【数据分享】全球1km年平均温度长时间序列数据分享（1985–2020）

数据来源

论文地址为：https://doi.org/10.1016/j.rse.2023.113650

数据介绍

作者采用Prophet模型来重构了1985年至2020年的1公里分辨率的时空连续Landsat LST数据。

Prophet是Facebook开源的时间序列预测算法，可以有效处理节假日信息，并按周、月、年对时间序列数据的变化趋势进行拟合。根据官网介绍，Prophet对具有强烈周期性特征的历史数据拟合效果很好，不仅可以处理时间序列存在一些异常值的情况，也可以处理部分缺失值的情形。算法提供了基于Python和R的两种实现方式。

重构LST序列的计算步骤如下：

1. 数据预处理：

   • 首先，对获取的Landsat LST数据进行预处理，将由云层污染、条纹间隙和数据缺失引起的所有Landsat LST间隙设置为空值。
   • 排除LST异常值，根据“3σ（标准差）”规则进行处理。

2. Prophet模型系数计算：

   • 使用经过预处理的Landsat LST数据，解出Prophet模型的系数。Prophet模型是一种能够处理周期性变异的模型，可以用于拟合时间序列数据。

3. 获得Prophet模型的年际、季节性和残差成分：

   • 从Prophet模型中获取年际、季节性和残差成分，这些成分将用于重建LST数据。

4. 生成时空连续的LST数据：

   • 使用模型系数和相关的年际、季节性和残差成分，生成具有时空连续性的LST数据。
   • 重建后的LST数据将在晴朗天气条件下，跨越全球城市，以1公里分辨率的形式提供。

这些步骤有助于减少由于云层污染、条纹间隙和缺失图像等因素引起的LST数据采样偏差，从而使Landsat LST数据更适合估算城市热岛（Is）趋势。

数据精度

作者通过将Landsat观测数据与重建的LST进行比较来评估重建的准确性。结果表明，全球城市中重建的Landsat LST的平均绝对误差（MAE）约为3摄氏度。

作者进一步将Landsat估算的Is和Is趋势与2000年至2020年期间使用MODIS数据估算的数据进行了比较。比较结果表明，从这两种类型的卫星数据估算的城市热岛强度（Is）和Is趋势一致性较好，Is的决定系数（R2）为0.87（p < 0.001），Is趋势的R2为0.55（p < 0.001；图3b和3d）。估计的Is和Is趋势也在个别城市（图4）和像素级别（例如，图3e和3f）上相对一致。与从MODIS数据获得的数据相比，由Landsat估算的Is和Is趋势的平均绝对误差（MAE）分别为0.33摄氏度和0.14摄氏度/十年。这两个MAE占Is的动态范围的<10%（4到5摄氏度）以及相关趋势的<10%（0.7到1.2摄氏度/十年）。Is和Is趋势的平均偏差甚至更低，分别等于0.10摄氏度和0.01摄氏度/十年（图3b到3d）。这些评估结果表明，由Landsat估算的Is和Is趋势在全球城市中通常是可靠的。

数据获取方式

该文作者重构的LST长时间序列数据已经开源，可以在官网直接下载，也可以在我的公众号（同名）中获取，后台口令：1111

小编说

作者将Prophet模型用于Landsat LST的时间序列重构工作中，结果显示可行，这就意味着可以使用该模型重构分辨率更高的时间序列数据，该文作者只计算了全球全球511个城市面积大于200平方公里的主要城市1985年至2020年1公里分辨率的时空连续Landsat LST数据。虽然重构的LST数据在空间上不连续，但是用于一些中大城市的LST研究也够用了。该重构的连续LST数据相较于MODIS LST的优势在于时间序列更长，且提供的方法可以计算出空间分辨率更高的连续LST产品。

ps:使用数据注意按要求引用文章

Rk-1697512595944)]

[外链图片转存中…(img-AjtmlhsN-1697512595945)]

感谢大家花时间来阅读本文作者水平有限，有失误之处请大家斧正！