Page 313 - 《高原气象》2026年第3期
P. 313
3 期 张煦庭等:基于XGBoost算法的FY-4B地表温度融合方法研究——以陕西省为例 921
的 静 止 轨 道 辐 射 成 像 仪(Advanced Geostationary 算法融合多源数据, 重建典型日期的云下地表温
Radiation Imager, AGRI)能够利用热红外遥感技术 度, 并将其与 FY-4B 晴空数据融合, 生成逐小时全
提供高时空分辨率的晴空条件下地表温度遥感产 天候地表温度数据; 定量评估地表温度融合精度和
品, 为我国开展精细化地表热环境监测与研究提供 效果, 检验其空间分布特征的合理性与一致性; 采
了有力的数据支撑。 用 SHAP可解释性方法解析影响地表温度融合模型
然而, 利用热红外遥感技术反演地表温度的一 的关键因子及其相对重要性, 以期为提升国产气象
个固有局限性在于, 其通道信号无法有效穿透云 卫星遥感产品的业务化应用水平提供方法支持, 并
层, 导致在有云层覆盖的区域无法直接获取地表温 对完善区域尺度的全天候地表热环境监测业务服
度信息, 从而在地表温度遥感产品中产生大量的无 务具有重要的实践价值。
效值或数据空缺, 特别是在多云天气条件下(丁利 2 数据来源与方法介绍
荣等, 2023; 段四波等, 2021; 何坤龙等, 2021)。
这种数据的时空不连续性极大地限制了地表温度 2. 1 数据来源
遥感产品在需要完整空间覆盖和连续时间序列分 2. 1. 1 FY-4B地表温度遥感产品
析的应用场景中的有效性。为应对此挑战, 研究人 FY-4B 地表温度遥感产品(以下简称 FY-4B 地
员提出了多种云下地表温度重建及估算方法, 传统 表温度)来源于风云卫星遥感数据服务网(https: //
方法主要包括基于时间序列分析的方法(周义等, satellite. nsmc. org. cn/DataPortal/cn/home/index. ht‐
2014; Ghafarian Malamiri et al, 2018; Mo et al, ml), 该产品为业务化实时运行的全圆盘观测地表
2021)、 基于空间关系插值的方法(周义等, 2013; 温度 L2 级产品, 在生产流程中已通过严格的质量
崔晓临等, 2018)、 结合地表能量平衡物理模型的 控制。经与国际主流的 MODIS 地表温度遥感产品
估算方法(周义等, 2013; Zeng et al, 2018; 王斐 的对比检验, 其温度精度在±2. 5 K范围内的像元占
等, 2019)以及利用相关参数(如气象观测、 地形、 比约为 85%。该产品基于 FY-4B/AGRI 的两个热红
植被等要素)构建统计模型的方法(刘勇洪等, 外通道(中心波长为10. 8 μm和12. 0 μm)数据反演得
2024; 周义等, 2014)。此外, 与具有更强云层穿透 到晴空条件下的实时地表温度, 时间分辨率为
能 力 的 被 动 微 波 遥 感 数 据 进 行 融 合(张 晓 东 , 15 min, 空间分辨率为4 km×4 km。选择2024年3 -9
2021; 刘勇洪等, 2024)也是常用的途径。 月 08:00 -17:00(北京时, 下同)的数据进行检验和
近年来, 机器学习算法因其强大的非线性拟合 融合试验, 并对原始数据进行了投影转换、 区域裁
能力以及处理复杂高维度数据的优势, 在地球科学 切等预处理, 同时保留了云掩膜信息。
领域展现出巨大的应用潜力(Zhao et al, 2024)。其 为确保模型构建和试验的有效性, 需要对数据
中, 以极端梯度提升(XGBoost)、 随机森林(Ran‐ 日期进行进一步筛选。选取的FY-4B地表温度数据
dom Forest, RF)、 LightGBM 等为代表的高效、 高 日期需满足以下条件: (1)为检验算法对云下区域
性能集成学习算法, 已被广泛应用于遥感产品反演 的重建能力, 要求每景影像数据中研究区域的有云
重建(温开祥等, 2020; 何坤龙等, 2021; Zhong et 覆盖像元比例应达到或超过 20%; (2)为保证模型
al, 2021; Li et al, 2024)和多源数据融合(杨晋云 有充足的有效样本进行训练, 要求当日数据中晴空
等, 2021; 张钧民等, 2021; 贾何佳等, 2022; 张德 像元比例应达到或超过 40%; (3)为避免训练样本
军等, 2024; Zhang et al, 2024; 周媛媛等, 2025)等 空间分布不均带来的偏差, 要求云层覆盖尽可能在
研究中。因此, 基于机器学习算法融合来自不同来 空间上均匀分布; (4)为满足模型输入要求, 当某
源(如陆面同化数据、 观测数据、 遥感数据等)的多 日数据满足前 3 个条件时, 还需同时获取其前一日
源数据信息, 为开展地表温度融合方法研究提供了 的数据用于模型训练。根据上述标准, 最终选定用
有效的技术路径。 于 FY-4B 地表温度检验及融合试验的典型日期为
基于以上论述, 针对 FY-4B 地表温度遥感产品 2024年 5月 16日、 6月 14日和 9月 23日。这些日期
在云层覆盖区域的数据缺失问题, 提出一种基于 大致可代表春季(3 -5 月)、 夏季(6 -8 月)和秋季
XGBoost机器学习算法的多源数据融合框架。研究 (9 -11月)的地表温度时空特征。
选取陕西省作为典型区域, 该区域地形地貌复杂多 2. 1. 2 CLDAS地表温度分析产品
样, 气候特征差异显著, 对全天候地表温度监测具 CLDAS地表温度分析产品 V2. 0为亚洲范围的
有迫切需求。因此, 本研究基于 XGBoost机器学习 逐小时 0. 0625°×0. 0625°的地表温度分析产品, 该

