基于机器学习降尺度 MODIS 地表温度的极度干旱特大城市精细化热制图

《Sustainable Cities and Society》：Fine-scale urban heat mapping by machine learning downscaling of MODIS land surface temperature in a hyper-arid megacity

　　

摘要细尺度地表温度（LST）是评估城市地表热岛和热暴露的基础，然而热传感器在空间细节和时间频率之间存在权衡。我们评估了一个可复现的机器学习框架，该框架在 2025 年夏季将埃及大开罗超干旱特大城市的季节性中位数 MODIS 白天 LST 从 1 km 降尺度到 100 m。将粗尺度 LST 与细尺度预测因子（Sentinel-2 指数、地形导数和亚像元 ESA WorldCover 比例）进行尺度一致的回归，并结合加法残差校正；比较了七种算法。通过交叉验证、重聚合的尺度一致性以及与 Landsat-8/9 的比较来评估产品。在粗尺度上，预测因子与 LST 之间的关系很强（直方图梯度提升：R2 = 0.94，RMSE = 0.77°C；在 3–8 km 阻断下为 0.93–0.92）；重聚合显示近似 MODIS 一致性（R2 = 0.83–0.99，取决于模型；对于信号一致的模型偏差很小）；100 米场恢复了城市内部的热模式。然而，与 Landsat 相比，每个与粗信号一致的产品都显示出巨大的系统冷偏差（?5.5 至 ?6.1°C）和负的 R2，同时保持中等空间相关性（r 高达 0.84）；偏差在水面上最小，在建成区和裸露表面上最大。未降尺度的 MODIS 场带有相同的偏移（?5.93°C），十二对同日配对也是如此（?6.3 ± 2.0°C），因此它是在经验测量的尺度一致性误差范围内继承自 MODIS–Landsat 产品对的，而不是由锐化产生的。统计锐化忠实地重新分布父传感器的信息，但无法调和传感器间的差异；非重合的精细图像不是降尺度城市 LST 的有效绝对参考。

引言地表温度（LST）是控制陆地与大气之间能量和水交换的主要因子，也是用于监测地球系统的基本气候变量之一（Voogt & Oke, 2003; Weng, 2009）。在城市中，它主导着地表城市热岛（SUHI），即建成环境相对于其周围环境的表面温度升高，这影响了人类热舒适度、建筑能源需求、空气质量和热相关死亡率，因此是城市宜居性和可持续性的核心（Stewart & Oke, 2012; Mirzaei, 2015; Zhou et al., 2019; Li & Chen, 2023）。热红外遥感提供了在大城市区域一致观测 LST 的唯一实用手段，卫星记录现在被广泛用于绘制和监测 SUHI（Peng et al., 2012; Zhou et al., 2019）。

没有单一的热传感器能同时提供城市气候分析所需的空间细节和时间频率。像 MODIS 这样的极轨仪器以约 1 km 的粗空间分辨率获取每日 LST，这平滑了定义城市景观的不透水、植被和裸露表面的细碎镶嵌体，而 Landsat 的热波段以约 100 米解析该镶嵌体，但每 16 天才能重访给定位置一次，且经常受到云的干扰（Wan, 2014; Malakar et al., 2018; Gorelick et al., 2017）。这种空间 - 时间权衡推动了大量关于 LST 降尺度（也称为热锐化或离散化）的工作，旨在结合粗数据的丰富时间性与更精细协变量的空间细节（Zhan et al., 2013; Feng et al., 2015; Firozjaei et al., 2022）。

早期的锐化方法利用了 LST 与植被丰度之间的负相关关系。Kustas 等人（2003）的辐射地表温度离散化程序（DisTrad）和 Agam 等人（2007）密切相关植被指数锐化方法将粗 LST 回归到植被指数，并在更细尺度上应用该关系，添加残差项以保留粗信号。后续工作将预测因子集扩展到植被之外，包括反照率、不透水面和湿度指数以及地形，这改善了植被单独是弱描述符的城市和干旱表面的性能（Dominguez et al., 2011; Gao et al., 2012）。引入了地理加权回归和非线性离散化变体，以适应 LST 与其协变量之间非平稳、尺度相关的关系（Bindhu et al., 2013; Duan & Li, 2016）。

