《International Journal of Applied Earth Observation and Geoinformation》:A two-stage transformer framework for reconstructing hourly 1 km all-weather land surface temperature using cross-scale transfer learning
编辑推荐:
地表温度(Land Surface Temperature,LST)作为地表过程研究中的关键热力学参数,在刻画地表能量平衡、水循环以及大气与生物圈之间的物质交换中发挥着核心作用。然而,热红外(Thermal Infrared,TIR)遥感在长期、大尺度应用中面
地表温度(Land Surface Temperature,LST)作为地表过程研究中的关键热力学参数,在刻画地表能量平衡、水循环以及大气与生物圈之间的物质交换中发挥着核心作用。然而,热红外(Thermal Infrared,TIR)遥感在长期、大尺度应用中面临云污染导致的时空不连续以及空间与时间观测能力之间固有矛盾等深层局限。针对同时具有高空间和高时间分辨率、时空连续LST重建的挑战,本研究提出了一种名为ST-LSTrans的双阶段Transformer框架,用于全天气小时级1 km LST重建。该框架通过分阶段迁移学习,显式地将区域尺度热演化与局地尺度空间细节恢复相分离,从而促进时间动态与空间细节的整合,并提高连续LST重建的稳定性。研究以华北平原及其周边地区(110°–125°E,27°–43°N,约146万km2)为研究区,融合MODIS、CLDAS、ERA5、Landsat、VIIRS等多源数据,在2018年全年尺度上构建并验证了该框架。独立验证结果表明,ST-LSTrans能够稳健地生成小时级1 km全天气LST估计,其输出不确定性低于输入标签,有效缓解了传统单阶段跨尺度映射方法中存在的误差累积与空间过度平滑问题。
论文解读
一、研究背景与问题
地表温度(Land Surface Temperature,LST)是描述地表与大气相互作用的关键地球观测变量,在表征地表能量平衡、水循环以及大气与生物圈之间的物质交换中具有核心地位。国际地圈生物圈计划(IGBP)已将LST列为优先监测的物理参数,其在全球气候变化监测、冻土动态、农业干旱预警和城市热岛效应评估等领域具有巨大的应用价值。
然而,卫星热红外(Thermal Infrared,TIR)遥感在长期和大尺度应用中面临两个根本性局限。第一,云污染导致热红外反演LST存在严重的时空不连续问题,数据缺失率持续保持在60%以上,已成为制约其广泛应用的核心瓶颈。第二,当前热红外卫星系统在空间与时间观测能力之间存在固有矛盾,没有任何单一传感器能够同时提供兼具精细空间分辨率和高时间频率的观测。例如,中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)提供1 km分辨率的观测,但每天最多仅有四次过境,难以准确刻画昼夜温度循环(Diurnal Temperature Cycle,DTC)的复杂动态。
为应对高时空分辨率连续LST重建的挑战,已有方法可大致分为三类:时空插值方法受限于原始观测分辨率,难以增强空间或时间分辨率;地表能量平衡(Surface Energy Balance,SEB)模拟方法依赖粗分辨率气象或再分析强迫数据,与细分辨率遥感观测存在尺度失配问题,易造成局部热异质性过度平滑;基于深度学习(Deep Learning,DL)的多源融合方法虽能整合异构观测并捕捉卫星数据、辅助变量与LST之间的复杂非线性关系,但大多数现有框架仍采用单阶段跨尺度映射策略,直接将粗分辨率热背景场中学习到的时间信息通过统一映射过程传递到高分辨率网格。在此过程中,再分析数据的模拟偏差和静止卫星反演的大气校正残差难以有效隔离,这些不确定性可能在降尺度过程中被进一步放大并传播至重建的高分辨率LST中,导致误差累积和时间不一致性。同时,当高分辨率观测因云覆盖而长时间缺失时,模型缺乏稳定的空间细节约束,预测结果会逐渐退化至粗分辨率背景场,造成局部热纹理随时间持续衰减,产生明显的空间过度平滑现象。
