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。
   312   313   314   315   316   317   318   319   320   321   322