在可持续城市研究中，机器学习与遥感的结合已成为表征城市热环境并为缓解措施提供信息的中心工具（Li et al., 2023）。因此，机器学习已成为 LST 降尺度的主要方法，因为它可以在没有显式函数形式的情况下表示复杂的、非线性和交互的控制因素。随机森林、梯度提升树、支持向量机、k-近邻和神经网络均已得到应用，通常优于线性和单指数方法（Hutengs & Vohland, 2016; Ebrahimy & Azadbakht, 2019; Li et al., 2019; Rawat et al., 2019）。比较研究报告称，集成树方法通常是跨土地覆盖类型最准确和最稳定的（Li et al., 2019），特别是随机森林因其准确性和可解释的预测因子重要性度量而成为遥感中的标准工具（Breiman, 2001; Belgiu & Dr?gu?, 2016）。最新的贡献转向基于核和融合的混合、引导滤波方案和复合框架，进一步将 LST 锐化到几十米（Guo et al., 2022; Dong et al., 2023; Hu et al., 2024）。深度卷积架构也已应用于热锐化和时空融合（Yin et al., 2021），尽管此类图像到图像的方法通常需要配对的粗和细分辨率热图像进行训练，这一要求的影响在第 4.5 节中讨论。基于云的 Google Earth Engine 降低了组装这些方法所需的多传感器预测因子栈的门槛（Gorelick et al., 2017; Ermida et al., 2020）。

大开罗是非洲和中东最大的都市区，是一个超干旱特大城市，其密集建成的核心和灌溉的尼罗河走廊嵌入在炎热的沙漠中。随着快速的城市扩张，其 SUHI 已加剧，几项研究已使用 MODIS 和 Landsat 数据绘制了该现象（Athukorala & Murayama, 2021; Ashraf et al., 2023; Abou Samra, 2023）。跨尼罗河三角洲和埃及城市及工业走廊的区域研究记录了加剧的地表热岛、变暖趋势和热应力负担（Abbas & Hamdi, 2022; Hamdi et al., 2024, 2025; Nahas et al., 2025），机器学习越来越多地应用于支持干旱环境下的热缓解规划（Hamdi et al., 2026），针对独立的热图像。

热遥感更广泛地用于量化地表城市热岛及其在不同城市中依赖土地利用和表面覆盖的情况，包括通过地表温度反演和变化分析（Singh et al., 2017; Dwivedi & Khire, 2018）。在此类干旱环境中，一个反复出现且违反直觉的发现是白天地表“冷岛”，即植被覆盖和建成的城市比周围阳光照射的沙漠更冷，城市增温主要出现在夜间（Athukorala & Murayama, 2021; Abulibdeh, 2021; Bouketta, 2023）。地表城市热岛对土地利用和土地覆盖的依赖已在许多快速城市化的城市中得到记录，包括在干旱和半干旱地区（Naikoo et al., 2022; Talukdar et al., 2024）。在单个社区尺度——即规划热缓解和城市绿化措施的尺度——分析城市内部热模式，需要比 MODIS 提供的精细得多的 LST 分辨率，然而仍然存在两个缺口。首先，尽管机器学习降尺度已在温带和半干旱地区得到证明，但其在表面异质性和热对比极端的超干旱特大城市上的行为仍然知之甚少，主要算法家族的相对性能尚未在这种环境中进行比较。其次，降尺度产品经常与被视为真值的单一更精细热图像进行验证，即使该图像很少与粗源同时获取；由此产生的在超干旱表面上的误差大小和结构，以及非重合图像是否可作为绝对参考这一更一般的问题，受到的关注很少（Zhan et al., 2013; Sf?c? et al., 2023; Firozjaei et al., 2022）。据我们所知，没有先前的研究在超干旱特大城市中共同比较了主要的机器学习降尺度算法家族，同时测试跨传感器验证本身的有效性。

