天气候小时级LST，研究人员应用了一种优化的长短期记忆（LSTM）模型（称为ILSTM）来融合多源数据，并在无云条件下生成小时级LST。对于有云条件，研究人员提出了一种动态日温度循环（DDTC）模型，用于重建中国范围内的小时级LST，该模型集成了实时物理协变量（云光学厚度、下行辐射、土地覆盖等），并使用梯度提升回归树（GBRT）动态参数化日LST趋势。当与现场辐射通量站验证时，结果显示无云LST的均方根误差（RMSE）为2.876 K，有云LST的RMSE为3.314 K。与MODIS LST相比，重建的全天气候小时级LST数据显示出一致的空间覆盖，没有明显的边界重建异常。本研究的结果证明了所提出方法在生成全天气候小时级LST数据方面的有效性和可靠性。

地表温度（LST）是陆-气相互作用的关键参数，小时级LST对理解地表热通量日变化、改进天气预报和生态系统管理至关重要。然而，热红外（TIR）遥感LST常受云覆盖和稀疏观测限制，导致小时级LST产品稀缺。现有无云LST反演方法（如劈窗算法、统计方法、早期机器学习）存在依赖大气参数、泛化性差或无法捕捉时序依赖等局限。深度学习（DL）模型如长短期记忆网络（LSTM）虽能处理时序数据，但被视为“黑箱”，缺乏可解释性。云覆盖下LST重建方法（如时空插值、地表能量平衡、多源数据融合、多时相信息法）各有不足，传统日温度循环（DTC）模型采用固定参数，无法适应云特性动态变化。因此，亟需建立统一框架，融合多源高频数据（静止卫星Himawari-8的10分钟观测、中国气象局（CMA）分钟级地面观测站>10,000个、再分析数据等），生成全天气候小时级LST产品。

本研究提出了混合ILSTM-DDTC框架。ILSTM（改进的LSTM）通过嵌入物理约束（辐射传输方程）和全连接（FC）预处理模块，融合多源数据（Himawari-8亮温、气候、人为、地理、植被因子）重建无云小时级LST。DDTC（动态日温度循环）模型利用梯度提升回归树（GBRT）根据实时物理协变量（云光学深度COD、下行短波辐射SSRA、下行长波辐射LWD、土地覆盖LC、太阳天顶角SOL、风速WS、比湿SHU、近地表气温TMP、高程DEM、坡度SLP、坡向ASPECT）动态参数化DTC参数，重建有云小时级LST。在中国七个自然气候区，使用CMA分钟级地面观测数据（2018-2023年）训练，利用41个辐射通量站独立验证。结果表明：无云LST的RMSE为2.876 K，有云LST的RMSE为3.314 K，优于传统方法（如劈窗算法、MOD11A1产品、传统LSTM等）。重构的全天气候LST与MODIS LST空间一致，无边界异常。该研究证明了方法的有效性和可靠性，为生态系统管理、气候预测和干旱监测提供了高精度全天气候小时级LST产品。论文发表在《Science of Remote Sensing》。

主要关键的技术方法（不超过250字）：研究方法包括：1）无云LST重建采用ILSTM模型，基于LST链接方程，输入因子根据辐射传输方程和随机森林（RF）重要性分析选择（排除比湿SHU），LSTM模块结合FC预处理模块，在七个气候区独立训练，优化参数（隐藏层512节点，FC输出512节点，batch size 32，Adam优化器，学习率0.0005）。2）有云LST重建采用DDTC模型，以GBRT动态参数化四个DTC参数（温度振幅α、冷却速率δ等），由实时物理协变量（COD、SSRA、LWD、LC、SOL、WS、SHU、TMP、DEM、SLP、ASPECT）驱动。DDTC采用分段方程（白天、夜间、过渡期），引入加权混合项平滑过渡。训练数据来自CMA分钟级地面观测站（2018-2023年），按云条件分层（晴空、薄云、厚云），每个0.05°网格独立训练GBRT，稀疏区域（区域VI）采用迁移学习。数据来源包括Himawari-8、CLDAS再分析、MODIS产品、CLCD土地覆盖、DEM等，统一处理为0.05°网格和小时分辨率。

研究结果：4.1 优化各因子重要性以改进LST链接模型：通过RF模型评估16个输入因子重要性，除比湿SHU外均保留，其中亮温BT重要性最高，风速WS次之。4.2 无云小时级LST重建：ILSTM模型在七个区域独立训练，测试集RMSE范围0.993-2.280 K，平均1.477 K，精度与站点密度正相关，区域VI（青藏高原）精度最低，区域VII（华南）因高云量和复杂对流云精度也较低。4.3 有云小时级LST重建：包含四个子节。4.3.1 有云小时级LST重建：DDTC模型重建有云LST，七个区域RMSE排序V2通常>0.92；夜间58.05%像素RMSE<1.8 K，77.67%像素R²在0.85-1.0之间，DDTC通过动态调整夜间衰减常数δ控制误差。4.3.4 物理一致性验证：动态参数α与COD显著负相关（r=-0.76），与SSRA显著正相关（r=0.68），δ与LWD正相关（r=0.54），β与TMP正相关（r=0.60），与COD负相关（r=-0.45），验证了参数化的物理合理性。4.4 全天气候LST验证：使用41个辐射通量站验证，无云LST的R²=0.921，MAE=2.153 K，RMSE=2.876 K；有云LST的R²=0.894，MAE=2.632 K，RMSE=3.314 K。与MODIS LST对比，重构LST空间连续，在站点稀疏区域（如区域VI）也保持空间完整性。不同土地覆盖中不透水面精度最高，农田最低；不同高程中1500-2000 m精度最低，与复杂地形有关。

总结讨论部分：讨论强调ILSTM模型通过嵌入物理约束增强了可解释性，优于传统黑箱模型；高密度地面观测站和分钟级数据提高了精度；DDTC模型在云覆盖条件下有效捕捉动态变化，尤其在厚云条件下改进显著；与现有方法对比，ILSTM+DDTC框架在无云和有云条件下均优于传统LSTM、STL+线性插值和MODIS融合产品，且两模型在边界处高度一致（整体RMSE 0.92 K，R² 0.997）。局限包括：区域VI站点稀疏导致精度较低；DDTC在极端地形（如青藏高原）需改进；Himawari-8在西部高视角天顶角（VZA）缺乏显式校正。未来方向包括发展通用DDTC模型、融合年度温度循环（ATC）扩展时间尺度、简化参数化框架提升计算效率。

翻译研究结论部分：鉴于全天气候小时级LST产品在生态系统和气候变化等领域的广泛应用需求，随着技术不断发展，“遥感大数据”系统已建立。特别是分钟级高密度观测站数量持续增加（>10,000个站），为中国LST遥感监测提供了可靠现场数据。TIR监测LST是最广泛使用的遥感方法，但云和薄雾常导致TIR LST数据严重缺失。在本研究中，研究人员采用优化的LSTM方法（ILSTM）在不同区域生成无云小时级LST。ILSTM方法利用源自Himawari-8静止卫星数据的增强LST链接方程，并集成与气候、人类活动、地理和植被数据集相关的多源数据。无云小时级LST的RMSE在各区域范围为0.993-2.280 K，顺序为V

相关新闻