Page 317 - 《高原气象》2026年第3期
P. 317
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 925
3. 2 地表温度融合效果 晴空区域也有所减小, 尤其是 6 月 14 日和 9 月 23
利用 XGBoost 机器学习算法最优模型重建及 日, 误差范围保持在 2~4 ℃, 5 月 16 日的误差也有
融合后的云下区域地表温度结果与对应格点 CL‐ 超过 0. 5 ℃的降幅。从散点密度分布上可以看到,
DAS 地表温度进行对比分析(图 4)。从图 4 中可以 虽然融合后的云下地表温度在高值区仍然存在一
看出, 与图 3 的晴空区域结果对比, 重建后的云下 定程度的低估现象, 但总体上其与 CLDAS 地表温
区域地表温度与 CLDAS 地表温度的相关性在不同 度的一致性相对更高, 表明经过重建后的云下地表
日期均有一定的提升, 相关系数均在 0. 91以上, 其 温度能够较好地保留 FY-4B 地表温度原始数据特
中 9月 23日可达 0. 95。同时, MAE和 RMSE相较于 征, 同时, 整体误差水平可能进一步减小。
图4 不同典型日期下的云下FY-4B地表温度融合结果与CLDAS地表温度格点检验对比
Fig. 4 Grid-based comparison of FY-4B fused fused cloud-coverd LST and CLDAS LST on different typical dates
为了直观反映出融合生成的全天候地表温度 结果能够较为清晰地反映出这些因素对地表温度
在空间连续性及分布特征上的表现, 对典型日期 空间格局的影响, 显示出该融合结果具有较强的潜
08:00 -17:00 逐 3 h 的 FY-4B 地表温度原始产品、 在业务服务应用价值。
CLDAS 地表温度和融合结果进行对比分析(图 5~ 然而, 也应该看到在某些时段和特定区域, 融
7)。从图 5~7中可知, 在不同日期和不同时次, FY- 合结果与 CLDAS 地表温度之间仍存在数值偏高或
4B 地表温度原始产品均存在超过 20% 的区域被云 偏低的现象, 这种偏差在空间分布图上较为明显。
层覆盖, 导致无法获取有效的地表温度遥感监测数 例如, 在 5 月 16 日和 6 月 14 日的午后时段, 陕北北
据, 这种情况对于依赖连续时空数据的卫星遥感全 部部分地区的融合地表温度呈现偏高现象, 而关中
天候监测业务服务带来了较大限制, 特别是夏季高 中部和陕南大部分地区的融合地表温度则相对
温或冬季寒潮等极端天气发生期间。经过融合后 偏低。
得到的全天候地表温度结果能够有效填补云下区 3. 3 地表温度融合模型可解释性
域的数据空缺, 并在晴空区域最大限度地保留了 通过对不同日期 XGBoost 机器学习算法最优
FY-4B 地表温度原始产品的数据特征, 整体上与 模型的特征变量进行 SHAP 值分析, 评估各特征的
CLDAS 地表温度展现出较高的空间分布相似性。 重要性排名, 并探讨特征变量取值对模型的影响,
特别是在分析陕北黄土高原、 关中平原等区域午后 可以明确哪些特征变量对模型模拟能力贡献较大,
的快速升温及高温分布特征, 以及秦巴山区等复杂 以及其是如何影响模型的。不同日期模型中 SHAP
地形区域的地表温度空间异质性方面, 融合结果表 值居前 5的重要特征变量及其对模型输出的影响分
现相对较好, 这些区域的地表温度受土地覆盖类 布如图 8 所示。总体来看, CLDAS 地表温度(包括
型、 海拔、 植被覆盖等多种因素的显著影响, 融合 当日和前一日)对模型模拟结果的影响最为明显。

