Page 323 - 《高原气象》2026年第3期
P. 323

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                                   931
               的空间异质性也最明显, 导致模型模拟的微小偏差                           偏差订正, 以一定程度上减弱误差来源。此外, 局
               也容易被放大; 相比之下, 秋季地表热力环境较为                          部区域的误差分布与模型对关键特征的响应密切
               稳定, 9 月 23 日模型精度最高。同时, 这些季节性                      相关。SHAP 分析显示, 高纬度和低 NDVI 对模型
               影响在不同地区表现出更清晰的差异。陕北黄土                             输出有正向贡献, 这一模式在陕北黄土高原地区可
               高原地区(尤其是陕北北部)地表温度对季节性太                            能被过度放大, 导致模型倾向于模拟更高的地表温
               阳辐射变化最为敏感, 夏季升温迅速且温度较高,                           度; 而在陕南秦巴山区, 高 NDVI 的负向贡献可能
               模型能够很好地捕捉到这一特征; 陕南秦巴山区受                           过于显著, 造成模型模拟的地表温度偏低。表明尽
               高植被覆盖影响, 整个生长季都处在相对稳定的                            管模型能够学习到主要物理规律, 但在地形和植被
              “冷岛”中, 地表温度季节性波动相对平缓, 模型表                          格局复杂的局部区域, 仍可能出现“过拟合”现象,
               现较为稳定且良好; 关中平原地区复杂下垫面不仅                           模型的适用性有待进一步提升。
               受到季节节律和地形因素影响, 还受到人类活动                                3. 4 节中采用了气象站点观测地表温度对遥感
              (如“城市热岛”效应)的显著调控, 为模型精准模拟                          产品和融合结果的精度和质量进行检验评价, 然
               带来更大挑战。因此, 未来的研究应用中, 针对特                          而, 由于地面站点观测仪器的不确定性、 站点观测
               定季节或特定地区进行模型优化, 可能会进一步提                           的空间代表性、 站点数量的局限性以及卫星像元的
               升融合结果精度。                                          代表性等因素, 都可能在一定程度上影响检验结果
                   CLDAS 地表温度作为驱动融合模型的核心特                        的真实性(马晋等, 2017; 闵文彬等, 2015; 王圆圆
               征变量之一, 其精度和稳定性很大程度上会影响云                           等, 2014)。此外, 对于单点观测的地表温度随时
               下地表温度重建的效果。选择 CLDAS 地表温度作                         间的快速变化, 大范围空间的遥感产品和融合结果
               为关键特征变量, 主要基于其作为国内高质量、 高                          在捕捉这种快速动态响应方面可能存在能力限制。
               价值、 时空连续的陆面同化分析产品的优势, 能够                          后续研究中可以考虑引入更多来源的地表温度数
               为模型提供可靠、 无云遮挡的全覆盖背景场(师春                           据, 并结合遥感真实性检验站网建设, 以扩充用于
               香等, 2019)。同时, CLDAS 地表温度分析产品                      检验的“真值”样本量和代表性, 从而进一步提升检
               V2. 0 为业务实时运行产品, 数据滞后时间约 1 h,                     验结果的可靠性和适用性。
               时效性可满足大多数业务化应用的需求。另外, 本                               本研究初步实现了云下地表温度数据的有效
               研究方法实质上是利用XGBoost算法学习FY-4B地                       重建和融合, 提升了数据时空连续性。然而, 对于
               表温度与 CLDAS 地表温度之间的“偏差”关系, 以                       FY-4B地表温度自身可能存在的系统性误差以及其
               及这种偏差如何受到地形、 植被、 土地覆盖等辅助                          他随机误差或偏差的订正工作尚未深入展开。在
               变量的影响。从 SHAP 分析结果也可以看出, 虽然                        此基础上, 基于订正后的数据进一步优化融合方
               CLDAS 地表温度是模型贡献最大的特征变量, 但                         法, 并系统对比和检验其融合效果与精度, 将成为
               纬度、 NDVI 等辅助变量也发挥了重要作用, 模型                        下一阶段研究的重点方向。未来还将关注方法在
               可以有效学习不同下垫面对 CLDAS 地表温度所提                         不同气候和地理特征区域的迁移性应用分析, 以评
               供背景场的调节和订正作用, 从而生成更符合 FY-                         估和提升融合模型的泛化能力。
               4B 遥感产品空间细节特征的地表温度分布。因                            5  结论
               此, 模型最终学习到的是一种基于多因素物理影响
               的“订正”模式, 而非对 CLDAS 地表温度数值的简                           本研究基于 XGBoost 机器学习算法融合多源
               单“记忆”。                                            数据, 重建典型日期的陕西省云下地表温度, 并将
                   融合试验中误差的一个重要来源是FY-4B地表                        其与 FY-4B 晴空数据融合, 定量评估地表温度融合
               温度本身存在的系统性偏差。如图 3 所示, 晴空条                         精度和效果, 利用机器学习可解释性方法解析影响
               件下, FY-4B 地表温度在前两个典型日期相较于                         融合模型的关键因子及其相对重要性, 得到以下主
               CLDAS 地表温度存在明显的系统性偏低现象, 尤                         要结论:
               其是在高温区。这种固有偏差不可避免地被融合                                (1)  典型日期融合后的云下地表温度与作为参
               模型学习并传递到云下区域的重建结果中, 具体表                           考的 CLDAS 地表温度展现出高相关性(r>0. 91),
               现为图 5 和图 6 中, 午后关中和陕南大部分地区的                       且 MAE 和 RMSE 稳定在 2~4 ℃范围内或相比晴空
               融合地表温度同样较 CLDAS 地表温度偏低。未来                         区域降低 0. 5 ℃以上。融合方法有效填补了云层覆
               研究中可考虑在模型训练前对FY-4B地表温度进行                          盖区域的数据空缺, 同时保留了 FY-4B 晴空数据的
   318   319   320   321   322   323   324   325   326   327   328