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
   308   309   310   311   312   313   314   315   316   317   318