Page 315 - 《高原气象》2026年第3期
P. 315

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                                   923
               公式, 可参考Lundberg et al(2017)的研究。                   切的因子作为模型特征变量, 主要包括反映植被覆
               2. 2. 4 FY-4B地表温度融合方法                             盖对地表蒸散和温度调节作用的 NDVI、 反映下垫
                   FY-4B 云下地表温度重建及融合技术流程如图                       面类型和地表热力属性的土地覆盖类型、 影响太阳
               2 所示。首先, 对选定典型日期的多源地表温度数                          辐射接收和热量分布的地形因子(经纬度、 高程、
               据以及各类辅助数据进行预处理, 包括异常值处                            坡度和坡向等)、 辅助表征地表温度日变化特征的
               理、 筛选晴空或云下像元、 重采样空间匹配和最临                          日积时、 反映时滞影响的前一日地表温度以及作为
               近时间匹配等。其次, 构建与地表温度变化关系密                           强相关先验信息的CLDAS地表温度等。




























































                                                       图2 研究技术路线
                                             Fig. 2 Flow chart of the framework in this study
                   然后, 以晴空条件下的 FY-4B 地表温度作为目                     折交叉验证(5-fold Cross-Validation)结合贝叶斯优
               标变量, 利用 XGBoost机器学习算法对晴空条件下                       化(Bayesian Optimization)进行。具体而言: 将训练
               的 CLDAS 地表温度及其他特征变量进行模型训                          集随机划分为 5 个大小相近且不相交的子集(即
               练。所有样本数据随机划分为训练集(70%)和测试                         “折”); 每一轮验证中, 选取其中 4个子集用于训练
               集(30%)。在模型验证和超参数寻优方面, 采用 5                        模型, 剩余 1 个子集用作独立的验证集, 以评估模
   310   311   312   313   314   315   316   317   318   319   320