将基于云的技术进行的大陆表面温度降尺度处理（从未经过降尺度的30米分辨率数据降至10米分辨率数据）的适用性：针对不同气候区的16个城市进行的评估

《Remote Sensing Applications: Society and Environment》：Transferability of cloud-based land surface temperature downscaling from 30 m to 10 m: a 16-city assessment across climate zones

　　**摘要**
地表温度（LST）降尺度工具有时被描述为可以在不同城市和气候区之间通用，但这一说法很少在多个城市中进行验证。本研究将一个固定的随机森林（RF）模型应用于覆盖10种K?ppen-Geiger类型和5个大陆的16个城市，且无需针对每个城市进行单独调整。该模型使用了主要来自Sentinel-2和Sentinel-1的十个预测因子，并以30米分辨率对Landsat 8/9的热数据进行了重采样。通过留一城市法（LOCO）和留一气候区法（LOCLO）进行交叉验证来衡量模型的迁移准确性。城市内的均方根误差（RMSE）范围从1.07°C（利雅得）到3.93°C（上海）不等。留一城市法的平均迁移误差为1.76°C，留一气候区法的平均迁移误差为2.56°C。有九个城市的迁移误差低于2°C，而开罗、利雅得、拉各斯和基加利的误差超过4°C，且它们的R2值显著较低，需要重新训练模型。去除所有气候类型相同的城市后，迁移误差仅增加了0.17°C（r = ?0.15），说明城市内的准确性并不能准确预测迁移误差。两个属于同一K?ppen类型的城市之间的LST差异可达3.45°C，表明气候相似性作为迁移效果的指导因素较弱。预测因子空间距离也不足以预测迁移结果：即使使用适用区域方法，也只能发现其中两个失败的案例。迁移失败的原因包括预测因子值超出学习范围、模型未掌握某些关键预测因子，以及有些失败情况无法用任何模型解释。预先检查可以帮助识别需要本地验证的城市，但无法保证所有城市的迁移效果都能成功。

**引言**
卫星-derived的地表温度（LST）是研究城市热岛效应（SUHI）、城市规划和与热相关的健康风险评估的关键数据（Hu & Uejio, 2024; Zhou et al., 2018）。然而，现有传感器在空间分辨率和时间分辨率之间存在权衡（Pu & Bonafoni, 2023; Zhan et al., 2013）。中分辨率成像光谱辐射计（MODIS）虽能每日获取数据，但分辨率约为1公里，难以捕捉城市内部的热模式（Chang et al., 2023）。Landsat提供分辨率为100米的热数据（重采样至30米），但其16天的 revisit周期限制了数据的使用频率（Hutengs & Vohland, 2016; Ona?illová et al., 2022）。为弥补这一不足，LST降尺度方法利用高分辨率传感器的空间细节作为预测因子，以Landsat的热观测数据作为校准目标。Sentinel-2（10-20米）和Sentinel-1合成孔径雷达（SAR，10米）的出现使得10米分辨率的LST产品成为可能（例如Faraji et al., 2025; Ona?illová et al., 2022; Xu et al., 2021）。早期基于单一NDVI-LST关系的降尺度方法（如TsHARP (Agam et al., 2007, 2008) 和 DisTrad (Kustas et al., 2003)）在异质性城市环境中效果不佳（Firozjaei et al., 2022; Pu & Bonafoni, 2023）。近年来发展出了更多基于机器学习的方法，尤其是随机森林（RF），它能更好地处理多个相关预测因子和非线性关系（Das et al., 2025; Hutengs & Vohland, 2016; D. Roy et al., 2025）。其他方法还包括基于地理神经网络的加权回归（GNNWR），允许预测因子-LST关系在空间上有所不同（Liang et al., 2023）。物理基础方法则从地表能量平衡（SEB）组分推导出精细的模式（Firozjaei et al., 2024）。简化操作方案（如SED算法）旨在降低计算成本并扩大适用范围（Dong et al., 2023）。这些方法都在各自的特定研究地点开发和评估，但尚未探讨固定模型转移到新城市时准确性的损失情况。云计算平台（如Google Earth Engine, GEE）降低了这些方法的共享门槛（Zaki & Jasku?a, 2025）。Ona?illová等人（2022）发布了开源的GEE工具用于Landsat到Sentinel-2的降尺度转换，Abunnasr和Mhawej（2022）开发了可移植到其他地区的自动化10米LST产品。一些研究者声称他们的方法具有全球通用性（例如Abunnasr & Mhawej, 2022, 2023; Dong et al., 2020）。Dong等人（2020）在全球32个地点测试了多种算法组合，指出某些模型在新的应用地点表现不佳，可能与气候、地形和土地利用条件有关。虽然这些研究表明在某地训练的模型在其他地方未必表现同样好，但它们未量化模型未经重新训练时的准确性损失程度，也未探讨为何某些城市迁移成功而另一些失败。