本研究通过开发一个集成的、完全可复现的机器学习框架来解决这些缺口，该框架将大开罗的季节性中位数 MODIS 白天 LST 从 1 km 降尺度到 100 m，并应用三阶段评估。具体目标是 (i) 在 Google Earth Engine 中组装 Sentinel-2 光谱指数、地形导数和 ESA WorldCover 比例的细分辨率预测因子栈；(ii) 在共同的尺度一致、残差校正锐化方案中比较七种回归算法；(iii) 通过粗尺度交叉验证、尺度一致性以及与 Landsat 地表温度的独立比较（包括按土地覆盖的误差分析）来评估降尺度场。我们不声称算法上的新颖性：锐化方案遵循既定的残差回归范式，七种算法是在共同协议下运行的标准实现。预期的贡献是三个方面。首先，该研究提供了主要回归算法家族——线性、核、基于邻域、神经和集成树——在单一尺度一致方案中的受控基准，在一个以前未报告此类比较的超干旱特大城市中。其次，它利用该框架质疑跨传感器验证本身：因为残差校正约束每个产品重聚合到父观测，所以预期与独立更精细传感器的任何偏移都是在经验测量的重聚合误差范围内继承自父传感器的（第 3.7 节），设计使这种继承可测量。第三，它将结果提炼为用于降尺度城市 LST 的明确评估协议，该协议将内部必要条件与外部绝对和相对基准分开。季节性中位数合成物作为这些问题的稳定测试平台；该框架不变地适用于个别每日场。因此，论文的核心问题不仅是机器学习能在多大程度上锐化超干旱特大城市上的 MODIS LST，而是现实可用的评估数据能以及不能揭示关于结果准确性的什么信息。

部分片段

研究区大开罗 29.80°–30.35° N, 31.00°–31.55° E（图 1），跨越埃及北部尼罗河谷及相邻的东部和西部沙漠。该地区具有热带沙漠气候（柯本 BWh），夏季漫长且无雨，暴露的沙漠和不透水表面的白天地表温度通常超过 45°C。景观被尖锐地划分为连续建成的城市核心及其不断扩张的卫星城市、一条狭长的灌溉农田和植被...

预测因子特征及其与 LST 的关系三十个预测因子显示了该地区预期的空间组织（图 3）：植被和湿度指数在尼罗河沿岸和灌溉土地上较高，在沙漠上较低，而建成区和短波红外信号显示出相反的模式。与 LST 的相关结构在物理上是相干的（图 S1；表 S2）。与 LST 获得的最强正相关是第二个短波红外波段（r = 0.77），归一化建成...

内部一致性与跨传感器差异评估产生了两个表面上矛盾的结果，综合起来定义了本研究的核心信息。一方面，该框架在所有内部标准下表现优异：粗尺度 LST 场的交叉验证 R2 高达 0.94，锐化产品重聚合到 MODIS 观测值时的偏差接近于零，表明残差回归方案既提取了 LST-预测因子关系，又保存了父级...

结论本研究开发了一个集成的、可复现的机器学习框架，将大开罗超干旱特大城市的 MODIS 白天 LST 从 1 km 降尺度到 100 m，在共同的尺度一致、残差校正方案中比较了七种回归算法，并针对三个独立基准评估了结果；主要发现总结在表 5 中。粗尺度 LST 场可以从 Sentinel-2 指数、地形导数和...的栈中高度预测。

数据可用性所有输入数据集都通过 Google Earth Engine 公开可用：MODIS MOD11A1（NASA LP DAAC）、Landsat Collection-2 Level-2（USGS）、Sentinel-2 Level-2A（ESA / Copernicus）、SRTM 数字高程模型（NASA）和 ESA WorldCover 2021（ESA）。支持本研究发现的代码可在合理请求下从通讯作者处获得。

资助本研究未收到来自公共、商业或非营利部门资助机构的任何特定资助。

未引用参考文献Jiménez-Mu?oz and Sobrino, 2003, Oke, 1982

CRediT 作者贡献声明Islam M.

Hamdi：写作 – 审查与编辑，写作 – 初稿，验证，软件，资源，方法学，调查，形式分析，数据整理，概念化。
利益冲突声明
作者声明，他们没有任何已知的竞争性财务利益或个人关系，可能被认为会影响本文中报告的工作。
致谢
作者感谢上述数据提供者为本研究使用的卫星档案提供开放访问。
Islam M. Hamdi
地理与 GIS 系，文学院，贝尼苏韦夫大学，贝尼苏韦夫 62521，埃及