陸地表面溫度是描述區(qū)域或者全球范圍內(nèi)陸地表面與大氣的相互作用和能量平衡最重要的環(huán)境參數(shù)之一。針對目前尚未有遙感衛(wèi)星能夠同時(shí)提供具有高時(shí)間和高空間分辨率的地表溫度產(chǎn)品的問題,國內(nèi)外學(xué)者發(fā)展了多種對低空間分辨率的地表溫度進(jìn)行降尺度的算法。然而,由于對地表溫度解釋變量和降尺度模型的選擇往往具有區(qū)域局限性,導(dǎo)致了降尺度模型的泛化能力受到了一定的限制。本文首先評估了地表反射率、遙感光譜指數(shù)、地形因子、地表覆蓋、經(jīng)緯度以及基本狀態(tài)變量6類環(huán)境參量與地表溫度之間的相關(guān)關(guān)系,并在此基礎(chǔ)上篩選出最佳解釋變量;同時(shí),結(jié)合在非線性回歸問題上表現(xiàn)比較優(yōu)秀的隨機(jī)森林算法,建立了一種魯棒性的基于隨機(jī)森林算法地表溫度降尺度模型（RRF）。本文選取了中國范圍內(nèi)具有代表性的11個(gè)地區(qū)作為主要研究區(qū),將空間分辨率為1 km的MODIS地表溫度產(chǎn)品降尺度至90 m。以北京市2個(gè)典型地表類型的子區(qū)域?yàn)榇硌芯繀^(qū),通過與傳統(tǒng)的基于歸一化植被指數(shù)與地表溫度相關(guān)關(guān)系的TsHARP模型,以及基于紅波段和近紅外波段以及地表高程作為尺度因子建立的簡單Basic-RF模型的對比分析可得,RRF模型在2個(gè)子研究區(qū)降尺度結(jié)果均優(yōu)于TsHARP... 

【文章來源】：地球信息科學(xué)學(xué)報(bào). 2020,22(08)北大核心CSCD

【文章頁數(shù)】：13 頁

【部分圖文】：

RRF降尺度模型的技術(shù)路線

如圖2所示，OOBS的值隨著加入變量數(shù)量的增加而增大，RMSE則相應(yīng)減少，并且當(dāng)數(shù)量增加到一定值時(shí)，2個(gè)指標(biāo)的變化均趨于平緩。以O(shè)OBS和RMSE之間的差值作為選擇依據(jù)，當(dāng)變量個(gè)數(shù)小于10時(shí)，二者差值隨變量增加逐漸變大，而當(dāng)變量個(gè)數(shù)達(dá)到16以后，OOBS和RMSE的絕對差值的變化趨向于零，說明此時(shí)最重要的變量基本被添加至模型中。因此，為了達(dá)到最佳訓(xùn)練結(jié)果，本研究選取了前16個(gè)變量，具體變量信息如表1所示，此時(shí)OOBS和RMSE分別達(dá)到0.876和0.13 K。2.3 隨機(jī)森林降尺度模型的構(gòu)建

對于研究區(qū)B,RRF模型和TsHARP模型的Bias都接近于0，說明了模型降尺度估計(jì)的無偏性。RRF模型依舊保持著較高的精度，降尺度結(jié)果的RMSE為2.27 K。相比于Basic-RF模型（RMSE為3.1 K）而言，其誤差降低了約37%。同時(shí)，相比于TsHARP模型（RMSE為3.18 K）而言，其誤差降低了約40%。圖6展示了子研究區(qū)B降尺度后的地表溫度的空間分布，從該圖可以看出，RRF模型基本還原了城市范圍內(nèi)人工建筑和道路與其他自然地表之間的溫度差異，并且也能顯示出城市中心溫度高于郊區(qū)的熱島現(xiàn)象，此外，RRF模型對局部水體與周圍地表的低溫差異識別也相對優(yōu)于其他2種模型，RRF模型更具體地還原了精細(xì)尺度的真實(shí)地表溫度。主要原因是光譜指數(shù)NDBI和MNDWI的引入，使得模型對人工建筑以及水體造成的溫度變化的敏感性增強(qiáng)，RRF模型能夠更加細(xì)化和精確地指示復(fù)雜的地表溫度變化。4.2 降尺度模型的交叉檢驗(yàn)與分析

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林算法的地表溫度降尺度研究[J]. 華俊瑋,祝善友,張桂欣.  國土資源遙感. 2018(01)
[2]遙感地表溫度降尺度方法比較——性能對比及適應(yīng)性評價(jià)[J]. 全金玲,占文鳳,陳云浩,劉聞雨.  遙感學(xué)報(bào). 2013(02)



本文編號：3398332