融合经验、半物理与机器学习方法生成全球1 km日均地表温度产品（2003–2023）

《Scientific Data》：Global gapless 1?km daily mean land surface temperature (70°N–60°S, 2003–2023) via integrated approaches

　　

摘要

地表温度（LST）是水文与气候研究中的基本变量。然而，卫星热红外观测中的云污染和稀疏的时间采样导致大量数据缺失，阻碍了连续长期高分辨率日均地表温度的生成。尽管目前已有全球缺口填补和再分析基础的地表温度产品，但它们往往面临以下挑战之一：空间分辨率较粗、仅为月均值/日瞬时尺度，或难以在精度与空间纹理之间取得平衡。为应对这些挑战，我们整合了经验方法、半物理方法和机器学习方法，生成了覆盖70°N–60°S、时间跨度为2003–2023年的无缺失1 km日均地表温度数据。我们采用逐像元的、先日均再年周期的、从初步到优化的工作流程，将MODIS观测与全天候现场实测数据进行融合。验证表明，各步骤中精度逐步提升，最终相对于独立地面观测的均方根误差（RMSE）分别为2.073 K（日尺度）和1.511 K（月尺度）。与现有缺口填补产品和再分析数据集的对比表明，我们的结果在统计精度上有所改善——特别是在耕地、草地和寒冷地区——同时在季节鲁棒性和空间纹理方面也有提升，尤其在崎岖地形和城区表现更为突出。