基于随机森林算法的地表温度鲁棒降尺度方法

	基于随机森林算法的地表温度鲁棒降尺度方法
	李婉 1; 牛陆 2; 陈虹 3; 吴骅 2
刊名	地球信息科学学报
	2020
卷号	22 期号:8 页码:1666
关键词	land surface temperature thermal infrared remote sensing downscaling machine learning random forest predictor variable MODIS robustness 地表温度热红外遥感降尺度机器学习随机森林解释变量 MODIS 鲁棒性
ISSN号	1560-8999
英文摘要	陆地表面温度是描述区域或者全球范围内陆地表面与大气的相互作用和能量平衡最重要的环境参数之一。针对目前尚未有遥感卫星能够同时提供具有高时间和高空间分辨率的地表温度产品的问题,国内外学者发展了多种对低空间分辨率的地表温度进行降尺度的算法。然而,由于对地表温度解释变量和降尺度模型的选择往往具有区域局限性,导致了降尺度模型的泛化能力受到了一定的限制。本文首先评估了地表反射率、遥感光谱指数、地形因子、地表覆盖、经纬度以及基本状态变量6类环境参量与地表温度之间的相关关系,并在此基础上筛选出最佳解释变量;同时,结合在非线性回归问题上表现比较优秀的随机森林算法,建立了一种鲁棒性的基于随机森林算法地表温度降尺度模型(RRF)。本文选取了中国范围内具有代表性的11个地区作为主要研究区,将空间分辨率为1 km的MODIS地表温度产品降尺度至90 m。以北京市2个典型地表类型的子区域为代表研究区,通过与传统的基于归一化植被指数与地表温度相关关系的TsHARP模型,以及基于红波段和近红外波段以及地表高程作为尺度因子建立的简单Basic-RF模型的对比分析可得,RRF模型在2个子研究区降尺度结果均优于TsHARP模型和Basic-RF模型,其均方根误差分别为2.39 K和2.27 K。通过进一步对2个子研究区训练的RRF进行交叉验证,证明在一个研究区训练的RRF应用至另一研究区的降尺度时,RRF模型表现出了较好的鲁棒性,降尺度结果的均方根误差分别为2.56 K和2.44 K,精度误差相差仅为0.17 K。通过将RRF应用于中国范围内的多个研究区,结果表明利用少量训练数据构建的RRF模型适用于大范围的区域,地表温度降尺度结果都能取得较好的精度。
语种	英语
内容类型	期刊论文
源URL	[http://ir.igsnrr.ac.cn/handle/311030/156133]
专题	中国科学院地理科学与资源研究所
作者单位	1.中国科学院空天信息创新研究院 2.中国科学院地理科学与资源研究所 3.中国国土资源航空物探遥感中心
推荐引用方式 GB/T 7714	李婉,牛陆,陈虹,等. 基于随机森林算法的地表温度鲁棒降尺度方法[J]. 地球信息科学学报,2020,22(8):1666.
APA	李婉,牛陆,陈虹,&吴骅.(2020).基于随机森林算法的地表温度鲁棒降尺度方法.地球信息科学学报,22(8),1666.
MLA	李婉,et al."基于随机森林算法的地表温度鲁棒降尺度方法".地球信息科学学报 22.8(2020):1666.