基于多源遥感数据和机器学习方法的地表温度降尺度

地表温度(land surface temperature，LST)是研究环境和生态过程的关键参数，在评估城市热岛效应、热相关问题、陆地-大气交换过程以及提供全球和关键区域的地表温度变换观测具有重要意义。热红外遥感是目前获取地表温度数据最有效的手段，而通常遥感 LST 产品难以同时兼顾高时间和高空间分辨率，通过融合不同传感器间的数据是提高 LST 时空分辨率的重要手段之一。近年来随着机器学习的发展，各种机器学习方法在地表温度降尺度的研究中应用广泛。本研究应用随机森林(RF)和LightGBM方法在武汉市进行了地表温度降尺度，使用FY-4A、Modis、Landasat卫星地表温度数据，结合降尺度因子:数字高程模型(DEM)、归一化植被指数(NDVI)、归一化建筑指数(NDBI)生成逐小时30m的无缝LST.研究的第一步融合MODIS和FY-4A地表温度数据，得到逐小时 1km的类MODIS地表温度数据，第二步融合第一步所得到的类MODIS和Landsat数据，得到逐小时 30m的地表温度数据集。通过降尺度数据集与Landsat LST之间的决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)对降尺度方法的性能进行了评估。在单变量回归中，LightGBM的评价指标为R2(0.64)、RMSE(1.12 K)和MAE(0.75 K)，RF回归结果(R2、RMSE 和 MAE 分别为 0.60、1.27 K和 0.87 K);加入降尺度因子后，LightGBM模型的平均R2为0.67，平均RMSE为 1.10K，平均MAE为0.74K，RF方法的平均R2、平均RMSE和平均MAE分别为0.63、1.24K和0.84K.验证结果表明，LightGBM模型的误差值小于RF方法，而降尺度因子(DEM、NDVI、NDBI)的加入能有效的提升降尺度结果的精度。