**引言（续）**
最常见的假设是气候相似性决定了迁移效果。这一假设符合LST与预测因子关系的物理特性。Karnieli等人（2010）发现NDVI-LST关系在水资源限制区和能源限制区之间可能发生变化。Naserikia等人（2022）和Yang等人（2021）指出不同气候类型城市的LST主导预测因子存在差异。Sobremonte-Maglipo等人（2024）证实了热带城市化地区NDVI、NDBI和LST之间的强相关性，但这种关联受地理位置影响。因此，理论上在温带城市训练的模型应能在其他温带城市中良好迁移，而在干旱或热带城市中表现较差。然而，两个事实使这一假设复杂化：即使气候相似，两个城市的预测因子-LST关系也可能不同（Das et al., 2025; Naserikia et al., 2022），且RF等灵活的机器学习模型可能依赖特定于训练地点的预测因子模式，这些模式在新地点不再适用（Meyer et al., 2018, 2019）。如果气候相似性作为迁移效果的指导因素不足，那么还需要其他因素。一个可能的替代指标是目标城市在预测因子空间中的位置，因为模型无法在其预测因子值或关系與训练数据不同的地方有效工作。Meyer和Pebesma（2021）提出了“适用区域”概念，用于生态制图而非城市LST分析。目前尚不清楚这一指标是否能有效区分迁移成功的城市和失败的城市。

**测试迁移性**
研究采用留一城市法和留一气候区法的交叉验证来评估模型的迁移能力。Roberts等人（2017）指出应通过分组交叉验证来评估模型性能，以避免低估预测误差。然而，LST降尺度研究大多仍使用单城市内的随机训练-测试分割数据（Ona?illová et al., 2022; Xu et al., 2021; Yuan et al., 2025），使得迁移性的有效性缺乏验证。本研究将一个固定的RF降尺度模型应用于覆盖10种K?ppen-Geiger类型和5个大陆的16个城市，无需针对每个城市进行调整。这种固定模型设计有助于清晰地分离迁移效应和重新训练效应。

**研究方法**
首先确定了城市内的基线准确性（RQ2），作为衡量跨城市迁移误差的参考。随后分析城市内准确性的变化（RQ2）以及预测因子在不同气候区的重要性（RQ3）。结果按顺序呈现，首先介绍基线数据（RQ2），然后是预测因子模式（RQ3），最后是跨城市迁移效果（RQ1）。这些发现为城市热岛监测和健康风险评估提供了实用的信息：评估迁移模型的准确性损失、判断城市迁移安全性的方法，以及说明现有验证方法不足以确认安全性的结论。

**数据与方法**
选择了16个城市（见图1），涵盖5个大陆的10种K?ppen-Geiger类型（表2）。选择标准包括：涵盖文献中提到的四种气候类型（Karnieli et al., 2010; Naserikia et al., 2022）；每个气候类型至少包含一个样本点，以便区分区域内和区域间的差异。数据代码存档在Zenodo（https://doi.org/10.5281/zenodo.21117899），包括用于数据预处理、预测因子计算和10米LST绘制的Google Earth Engine脚本，以及三个Python脚本（算法和超参数选择、跨城市迁移性实验和图表生成）。

**结论**
本研究验证了固定LST降尺度模型是否可在不同城市和气候区之间迁移，并探讨了迁移误差的影响因素。结果显示，该模型在大多数城市中表现良好，但迁移误差受气候、地形和土地利用条件的影响。所有实验中使用的采样训练数据（80个CSV文件，每城市每年一份，时间范围为2021-2025年）都存放在同一个数据库中。