基于机器学习和辐射传输的地表温度模拟方法对比

目录

一、研究背景

二、研究方法

三、研究区域

四、模拟结果

五、讨论

六、结论

参考文献

---

一、研究背景

        地表温度（ Land surface temperature, LST） 是农学、水文学和气象学等学科的关键参数， 被广泛应用于各种领域，包括蒸散、气候变化、水文循环、植被监测、城市气候和环境研究等， 是局部尺度到全球尺度模拟地表物理过程的关键参数之一。地表温度是能量收支和水循环等过程中的重要参数。在冠层结构、太阳辐射和气象条件等多种因素影响下， 如何模拟地表温度是很多研究的基础。

---

二、研究方法

        模拟方法根据其性质可分为基于物理的方法和基于经验的方法。

        基于物理的方法经过长期的发展，大致可以分为辐射传输模型、几何光学模型、混合模型和计算机模拟模型。SCOPE 模型(Soil Canopy Observation Of Photochemistry And Energy Fluxes)是一个基于辐射传输、微气象学和植物生理学理论构建的土壤-植被-大气传输模型，旨在提供方向冠层顶或大气顶可见光和热红外的反射率、发射亮温和太阳诱导的荧光信号以及能量、水和二氧化碳的模拟。到目前为止， SCOPE 模型已被广泛用于地表遥感正演和反演，特别是在植被监测应用中。本研究使用的是1.70 版本的 SCOPE。下表为SCOPE的输入。

表一 SCOPE 模型输入

        随着机器学习的发展，基于经验的方法在遥感领域也得到了广泛的应用，但在地表温度模拟领域应用较少。随机森林（Random Forest, RF）方法能平均来自每个决策树的输出，以获得最终的分类或回归结果。长期短期记忆（Long Short-term Memory, LSTM）是典型的循环神经网络，非常适合处理时间序列数据集，能保持输入数据之间的依赖