二、研究内容与意义
针对上述问题,本研究提出了ST-LSTrans,一种用于全天气小时级1 km LST重建的双阶段Transformer框架。该框架通过分阶段迁移学习,显式地将区域尺度热演化与局地尺度空间细节恢复相分离,旨在促进时间动态与空间细节的整合,同时提高连续LST重建的稳定性。研究区以华北平原为中心,覆盖中国北部和华东中部广大区域,地理坐标范围为110°–125°E、27°–43°N,总面积约146万km2。该区域属于典型的温带半湿润至半干旱大陆性季风气候,地形起伏剧烈,从西北到东南依次穿越黄土高原、太行—燕山山脉和华北平原,海拔从2500 m以上急剧下降至接近海平面,形成了中国东部最典型的高原—山地—平原三级地貌梯度。该地区全年云覆盖频率极高,年平均阴天日数超过180天,导致热红外遥感观测数据严重缺失,加之强烈的下垫面异质性,使其成为评估高时空分辨率LST重建方法在多样环境条件下域内鲁棒性的理想区域。
该研究的核心意义在于:通过分阶段建模策略有效调和了多尺度信息之间的冲突,在保持区域热连续性的同时恢复了局地空间异质性,为连续LST重建中多尺度时空信息的整合提供了一种结构化策略,相较于传统单阶段跨尺度映射框架具有明显优势。
三、主要技术方法
研究人员构建了ST-LSTrans双阶段Transformer框架,用于全天气小时级1 km LST重建。第一阶段利用连续粗分辨率热背景场(CLDAS地表温度,约0.0625°空间分辨率、小时级时间分辨率)学习稳定的区域尺度热演化规律;第二阶段通过迁移学习,利用有限的MODIS高分辨率有效观测(MOD11A1/MYD11A1,1 km分辨率)恢复局地尺度空间细节。模型输入融合了多源数据,包括MODIS LST、CLDAS地表温度、ERA5再分析气象变量(2 m气温、2 m露点温度、地表短波辐射、地表长波辐射、相对湿度、饱和水汽压差)、SMAP土壤湿度、MOD13A1归一化植被指数(NDVI)、CLCD土地覆盖类型以及SRTM数字高程模型(DEM),并加入日、小时、年积日(Day of Year,DOY)作为时间编码特征。Transformer架构主要用于学习多源环境变量之间复杂的非线性交互关系。
四、研究结果
4.1 双阶段框架的重建精度验证
研究人员利用MODIS有效观测作为训练标签,并采用独立验证策略评估模型性能。验证结果表明,ST-LSTrans能够稳健地生成小时级1 km全天气LST估计,独立验证确认了其估计精度具有鲁棒性。
4.2 与输入标签的不确定性对比
研究进一步分析了模型输出的不确定性特征。结果表明,双阶段方法产生的输出不确定性低于输入标签的不确定性,说明该框架在抑制误差传播方面具有优势,能够有效缓解单阶段方法中误差累积的问题。
4.3 空间细节保持能力
通过对重建结果的时空分析,研究发现ST-LSTrans在长时间高分辨率观测缺失的情况下,仍能保持局地热纹理的空间细节,有效缓解了传统方法中随时间推移出现的空间过度平滑现象,在保持区域热连续性的同时兼顾了局地空间异质性。
五、讨论与结论
讨论部分指出,与现有单阶段跨尺度映射框架不同,ST-LSTrans通过分阶段迁移学习显式分离了区域尺度热演化与局地尺度空间细节恢复,为连续LST重建中整合多尺度时空信息提供了一种结构化策略。分阶段学习策略能够在一定程度上缓解不同尺度数据之间的特征偏移和信息冲突,这与多尺度气象降尺度等领域中分阶段学习策略的成功应用相一致。此外,Transformer架构提供的灵活非线性表示和多头特征变换机制,适合整合异构协变量,为所提出的分阶段跨尺度重建框架提供了合适的骨干网络。
研究结论可概括为:本研究提出的ST-LSTrans双阶段Transformer框架,通过分阶段迁移学习有效实现了全天气小时级1 km LST的连续重建。该框架在保持区域热连续性的同时恢复了局地空间细节,输出不确定性低于输入标签,为高时空分辨率连续LST产品生成提供了一种新的有效途径,在气候变化监测、城市热岛效应评估、农业干旱预警等应用中具有广阔前景。